PID 控制器参数优化中的仿真研究

研究 PID 控制器参数优化选择问题.传统的 PID 参数优化多采用试验加试凑的方式,费时且难找到最优参数,同时,常规 BP 神经网络 PID 参数优化训练收敛速度较慢,控制效果不理想.为了获得最优 PID 参数,提高系统的控制性能.提出一种遗传算法 BP 神经网络PID 参数优化方法.方法首先采用全局寻优的遗传算法对...     

基于可变学习率BP算法的空调控制系统的研究

通过分析控制器参数学习率和控制器性能之间的关系,设计一种基于可变学习速率反向传播算法VLRBP和模糊神经元网络的变频空调控制系统.该系统不仅可以通过反传误差信号训练控制器参数,而且可以根据网络的当前状态朝最优化方向调整控制器参数的学习率.实验结果表明,该控制系统不仅比传统的空调PID控制器和模糊控制器具有更好的控制性能,而且相比基于标准BP算法和动量BP算法的模糊神经网络控制系统,也具有更快的收敛速度和更好的控制精确度.     

基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。     

人工鱼群算法优化的PID神经网络解耦控制

针对多变量系统解耦控制的要求和特点,传统的PID神经网络在选取初始权值难以确定,往往是随机得到,容易导致采用的BP学习算法陷入局部极值.提出了一种人工鱼群算法优化PID神经网络初始权值.通过对多变量控制对象的mat-lab仿真验证,把人工鱼群算法优化得到的最优初始权值带入PID神经网络,结果显示加快了PID神经网络的收敛速度,使控制量迅速地接近控制目标,保证了系统稳定性,取得了满意的控制效果.     

基于BP神经网络的汽包建模及其控制器设计

针对锅炉汽包系统的强耦合性和非线性及传统的PID控制方法存在控制精度低、调节时间长等问题,提出了利用基于数据的建模方法,对汽包系统进行误差反向传播(BP)神经网络建模,并对神经网络模型进行泛化能力测试,然后利用基于BP神经网络的PID控制方法设计汽包液位优化控制器.实验仿真结果表明,基于BP神经网络建立的汽包模型具有较好的泛化能力,神经网络PID优化控制器在控制精度高、收敛速度快和鲁棒性强等方面都优于传统PID控制器.     

两轴数控转台的控制算法研究

研究电力系统的优化控制问题,针对提高系统的品质特性的要求,在两轴数控转台中采用传统的PID控制参数难以整定跟踪性能。将神经网络引入到转台控制PID参数的寻优过程中,设计了基于BP网络的PlD控制算法器,建立了转台控制系统的数学模型,将基于BP网络的PID算法的控制进行仿真。仿真结果表明所设计基于BP网络的PID算法器跟踪精度高、性能稳定、鲁棒性强,证明提高了控制系统的精度和跟踪性能。     

基于PSO算法和BP神经网络的PID控制研究

针对PID控制中的参数整定的难点及基本BP算法收敛速度慢、易陷入局部极值的问题,提出利用PSO算法的全局寻优能力和较强的收敛性来改进BP网络的权值调整新方法,从而对PID控制的比例、积分、微分进行优化控制。该方法是在基本BP算法的误差反向传播的基础上,使粒子位置的更新对应BP网络的权值和阈值的调整,既充分利用了PSO算法的全局寻优性又较好地保持了BP算法本身的反向传播特点。仿真结果表明基于PSO算法的BP神经网络的PID优化控制具有较好的性能和自学习、自适应性。     

参数自整定PID控制器设计与仿真

对于工业控制领域中的系统普遍存在非线性、时变的特点,采用传统PID作为控制器很难获得满意的控制效果,而神经网络具有任意非线性逼近能力,可以通过对系统性能的学习来实现具有最佳组合的PID控制。设计了基于BP网络整定PID参数的控制器,该控制算法只需粗略给出PID参数便可以根据系统性能自动寻优调整。利用MATLAB软件得到的仿真结果表明,该控制策略可以达到满意的控制效果,且具有很强的鲁棒性和自适应能力。     

基于PSO-BP神经网络的临时支架支撑力自适应控制

为了使临时支架的支撑力更好地与矿压相适应,提高支架的支护能力,以双联自移式临时支架为研究对象,提出了基于粒子群优化（PSO）-BP神经网络的临时支架支撑力自适应控制方法。利用PSO算法的全局搜索能力及快速收敛特性对BP神经网络的初始权值进行优化,提高BP神经网络的收敛速度;再通过优化后的BP神经网络实现PID参数在线自调整,构建PSO-BP神经网络优化PID控制器,使临时支架的支撑力更快速、准确地达到预定值,实现临时支架支撑力自适应控制,避免因支护力和顶板压力不匹配而对顶板造成破坏。用单位阶跃信号模拟临时支护支架的期望初撑力进行实验验证,结果表明,与BP神经网络优化PID控制器及传统PID控制器相比,PSO-BP神经网络优化PID控制器可以更快、更准确地达到预期的初撑力,调整时间仅为0.5s且基本不存在超调。根据实际地质条件仿真模拟开挖支护过程中支架受到的顶板压力,研究3种控制器的支撑力自适应控制效果,结果表明,在PSO-BP神经网络优化PID控制器的控制下,系统误差仅为0.02 MPa,误差最小,控制效果最好。     

基于BP算法PID控制器的研究

文中主要研究了基于BP算法的PID控制器在非线性系统中的控制效果以及对权值整定初始化的优化。在介绍BP网络基本原理的基础上以非线性控制系统Simulink仿真为例,使用基于BP算法的PID控制器对该系统进行优化和整定,并结合Nguyen-Widrow初始化算法为层产生初始权重和偏置值,使得每层神经元的活动区域能大致平坦地分布在输入空间,实现了对PID参数的实时调节,并且使神经网络的学习和收敛速度加快,大大改善系统的初始运行的稳定性。仿真结果表明,基于BP算法的PID控制器在非线性控制系统中对其参数优化整定具有良好的效果。     

神经元PID控制在变风量空调室温控制中的应用研究

针对变风量空调系统的延迟,非线性和模型不确定性,本文提出将神经元P I D控制器应用于变风量空调系统中。该控制器综合了神经网络和P I D调节各自的有点,具有神经网络的学习和适应能力,同时具备P I D控制的广泛的适应性。仿真实验表明该控制器控制结果优于传统的P I D控制器。     

基于神经网络的模糊自适应PID控制方法

提出一种基于BP神经网络的模糊自适应PID控制器。该控制器综合模糊控制、神经网络与PID调节各自的优点，既具有模糊控制的简单和有效的非线性控制作用，又具有神经网络的学习和适应能力，同时具备PID控制的广泛适应性，仿真实验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。     

一种神经形态马赫数PID自适应控制器研究

本文从自适应控制和优化学习算法的角度出发，将传统的PID控制和神经网络BP算法相结合，构造了具有自适应、自学习功能的神经形态PID自适应马赫数控制器(NNCPID)。通过对网络控制模型的训练、学习和系统仿真，验证了该NNCPID控制器在改善马赫数控制性能、提高系统实时性、鲁棒性等方面，具有很大的优越性。     

基础影响下车载飞轮电池动态性能的联合仿真分析

以车载飞轮电池为研究对象,利用ADAMS软件建立了飞轮转子与等效基础的机械模型,并利用MATLAB软件建立了相应的不完全微分PID控制器模型.通过联合仿真分析了基础的加速、减速、转弯和爬坡运动,以及因路面不平整引起的基础纵向振动、横向振动和俯仰振动对高速飞轮转子系统动态性能的影响.仿真结果表明,基础的不同运动状态均会对高速飞轮转子的稳定运行产生显著影响,仿真分析结果可对车载飞轮电池的设计提供有益参考.     

Optimal PID Controller Autotuning Design for MIMO Nonlinear Systems Based on the Adaptive SLP Algorithm

In this paper, an adaptive swarm learning process (SLP) algorithm for designing the optimal proportional integral and derivative (PID) parameter for a multiple-input multiple-output (MIMO) control system is proposed. The SLP algorithm is proposed to improve the performance and convergence of PID parameter autotuning by applying the swarm algorithm and the learning process. The adaptive SLP algorithm improves the stability, performance and robustness of the traditional SLP algorithm to apply it to a MIMO control system. It can update the online weights of the SLP algorithm caused by the errors in the settling time, rise time and overshoot of the system based on a stable learning rate. The gradient descent is applied to update the weights. The stable learning rate is verified based on the Lyapunov stability theorem. Additionally, simulations are performed to verify the superiority of the algorithm in terms of performance and robustness. Results that compare the adaptive SLP algorithm with the traditional SLP, a neural network (NN), the genetic algorithm (GA), the particle swarm and optimization (PSO) algorithm and the kidney-inspired algorithm (KIA) based on a two-wheel inverted pendulum system are presented. With respect to performance and robustness, the adaptive SLP algorithm provides a better response than the traditional SLP, NN, GA, PSO and KIA.

     

神经网络在PLC温度控制系统的应用

本文分析了PC机与PLC的特点,提出由PC机实现复杂的算法,得到的控制量下传到PLC,通过PLC完成要求的控制功能。这样,既能容易地加入先进的控制策略与算法,又能可靠、稳定地实现控制。本论文以BP神经网络PID在温度控制中的应用为例,通过与Matlab接口的单片机数据采集板,结合AB公司的SLC5实现了神经网络PID的温度控制。     

基于BP神经网络的自适应控制

本文利用ＢＰ神经网络对被控对象进行在线辨识和控制。为实现自适应控制，本文对ｓｐｅｃｉａｌｉｓｅｄ ｌｅａｒｎｉｎｇ算法进行了改进，在此基础上，本文还提出了一种基于ＢＰ网络的自适应ＰＩＤ控制器。     

基于快速BP算法的非线性系统神经网络自校正控制器

提出了对于一大类未知,不确定,时变单输入单输出离散非线性系统,利用三层BP网络,采用快速BP算法构成学习和自校正控制的方案,针对同一被控对象,设计了PID控制器,仿真结果表明本文所提出的神经网络自校正控制的优越之处。     

Adaptive neural control and learning of affine nonlinear systems

This paper presents deterministic learning from adaptive neural network control of affine nonlinear systems with completely unknown system dynamics. Thanks to the learning capability of radial basis function, neural network (NN), stable adaptive NN controller is designed for the unknown affine nonlinear systems. The designed adaptive NN controller is rigorously shown that learning of the unknown closed-loop system dynamics can be achieved during the stable control process because partial persistent excitation condition of some internal signals in the closed-loop system is satisfied. Subsequently, neural learning controller using the knowledge obtained from deterministic learning is constructed to achieve closed-loop stability and improve control performance. Numerical simulation is provided to show the effectiveness of the proposed control scheme.