BP网络智能PID控制算法在交流调速系统中的应用

针对交流异步电动机存在的非线性、多变量、强耦合及模型结构不确定的特点,设计以西门子S7-300 PLC为控制单元、以研华IPC-610工业控制计算机为监视操作单元的基于PROFI-BUS-DP的交流调速控制系统.通过对被控对象特性的分析,将神经网络技术与PID控制结合,研制了基于BP网络的PID控制算法,并用PLC语言给予实现.该算法既有神经网络控制良好的动态特性又保持了PID控制的高速稳定性.实际应用结果表明:系统调速特性好,控制精度高,具有一定的推广价值.     

BP神经网络整定的PID在机器人轨迹跟踪中的应用

充分利用BP神经网络能够逼近任意非线性系统的优点,将BP网络和PID控制相结合,解决了多关节机器人的运动轨迹跟踪问题.采用这种方法,可以在线实时调整PID控制器的参数,使其达到最优状态,克服了完全依靠经验离线调整PID参数的缺点,使系统具有更好的鲁棒性和自适应性,其输出也可以通过在线调整达到预期的控制精度.仿真实验证实了该控制策略的正确性和有效性.     

基于BP神经网络在线辨识的开关磁阻电机神经网络自适应PID控制

基于开关磁阻电机的高度非线性的电磁特性,固定参数的PID调节器无法得到理想的控制性能指标,该文提出了一种基于BP神经网络在线辨识的SRM神经网络PID自适应控制新方法。实验结果表明,利用BP神经网络来构成开关磁阻电机的神经网络自适应控制器,不但结构简单,而且能适应环境变化,具有较强的鲁棒性。     

基于模糊PID控制和BP神经网络PID控制的永磁同步电机调速方案比较研究

采用模糊PID控制和神经网络PID的控制方式分别对永磁同步电机进行了恒负载实时调速分析,对比了研究两者的控制性能。通过在Matlab/Simulink环境下搭建仿真控制程序,分别采用两种控制方式构建对于永磁同步电机的闭环控制模型进行仿真,进行模糊PID控制和神经网络PID控制对永磁同步电机的闭环控制效果对比。经仿真结果表明,神经网络PID控制在抗扰动方面优于模糊PID控制,而模糊PID控制在实时性方面较为优势。     

发电厂循环水泵变频调速自整定PID模糊控制

在火力发电厂中，目前常用的恒速泵手动操作方式控制粗糙，不能保证冷凝器工作在最佳真空值，而且水泵电耗严重。研制了一种循环水泵变频调速自整定PID模糊控制系统，它采用自整定PID控制器自动选择调节规律，确定最佳运行参数，从而克服了大扰动对系统的影响；利用模糊控制理论设计合理的切泵逻辑，实现了平稳切换。该系统不仅适用于火力发电厂循环水泵的控制，而且也可用于各类供水泵站的控制。文中详细介绍了该系统的控制算法及硬件结构等，最后给出了应用效果。     

离散PID控制器的参数自整定

本文介绍了笔者研制的一套高速高精度交流数字伺服系统的结构，并针对该系统模型复杂及含非线性因素的特点，设计了参数能自整定的离散ＰＩＤ控制器，其整定依据是ＩＴＡＥ性能指标次优。文中较为详细地介绍了该控制算法，最后给出了该方法应用于上述系统所得的实验的曲线。实验结果表明系统获得了较理想的动，静态特性。对单位阶跃输入响应做到了基本无超调，而且具有较快的响应速度。采用该方法的系统对模型不确定性有较强的鲁棒性     

基于DSP的变频调速矢量控制系统

随着微控制器和电力电子器件的发展，各种基于先进控制策略的交流电机调速控制系统的实现更方便、快捷。文章提出了一种基于数字信号处理器(DSP)的变频调速矢量控制系统，介绍了其结构及软硬件的设计和实现方法。实验结果表明，系统的控制精度高，调速范围宽，动态响应快，性能优良。     

基于BP神经网络的PID控制器的仿真研究

针对经典PID控制参数整定困难且受时变、非线性等因素影响不能达到预期控制效果的实际情况,介绍了一种基于BP神经网络的PID控制器的构成和算法实现。仿真结果表明,基于BP神经网络的PID控制器参数调整简单,具有较高的精度和较强的适应性。     

BP神经网络在飞轮电池控制系统中的研究

飞轮储能用电机的非线性和变参数特性使得传统的PID控制很难取得较好的效果,而人工神经网络在一定的条件下可以逼近任意非线性函数,且具有较强的自学习、自适应、自组织能力,故将其与传统控制相结合构成神经网络自适应控制策略,应用于飞轮储能电机以实现高性能控制.同时采用变学习速率的神经网络学习算法,学习速率随收敛过程误差的大小而自适应地进行调整,可大大加快神经网络学习训练的收敛速度,进一步提高系统动态响应速度.仿真结果表明,在充放电两端,系统的动态响应快,超调小,稳态精度高,鲁棒性强,抗扰动能力强.控制效果较好.     

模糊逻辑神经网络控制在交流调速中的应用

针对交流电机调速系统这种被控对象，利用神经网络实现系统的模糊控制。仿真结果表明，该控制方法具有很强的自学习和抗干扰能力，当突然加、减负载时，神经网络模糊控制与PID控制相比，具有恢复时间短、超调和振荡小等特点。神经网络模糊控制特别适用于结构复杂、干扰大且控制精度要求高的系统。     

基于改进BP神经网络PID的无刷直流电动机速度控制的研究

引进模糊归一化控制策略，在线实时地调整与收敛速度密切相关的学习速率和动量系数，克服了BP网络收敛慢和容易陷入局部最小的缺点,并将改进的BP神经网络PID算法成功应用于无刷直流电动机速度控制中。仿真结果表明,改进BP神经网络PID使收敛变得更快，而且系统具有较强的鲁棒性和自适应能力。     

一种基于神经网络的速度控制器

文章首先给出了基于神经网络速度控制器的结构，提出了一种新的能量函数，在此基础上根据感应电动机矢量控制系统的特性，简化了BP(Back Propagation)学习算法，最后对所提出的方案在MATLAB／SIMULINK环境下进行了仿真研究。     

基于模糊系数修正BP神经网络PID的BLDCM控制系统仿真研究

常规PID、模糊算法无法解决无刷直流电机（BLDCM）控制系统存在的强耦合、非线性等问题,在干扰作用下容易出现信号失真。针对该问题,在滑行灯伺服转向系统中,以BLDCM三闭环控制系统为研究对象,结合BP神经网络、模糊控制和PID算法,提出一种基于模糊系数修正BP神经网络的PID控制。通过Simulink建模及仿真,对比研究了该策略与常规控制算法在转矩扰动和磁通扰动状况下的动态响应特性。仿真结果显示该改进控制算法在BLDCM位置控制系统中性能优良。     

基于神经网络补偿的PID控制方法的研究

经典ＰＩＤ方法的控制参数难以精确整定,且依赖于对象的数学模型,故自适应性较差,很难适应具有非线性、时变不确定性的被控对象,控制精度难以保证。文中研究了在近似参数ＰＩＤ控制基础上,采用ＲＢＦ神经网络进行补偿控制的综合控制方法,仿真研究结果表明了该方法的鲁棒性和跟踪性能均优于经典ＰＩＤ方法。     

基于DSP和神经网络PID控制的交流数字伺服系统

永磁同步电动机有许多直流电机所没有的优点,而DSP的应用使得伺服控制系统无论是在结构复杂程度、成本和效率上都有很大改观。本文提出了永磁同步电动机的速度控制中较为有效的控制方法即神经网络PID和DSP在伺服系统控制中的应用。     

BP神经网络应用于船舶减摇鳍控制系统的仿真研究

由于波浪的不可预测性、强非线性的特点,导致船舶的横摇运动很难被精准预测.如何更高效地控制船舶的横摇运动,一直是困扰人们的难题.该文研究了减摇鳍系统数学模型并将BP神经网络应用于船舶减摇鳍控制系统,使基于PID控制的传统减摇鳍能更加高效地工作,减摇效果更好,通过MATLAB/Simulink仿真分析研究证明了结论的正确性...     

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BP神经网络控制算法的超声波电动机控制

运用一种基于BP神经网络的控制算法,在控制过程中可以有效克服超声波电动机的非线性和热漂移特性,通过实验比较基于BP神经网络的控制算法和传统控制算法验证新算法的优越性.     

基于AdaBoost与BP神经网络的风速预测研究

介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。