改进BP神经网络PID多变量解耦控制器的设计

针对多变量系统间的耦合问题,设计了改进的BP神经网络与PID控制器相结合的多变量解耦控制器。在将BP神经网络附加动量项的基础上,还将激活函数进行了改进。利用神经网络的自学习能力,在线调整PID控制器的三个参数,实现了多变量系统的解耦控制。用Matlab软件对一个耦合系统模型进行仿真,结果表明,改进后神经网络PID控制器优于传统神经网络PID控制器,震荡小,系统响应速度快,可以得到满意的解耦效果。     

电液多变量位置系统的解耦控制

采用对角矩阵法对电液比例双阀控缸位置耦合控制系统进行解耦设计。并在实验装置中得到了实现。解耦控制中,针对结构耦合和外扰力作用,分别采用了反馈解耦和反馈全解耦方案,实验结果表明,该方法具有较好的解耦效果,且仅需采用两液压缸活塞的位移值就能实现,算法简单,易于工程应用。     

多变量耦合系统PID神经网络控制方法研究

多变量系统内部的耦合性以及对象参数的复杂性,给控制系统的设计带来了一系列的问题。传统控制方法无法对其进行精确解耦,导致系统控制精度较低。本文构建一种基于遗传算法优化的PID神经网络解耦控制器。该方法利用PID优良的动态控制特性和神经元网络非线性表达能力对多变量耦合系统进行解耦,在神经网络权值修正算法中增加动量项,提高网络学习效率,并采用遗传算法优化初始权值,克服了PID神经网络权值学习过程中易陷入局部最优值的缺点,提高了控制精度。仿真结果表明:优化后的PID神经网络具有较高的稳态精度和较快的响应速度,能够实现解耦控制。     

基于神经网络逆系统的发酵过程多变量解耦控制

发酵过程是时变、非线性、不确定的多变量耦合系统，高性能的解耦控制一直是追求的目标。将逆系统方法与神经网络相结合，提出了一种基于神经网络逆系统的发酵过程解耦控制方法。根据发酵过程的特点，给出了相应的数学模型，并证明了系统的可逆性，进一步构造神经网络逆系统并与发酵系统串联复合成伪线性系统，再设计线性闭环调节器实现高性能解耦控制。仿真结果表明，提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性，具有较强的鲁棒性，克服了解析逆系统解耦控制方案依赖于过程模型和对模型参数的变化很敏感的缺点。     

BP神经网络PID控制器在球磨机控制中的应用

基于神经网络控制理论,针对球磨机的运行特点,提出了一种新型的基于BP神经网络PID解耦的球磨机控制系统。此控制系统既实现了系统解耦而且通过在线整定PID参数兼具了PID控制的优点。大量的仿真表明,与常规控制系统相比,此系统具有更好的动态及稳态性能。     

基于BP神经网络的PID配料控制

针对配料作业生产过程中参数多、调节复杂等问题,设计了带有神经网络的PID控制器。该控制器在配料系统中的成功应用,可以消除生产过程中人为因素的影响,提高产品质量的均一性、稳定性。     

磁悬浮轴承多变量系统自抗扰解耦控制

在介绍径向四自由度磁轴承结构的基础上,建立了磁轴承多变量系统状态方程。基于自抗扰控制器原理,针对径向四自由度磁轴承系统,提出了多变量系统自抗扰解耦控制方案,构建了控制系统结构,并给出相关控制算法。根据实验样机参数,利用MATLAB软件环境,构建了解耦控制仿真系统,针对系统的阶跃响应、转子起浮等进行了仿真试验。研究结果表明：采用自抗扰控制策略设计的控制系统成功实现了多变量的解耦控制,具有精度高、响应速度快、超调量小等特点。     

流化床锅炉燃烧系统模糊-BP神经网络PID解耦控制

燃烧控制是循环流化床锅炉控制系统的重要环节.料床温度和主汽压力是循环流化床锅炉燃烧控制系统中的两个重要参数,维持正常的床温和主汽压力是循环流化床锅炉稳定、经济运行     

多变量系统的神经网络解耦

针对神经网络开环解耦无法构造目标函数与在线训练的特点,在开环解耦的基础上,提出新的闭环解耦控制方法。它通过构造伪输出辨识被控对象参数,引进反馈误差,实现对解耦神经网络的在线训练。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。     

多变量PID神经元网络控制系统在集气管压力系统中的应用

针对某焦化厂焦炉集气管压力系统具有强干扰、强耦合、非线性的特点,采用一种多变量PID神经元网络控制算法,更好地实现了解耦控制。这种多变量PID神经元网络与常规的PID控制算法比较不仅具有较好的动态性能和稳态性能,而且还具有很强的自学习功能和自适应解耦能力,适用于对非线性多变量系统的解耦控制。     

基于神经网络的质量控制图异常诊断

针对质量控制图异常模式到异常原因的映射存在模糊不确定性,采用4层前馈BP神经网络,实现从控制图异常模式到异常原因的推理诊断,构建质量控制图异常模式异因推理诊断系统。首先,将控制图异常模式进行归类,构建控制图异常模式集;其次,针对每种异常模式,确定与之对应的异常原因集;最后,针对每一种异常模式,利用其模式数据作为输入,与之对应的异常原因的异常度作为输出,构建与其对应的神经网络,实现质量控制图异常模式到异常原因的推理诊断,并在此基础上将神经网络输出异常度按大小进行排序,缩小异常原因查找范围,提高查找效率。     

基于模型参考神经网络实现锅炉水位自适应控制

锅炉水位是影响锅炉安全运行的重要参数,而水位控制系统是一个复杂的非线性系统.设计了一个稳定的参考模型来表达所期望的汽包水位特性,再通过构建神经网络控制器,控制锅炉水位输出曲线匹配期望的锅炉水位特性.神经网络控制器由2个神经网络组成:被控对象辨识神经网络和控制神经网络,采用反向传播学习算法作为神经网络训练算法.仿真结果表明,采用该神经网络控制器的系统输出性能明显优于采用传统控制器的系统.     

基于神经网络参数自整定PID的双臂机器人协调操作的轨迹跟踪控制

将BP神经网络与PID相结合，解决了双臂机器人协调操作同一刚性负载的轨迹控制问题，设计了应用于机器人协调操作刚性负载轨迹跟踪的控制系统。针对主臂和从臂在实际操作中所处地位的不同，对主臂，从臂应用了不同的控制子结构。采用这一方法，可以实时调整PID控制器的参数，使其在线达到最优状态，克服了依靠经验离线整定PID参数的局限，使系统具有更强的鲁棒性和自适应性，其输出可达到期望的控制精度，仿真实验验证了控制系统及算法的有效性。     

基于小波神经网络辨识器的模糊神经自适应控制在VAV空调系统中的应用

针对温度控制的大惯性、大滞后、非线性特点，提出采用基于小波神经网络辨识器的模糊神经自适应控制的中央空调房间温度控制器的设计方案。由于小波神经网络的非线性映射能力比一般神经网络要强，所以基于小波神经网络的辨识器可以获得很高的辨识精度。而且，模糊神经自适应控制器随着系统动态特性的改变可以在线改变其控制规则，从而进行客观准确的控制。与普通模糊控制方法相比较，仿真试验说明了系统设计的有效性。     

不确定性X-Y定位平台PID控制方法研究

X-Y定位平台属于强耦合非线性系统,且由于结构复杂性及外界干扰,当前测量水平难以获得其精确的数学模型,提出基于自适应神经网络的PID控制策略。考虑到X-Y定位平台系统精确的数学模型难以获得,利用神经网络良好的学习能力来逼近系统未知非线性模型,设计神经网络控制器;为了保证神经网络在学习的初期阶段的控制精度,设计PID控制器来进行辅助补偿控制;为加快学习速度,提高运动控制的实时性,设计变学习率的优化算法来实现神经网络权值的在线调整。试验结果验证了所提控制方法的有效性。     

BP神经网络在双燃料发动机排放预测中的应用

运用BP神经网络(Back Propagation Network)的自学习以及非线性逼近能力,对双燃料发动机排气中CO、HC、NO_x和碳烟的浓度进行拟合和预测。搭建神经网络模型,通过采集双燃料发动机排气浓度数据对神经网络模型进行训练和验证。当BP神经网络训练过程中样本和模型计算值的线性相关系数R大于0.9,且用于验证的数据和模型运算值误差在可忽略范围内,则所建的神经网络模型能够有效预测双燃料发动机的排气浓度。训练结果显示,CO、HC、NO_x和碳烟浓度的模型计算值和实测值线性相关系数R都大于0.9,说明神经网络具有较强的拟合能力;验证结果显示,预测值和实测值的相对平均误差都小于10%,能够满足实际需求。结果表明,运用神经网络模型能够有效预测双燃料发动机的排放。     

基于神经网络与PID控制的微制造试验平台隔振系统的混合控制

利用神经网络与PID控制算法,提出了一种针对微制造平台振动的混合控制方法。该方法较好地实现了神经网络与PID算法的结合,弥补了微制造系统动态性能差的缺陷。仿真结果表明,该方法具有良好的减振效果。     

神经网络在温度控制系统中的应用

与常规控制方法相比较，神经网络控制系统有许多典型的先进特性，介绍了一些人工神经网络的基本概念及学习算法，最后，将神经网络PID控制器取代基本PID控制器用在浴室水箱温度控制中，仿真结果表明这种控制方法有很好的控制效果。