基于RBF神经网络在线辨识的永磁同步电机单神经元PID矢量控制

提出一种基于RBF神经网络在线辨识的永磁同步电机单神经元PID矢量控制新方法,该方法针对传统的PI调节器固定参数所造成的不足,利用具有自适应能力的单神经元PID调节器和RBF神经网络相结合,实现了参数在线辨识,转速在线控制.仿真结果表明该方法控制精度高,动态特性好,适合于永磁同步电机的速度控制.     

神经网络控制在汽车主动悬架中的应用

建立了汽车悬架的两自由度1/4车数学模型,提出了一种基于RBF神经网络在线辨识的单神经元PID自适应控制方法,介绍了RBF网络在线辨识、单神经元PID控制器和控制算法,并将这种控制策略应用于汽车主动悬架1/4车模型.仿真是在Windows2000环境下用仿真软件Mat-lab6.1 Simulink进行的.仿真结果表明,这种控制策略能有效降低车身加速度的均方根值和悬架动挠度的均方根值,改善了乘坐的舒适性.     

神经网络PID参数自整定的应用研究

PID控制是工业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.本文把神经网络技术应用在PID控制中,采用BP网络对被控对象在线辨识,利用神经元自适应PID在线调整参数,构造神经网络PID自整定控制器.通过在实际交流变频调速系统上的实验表明,当突然加、减负载时,神经网络PID控制与传统PID控制相比,具有恢复时间短、超调量小等特点.     

基于神经网络的自适应PID控制

本文提出了一种采用人工神经网络的自适应PID控制结构。在该控制结构中,一个三层反向传播神经网络用于对被控对象进行在线辨识;另一个二层线性神经网络构成具有传统PID控制结构的控制器。对PID控制器网络的在线训练方法,本文进行了较详细的叙述。仿真及实时控制实验研究表明,本文提出的控制方法可取得满意的效果,并易于在线实现。     

基于RBF神经网络的PID自适应真空炉温度控制

提出一种基于RBF辨识神经网络算法的神经网络PID控制方案,由RBF网络对系统进行在线辨识,建立其在线参考模型并为PID控制器提供了梯度信息,从而实现控制器参数的在线调整.仿真结果表明,该控制方法应用于真空炉温度控制时控制精度高,动态特性好,收到了良好的效果.     

基于RBF神经网络的PID自适应真空炉温度控制

提出一种基于RBF辨识神经网络算法的神经网络PID控制方案，由RBF网络对系统进行在线辨识．建立其在线参考模型并为PID控制器提供了梯度信息，从而实现控制器参数的在线调整。仿真结果表明，该控制方法应用于真空炉温度控制时控制精度高，动态特性好，收到了良好的效果。     

基于BP神经网络整定的PID控制及其仿真研究

讨论BP神经网络PID控制,利用BP神经网络的自学习能力实现PID控制参数的在线整定,并使用Matlab软件进行仿真研究.仿真结果表明：基于BP神经网络的PID控制器参数调整简单,具有很高的精度和很强的适应性,可以获得满意的控制效果.     

基于BP神经网络整定的PID温度控制

展示了一种基于BP神经网络的PID控制器,利用神经网络的自学习特性,将神经网络与PID控制方法相结合,采用3层前向网络,动态BP算法,实现对温度控制系统的在线智能控制,显示了BP神经网络PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的能力．仿真结果表明,此种PID在温度控制中能够取得较满意的效果．     

MW级永磁同步电机无速度传感器矢量控制研究

针对电机实验站对永磁同步电机实验电源系统新的控制要求,研究了MW级永磁同步电机无速度传感器矢量控制方法,提出了一种基于模型参考自适应的速度辨识方法。该方法仅用q轴磁链误差信号构建自适应率辨识转速信息。首先通过Matlab仿真证明了该方法的有效性,然后进行了半直驱隐极式永磁同步风力发电机对拖实验,结果证明该方法能较好地辨识电机转速。     

改进型BP神经网络无刷直流电机速度控制方法

针对传统PID算法控制的无刷直流电机调速系统存在控制精度低、抗干扰能力差等问题,提出一种在线调整学习速率的BP神经网络PID控制算法,有效克服了前者陷入局部最小和收敛速度慢等缺陷。建立无刷直流电机转速、电流双闭环调速系统数学模型,对其转速环进行BP神经网络PID控制;应用Matlab/Simulink设计与仿真,并将之安装在电动代步车上进行道路实际测试。结果表明:改进后的BP神经网络PID控制算法使无刷直流电机调速系统具有更好的稳定性和鲁棒性。     

基于自适应逆控制的永磁同步电动机控制系统

为进一步提高交流永磁同步电动机控制性能,本文提出了基于自适应逆控制的永磁同步电动机控制系统,采用基于递推最小二乘BP（RLS-BP）算法,对永磁同步电动机系统的进行建模、逆建模和自适应控制器的设计。提高了永磁同步电动机系统建模和逆建模的辨识收敛速度以及辨识精度和系统控制精度。仿真结果表明,基于本文提出的自适应逆控制方法的永磁同步电动机系统,具有良好的动态响应,并且在电机参数摄动情况下具有较强的鲁棒性。     

扫描隧道显微镜精密工作台的神经网络控制

针对目前扫描隧道显微镜超高精度位移的要求,提出了一种基于神经网络的精密工作台控制方案。在分析微位移机构工作原理的基础上,建立了工作台的数学模型。神经网络辨识器在线辨识工作台的机械参数,神经网络自学习PID控制器代替传统PID控制器,实现了样本的在线采集,有效克服了神经网络控制器需要离线训练的缺点。利用BP网络的自学习和自适应能力,实时调整网络加权值,改变控制器的控制系数,增强了系统的实时控制性能。实验结果表明,相对于传统PID控制算法,参考位移量为10μm时,达到稳态值的时间从3.8 s缩短到1.8 s,稳态误差从4.2%减小到1.9%。     

基于小波基神经网络PID的直流电机伺服控制

通过一种新颖的小波基神经网络对未知数学模型的对象进行在线辨识,得到对象的数学模型———Jacob ian信息,并提出了神经网络与模糊控制算法共同在线调整PID参数的方法,从而实现电机位置的准确、快速、实时地跟踪.通过仿真和实验表明:使用该自适应控制方法,能够对位置准确跟踪,基本克服了一般神经网络控制对初始权值的依赖,大大提高了对未知模型的辨识精度,改善了系统的动态响应品质,增强了系统的鲁棒性.     

基于径向基神经网络辨识的单神经元PID控制

本文结合单神经元自适应PID控制提出的一种基于RBF神经网络辨识的智能自整定控制器的设计,并针对实际温度控制系统进行仿真.     

基于BP网络横向磁场永磁电机调速系统的设计

文章针对横向磁场永磁电机非线性、强耦合的特点以及传统PI调节器存在超调和控制参数无法自适应的缺陷,提出一种基于BP神经网络的横向磁场永磁电机PI控制方案.该方案在分析电机矢量控制的基础上,建立了四相横向磁场永磁电机的数学模型,利用BP神经网络对PI调节器参数进行在线整定,通过自调整学习速率改进BP神经网络学习能力,实现电机跟踪性能和抗负载扰动性能的提高.实验结果表明,所采用的控制策略可行,在参数突变和突加负载时,均能够达到跟踪额定转速的效果,使系统具有良好的鲁棒性.     

基于二阶神经网络的自适应控制

提出了一种二阶神经网络的自适应控制方案,利用二阶神经网络对被控对象进行在线辨识和控制．仿真实验表明：这种控制系统效果优良,具有较强的辨识和控制能力,且控制器设计并不复杂．基于二阶神经网络的自适应控制@李莉@宋桂荣@刘建明...     

基于神经网络参数自整定PID控制的应用

本文基于BP神经网络PID控制器控制校园的热水供应系统,利用神经网络的自学习能力进行PID控制参数的在线整定。对于热水供应类型的大时滞系统,BP神经网络参数自整定PID控制具有较好的控制性,并能实现较好的鲁棒性。针对该特性本文对BP网络的构造进行了大量的网络训练,获得了较好的网络权值参数与训练时间,缩短了以往BP神经网络参数自整定PID控制系统的响应时间与扰动调节时间,从而提高了该控制系统的控制精度。     

汽车半主动悬架的神经网络控制及仿真

基于 1 /2汽车非线性模型和对角回归神经网络模型 ,应用模型参考自适应控制对半主动悬架系统进行了离线辨识 ,构成了非线性神经网络控制器 ,在线训练了神经网络控制器 ,并对半主动悬架进行了控制仿真 ,对仿真结果进行了分析、总结。     

高空螺旋桨无刷直流电机重置粒子群PID控制

永磁无刷直流电机驱动高空螺旋桨负载时,由于大气密度随海拔高度变化,电机转速随螺旋桨负载变化不断波动,传统定参数PID控制难以随环境变化对电驱动系统PID控制参数进行实时调整,系统的动态特性和鲁棒性较差。提出一种基于BFGS(Broyden-Fletcher-Goldfarb-Shanno)动态重置粒子群算法(BFGS-RPSO)的永磁无刷直流电机PID参数控制方法,该方法利用BFGS-RPSO算法灵活快速的在线参数寻优特点,对永磁无刷直流电机控制系统PID参数进行在线实时优化调整,提高了螺旋桨负载电驱动系统的动态特性和鲁棒性。Matlab仿真和实验表明,电机在起动过程中,转速上升时间较短,转速和转矩超调较小,且在负载波动过程中电机转矩脉动较小,BFGS-RPSO PID参数控制比传统PID控制具有更好的动态特性和鲁棒性,适合应用于高空螺旋桨永磁无刷直流电机螺旋桨电驱动系统。     

基于性能协调的溶解氧复合控制方法

针对常规比例积分微分(proportion-integral-derivative,PID)控制存在精度不高,在线自适应差的缺点,提出了一种在线PID-TS模糊神经网络复合控制方法.该方法利用TS模糊神经网络的自学习能力提高溶解氧的控制精度,并通过构造的性能协调因子在线调整两者权重.将提出的控制方法应用于国际基准仿真平台.结果表明:所提方法能有效控制污水中的溶解氧参数,与常规PID和BP(back-propagation)神经网络控制器相比,该方法具有更优的动态性能.