基于改进粒子群算法的神经网络PID控制研究

BP神经网络PID控制是利用BP神经网络的自学习和逼近任意非线性函数功能,对PID控制器的三个参数进行在线整定,但网络初始权值的选取困难.采用改进的PSO算法优化BP神经网络的初始权值,并对基于PAO算法的BP神经网络PID控制进行仿真实验.仿真结果表明,PSO算法使得网络初始权值的选取比较快速,系统的性能有所提高.     

基于模糊神经网络和遗传算法的智能控制器

PID控制算法简单、鲁棒性强,但其参数整定过程繁琐,整定时需要控制对象的精确数学模型,而且整定往往是针对某一种具体工况进行的,缺乏自学习和自适应能力.模糊神经网络则兼备了模糊逻辑和神经网络的优点,具有函数逼近功能,具有较强的自适应、自学习能力、容错能力和泛化能力.借助于遗传算法对全局性参数进行优化设计,借助于BP算法对局部性参数进行优化,将模糊神经网络和遗传算法引入PID控制参数的整定过程,构造出一种基于模糊神经网络和遗传算法的智能PID控制器.     

二次调节系统PID控制参数的神经网络自整定研究

文章采用神经网络间接自校正PID控制结构，讨论基于神经网络的PID参数自整定问题，选取三层BP神经网络，选用主动液压转矩和负载阻力矩差值等效代表实际转速微分作为自校正神经网络的输入，并用二次元件的理论模型代替辨识神经网络为校正网络提供预测输入。分析表明，采用上述措施的自校正PID控制器的闭环控制效果比常规PID控制有所改进，能实现闭环PID参数的自整定。     

基于改进BP神经网络算法的PID参数整定

BP神经网络对PID参数整定的标准算法虽然能较好地解决PID参数整定的问题,但还存在不足,在迭代过程中不能保证最终得到的解是全局最优解,而且收敛速度很慢.为了解决这个问题,本文对PID的参数整定采用了基于DFP矫正拟牛顿法的傅里叶神经网络算法.试验表明,这种改进方法是有效的.     

一种基于动态神经网络的PID参数在线自整定方法

提出一种基于动态神经网络的PID控制器,给出PID参数在线自整定学习控制算法,并进行了算法仿真研究。数值仿真结果表明,该PID控制器是一种与对象模型无关的、具有在线自整定能力的智能控制器。     

BP+RNN变速积分PID算法的汽车底盘测功机控制系统

高精度的PID控制算法对汽车底盘测功机运行过程中的实时控制具有重要的作用,为此提出了一种面向汽车底盘测功机的BP+RNN变速积分PID算法控制系统:引入RNN加入时序性因素整定积分项参数,利用BP神经网络整定比例项与微分项参数,使用变速积分PID算法作为其控制方法.实验结果表明该PID控制系统不但能够快速整定PID参数...     

基于模糊神经网络的精密角度定位PID控制

针对精密角度定位系统存在非线性、时变性,传统PID控制难以获得理想控制效果的问题,提出一种基于模糊神经网络的PID控制方法,将模糊控制、神经网络与PID控制相结合,采用3层前向网络、动态BP算法,利用神经网络的自学习和自适应能力,实时调整网络的权值,改变PID控制器的控制参数,整定出一组适用于控制对象的kp、ki、kd参数,实现精密角度定位PID控制的自适应和智能化。实验结果表明,采用BP神经网络整定的PID控制较传统的PID控制,控制性能有较大的提高,能有效提高定位精度,缩短定位时间。     

线性预测模型BP神经网络PID控制算法的研究

针对经典PID控制参数整定困难和基本BP算法收敛速度慢、易陷入局部极小的缺点,提出一种基于线性预测模型BP神经网络的PID控制方法,重点阐述算法过程。最后在MATLAB软件上进行仿真,仿真结果表明该控制算法是有效的。     

神经网络PID控制器在轴承试验台液压加载控制中的应用

采用改进型BP神经网络与传统PID相结合，初始运行阶段采用传统PID控制，网络学习一段时间后切换到神经网络在线自整定PID控制，仿真结果表明，系统具有良好的动态性能和稳态精度。     

PID参数继电自整定方法的研究

PID控制因其结构简单,鲁棒性好等特点,得到了工业界的广泛认可。而控制器的性能直接影响到生产过程的运行和产品的质量,控制器参数的整定至关重要,所以对PID参数整定方法的研究有很重要的意义,而继电整定算法是较有代表性的一种算法。文章基于继电器反馈对PID控制器参数自整定方法进行了研究,通过分析对象在继电特性作用下的输入输出响应曲线的波形,利用面积法估算得到系统的临界周期和振幅,并最终求得理想的PID控制参数。     

基于模糊神经网络PID的液位串级控制的研究

利用PID算法对液位串级系统进行控制虽然是一种有效的控制方法,但由于它的精确数学模型难以确定,使得参数整定困难、控制效果不理想。该文将PID算法、模糊控制算法以及神经网络算法相结合,形成了一种智能控制算法——模糊神经网络PID算法。将该算法运用到液位串级控制系统中,实现了PID参数的自整定,并且提高了控制质量。实验结果表明,模糊神经网络PID算法与PID算法的控制效果相比,在鲁棒性和响应时间等方面有了较大的提高,具有一定的应用前景。     

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。     

低压铸造机液面加压控制技术研究

针对低压铸造机液面加压系统参数整定困难、压力控制精度不佳的问题,对液面加压系统的组成、工艺以及机理等进行了研究。提出了模糊神经网络在线整定PID参数的方法,设计了2输入、3输出的模糊神经网络;分析了BP学习算法的缺点,改进了模糊神经网络训练方法,使用果蝇算法作为外层循环,BP算法作为内层循环训练模糊神经网络;选择合适的目标函数对模糊神经网络进行了训练,在Matlab中对传统PID、模糊PID和FNN-PID的控制效果进行了仿真分析。研究结果表明:和传统PID控制相比,使用FNN-PID控制器的液面压力最大误差减小了35.6%,平均误差减小了21.6%,有效提高了液面压力的控制精度。     

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。     

污水处理自动化控制系统控制策略研究

结合污水处理过程的特点,将BP算法与传统PID控制进行有机结合,构造基于BP神经网络的PID控制,实现PID控制器参数的在线整定。将该控制策略应用于污水处理系统的溶解氧浓度控制中,并与常规PID控制效果进行了仿真实验和对比研究,结果表明基于BP神经网络的PID控制法有着传统PID方法无法比拟的优势。     

基于改进量子粒子群算法的火电厂再热汽温调节系统PID参数自整定

鉴于热控工作人员的技术水平和经验不足等问题,目前火电厂中许多控制回路整定效果不佳,因此PID参数的自整定具有极其重要的意义。为此,提出了一种基于改进量子粒子群算法的PID参数自整定方法,并采用MATLAB软件对火电厂再热汽温调节系统进行了仿真及PID参数自整定。通过与工程上的临界比例度法、传统粒子群算法、传统量子粒子群算法自整定的仿真结果相比较,证明了基于改进量子粒子群算法的PID参数自整定方法的优越性。     

PID参数自整定的改进遗传算法

文中提出了一种改进遗传算法进行PID参数自整定,设计了基于工程PID参数自整定遗传算法的编码以及基于该编码的交叉、变异算子,通过仿真比较,表明该种算法的有效性。     

通用PID自整定控制器及其软件包的设计与研究

PID控制器自整定技术是先进实用的控制策略。传统的PID自整定控制器缺少开放通用的应用平台、辅助设计和仿真环境。针对这一问题，本文基于继电器自整定和模式识别自整定两种算法，提出并设计了开放通用的PID自整定软件包。介绍了PID自整定控制器的设计原理、应用框架、辅助设计与仿真软件包、功能、特点及其在集散控制系统中的应用，并给出了结论。     

并联电液伺服平台的神经网络PID控制方法研究

并联平台具有高度非线性、控制模型不确定性、强耦合性及控制任务要求复杂性等特点，传统的PID控制由于无法实现参数的在线优化而不能取得令人满意的效果。该文应用BP神经网络实现PID参数Kp、Ki、Kd的自整定，此法能根据并联平台动态特性的变化，自动重新整定PID参数，从而改善了其实时控制的性能和鲁棒性。     

基于BP神经PID的干粉砂浆搅拌储罐控制系统

本文针对干粉砂浆搅拌储罐湿度自动控制系统的时滞性,复杂的非线性特性,难以建立精确的数学模型;对象和环境的不确定性,常规PID控制方法很难对其进行有效控制的问题,而且在实际应用中其参数整定问题一直是尚未很好解决的难点。为了建立有效的系统模型并解决控制参数整定问题,改善系统性能,将BP神经网络算法应用到干粉砂浆搅拌储罐湿度自动控制系统的系统在线辨识器(NNI)和自适应PID控制器(NNC)中,由NNI对被控对象进行在线辨识的基础上,通过对NNC的权系进行实时调整,实现PID神经网络的自学习和逼近任意函数的功能,在控制过程中根据变化实时调整PID的三个控制参数,从而进行PID控制参数的在线整定。