BP神经网络在永磁同步电机中的应用

永磁同步电机是一个多变量、非线性、强耦合的系统,传统PID速度控制效果不理想.在分析永磁同步电机数学模型的基础上,采用改进型BP神经网络与传统PID控制相结合作为速度控制器,应用于永磁同步电机调速系统中.在电机初始运行阶段采用传统PID控制,网络学习一段时间后,切换到经过改进的BP神经网络在线自整定PID控制,实现了电机速度的自适应控制.仿真结果表明:应用这种新型控制方式的永磁同步电机调速系统具有良好的动态性能和稳态精度.     

智能PID参数自整定技术在伺服系统中的应用

针对常规PID控制参数整定困难,且受时变、非线性等因素影响而不能达到预期控制效果的实际情况,提出了RBF网络动态辨识的BP神经网络PID参数自整定算法.此算法可实现PID控制参数的在线自整定和优化;同时,将算法应用于伺服控制系统中,以VC++6.0和Matlab为开发和仿真工具,对动态辨识神经网络智能PID参数自整定方法进行仿真研究.仿真结果表明,控制算法鲁棒性强、响应速度快,可用于控制参数时变的非线性系统.     

基于改进型RBF神经网络辨识的PID控制

针对工业控制领域复杂非线性时变系统．提出了基于改进型RBF神经网络的PID参数在线自整定方法。采用改进型RBF神经网络辨识器在线辨识系统模型，自动调整PID控制器参数，实现系统的智能控制。仿真结果表明，与常规RBF神经网络PID控制方法相比，该方法具有控制精度高、响应速度快的优点，并且具备较强的自适应性和鲁棒性。     

RBF网络在横向磁场永磁电机调速系统中的应用

针对横向磁场永磁电机的调速系统特点及常规PID控制参数难以精确整定而引起的控制效果不佳,提出一种RBF神经网络整定PID参数的控制方法;该方法通过比较网络输出值与系统输入值,利用RBF神经网络的自学习、自适应能力,实时调整神经元输入权值、中心节点及结点宽参数值,结合网络的整定指标修正PID系统控制参数,改善系统的运行状态;实验中,在额定工作电压110V设定转速80rpm的条件下,实际转速输出为78.8rpm;根据仿真和实验结果,验证该方法具有良好的控制效果。     

基于混沌粒子群的神经网络主汽温控制系统

研究火电厂锅炉主蒸汽温度控制优化问题,针对主汽温对象具有大惯性、大迟延、时变性和非线性系统,由于存在实时性和实时性差,传统的PID控制难以获得很好的控制效果,提出一种混沌粒子群优化神经网络的主汽温控制方法。采用RBF神经网络对PID参数进行在线整定,并通过混沌粒子群算法对RBF神经网络初始参数进行优化,不仅具有RBF神经网络的自适应能力,同时具有常规PID串级控制的特性,增强了系统对不确定因素的适应性。仿真结果表明,控制算法具有较好的鲁棒性和控制品质,抗干扰能力强,可为锅炉主蒸汽温度优化控制提供参考。     

改进PID在反应釜温度控制系统中的应用研究

反应釜炉温控制是化工生产过程中主要的控制系统之一,其温度控制具有大滞后、时变、非线性等特点.针对常规PID控制效果不佳的缺点,提出一种改进的模糊RBF神经网络智能控制方法.将系统的输入误差及误差变化率进行模糊化,并利用RBF神经网络算法对PID控制参数进行在线学习、运算和整定.在RBF神经网络控制算法中,设定初始权值在一定范围内服从高斯分布和均匀分布,对权值不断优化,使得反应釜温度达到良好的控制效果.经Matlab仿真验证,结果表明和常规PID相比,该方法提高了系统的控制精度并具有较强的鲁棒性.     

RBF-PID串级控制在加热炉温度系统中的应用研究

针对工业生产中加热炉物料出口温度的非线性、时变性、大滞后性等特点,无法建立精确的数学模型,并且为提高该系统控制的可靠性和安全性,达到精确控制。提出一种基于RBF(Radial Basis Function)神经网络的PID串级控制器,即先用建立的三层RBF神经网络在线辨识得到梯度信息,再用梯度信息在线整定PID控制的三个参数,最后将整定的PID控制物料出口温度-炉膛温度串级系统的主回路。仿真结果表明,RBF-PID串级控制较传统P I D串级控制有较强的鲁棒性,提高了控制品质,获得了更好的控制效果。     

基于BP神经网络的参数自整定PID控制器仿真研究

PID控制是迄今为止在过程控制中应用最为广泛的控制方法,但在实际应用中,其参数整定仍未得到较好的解决。把神经网络技术应用在PID控制中,充分利用神经网络具有非线性函数逼近能力,构造神经网络PID自整定控制器,并通过MATLAB仿真试验,取得较好的效果。     

电动汽车永磁同步电机工况仿真分析

永磁同步电机因其优越的特性可以作为电动汽车的驱动电机。为了测试电机运行过程中不同工况的性能,对永磁同步电机数学模型、控制策略进行了分析,并根据永磁同步电机的数学模型设计了电机控制方案。在Matlab/Simulink仿真平台上,构建了永磁同步电机转速电流双闭环控制系统,在不同的运行工况下对系统进行了仿真。仿真结果验证了在不同工况下永磁同步电机具有良好的动、静态特性。     

基于RBF神经网络整定的高速公路匝道PID控制器

研究RBF神经网络整定PID控制器的参数,并应用到高速公路入口匝道控制中。首先阐述了入口匝道控制原理,然后建立了高速公路交通流模型,并设计了RBF神经网络整定的高速公路匝道PID控制器,RBF神经网络通过对被控对象Jacobian信息的辨识来动态调节PID控制器的参数,最后用MATLAB软件进行系统仿真。仿真结果表明,该控制器具有优越的动态和稳态性能,用于高速公路入口匝道控制中效果良好。     

永磁同步电机PID参数优化研究

研究永磁同步电机优化控制问题,永磁同步电机具有强耦合和强非线性特性的特点,应用环境一般较为复杂且常常存在各种干扰使电机系统稳定性差,针对传统PID控制方式很难满足电机系统要求,控制效果差,超调大。为提高控制精度,提出一种改进的PID控制方法。将PID控制器的参数作为粒子群中的粒子,系统控制精度作为粒子的寻优目标,通过粒子搜索找到最优PID控制参数,从而对电机进行精确的控制。仿真结果表明,粒子群算法的PID控制器提高了永磁同步电机系统控制精度,为永磁同步电机优化设计提供了科学依据。     

基于神经网络的自整定PID控制器设计

针对非线性时变系统,设计了一种基于神经网络的参数在线自整定PID控制器.该控制器采用基于最近邻聚类方法的RBF神经网络快速学习算法,通过实时在线辨识,建立被控系统的精确模型并得到准确的Jacobian信息;同时将此信息提供给BP神经网络,从而实现PID控制器参数的自动在线整定. 仿真结果表明,该方法提高了算法的精度和速度并具有较快的系统响应和良好的跟踪特性.     

IPMSM弱磁优化控制仿真研究

在内置式永磁同步电机(IPMSM)单位电流最大转矩控制(MTPA)以及弱磁控制的分析基础上,针对其常规PID控制器控制精度有限,转矩脉动大的问题,提出了基于单神经元自适应PID控制器的弱磁调速优化控制策略.利用神经元的自我调节,在线整定转速环PID参数;同时结合单神经元自适应PID控制器与电压反馈弱磁控制,优化弱磁控制效果.MAT-LAB/Simulink仿真结果表明,永磁同步电机(IPMSM)弱磁优化控制策略,提高了系统在低速区的动态响应能力,以及在高速区的稳定性.     

基于RBF神经网络空间矢量法对PMSM的控制

将模糊径向基函数(f-RBF)神经网络算法用于永磁同步电机(PMSM)的速度控制.针对电机的动态和非线性特点,结合PMSM驱动的矢量控制方法,设计了f-RBF在线辨识器和速度控制器.在Matlab/Simulink下将该方法与传统的PID控制PMSM进行了仿真比较.实验结果表明了该方法的有效性,且系统响应速度快,动态性能优异,鲁棒性好.     

PID控制器改进方法研究

分析了常规PID(比例—积分—微分)控制特点,针对其在非线性控制中存在的问题,基于参数自整定和控制器误差组合方式,分别设计了参数自整定模糊PID控制器、参数自整定RBF神经网络PID控制器和非线性自抗扰PD控制器.并进行了实验验证,实验结果表明,从参数自整定和控制器误差组合角度出发,所采用的控制策略可使非线性系统具有较好的动态特性、鲁棒性和自适应能力.     

基于模糊RBF神经网络的PID及其应用

针对传统的PID控制器参数固定而导致在控制中效果差的问题,提出一种基于模糊RBF神经网络智能PID控制器的设计方法。该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制与RBF神经网络相结合以在线调整PID控制器参数,整定出一组适合于控制对象的kp, ki, kd参数。将算法运用到电机控制系统的PID参数寻优中,仿真结果表明基于此算法设计的PID控制器改善了电机控制系统的动态性能和稳定性。     

基于RBF神经网络的PID控制

传统PID的控制参数难以精确整定,且依赖于对象的精确数学模型,适应性较差,对复杂过程不能保证其控制精度。针对工业控制领域中大滞后系统,采用传统PID控制不能获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法。该方法利用RBF神经网络的自学习、自适应能力自调整系统的控制参数。仿真表明,该方法可实现有效的控制,并且与常规PID相比,具有更好的自适应性和鲁棒性。     

基于RBF-PID的水轮发电机组控制系统

研究水轮发电机组稳定性控制优化问题,水轮发电机组是一个非线性、时变的复杂控制系统,很难建立精确模型。采用常规PID控制策略难以较高的控制精度,超调量大。为提高水轮发电机组控制精度,将自学习较强的RBF神经网络与常规PID相结合,提出一种基于RBF-PID组合的水轮发电机组控制算法。采用RBF神经网络对水轮发电机组控制系统的Jacobian矩阵信息进行在线辨识,实现RBF-PID参数在线自整定。仿真结果表明:RBF-PID组合控制器不仅提高控制系统的精度,而且超调量小、抗扰动能力强,能够很好实现水轮发电机组的稳定性优化控制。     

基于RBF神经网络PID的无人动力伞控制

动力伞是一个复杂的非线性动力学对象,难以用精确的数学模型描述。对于这种具有非线性、时变和强耦合特性的综合系统,采用传统PID控制方法不能得到满意的控制效果,因此提出一种基于RBF神经网络的PID控制方法。该方法利用RBF神经网络的自学习、自适应能力自调整系统的控制参数,从而实现对PID控制器各参数的优化整定。在Mat-lab软件中的仿真结果表明,该方法可实现对动力伞有效的控制,并且与传统PID相比,具有更短的调节时间,更好的稳定性、自适应性和鲁棒性。     

基于RBF网络自整定PID控制的改进算法

针对工业过程控制中存在的非线性,时变性以及各种不确定性,在已有的RBF网络整定PID控制的基础上,提出了一种改进的整定控制算法。先用RBF神经网络在线辨识被控对象离散模型,得到对象关于控制器输出的Jacobian信息,然后用Levenberg-Marquardt算法代替传统的梯度法对PID参数进行整定,得到改进的整定控制算法。通过对锅炉汽包水位控制系统的仿真研究,验证了算法的有效性和优越性。该控制算法提高了控制系统的快速性、鲁棒性,有一定的实用推广价值。