基于改进RBF神经网络PID控制的液压起重机节能仿真

液压起重机在驱动小负载时,导致液压泵输出功率较大,造成能源浪费。对此,提出了改进径向基函数(RBF)神经网络PID控制方法,并对液压泵输出功率进行仿真。创建液压起重机平面简图,设计了负载敏感平衡阀,推导液压起重机驱动动力学方程式。对传统RBF神经网络结构进行改进,设计了动态自适应RBF神经网络PID控制器,采用Matlab软件对液压起重机改进RBF神经网络控制效果进行仿真。结果表明:在空载或轻载工况下,悬臂在上升过程中,采用RBF神经网络PID控制与改进RBF神经网络PID控制方法,液压泵输出功率几乎一样;悬臂在下降过程中,采用改进RBF神经网络PID控制方法,液压泵输出功率较小。在空载或轻载工况下,液压起重机采用改进RBF神经网络PID控制方法,能够降低液压泵能耗损失,节约资源。     

神经网络方法在循环流化床燃烧中的应用

本文分析了循环流化床锅炉燃烧控制系统的特点。针对主蒸汽压力控制系统。提出一种新型的基于改进BP神经网络的PID控制方法。该方法将神经网络和PID控制策略相结合。既具有神经网络自学习、自适应及逼近任意函数的能力。又具有常规PID控制器结构简单的特点。仿真研究表明这种BP神经网络PID控制能克服对象的大惯性、抗干扰性。大大改善控制品质。     

针对纯滞后系统的RBF神经网络智能控制的研究

针对工业控制过程中普遍存在的大惯性、纯滞后、时变性、非线性对象的控制问题,采用传统的控制方法不能达到满意的控制效果,提出了基于RBF神经网络的PID自适应控制方案。采用神经网络辨识器在线辨识系统模型,自动调整PID控制器参数,从而实现系统的智能控制。仿真结果表明：该方法对于纯滞后控制系统能进行有效的控制并且具有很好的自适应性和鲁棒性。     

基于RBF网络的多变量系统自适应预测PID控制器

针对非线性、多变量、大滞后耦合系统使用常规PID控制难以达到理想效果,提出了一种基于RBF网络的自适应预测PID控制器.该控制器利用递推多步预测克服时滞,并采用基于RBF网络整定的PID控制器在线调整控制器参数,从而克服了系统的耦合作用,提高了控制系统的输出跟踪精度.仿真结果表明,该方法控制效果良好,具有较快的系统响应、较强的自适应性和鲁棒性.     

基于神经网络自适应的吸收塔浆液PH值控制

为提高吸收塔浆液PH值控制系统的自适应能力以抵抗系统非线性及干扰的影响,提出了基于小脑神经网络的自适应PID控制器。推导了小脑神经网络自适应控制器,考虑到高阶微分对噪声的敏感性,控制器中只保留比例、积分和微分项,该鲁棒控制器兼有PID控制性能。为了验证鲁棒自适应PID控制器的性能,与常规PID和模糊自适应PID控制器作阶跃响应和抗干扰性能进行了对比,结果表明了鲁棒自适应PID控制器的优越性。     

基于自适应PID控制器的平面一级倒立摆的研究

倒立摆是一个强耦合、严重不稳定的系统,其背景来源于火箭发射等课题.在该系统中,PID控制器常常被采用.由于该系统在建立数学模型时次要的因素被忽略了,实际上是一个非线性系统;为了提高系统的控制性能,根据计算智能逼近非线性系统的功能,设计一个RBF神经网络控制系统,实现对常规PID控制器的参数进行自适应整定.最后使用BC++编写系统的控制程序,通过实物控制验证基于RBF神经网络的PID控制器参数的自适应整定的系统具有较好的瞬态性和鲁棒性.     

电液负载模拟器的RBF神经网络控制

针对传统控制器自适应能力和鲁棒性差、参数调节繁琐等缺陷,提出了神经网络自适应控制方案,同时针对神经网络控制器计算复杂和稳定性证明缺乏理论依据等不足问题,在传统控制理论的基础上设计了基于PID的神经网络控制方案。根据电液负载模拟器的结构特点和目前神经网络控制的发展水平,提出了基于RBF神经网络的PID控制器,并构建了负载模拟器的神经网络控制与基于Jacobian的消扰(消除多余力)结构,仿真和试验证明其具有很好的自适应性和鲁棒性。     

定型机中单神经元自适应控制器的应用

介绍用PLC控制定型机张力的工作原理及PLC控制系统的组成：基于神经网络控制器(NNC）处理非线性方面问题的优势，提出了用单神经元自适应PID控制器及其算法实现对张力的控制；实验证明，利用这种算法对张力控制品质优于常规的PID控制器。     

基于神经网络PID的液动调节阀控制研究

液动调节阀的快速精确定位在工业生产中十分重要。将传统PID算法与BP神经网络算法相结合,设计出具有自适应能力的智能PID控制系统,并应用在阀门控制器中。仿真结果表明,基于BP神经网络的PID控制算法,控制效果明显,优于普通PID控制系统。     

模拟复合正交神经网络在轴向磁轴承中的控制研究

由于磁轴承的动态性能主要取决于所采用的控制规律,控制器是磁轴承系统的关键.在数字复合正交神经网络(NN)的基础上,提出了一种模拟复合正交神经网络,并用于轴向磁轴承的控制中.控制器采用模拟复合正交神经网络与PID的并行控制方法,对带有负载干扰的轴向磁轴承控制系统作了PID控制与NN PID控制的仿真实验.仿真结果表明,相对于常规PID控制器,该并行控制法具有较高的抗干扰与自适应能力-控制效果理想.     

低压注塑机注射装置智能化温度控制研究

低压注塑机注射装置用于将塑化态的热熔胶注射至模腔内,其温度控制的稳定性和快速性关系到注塑制品质量。为研究该装置温度特性,提出了一种注射装置温控系统的近似模型,并采用自组织、自学习和自适应的径向基函数神经网络与PID控制相结合的控制策略。在该控制策略中,利用RBF神经网络提供的Jacobian矩阵信息实时调整PID控制参数。经仿真和测试证明该方法具有响应速度快、稳定性好的特点。     

纯滞后对象的RBF神经网络PID控制研究

神经元网络具有信息分布储存、并行处理以及自组织、自学习能力等优点。运用RBF神经网络训练了PID控制器的三个重要参数。相比于传统的PID控制器,提高了控制精度,使系统快速地达到了稳定状态。并进行了Matlab仿真,验证了这一结论。     

焦化鼓风机系统智能控制策略研究及应用

针对焦化鼓风机系统具有非线性时变、多变量、强耦合及存在随机干扰的特点,通过采用基于最近邻聚类方法的RBF神经网络快速学习算法,实时在线辨识,建立被控对象的精确逆模型并用于控制,实现了将具有强耦合特性的多输入多输出(MIMO)系统解耦成单个独立的伪线性对象,并提出一种基于RBF神经网络逆控制与非线性比例积分微分(PID)控制相结合的智能控制策略,保证了系统稳定的同时改善了控制系统性能.仿真和应用结果证实了该控制策略具有快速适应对象和过程变化的能力及较强的鲁棒性.     

关于最近邻聚类的RBF网络自整定PID控制算法的研究

针对采用传统PID控制一类非线性滞后系统难以获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法.利用具有在线能力的最近邻聚类学习算法,训练RBF神经网络.并引入优化策略对聚类半径进行自动调整,以保证聚类的合理性,从而自适应调整系统的控制参数.仿真结果证明了该控制策略不仅能使非线性滞后系统具有良好的动态跟踪性能,而且具有很好的抗干扰能力和鲁棒性.     

油茶果采摘机阀控液压马达模糊神经网络PID控制

推摇式油茶果采摘机在作业机构作业时,需要保证振动液压马达恒定转速输出,以保证油茶果能够顺利通过推摇振动从树枝脱落,对此,推导了推摇式油茶果采摘机阀控振动液压马达系统的状态空间方程,并在传统增量式PID控制原理的基础上设计了模糊径向基函数(Radial Basis Function,RBF)神经网络PID控制方法。采用MATLAB/Simulink仿真软件对液压系统在空载和5 s带载工况进行仿真,并与传统PID控制和模糊PID控制方法进行比较和分析。仿真结果显示,传统PID控制和模糊PID控制响应速度较慢、鲁棒性较差;而采用模糊RBF神经网络PID控制方法响应速度快、鲁棒性强,能够很好地满足振动液压马达恒定转速输出的要求,并且能够灵活地在线调整PID的3个参数,控制精度较高。     

Research on Power Control of Wind Power Generation Based on Neural Network Adaptive

For the characteristics of wind power generation system is multivariable,nonlinear and random,in this paper the neural network PID adaptive control is adopted.The size of pitch angle is adjusted in time to improve the performance of power control.The PID parameters are corrected by the gradient descent method,and Radial Basis Function(RBF)neural network is used as the system identifier in this method.Simulation results show that by using neural network adaptive PID controller the generator power control can inhibit effectively the speed and affect the output power of generator.The dynamic performance and robustness of the controlled system is good,and the performance of wind power system is improved.     

神经网络分数阶PI~μD~λ在压电叠堆控制中的应用

为了克服压电叠堆的迟滞特性,实现压电叠堆的精确控制,建立了压电叠堆控制系统,研究了该系统所用到的神经网络、分数阶微积分等算法。首先,搭建了采集压电叠堆位移数据的硬件系统,并对含有噪声的位移数据进行了滤波处理;利用径向基函数(RBF)神经网络对压电叠堆建模,得到了模型参数。然后,利用RBF神经网络建模得到的Jacobain信息来整定分数阶PI~μD~λ控制器中的参数对压电叠堆进行控制。最后,与RBF整数阶PID对压电叠堆的控制效果进行了对比。结果显示:RBF建模误差仅为位移实测数据的0.22%,RBF神经网络分数阶PIμDλ控制系统输出稳定,很好地跟随了给定。得到的结果表明RBF神经网络分数阶PI~μD~λ控制器控制性能良好,在压电叠堆的控制中比RBF整数阶PID控制器表现得更加稳定、精确。     

Research on Power Control of Wind Power Generation Based on Neural Network Adaptive Control

-For the characteristics of wind power generation system is multivariable,nonlinear and random,in this paper the neural network PID adaptive control is adopted.The size of pitch angle is adjusted in time to improve the performance of power control.The PID parameters are corrected by the gradient descent method,and Radial Basis Functinn(RBF)neural network is used as the system identifier in this method.Simulation results shaw that by using neural adaptive PID controller the generator power control can inhibit effectively the speed and affect the output power of generator.The dynamic performance and robustness of the controlled system is good,and the performance of wind power system is improved.