基于免疫优化PID神经网络的污水处理系统解耦控制*

针对氨氮浓度和硝态氮浓度之间相互耦合,以及常规的PID控制方法难以获得满意控制效果的特点,以溶解氧浓度和内循环流量为操作变量,采用PID神经网络对氨氮浓度和硝态氮浓度进行解耦控制;针对PID神经网络连接权值容易陷入局部最优值,应用免疫算法优化PID神经网络连接权值。仿真结果表明,该方法对污水生化处理系统具有很好的解耦能力和控制品质。     

基于isPSO的锅炉燃烧系统PIDNN解耦控制

针对传统的解耦方法对实际工业生产过程中的多变量、非线性、强耦合系统解耦效果不理想的问题,提出了改进的简化粒子群(isPSO)算法与PID神经网络(PIDNN)相结合的方法。PIDNN训练用于消除回路间的耦合,其连接权值由简化粒子群算法学习优化。该isPSO算法能克服PIDNN易陷入局部收敛的缺点,而且与基本PSO算法相比,搜索到最优值的概率更高。采用的小步长线性递减惯性权重和增加的极值扰动算子,则加速了对PIDNN权值的优化。通过对强耦合对象火电厂锅炉燃烧系统的仿真表明,该方法具有更好的控制品质:鲁棒性强、跟踪快、解耦效果好,为实际应用中强耦合系统的改进提供了理论依据。     

神经网络的强耦合控制系统仿真研究

研究工业控制领域的优化控制问题,工业控制对象具有强耦合特性,传统方法无法对其进行精确解耦,导致系统控制精度比较低.为提高工业控制系统的控制精度,提出一种PID控制和神经网络相融合的控制方法.利用PID优良动态控制特性和BP神经网络非线性控制特性对控制系统进行解耦,在权值调整算法式中加入增大动量项,提高网络学习效率,并采用粒子群算法优化权值初始值,提高控制精度,减少振荡产生.在MATLAB环境下,对非线性控制系统进行仿真研究,仿真结果表明,PID神经网络提高系统的抗干扰能力,提高系统控制精度,能够对系统进行精确解耦,使工业控制系统的性能得到改善.     

基于改进的PSO算法的球磨机PID神经网络控制系统

球磨机制粉系统是一个复杂的多变量系统,具有强耦合、非线性、大迟延、慢时变等特点,很难建立精确的数学模型,采用常规的控制策略难以获得满意的控制效果。针对上述问题,在对球磨机制粉系统动态特性进行分析的基础上,提出了一种不依赖于被控对象数学模型的多变量PID神经网络解耦控制策略;为进一步提高控制器性能,利用一种改进的PSO算法对PID神经网络的权值初值进行离线优化训练,然后采用BP算法对权值进行在线调整,避免网络陷入局部极小值,保证了系统不会出现大的超调和震荡。仿真结果表明,该策略可以保证球磨机控制系统有大范围的鲁棒性和适应性,能较好地解决球磨机制粉系统的耦合性、时变性等问题,具有优良的解耦机制和控制品质。     

多温区电加热炉的PID神经网络控制

研究温度控制对提高产品品质意义较大.多温区电加热炉具有强耦合、时变性等特点,针对多温区电加热炉要求动态品质好、控制精度高等特点,采用将PID控制融合入神经元网络的方法,比例元、积分元和微分元的存在,使得PID神经网络的控制系统响应快、超调小、无静差.采用改进的反向传播学习算法,在权值调整算法式中加入阻尼项,提高了算法收敛速度和学习速率,又不易产生振荡.在MATLAB环境下,用S函数编写算法进行仿真.仿真结果表明,PID神经网络达到较好的解耦效果,提高系统的抗干扰能力,改善了系统的动态品质,使多温区电加热炉温度控制系统的性能得到改善.     

基于双隐层DRNN的自整定PID解耦控制

随着科学技术的不断进步和发展,被控对象正变得越来越复杂,而人们对其控制精度的要求却日益提高,这样就产生了复杂性和精确性的尖锐矛盾。智能自适应控制是解决上述问题的有效方法之一。该文针对强耦合带延时多输人输出(MIMO)非线性离散系统难以实现解耦的问题,推导了双隐层DRNN的权值学习算法,实现了基于双隐层DRNN结构与动态BP网络的加速算法的在线自整定PID解耦控制,仿真表明该方案具有良好的动态、静态性能以及很强的自适应性。     

多变量强耦合时变系统的PID神经网络控制

介绍了一种新的神经网络———PID神经网络及其多变量强耦合时变控制系统。文中给出了网络的结构和算法,分析了时变对象的特点,对一组二变量强耦合时变系统进行了实时仿真。仿真结果显示:PID神经网络对多变量强耦合时变对象具有良好的解耦性能和自学习控制特性。     

基于非线性类PID算法的控制器优化过程仿真

研究控制器的优化控制问题.在较为复杂的工业控制环境下,被控对象具有不确定性、非线性及时变性.传统PID算法不能满足控制复杂过程的要求,会造成传统的非线性类PID神经元网络控制方法计算量相对较大,且整定困难,造成控制不稳定.为了解决上述问题,利用本地混合递归神经网络设计了一种低复杂度类PID神经元网络控制器.构造一个适用于强耦合大时滞MIMO系统的多变量控制器.实验中,运用Lyapunov稳定性理论分析电力线载波通信流量控制、塑料注射成型机通道温度控制过程,仿真结果表明,提出的类PID控制器模型闭环稳定且非线性控制性能优异,对强耦合时滞系统具有良好的跟踪与解耦能力.     

料位自寻优和解耦算法在制粉系统中应用研究

针对制粉系统多变量、强耦合、料位测量不准确造成的经济性能低等特性,提出了基于料位自寻优多神经元PID制粉系统解耦控制。根据现场采集的磨音信号、磨机负荷等参数,采用料位自寻优算法能实时搜索磨机最大出力,使系统始终运行在最佳工作点;根据系统在最佳工作点的料位控制量采用改进权重的神经网络PID算法,实现各层神经元的连接权重值调整,降低系统控制误差,使系统实现解耦控制。仿真和实际控制结果表明,该算法具有较高的准确率,能适应不同工况下出口温度、入口负压以及料位的稳定控制,不仅实现了制粉系统的闭环自动控制,而且提高了系统制粉效率,降低了制粉单耗,最终达到节能目标。     

基于DRNN的多变量解耦控制系统

本文针对一类有强耦合带时延的多变量系统,采用对角递归神经网络(DRNN)与带动量项的PID梯度优化算法(PIDGDM),自适应调整PID控制器的二项参数,并行完成系统的解耦与控制工作。仿真结果表明,系统具有很好的静态和动态性能。     

基于粒子群算法的抄纸过程PID神经元网络优化控制

抄纸过程中定量和水分的控制是一个大纯滞后、强耦合和非线性的系统,本文提出使用粒子群算法优化的PID神经元网络来解决这些控制问题。设计的双PID神经元网络闭环控制系统中,网络结构简单,使用增加动量项的误差反向传播算法,提高了学习速度,减少了系统的反应时间,并采用粒子群算法优化网络的初始权值,克服PID神经网络学习过程中由于权值易陷入局部最优值的缺点,提高了系统的控制精度。仿真结果表明：初始权值优化后的PID神经网络控制系统具有更高的控制精度和更快的响应时间,能更好地实现抄纸过程的解耦控制。这为抄纸过程定量水分的自动控制提供了一种新的方法。      

强制循环蒸发系统的非线性自适应解耦PID控制

本文结合现场的实际过程数据,首先应用能量平衡建立了强制循环蒸发过程的动态模型.针对该过程的多变量、非线性以及强耦合特性,在常规增量式PID控制器的基础上提出基于神经网络与多模型切换的非线性自适应解耦PID控制策略.该控制器是由线性自适应解耦PID控制器和基于神经网络的非线性自适应解耦PID控制器以及切换机构组成.其中线性自适应解耦PID控制器可以保证系统的稳定,而基于神经网络的非线性自适应解耦PID控制器则可以有效地提高系统的性能.上述过程的PID参数是通过广义预测的方法得到,最后通过仿真表明,上述控制方法不仅消除了回路间的耦合,在稳定生产的同时提高了蒸发的效率.     

Temperature decoupling control of double-level air flow field dynamic vacuum system based on neural network and prediction principle

Double-level air flow field dynamic vacuum (DAFDV) system is a strong coupling, large time-delay, and nonlinear multi-input–multi-output system. Decoupling and overcoming the impact of time-delay are two keys to obtain rapid, accurate and independent control for two air temperatures in two concatenate chambers of the DAFDV system. A predictive, self-tuning proportional-integral-derivative (PID) decoupling controller based on a modified output–input feedback (OIF) Elman neural model and multi-step prediction principle is proposed for the nonlinearity, time-lag, uncertainty and strong coupling characteristics of the system. A multi-step ahead prediction algorithm is presented for temperature prediction to eliminate the effects of time-delays. To avoid getting into a local optimization, an improved particle swarm optimization is applied to optimize the weights of the OIF Elman neural network during modeling. By using the modified OIF Elman neural network identifier, the DAFDV system is identified and the parameters of PID controller are tuned on-line. The experimental results for two typical cases indicate that the settling times are obviously shorten, steady-state performances are improved and more important is that one temperature no longer fluctuates along the other, which verify the proposed adaptive PID decoupling control is effective.     

基于合作粒子群算法的PID神经网络非线性控制系统

PID神经元网络 (PIDNN)模型为一种新型的神经网络模型,兼有PID与神经网络的共同优点,应用于复杂的控制系统.取得优良控制性能,但其后向传播算法 (BP)限制了该模型的应用范围.为实现对非线性多变量系统的有效控制,扩展神经网络的应有范围,本文采用PIDNN神经网络设计了多变量PIDNN神经网络 (MPIDNN)控制器,并用本文作者提出的合作粒子群算法 (CPSO)取代了传统BP后向传播算法,通过比较MPIDNN_CPSO、MPIDNNCRPSO、MPIDNN_PSO和MPIDNN_BP4种控制器的控制性能,仿真结果表明,基于CPSO算法的MPIDNN控制器实现了对非线性多变量不对称系统的有效控制.与传统的BP算法相比,CPSO算法提高了控制系统的稳定性、精确性与鲁棒性.     

PID神经元网络多变量控制系统分析

PID神经元网络是一种新的多层前向神经元网络,其隐含层单元分别为比例(P)、积 分(I)、微分(D)单元,各层神经元个数、连接方式、连接权初值是按PID控制规律的基本原则 确定的,它可以用于多变量系统的解耦控制.给出了PID神经元网络的结构形式和计算方 法,从理论上证明了PID神经元网络多变量控制系统的收敛件和稳定性,通过计算机仿真证 明了PID神经元网络具有良好的自学习和自适应解耦控制性能.     

多温区电加热炉自适应PID控制方法

多温区电加热炉是一种典型的多输入多输出系统(MIMO),存在着耦合性、不确定性和非线性的控制难点.针对此问题,提出了一种自适应PID控制方法.该方法先以解耦减小系统耦合性,再利用小脑模型关节控制器(CMAC)在线学习系统的未知不确定性及外部扰动,证明了CMAC神经网络在线逼近的收敛性和自适应控制方案的稳定性.实验结果表明,该控制方法有效地控制了各个温区的温度,提高了控制性能,具有实际应用意义.     

基于PID神经网络的滑翔增程制导炮弹解耦控制系统设计

针对低速旋转的滑翔增程制导炮弹存在的俯仰和偏航通道控制耦合性问题,阐述利用基于PID神经网络进行双通道解耦控制设计。首先描述滑翔增程炮弹动力学模型,基于对该模型的分析基础上提出PID神经网络的结构和计算方法,并采用增加动量项的权值修正和自适应可变学习率对其进行改进。在此基础上,通过粒子群优化算法对网络的初始权值进行优化...     

THJS-3实验装置的二容液位系统解耦控制

介绍了三容水箱液位控制系统的硬件组成及MCGS软件的组成,以THJS-3高级过程控制实验装置为基础,运用基于对角递归神经网络的PID解耦控制算法在MCGS软件中进行控制界面组态和运行。实验结果表明系统实现了解耦控制,具有良好的稳态性能和动态性能。在MCGS软件中实现解耦控制有很强大的应用前景。