基于PID神经网络控制器的飞控系统设计

BP神经网络已被广泛应用于PID控制器的优化调参,但这种调参方法具有收敛速度慢、学习时间长、连接权重初值为随机值、易于陷入局部极小等缺点.本文提出了一种不同于用BP网络调整PID参数的新的融合方法:PID神经网络控制器(PIDNN):该控制器不仅能克服以上缺点,而且具有很好的鲁棒性.本文对PIDNN在某无人机姿态控制系统的应用进行了仿真研究,仿真结果表明该控制器能够大大地改善姿态控制系统性能.     

基于PIDNN的六旋翼无人机飞行控制算法研究

针对六旋翼无人机比例-积分-微分(PID)控制器参数优化困难的问题,采用了PID神经网络(PIDNN)控制方法,利用其非线性映射和自学习的特性,实现了姿态控制参数的动态调整,增加了系统的自适应性.为验证方法的有效性,通过Matlab的Simulink模块构建了六旋翼无人机数学模型;利用S函数实现了基于反向传播(BP)算法的PIDNN控制器;将仿真结果与传统PID控制效果进行对比,结果表明:在缩短姿态调整时间与减少超调量方面,PIDNN方法控制效果优于PID方法.     

PID 控制器参数优化中的仿真研究

研究 PID 控制器参数优化选择问题.传统的 PID 参数优化多采用试验加试凑的方式,费时且难找到最优参数,同时,常规 BP 神经网络 PID 参数优化训练收敛速度较慢,控制效果不理想.为了获得最优 PID 参数,提高系统的控制性能.提出一种遗传算法 BP 神经网络PID 参数优化方法.方法首先采用全局寻优的遗传算法对...     

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.     

基于BP神经网络的贴片机运动精度控制

将BP神经网络PID控制方法应用于贴片机运动精度控制器设计;针对传统PID控制器参数难以整定等问题,提出了BP神经网络和PID控制器相结合的方法,该方法既有常规PID控制器结构简单的特点,又有BP神经网络自适应、自学习以及逼近任意函数的能力;首先根据伺服电动机的工作原理建立了电枢控制伺服电动机模型传递函数,在此基础上建立了贴片机单关节轴位置控制器模型传递函数;其次描述了BP神经网络和PID控制器相结合的控制模型,并对具体的控制算法进行了定义;最后利用MATLAB仿真工具对贴片机单关节位置控制进行了仿真;仿真结果表明,结合BP神经网络的PID控制系统提高了系统的稳定性、快速性和动态性能并获得很好的控制效果。     

神经元PID控制器及改进算法的仿真研究

针对常规PID控制器有着对过程的数学模型过于依赖的局限性,导致许多过程控制效果不理想的问题,根据人工神经元的自学习功能构造了基于神经元的PID控制器,对其学习算法加以改进。选取二阶惯性环节加纯滞后为控制对象,建立了数学模型,并进行计算机仿真及对这几种控制方法的控制效果加以比较。仿真结果表明,该控制器将神经网络和PID控制规律融为一体,既具有常规肿控制器结构简单、参数物理意义明确的优点,又具有神经网络自学习、自适应的能力,取得比常规PID控制器更好的控制品质。     

BP神经网络模型预测控制算法的仿真研究

为克服被控对象参数变化导致控制精度降低的问题,研究了一种BP神经网络模型预测控制算法。借助最小二乘递推算法在线预测系统模型参数,利用BP神经网络在线预测PID参数以控制被控对象。该算法基于模型预测,首先在线性系统中验证其控制效果,然后将非线性问题作线性处理,采用BP神经网络模型预测PID控制器予以实现控制非线性系统。仿真曲线显示BP神经网络PID控制器用于线性系统可达到高精度控制要求;对于非线性系统有自适应及逼近任意函数的能力。仿真研究表明,该算法与传统BP神经网络PID控制器相比,其自适应能力更强,稳定性更好,控制精度更高。     

基于BP神经网络整定的PID控制

为了改善传统PID控制器的控制效果，采用BP神经网络对PID参数进行自整定，并对该系统进行了仿真分析。仿真结果表明，采用BP神经网络整定的PID控制器具有良好的控制品质。     

RBF和PIDNN在伺服电机模型中的应用比较

为了更好地发挥RBF和PIDNN神经网络的优势,通过对伺服电机模型辨识和控制问题的分析,对RBF和PIDNN网络的应用效果进行了仿真实验的对比研究。结果表明,RBF神经网络结构复杂,参数难以调整,但具有最佳一致逼近能力,辨识效果优于PIDNN;PIDNN结构简单,比例元、积分元和微分元具有类似PID的控制作用,控制效果优于RBF。     

主动磁悬浮轴承的神经网络自适应稳定性控制

针对主动磁悬浮轴承本质非线性和开环不稳定的系统特征,设计了一种BP神经网络自适应PID控制器。该控制器采用改进的BP神经网络PID控制算法,通过BP神经网络的自学习和权值调整寻找最优的PID参数,克服了常规PID控制参数整定困难的缺陷,实现了系统的自适应控制。通过MATLAB/Simulink环境和S-Function模块建立了主动磁悬浮轴承控制系统模型,并进行了系统仿真实验,结果表明,BP神经网络自适应PID控制系统响应速度更快,具有更好的动态性能和稳态性能。