基于自适应粒子群优化的静止变频电源控制研究

为了提高静止变频电源输出的电压波形质量,增强控制系统的鲁棒性,提出了基于自适应粒子群优化算法(APSO)优化模糊神经PID控制策略。利用改进的自适应粒子群优化算法优化模糊神经网络的前件、后件参数和单神经元优化PID参数,实现了控制器参数的自动调整。在MATLAB/SIMULINK环境下,对该策略控制下的静止变频电源控制电路进行了仿真。结果表明,与普通的模糊神经网络PID控制对比,引入改进的粒子群优化算法可以实现参数的全局快速寻优。优化后的模糊神经PID控制器具有良好的控制性能和自适应能力,很好地满足了系统的鲁棒性、快速性的要求。     

基于ELMAN神经网络PID控制的BLDCM调速系统设计

针对无刷直流电机时变性、非线性、耦合性等特性,设计改进Elman神经网络PID控制算法。改进算法融合分层递阶思想和小生境PSO算法思想,联合优化ELMAN神经网络结构及初始化参数,解决传统控制算法收敛速度慢、易早熟、需人工设置网络结构及初始参数等问题。引入自适应灾变因子提高寻优精度。仿真结果表明,使用改进算法优化PID控制器可使BLCDM调节时间和超调量大幅减小,响应速度加快,具备较好的动态性能和较强的鲁棒性。     

基于协同进化算法的水轮机模糊PID调节系统研究

针对常规遗传算法在优化水轮机模糊PID调节系统的模糊规则时，对于模糊PID整定公式中的三个比例因子的确定采用手动调整的不科学性，本文提出了一种新的基于协同进化算法的参数自整定模糊PID控制算法，该方法采用协同进化算法同时优化模糊PID控制的模糊规则和模糊PID整定公式中的三个比例因子，通过模糊推理的方法求解PID参数的变化量，对PID参数进行自动整定，为了避免优化得到的模糊规则之间发生跳变，在目标函数中引入一光滑因子。仿真结果表明，该控制算法具有良好的静态、动态性能和很强的鲁棒性。     

基于RBF神经网络的智能车速度控制系统研究

针对传统PID控制算法在电磁导航智能车速度偏差处理中存在比例、积分、微分参数一经确定,不能在线调整、不具有自适应能力的缺点,提出了将RBF神经元网络控制器及其算法应用到智能车的调速系统中,对传统PID参数整定进行改进。RBF神经网络能够辨识智能车电机的数学模型,可以根据控制效果在线训练和学习,调整网络连接权重值,最终自适应地整定PID三个参数来实现智能车的速度控制。MATLAB仿真测试表明,与传统PID控制算法相比,RBF神经网络PID整定算法在智能车速度控制中具有响应快,超调量小、鲁棒性和适应性强的优点,大大提高了智能车电机控制系统的性能。     

基于预测模型双模糊分数阶PID的BLDCM调速系统优化控制

无刷直流电机（BLDCM）具有复杂的非线性系统,强耦合、变量多等特点,传统的PID控制无法获得满意的控制效果。为此,在模糊控制、分数阶微积分及模型预测相关理论的基础上,提出了预测模型双模糊分数阶PID控制器。分数阶控制为系统提供更多的控制余度,并采用一种间接算法（Oustaloup算法）完成整数阶PID控制的延伸和扩展,模糊控制实现分数阶PID控制参数的在线调整;建立预测模型,并引入模糊控制动态调整预测模型系数K值,实现更加精确的控制。针对模糊分数阶PID控制器中参数选择,又提出了一种改进的万有引力算法进行参数优化,增强控制器的自适应能力。仿真结果表明:基于改进万有引力算法的预测模型双模糊分数阶PID控制的BLDCM调速系统较传统的PID控制具有更快的响应速度、更小的超调量及抗负载扰动能力强等优良的动、静态性能指标。     

基于改进PID算法的电压调节器智能控制

电压调节器的工况十分复杂,其具有非线性、突变等变化特点,传统PID控制算法存在超调、控制准确度低等不足,为改善电压调节器的控制性能,提出一种改进PID算法的电压调节器控制算法。将PID的三个参数编码成为一个萤火虫位置相量,通过模拟萤火虫种群的觅食和寻偶行为找到最优PID参数,然后通过PID参数在线调节实现对电压调节器的智能控制,最后采用Matlab 2012软件进行仿真对比实验。实验结果表明,相对于传统PID参数优化算法,改进PID算法可以使电压调节器控制系统的超调量减小,响应时间加快,提高了系统的稳定性能。     

基于强化学习的艾灸机器人温度控制策略研究

针对传统PID控制算法在艾灸机器人温度控制中存在参数辨识复杂、适应性差等问题,将强化学习引入到艾灸机器人温控领域中,提出了一种改进强化学习算法。首先,通过多物理场仿真软件和神经网络联合搭建智能体离线训练仿真环境,以解决智能体在线训练效率低下的问题;然后,提出一种结合奖励引导和余弦退火策略的改进强化学习算法,提高算法的收敛性和成功率;最后,将仿真环境训练后的模型迁移到真实环境进行实验验证。实验结果表明,温度超调量为0.2℃,稳态温度保持在43.1℃±0.4℃内,改进后的强化学习算法相比于传统PID控制算法的温度控制能力更好。     

基于双模控制算法的交流伺服电机的研究

为了提高伺服电机控制的实时性和精确性,满足伺服系统高速度和高精度的控制要求,提出一种自适应神经元模糊PID的交流伺服电机控制算法。该算法充分结合模糊PD控制的强鲁棒性和神经网络控制强大的自学习能力。通过对仿真结果对比分析,结合后的控制算法相比单一的模糊PD算法和单神经元自适应算法,系统的响应速度更快,精度更高。     

新型智能PID控制的PMLSM调速系统研究

为进一步提高永磁直线电机调速系统的动静态性能,提出将BP神经网络与传统PID控制器相结合,以实现PID参数的最优化自整定。在研究常规BP神经网络的控制算法的基础上,对常规BP算法的学习速率和动量因子不能动态调整带来的缺陷进行分析,提出基于误差变化率的动态调整算法,实现对PID控制器参数的自寻优,并将算法应用于永磁直线电机矢量控制系统速度调节器中。仿真实验结果表明,改进后的基于BP神经网络PID控制算法与传统PI控制器相比,控制系统的动静态性能更优,稳定性更好,解决了由于参数整定困难而导致PID控制器性能不能达到最优化的问题。     

基于MFO的车用PMSM控制策略研究

针对永磁同步电机(PMSM)弱磁控制系统的建模不精、抗干扰能力不足等问题,分析了该系统的基本结构,并对该系统的控制策略进行主要研究,但是目前常规的模糊PID控制下的系统依然存在不足之处.提出了模糊控制与飞蛾火焰优化(MFO)算法相结合的控制策略,重新构建出控制系统中的电流环和速度环,对系统的控制参数实时自整定.将传统的PID控制算法、模糊PID控制算法和本文中的模糊飞蛾火焰优化算法(MFO)法进行仿真测试,通过这3种算法得出相应的转速和转矩的仿真曲线,并对转速、转矩的波动误差和恢复时间进行数据分析,最终结果表明,本文所提出的算法控制下的系统恢复时间相比于传统PI控制算法、模糊PID控制算法分别提升了0.04 s和0.02 s,且抗干扰能力也具有明显提升.     

基于模糊神经网络PID算法的液位控制系统研究

在工业生产中,液位控制系统得到了广泛应用,但是对于这种大滞后、非线性的复杂控制系统,传统的PID控制方法存在着参数整定困难,控制效果不理想的缺陷。在对传统的PID算法、模糊控制算法和神经网络算法研究的基础上,提出了一种将模糊神经网络PID算法应用到液位控制系统中去的解决方案,并采用MATLAB对液位对象控制进行仿真实验,同时采用A3000型水箱实验平台对仿真实验结果进行验证。研究结果表明,基于模糊神经网络的PID算法的液位控制系统在调整时间和超调量上都优于传统的PID算法,控制效果和抗干扰能力更强,克服了传统PID算法的不足。     

工业用电加热炉的智能温度控制系统设计

工业用电加热炉作为一类大惯性、大时滞和参数时变的强非线性系统,其温度控制问题一直工业过程控制中的难题。提出一种新型的基于TSK模糊理论的模糊神经网络PID控制器,采用实数编码混沌量子遗传算法优化模糊神经网络的隶属函数参数和模糊TSK增益,具有较快的收敛速度和更强的优化能力。分析加热炉温度控制系统的原理和结构,阐述基于TSK模糊理论的模糊神经网络PID控制器的设计过程以及实数编码量子遗传算法的实现流程。通过工业用电加热炉的温度控制仿真和试验,验证了所提出的算法具有更好的动态性能、更高的稳态精度和更强的抗干扰能力。     

基于遗传算法-BP神经网络优化的PID控制

利用遗传算法全局随机搜索能力,设计一种基于遗传算法的神经网络学习算法。对于非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为一种有效的控制策略。该文提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化。仿真结果证明了该算法的有效性。     

改进遗传算法及模糊神经网络在交流伺服系统中的应用研究

针对交流伺服系统高精度、快响应的要求,提出了基于改进遗传算法(IGA)优化的模糊神经网络控制方案。把神经网络与模糊逻辑控制结合起来,采用IGA算法对模糊神经网络控制器中的参数进行搜索和优化,给出了具体设计方法和优化步骤。实验结果表明:基于IGA算法的模糊神经网络控制方法用于交流调速系统具有较高的精度以及较强的鲁棒性、抗干扰能力等。     

BP神经网络模糊控制在电弧炉电极调节系统中的实现

针对电弧炉电极调节系统,建立其数学模型。分析了电弧炉电极调节系统的非线性,并针对控制对象的复杂性,将具有自学习功能的BP神经网络与模糊控制相结合,提出了基于BP神经网络模糊控制的控制算法。BP神经网络模糊控制的控制算法改善了传统神经网络学习时间长、收敛速度慢的弱点,解决了传统控制未知复杂系统的不足,Matlab6．5软件仿真结果表明,采用BP神经网络模糊控制的控制算法的控制效果是令人满意的。     

过热汽温模糊神经网络预测控制器的设计

针对锅炉过热汽温的特点，设计前馈—反馈串级复合型控制系统。主控制器采用基于神经网络预测模型的模糊神经控制，即该控制器首先是将神经网络与预测控制相结合，采用改进的递阶遗传算法对神经网络的权值和结构同时进行训练，实现了非线性、大时滞系统模型的精确预测；然后将模糊控制与神经网络相结合，实现模糊神经预测控制。副控制器采用二自由度PID控制器。仿真结果表明，该控制显著提高锅炉过热汽温这一非线性、大时滞系统的控制品质，且易于工程实现。     

电厂主汽温串级控制系统的PID控制器算法改进

针对火电厂主汽温控制系统常规固定参数PID串级控制性能欠佳的问题,提出一种改进算法整定PID参数。先用RBF网络在线辨识温度采样离散信息,得到控制器所需的Jacobian信息,然后用Levenberg-Marquardt算法代替传统的梯度法整定PID参数,得到改进的PID算法。通过对电厂主汽温串级系统仿真分析,验证了算法的快速性、抗扰性、鲁棒性。     

前馈神经网络的模糊 PID 算法及其在电力系统负荷预测中的应用

提出了多层前馈神经网络的模糊ＰＩＤ学习算法（ＦＰＢＰ）。这种算法是把多层前馈神经网络的学习过程当作一个动态控制系统来处理,确定出动态控制系统达到稳态时的ＰＩＤ控制器参数,然后再基于模糊控制的思想,对确定出的ＰＩＤ控制器参数进行模糊调整。文中给出了这种算法在电力系统负荷预测中的实际应用,并与标准ＢＰ算法作了比较。结果表明,该算法提高了网络的学习速度和预测的精度。     

基于遗传算法与模糊PID复合控制的电机调速研究

为了加强永磁同步电机调速系统的智能控制,提出了一种基于遗传算法与模糊PID智能控制的永磁同步电机调速控制策略。首先建立永磁同步电机的基本模型,利用遗传算法对模糊PID控制器进行改进,优化其参数选择和提高控制效率,并搭建Simulink仿真模型和实验验证模型。其结果得到:利用遗传算法能够迅速得到模糊PID控制器的最佳匹配初始参数,且在电机启动阶段和突加干扰阶段,遗传改进模糊PID控制系统相比于传统的PID控制系统其转速、转矩以及三相电流输出均表现出更加稳定以及波动更小。系统出现干扰后,在该组合智能控制作用下系统在极短时间内恢复稳定,其动态响应速度显著快于传统PID控制方法。结果表明该基于遗传算法与模糊PID控制系统能够对永磁同步调速系统进行有效控制,进而使系统具有较优异的启动特性和动态稳定。     

交流伺服系统基于神经网络的模糊自适应PID控制及其DSP实现

提出一种基于BP神经网络的模糊自适应PID控制器,将模糊控制具有的较强逻辑推理功能、神经网络的自适应、自学习能力以及传统PID控制的优点融为一体,形成了对非精确、非线性对象的良好控制策略。针对模糊神经网络控制器运算量大、收敛慢的特点,硬件采用数字信号处理器（DSP）作为控制器运算单元,以提高系统实时性。对交流伺服系统的实验仿真结果表明,该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。