BP神经网络模型预测控制算法的仿真研究

为克服被控对象参数变化导致控制精度降低的问题,研究了一种BP神经网络模型预测控制算法。借助最小二乘递推算法在线预测系统模型参数,利用BP神经网络在线预测PID参数以控制被控对象。该算法基于模型预测,首先在线性系统中验证其控制效果,然后将非线性问题作线性处理,采用BP神经网络模型预测PID控制器予以实现控制非线性系统。仿真曲线显示BP神经网络PID控制器用于线性系统可达到高精度控制要求;对于非线性系统有自适应及逼近任意函数的能力。仿真研究表明,该算法与传统BP神经网络PID控制器相比,其自适应能力更强,稳定性更好,控制精度更高。     

基于ANN逆模型补偿的复合控制系统仿真

为对复杂非线性系统进行辨识建模和实施有效控制,分析了基于神经网络的非线性系统逆模型的辨识和控制原理,研究了基于神经网络的非线性系统逆模型补偿的复合控制方法。基于复合控制思想,时常规PID控制器＋前馈神经网络逆模型补偿的复合控制结构方案进行了仿真。仿真结果表明,基于神经网络的非线性系统逆模型补偿的复合控制结构方案是有效的、相对简单的网络结构,可提高逆模型的泛化能力和非线性系统的控制精度。     

基于PID的张力计校准装置张力稳定性控制研究

针对传统张力计校准装置存在张力控制精度较低,导致张力稳定性控制效果不佳的问题,结合BP模糊神经网络的特点,设计一个基于PID控制方法的张力计校准装置张力稳定性控制系统。首先,对软式传动系统钢索张力调节器的工作原理进行分析;然后基于BP神经网络和PID控制器,搭建一个牵引绞车数学模型;最后基于构建模型实现牵引绞车准确控制。仿真结果表明,对传统的PID控制、模糊PID控制器和提出的BP模糊神经网络PID控制器分别从第2 s开始每4 s施加500 N的干扰力后,BP模糊神经网络PID控制器的反应速度最快,所用时间最短,说明该控制器的反应速度和稳定性能更强,可实现张力计校准装置张力稳定性有效控制,具备一定的可行性。     

BP神经网络PID控制在空调系统中的应用

针对空调房间这样一个多干扰、大惯性、高度非线性系统控制性能优化较困难,传统的控制策略不但在控制精度、灵敏度以及系统稳定性上存在缺馅,而且能耗大.为了提高空调制冷和供暖效果,提出一种新的基于BP神经网络的PID控制方案,通过BP算法修正BP网络自身权系数,实现了PID控制器参数的在线调整.仿真结果显示BP神经网络PID控制系统比单纯的BP神经网络或PID控制系统建模时间短,系统更稳定,超调量更小,更适合应用于复杂的空调系统控制中.     

神经网络在PID控制器参数优化中的研究

研究PID控制器参数优化问题.工业过程控制要求稳定性,跟踪特性均应实时快速.由于PID控制效果取决于比例、积分和微分3个参数取值,传统PID参数采用试凑方式进行优化,往往费时且难以满足实时控制效果,导致控制精度不高.为了提高PID控制精度,改善系统性能,提出一种神经网络的PID参数优化方法.方法将PID控制器输入作为神经网络输入,最优PID控制性能作为神经网络的输出,通过神经网络的联想记忆能力和自学习适应能力,在控制过程中动态调整PID参数(比例、积分、微分),从而实现PID控制器参数实时优化,获得最佳PID控制效果.仿真结果表明,应用神经网络的PID参数优化方法提高了PID控制精度和系统响应速度,具有较强的自适应性和鲁棒性.     

PID控制器参数优化算法的仿真研究

研究PID控制器参数优化问题,现代控制对象具有复杂非线性、时变性特点,引起系统的输出品质特性差,超调大稳定性时间长,控制精度差等.传统PID控制是针对线性控制系统提出的,控制精度比较低.为了提高PID控制精度,基于神经网络提出PID控制器参数自适应优化方法.通过将系统控制偏差和PID控制器的3个参数作为神经网络的输入,最优控制性能作为优化目标,通过神经网络自身学习和加权系数调整,获得最优控制性能的PID控制器参数.仿真结果表明,神经网络的PID控制方法提高了系统控制精度,系统响应速度更快,具有很强的自适应性和鲁棒性,为优化控制系统提供了参考.     

基于BP神经网络的贴片机运动精度控制

将BP神经网络PID控制方法应用于贴片机运动精度控制器设计;针对传统PID控制器参数难以整定等问题,提出了BP神经网络和PID控制器相结合的方法,该方法既有常规PID控制器结构简单的特点,又有BP神经网络自适应、自学习以及逼近任意函数的能力;首先根据伺服电动机的工作原理建立了电枢控制伺服电动机模型传递函数,在此基础上建立了贴片机单关节轴位置控制器模型传递函数;其次描述了BP神经网络和PID控制器相结合的控制模型,并对具体的控制算法进行了定义;最后利用MATLAB仿真工具对贴片机单关节位置控制进行了仿真;仿真结果表明,结合BP神经网络的PID控制系统提高了系统的稳定性、快速性和动态性能并获得很好的控制效果。     

基于BP神经网络PID的漂白温度控制算法的研究

本文讨论了使用BP神经网络PID控制算法,并且将这种控制算法应用在漂白工段的控制当中。利用神经网络自学习能力,在线整定PID控制参数。实践证明BP神经网络PID控制器具有实现简单,适应性强,具有较高的控制精度等特点。     

基于粒子群算法改进BP神经网络PID垃圾焚烧控制研究

针对生活垃圾焚烧控制系统焚烧过程存在的大滞后、非线性、复杂性、强耦合等问题，本文提出一种基于粒子群算法改进的BP神经网络PID垃圾焚烧控制策略，即在原有传统PID控制器的基础上加入BP神经网络算法，再通过粒子群算法对BP神经网络进一步优化，使其训练得到全局最优控制参数，提高神经网络的收敛性^[1]，从而在线实时调整PID的三个参数K_p、K_i和K_d。实验结果表明，基于粒子群算法改进的BP神经网络PID控制可以有效地克服传统PID控制存在的问题，明显减小了超调量，提高了系统的响应速度和控制精度。     

基于微分器与神经网络的PID控制算法研究

在工控系统微分器设计优化问题的研究中,由于在工业生产实践中,传统PID参数整定方法难以得到合理优化的PID参数,传统增量式PID控制存在抗干扰性较差、控制精度不高的问题.针对上述问题,提出了基于跟踪微分器与神经网络的PID控制算法.对跟踪微分器的原理进行了阐述,通过跟踪微分器实现位置信号滤波与速度信号求解;对增量式自适应PID控制算法进行了改进.在上述基础上,构建了基于微分跟踪器与神经网络的PID控制器.对控制算法进行了仿真,仿真结果表明,提出的控制算法具有抗扰动能力强、控制精度高等优点.