定限值控制问题与控制策略

根据合成氨实际生产对转化温度的要求 ,提出了定限值控制问题。初步讨论了采用神经网络控制器 ,来实现定值控制向定限值控制逼近的方法。为提高系统响应的快速性 ,在神经网络内部采用反偏差阈值函数 ,在神经网络外部采用双模式神经网络控制结构     

基于BP网络自整定的PID控制在加工过程中的应用

基于BP神经网络自整定的PID控制,把BP神经网络与传统的PID控制很好的结合在一起,利用BP神经网络实时在线学习来调整PID的三个系数,这样充分发挥各自优势,从而拓宽PID控制的应用领域.对车床加工过程进行建模,加入BP神经网络自整定PID控制,以车床加工过程作为被控对象进行仿真研究.仿真结果表明,加工过程在BP神经网络自整定的PID作用下的控制效果良好.基于BP神经网络自整定的PID控制较传统的PID控制具有更好的鲁棒性和自适应性.     

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.     

加工过程中基于最大熵的神经网络控制

切削过程恒力控制对于提高生产率、保证加工精度至关重要,本文将信息理论与神经网络理论相结合,提出了恒力切削过程中基于最大熵的神经网络控制,与自适应神经网络控制相比,具有收敛快,振荡小的特点.     

重卷机组张力神经网络控制器的可视化构建

针对重卷机组中张力控制系统存在参数时变、非线性等问题,引起张力控制模型仿真的复杂性,为简化实际应用中神经网络控制器构建的复杂性,本文结合Matlab、VC++工具建立了一种可视化调节界面用以获得神经网络控制器。通过实际输出曲线同期望轨迹的误差对控制输入进行可视化调节,利用学习控制对控制输入做更进一步的优化,进而训练得到期望的神经网络控制器。为克服单纯采用神经网络控制造成的稳态误差,设计了切换策略用以实现不同偏差作用下神经网络控制器同PI控制器之间的切换。通过仿真验证了该方法的有效性。     

恒切削力加工过程的神经网络预测控制

切削过程恒力控制对于提高生产率、保证加工精度具有重要作用。文章以车削加工过程为对象,研究恒切削力加工过程中当切削深度发生突变时,如何减少系统输出切削力超调的问题。将预测控制策略与神经网络理论相结合,在神经网络学习时,使切削进给在切削深度发生突变前提前发生相应变化,提出了恒力切削过程的神经网络预测控制算法。仿真结果表明,与传统自适应神经网络控制相比,加工过程的神经网络预测控制能够有效的解决在背吃刀量发生突变时,加工系统输出的切削力过大的问题,显示出比加工过程传统神经网络自适应控制更好的综合性能。     

直驱转台伺服系统的优化神经网络滑模位置控制研究

针对直驱转台伺服系统存在参数变化、高度非线性、机械谐振等不确定性因素,提出一种优化神经网络滑模位置控制方法。利用两个神经网络控制器分别实现转台系统滑模控制中的等效滑模控制和滑模切换控制,并采用遗传算法优化神经网络的权值。仿真结果表明:采用该控制方法,直驱转台伺服系统的位置跟踪精度高,系统的鲁棒性强。     

基于BP神经网络的异步电机转子磁链定向矢量复合控制

针对异步电机在传统PI控制策略中,参数固定且容易超调,IP控制策略跟踪响应慢的特点,提出神经网络矢量PI-IP复合控制策略。在转子磁链定向矢量控制中,转速环引入新型的PI-IP控制器,同时利用神经网络进行参数整定,综合PI-IP控制器,神经网络以及转子磁链定向矢量控制的优点,完成神经网络矢量PI-IP控制器对异步电机的优化控制,提高系统的动、静态性能。最后基于仿真效验,仿真结果表明,与常规控制方法相比,该方法能有效提高控制精准性,抑制扰动,神经网络矢量PI-IP复合控制器具有更强的稳态精度和应对负载扰动能力。     

重构神经网络模型及开关磁阻电机恒转矩控制

针对开关磁阻电机(SRM)难以准确建模及计算恒转矩下的控制电流而导致的转矩脉动过大的问题,构建一种新的转矩-电流神经网络模型用于得到恒转矩下的控制电流。在新神经网络中,针对SRM转矩-电流特有的强非线性特性,设计能够描述SRM电流基本变化规律的新型激励函数,使神经网络结构更接近SRM的本质特性,有利于加快建模速度,提高建模精度。所重构神经网络模型通过在线学习计算恒转矩下对应的控制电流对SRM进行控制,实现转矩脉动的有效抑制。仿真结果表明,与通用神经网络相比,提出的重构神经网络模型能更好地描述SRM的强非线性特性,得到恒转矩下对应的控制电流,有效地抑制转矩脉动。     

基于改进型神经网络的焊接机器人焊枪控制算法研究

焊接是一个复杂、参数多变、时变非线性的过程,对于焊缝跟踪控制问题,传统的PID控制方法很难有效的对焊缝进行跟踪控制。在传统PID控制中引入神经网络,提出了一种双权值神经网络控制器的焊缝跟踪控制算法。通过控制伺服电机驱动的十字滑块运动,从而实现焊枪的精确定位。通过MATLAB仿真试验验证了双权值神经网络控制器的焊缝跟踪控制算法能够较好的实现焊缝的跟踪控制。     

改进RBF神经网络挖掘机液压工装轨迹优化控制

针对挖掘机工装轨迹控制精度差的问题,提出一种基于改进RBF神经网络的挖掘机工装轨迹控制方法。分析挖掘机工作装置在纯机械控制策略和基于S-Function的RBF神经网络控制策略下的输出响应特性;提出基于遗传算法的RBF神经网络工装轨迹控制策略;通过水平挖掘模拟实验对工装轨迹控制精度进行分析。结果表明:提出的基于RBF神经网络的挖掘机工装轨迹控制方法比常规PID控制精度提升约10 mm,为进一步实现挖掘机自动化提供参考。     

采用逆神经网络模型的移动机器人速度控制回路研究

针对移动机器人运动轨迹容易受到不确定外界因素干扰的问题,采用逆神经网络模型设计移动机器人控制系统。分别采用逆神经网络控制器和传统PI控制器模型对两轮差动移动机器人运动速度和角速度进行跟踪控制。传统PI控制器模型使用了近似于线性的等效负载驱动器,而逆神经网络控制器使用前馈多层感知神经网络模型,该模型结合了其运动学和动力学的数学模型,在特定工作区域内,对逆神经网络模型进行离散训练。在平面内,对移动机器人的速度跟踪控制进行仿真。结果表明:采用PI控制器模型,移动机器人车轮运动速度和角速度与理论值存在较大误差,而采用逆神经网络模型时误差较小。采用逆神经网络模型设计移动机器人速度控制回路,可以提高移动机器人运动性能,更好地适应外界环境的变化。     

基于RBF神经网络的挤出机温度压力控制系统

为了确定橡胶复合挤出机控制过程中主要干扰变量与内部耦合关系并较好实现温度压力控制系统的模型辨识自适应控制与精确解耦控制,结合径向基函数(RBF)神经网络与PID神经元结构,设计了一个基于RBF神经网络辨识模型与自适应控制的模型,用于完成对熔体温度、机头压力的模型辨识与自适应控制,并采用优化RBF神经网络进行精确解耦控制。利用MATLAB软件建立温度压力耦合系统的辨识模型,并与传统辨识模型和解耦方式进行对比。结果表明:在干扰作用下,基于优化RBF神经网络的系统具有较好的辨识能力,能自适应地完成系统解耦控制;采用优化RBF神经网络建立的耦合辨识模型的耦合辨识与解耦效果理想,可在一定程度上提高温度压力控制系统精度和挤出半成品质量,实现精密化挤出成型。     

两自由度并联机器人的RBF神经网络辨识滑模控制策略研究

针对两自由度并联机器人的轨迹跟踪问题,提出一种基于RBF神经网络辨识上界的滑模控制策略。该方案利用RBF神经网络对被控对象的不确定上界进行辨识,将所得的上界值适时送到滑模控制器,既发挥了RBF神经网络具有逼近任意函数的优点,又保留了滑模变结构控制的快速性和鲁棒性,达到了理想的控制效果。     

神经网络在控制图模式识别中的应用

论文综述了神经网络在质量工程领域的发展趋势。并将神经网络应用于统计过程控制的控制图模式识别之中,以BP网络为核心,来监测方差和均值的变动,并且对处于失控状态的加工过程及其产生的原因进行诊断。     

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.     

基于优化RBF神经网络挤出机温度压力系统辨识

为了精确在线辨识橡胶复合挤出机控制过程中主要干扰变量与内部耦合关系,更好地实现对挤出机温度压力耦合系统的精准控制,采用RBF神经网络进行系统辨识研究,同时结合PSO算法引入GA算法中编码、杂交、交叉、变异等概念,设计了混合型PSO算法进一步优化RBF神经网络,完成对温度压力耦合系统的精准在线辨识。借助MATLAB软件进行神经网络训练,辨识系统耦合关系,同时与混合型PSO算法优化神经网络权值所辨识的效果进行对比。试验结果表明:采用混合型PSO算法优化RBF神经网络训练效果更佳,可以实现RBF神经网络高精度系统辨识;混合型PSO算法优化RBF神经网络应用于挤出机温度压力控制系统辨识,可以在一定程度上提升系统的辨识精度以及挤出机械的智能化水平。     

移动机器人神经网络补偿计算力矩控制

针对存在动力学不确定建模项、建模误差及外界干扰的移动机器人,设计RBF神经网络补偿计算力矩控制算法。基于反步法设计运动学辅助速度控制率。根据动力学理想名义模型,基于计算力矩法设计一般的力矩控制器。在此基础上,建立具有不确定建模项、建模误差及外界干扰的移动机器人动力学模型,基于计算力矩法设计带有RBF神经网络补偿的力矩控制器,神经网络的权值由自适应律给出。最后,利用Lyapunov理论证明了系统的稳定性。仿真结果表明：神经网络对系统不确定项具有良好的逼近性能,相比于一般的计算力矩控制,所提出的神经网络补偿计算力矩控制算法具有更好的跟踪性能,控制系统具有更好的鲁棒性。