基于BP神经网络的多变量PID解耦控制

基于神经网络实现智能PID控制的策略,它以经典的PID控制为基础,通过神经网络参数整定实现,进而进行自学,用于多变量系统的解耦控制。本文给出了网络的结构和算法,对一组二变量强耦合时变系统进行了仿真。通过计算机仿真证明了基于神经网络的PID控制器网络结构简单规范具有良好的自学习和自适应解耦控制能力。系统易于实现,融解耦器与控制器于一体,适用于非线性多变量系统的解耦控制。能够使解耦后的系统具有良好的动态和静态性能,特别是依据BP控制规律来确定网络连接权的初值,还具有参数快速收敛的优点。     

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。     

神经网络在解耦控制中的应用研究

针对多输入多输出耦合对象，研究基于BP神经网络的解耦控制，提出采用神经网络解耦和PID控制相结合，对系统进行解耦控制的方法，通过对两输入两输出耦合对象进行计算机仿真结果表明，解耦控制效果很好。     

基于神经网络的解耦方法在直流锅炉中的应用

分析了直流锅炉运行时各变量之间的耦合关系,针对直流锅炉参数多变、强耦合的特点,提出了一种改进的误差反向传播算法（BP）的神经网络分散解耦方法;仿真及实验结果表明,神经网络分散解耦算法具有很强的自学习功能和自适应解耦能力,是解决多变量和强耦合问题的一种有效途径。     

平衡重式叉车底盘神经网络逆系统解耦控制

针对平衡重式叉车底盘各子系统间的干涉和耦合特性,利用非线性系统的神经网络逆系统方法进行叉车主动后轮转向(ARS)与直接横摆力矩控制(DYC)的解耦控制.在分析底盘系统可逆性的基础上,确定解耦变量配对关系,建立BP(Back Propagation)神经网络逆系统模型并串联到原底盘系统前,使叉车底盘系统解耦成两个独立的伪线性系统;设计PD(Proportion Differentiation)闭环控制器并与神经网络逆系统组成复合控制器,并进行仿真验证.仿真结果表明:神经网络逆系统解耦控制策略能够消除底盘各子系统间的干涉和耦合,提升叉车的状态跟踪和操纵稳定性.     

风机叶片多点静力加载试验解耦控制方法研究

风机叶片多点静力加载试验存在各加载点之间的交叉耦合情况,影响试验效果。对此,研究了叶片多点加载耦合基本理论,分别设计了离散变速积分PID和神经网络变速积分PID两种解耦控制器。仿真表明,这两种解耦控制器都能够实现多点解耦,且神经网络变速积分PID解耦控制器可以适应较大范围内叶片刚度的变化。现场试验进一步证明,神经网络变速积分PID解耦控制方案在保证一定加载精度的情况下,可以适应不同刚度,不同长度的叶片,而离散变速积分PID解耦控制方案在叶片刚度相近,特定长度的情况下可以获得良好的加载精度。     

单元机组负荷控制的DRNN解耦方法仿真研究

针对火电厂单元机组这样大型复杂且具有强非线性多变量耦合的动力系统,采用对角递归神经网络（DRNN）算法设计解耦控制器,进行负荷控制系统的设计与仿真,通过比较仿真结果,显示出对角递归神经网络（DRNN）控制器能很好的消除系统输出的稳态误差,改善对象的动态特性,消除耦合变量之间的耦合作用,大大改善系统的调节品质。     

基于改进型BP神经网络PID控制器在转台系统中的应用研究

为改善转台系统性能,针对传统的PID控制参数难以获得较理想的控制效果,设计了一种基于改进型BP神经网络的PID控制器。介绍了PID控制器的结构和BP神经网络算法描述,利用最小二乘法和神经网络建立被控对象的预测数学模型,并用该模型所计算的预测输出取代预测输出的实测值,对基于BP网络的PID控制器的权值调整算法进行改进。以某转台模型为对象,建立了转台控制系统的数学模型并对其进行仿真。仿真结果表明,改进型BP神经网络PID控制器具有良好的控制效果,跟踪精度高、性能稳定及鲁棒性强,能更为有效地应用到转台系统中。     

质子交换炉温控系统的模糊解耦预测控制

针对质子交换炉多变量、非线性、强耦合、大滞后等特点,提出一种模糊解耦与预测控制相结合的温度控制策略,以降低系统耦合并提高系统抗干扰能力。首先通过传热机理分析,基于热平衡机理推导出了质子交换炉的简化线性模型,然后基于模糊策略设计模糊解耦控制器,将多变量系统的控制变为多个单变量系统的控制,并对解耦后的系统采用闭环预测控制。仿真结果表明,较传统PID控制和单纯模糊解耦控制,模糊解耦与预测控制相结合的控制方法不仅能够降低系统耦合程度,而且减小了干扰引起的温度波动。由此表明,该方法在多变量非线性系统中是有效的。     

基于粒子群优化PIDNN的温室温湿度解耦控制仿真

针对温室系统的温湿度解耦控制,提出了利用粒子群算法来优化PID神经元网络权值的控制方法。仿真结果表明优化后的PIDNN解耦控制器调节时间短,超调量小,增强了控制系统的鲁棒性,为多变量强耦合系统的解耦控制提供了一种有效的方法。