气动比例位置系统的神经网络控制

采用加入辨识的神经网络PID控制方法对气动比例位置系统进行了实验研究, 研究表明采用该控制方法可以实现气缸活塞全行程任意位置上的精确定位。系统辨识的加入可以在线获得系统动态特性, 辨识输出可以预测系统输出, 从而使控制参数的修正更准确, 能够进一步提高控制精度, 在以抛物线作为理想缓冲曲线, 利用所编制的控制软件控制该系统时, 定位精度可达±0 15mm, 完全能够满足工业机械手的定位要求, 具有较高的工程应用价值。     

基于对角回归神经网络的电动加载系统

在电动加载系统中，多余力干扰和其他非线性因素影响力矩跟踪精度，传统的控制器控制效果不是很理想。本文建立电动加载系统模型，分析多余力的产生机理，提出了基于对角回归神经网络补偿控制，其计算量小。通过仿真实验，电动加载系统有效的减少了多余力等的影响。     

面向控制器设计的气动位置系统的实用模型辨识

气动伺服系统是一个典型的非线性系统,很难得到精确的数学模型。本文对气动位置系统进行辨识得到了反映被控对象主要动态特性的系统模型,通过对多种辨识方法的比较,表明借助Matlab系统辨识工具箱可以快速地得到反映系统主要特性的数学模型,用于气动位置系统控制器设计和仿真。该思路对其它系统的辨识具有参考意义。     

高精度转台低速特性分析与神经网络预测控制器设计

高精度转台低速特性是转台设计的主要技术指标,低速特性的研究必须建立准确的框架动力学模型并分析出影响低速特性的关键因素,在此基础上采用PID控制器加神经网络模型的预测控制器对转台低速运行时的非线性干扰进行抑制。通过试验证明低速状态下神经网络预测控制器运行的有效性。     

基于神经网络的柔性装配系统多目标优化设计

应用系统科学和系统工程的思想和方法，将系统工程理论与技术相结合，研究柔性装配系统基于神经网络的多目标优化方案的分析、建模，采用多层前馈型神经网络作为多目标优化设计器，用改进的遗传算法对神经网络进行训练，为复杂背景下的多目标优化设计提供了一种新方法。     

基于模糊神经网络PID的塑料薄膜厚度控制系统设计

针对当前塑料挤出行业薄膜厚度控制系统普遍存在的强非线性、大时滞、控制精度低的现状,设计了一种将模糊控制、神经网络与经典PID控制算法结合的塑料薄膜厚度智能控制系统,通过模糊控制与神经网络自学习算法相结合,实现了控制系统PID参数的在线自整定。实验证明:与传统厚度控制方式相比,该系统可以大大降低收敛时间,提高控制精度,将薄膜厚度误差控制在2μm以内。     

电液伺服多变量控制试验装置的研制

叙述了自行研制的电液伺服多变量控制系统试验装置,介绍了系统的设计和构成原理,并给出了仿真实例。     

基于PID神经网络的倒立摆控制系统

倒立摆是一个典型的高阶次、自然不稳定、快速响应、非线性运动控制系统,是现代控制研究的对象.PID神经网络是一种内含比例神经元、积分神经元和微分神经元的神经网络.本文介绍了采用PID神经网络控制的倒立摆系统,包括倒立摆系统的基本构成、PID神经网络单变量控制系统的算法和结构、权重初值的选择.进行了实际系统试验,比较了传统PID控制和PID神经网络控制倒立摆的效果,证明了PID神经网络控制系统的优良性能.     

神经网络控制器在电液伺服系统中的应用

本文针对一高精度电液伺服系统,利用神经网络设计了控制器,实验表明,该控制器有较强的鲁棒性。     

二次调节节能系统神经网络控制

针对二次调节节能系统的非线性等情况,本文对采用基于CMAC与PID并行的控制方法。仿真结果验证了基于CMAC与PID并行的控制方法能明显改善系统的动态性能和非线性实时控制性能。     

基于遗传算法-BP神经网络的PID控制器的设计

针对常规PID控制器不能对其参数进行自寻优的缺点,提出采用遗传算法优化BP神经网络PID控制器,使3个参数实现在线调整.并通过MATLAB仿真试验表明:基于遗传算法-BP神经网络的PID控制器比常规PID控制跟踪信号的能力要好,而且有较好的自适应和自学习能力.     

基于RBF神经网络的泵控系统滑模控制器设计及仿真分析

针对泵控系统滑模控制方面的研究,根据泵控系统的降阶数学模型中存在的未知项f (),再结合滑模控制算法设计基于RBF神经网络的滑模控制器。通过MATLAB/Simulink建立系统的仿真模型,然后进行位置指令仿真分析。研究结果表明：相比较PID控制器,基于RBF神经网络的滑模控制器获得了最小跟踪误差。在干扰条件下跟踪10 Hz频率与1 mm幅值的正弦位置信号,基于RBF神经网络的滑模控制器误差最小;施加干扰力后,控制器都出现了更大的跟踪误差,此时基于RBF神经网络构建的滑模控制器可以快速恢复跟踪误差。研究设计的基于RBF神经网络的泵控系统滑模控制器具有很好的跟踪精度和更强的鲁棒性,可以拓宽应用到其他机械传动领域。     

PID神经网络在电液弯辊伺服控制系统中的应用

针对电液弯辊伺服控制系统,设计了PID神经网络控制器.该控制器不仅具备传统PID控制器结构简单、参数物理意义明确等优点,而且具有神经网络的自适应和自学习能力,能够在线调整相关参数,使控制系统表现出良好的鲁棒性和控制性能.仿真和实验均证明了其有效性.     

BP神经网络在流量比值控制系统中的应用

针对在PCT-2型过程控制装置进行流量比值控制时,PID参数难以整定的问题,提出了一种基于神经网络自适应的PID流量比值控制方法.该算法利用BP神经网络的非线性表示能力,通过系统的自学习来实现具有最佳组合的PID控制.这种方案达到了在线实时控制的目的.实验表明:在流量比值控制系统中,基于BP神经网络的PID控制算法比普通PID控制算法具有更好的动态性能和鲁棒性,能取得很好的控制效果.     

煤矿液压支架系统的神经网络控制及仿真

对煤矿液压支架电液控制系统采用神经网络PID控制策略,并进行仿真实验研究。研究结果表明:采用该控制方法可以获得在线系统动态特性,从而使控制参数的修正更加准确;能够进一步提高系统的控制精度及可靠性,具有较高的工程应用价值。     

基于切削颤振抑制系统的BP神经网络PID控制研究

从颤振的发生机制及集中质量系统的颤振运动微分方程出发,以镗削颤振抑制问题为背景,建立了具有连续分布质量的压电智能切削颤振抑制系统动力学模型,重点研究了BP神经网络与经典PID控制相结合的智能控制策略,为切削颤振的智能控制提供了新的方法。继而在Simulink中分别利用经典PID和BP神经网络PID对切削颤振抑制系统进行控制仿真。仿真结果表明:和经典的PID控制相比,BP神经网络PID控制自适应能力更强。     

基于BP神经网络PID的高速清扫车摆臂控制系统

针对传统清扫车摆臂开环控制系统的动态响应特性不足、抗干扰能力弱,不能适应高速工况下清扫作业,设计了高速清扫车摆臂执行机构和闭环控制系统。为解决BP神经网络(BPNN)存在局部极值、收敛速度慢等问题,提出一种改进BPNN PID算法,其核心是通过主动串联校正,抑制PID前一次输出值u (k-1)对此次输出值u (k)的影响。通过搭建Simulink-AMESim联合仿真模型,研究了高速清扫车摆臂闭环控制系统的阶跃响应、抗干扰能力以及位置跟踪能力。研究结果表明:所改进的BPNN PID控制器能够动态调整PID参数,提高了系统的适应性、准确性和稳定性;改进BPNN PID控制器的抗干扰能力更强,鲁棒性更好,且系统近乎没有超调,超调量为0.5%,仅为PID控制超调量的2.34%,稳定时间0.62 s,相比PID提前了66.31%。     

改进的RBF神经网络PID算法在电液伺服系统中应用

为克服传统PID控制电液伺服系统时存在参数整定不良,动态响应特性欠佳的问题,采用RBF神经网络PID对系统进行控制,并针对控制中存在的问题对控制算法进行改进,仿真和实验研究表明,改进的RBF-PID控制算法较RBFPID和传统PID具有较快的响应速度和较好的鲁棒性。