基于神经网络的多值模糊控制系统研究

对于难以用精确数学模型描述的多变量非线性复杂控制系统,靠传统控制理论难以获得理想的控制效果,基于模糊神经网络控制的技术不依赖于被控对象精确的数学模型,且能根据被控对象参数的变化自适应调节控制规则和隶属函数参数的特性本文介绍了模糊神经网络控制器的应用研究,经过仿真实验证明该控制器能够获得较理想的控制效果。     

重载AGV液压转向模糊PID控制

重载AGV在满载工况转向时,转向阻力明显增大,给转向控制系统敏捷、精确控制造成困难。为此,提出一种基于模糊PID的控制方法,以实时、动态的修正转向系统控制参数。根据AGV转向系统结构建立了控制模型,搭建了模糊PID控制器,制定了隶属度函数及模糊规则,并根据转角偏差及偏差变化率更新控制器的参数,使液压调整量根据需要进行动态修正,保证车轮在高转向阻力时快速、准确的偏转。仿真及试验结果表明,模糊自适应PID算法可有效降低系统超调量、振荡幅度,加快系统响应速度,提高了重载AGV液压转向系统的控制精度和反应速度。     

基于神经网络的模糊自适应PID控制方法研究

针对常规PID控制器不能在线修正参数以及模糊规则和率属函数对专家经验的依赖性,提出了神经网络模糊自适应PID控制器,从而综合了传统PID控制、模糊控制、神经网络控制的优点,使其具有PID控制的广泛适用性和神经网络的自适应和自学习能力,同时又具备模糊控制的非线性控制作用;仿真实验可知该控制器具有更快的响应和更好的平稳性.     

基于模糊自适应PID的钢管定长切割控制系统

针对钢管定尺飞锯传统定长切割控制策略存在的问题,提出了采用模糊自适应PID的控制策略.控制器输入取钢管的定长切割偏差e和偏差变化率ec,输出取PID控制器3个参数的修正量,从而实现了PID参数的在线自整定.采用Matlab语言,进行了常规PID控制与模糊自适应PID控制动态性能的仿真比较.研究结果表明,采用模糊自适应P...     

多目标系统的自适应模糊神经网络控制

提出了一种多目标系统的自适应模糊神经网络控制的方法.通过对系统的多目标量进行加权合成,采用改进的遗传算法离线调整控制器网络参数.接入控制系统后,采用在线学习方式,通过BP算法调节网络的规则权值和比例因子,达到自适应控制的目的.计算机仿真结果显示,该方法控制效果好,鲁棒性强.     

基于遗传算法的模糊神经网络控制器在烘干炉温度控制系统中的设计与仿真

以烘干炉温度为被控对象,由于烘干炉温度控制具有非线性、大滞后和无法建立精确数学模型等特点,传统的控制器很难达到理想的控制效果,为此设计了一种基于遗传算法的模糊神经网络控制器.基于遗传算法的模糊神经网络控制器是将遗传算法的全局寻优和BP算法的在线学习结合起来,先用遗传算法对神经网络的参数进行离线训练,然后再用BP算法对模糊神经网络控制器进一步在线学习.仿真结果表明,基于遗传算法的模糊神经网络控制器与模糊控制、传统PID控制相比较,改善了系统的动态性能和静态性能,能使非线性、大滞后等特殊的系统达到良好的控制效果.     

基于模糊神经网络PID的复合控制策略

为了结合模糊控制容错力强和神经网络PID在线学习和调整的优点,提出了一种结合模糊控制与神经网络PID控制的复合控制方法,即分别设计模糊控制器和神经网络PID控制器后,再利用权重分配器对这两个控制器进行权重分配来控制被控对象。将该控制策略应用于某火电机组的二级过热器减温水流量系统控制,并在simulink仿真平台进行仿真,仿真实验结果表明:该复合控制策略较传统的模糊控制或神经网络PID控制的上升时间更短,调节时间和超调量更小,稳态性能更好。     

基于模糊RBF神经网络的PID控制方法及应用

针对常规PID控制参数固定难于满足时变不确定非线性系统的控制要求,利用模糊控制的良好收敛性和对模糊量的运算优势,以及神经网络自学习、自适应的特性,将常规PID控制与模糊控制、神经网络结合起来,提出一种基于模糊RBF神经网络的PID控制方法,实现了对PID参数的实时在线整定。将算法运用到柴油发电机调速系统的PID参数寻优中,MATLAB仿真试验结果表明,模糊RBF神经网络的PID控制具有更好的动静态特性和抗干扰性能,提高了对非线性时变被控对象的控制效果。     

改进模糊PID方法及其在电液伺服控制中的应用

采用传统模糊PID控制算法的ΔK_p规则库对K_p参数进行在线修正时,存在精准度不足的问题,对此提出了ΔK_p规则库优化后的模糊PID算法,并对其控制性能进行了研究。根据PID整定的专家经验分析了ΔK_p规则库,并明确了其中不合理的规则,对其进行了调整与改进,完成了对ΔK_p规则库的优化;基于优化后的ΔK_p规则库设计了改进模糊PID控制器;最后,借助多领域协同仿真技术,以阀控缸系统为被控对象,对规则改进后的模糊PID控制器的性能进行了仿真研究。研究结果表明:在对K_p参数进行在线修正时,相比于传统的ΔK_p规则库,新的ΔK_p规则库更加灵活与准确,能克服原有ΔK_p规则库存在的问题,使改进模糊PID控制器的伺服跟踪精度和抗干扰能力都得到显著提升;相比于PID和传统模糊PID,改进模糊PID控制器的控制性能可分别提高18.62%和32.61%。     

模糊控制在可逆式四辊轧机液压AGC系统中的应用

为了进一步提高四辊轧机液压AGC系统的厚度控制精度,将传统的PID控制与模糊控制相结合,设计了一种参数自调节的模糊自适应PID控制器。该控制器通过分析偏差和偏差变化率,利用模糊逻辑实现PID参数在线自动调节。经MATLAB仿真表明,其控制效果优于传统的PID控制,具有良好的动、静态特性及较强鲁棒性。     

一种新的模糊神经网络及在化工过程控制系统的应用研究

本文提出一种新的采用补偿模糊算子的神经网络，它使控制系统具有更强的适应性和鲁棒性。该系统不仅能够自适应地调整隶属度函数。而且能够动态优化模糊规则，将其应用于化学反应器（CSTR）的控制中。仿真实验表明该网络的良好性能。     

PID参数模糊自整定非线性系统仿真研究

针对常规PID控制器不能在线进行参数自整定的问题,构造了一个自适应模糊PID。通过模糊控制规则在线调整PID控制器的参数,并利用MATLAB语言对该控制器进行了计算机仿真。仿真研究表明,该控制器能迅速消除系统余差,改善普通模糊控制器的性能;既具有PID控制器高精度的优点,又具有模糊控制器快速、适应性能的特点,保证了调节系统具有良好的动、稳态特性。     

模糊控制在移动机器人路径跟踪控制中的应用

对含不确定性的移动机器人系统设计了自适应模糊路径跟踪控制方法,此方法采用模糊逻辑系统逼近控制器中的不确定函数,基于时变死区函数对模糊逻辑系统中的未知参数进行自适应调节,并对时变死区设计了自适应律。文中证明了此方法可使跟踪误差收敛到原点的小邻域内。仿真算例验证了此方法的有效性。     

基于比例阀的气动伺服系统神经网络控制方法的研究

研究了用神经网络PID控制器对基于比例阀的气动伺服系统进行控制的方法。用神经网络辨识器来逼近非线性动力学系统,并在线修改控制参数。实验及分析表明,适当的选择网络参数,经过充分的离线训练,该控制器可以进行在线的自适应控制,系统的控制精度和动态特性有明显提高,且在环境参数变化时,控制器具有在线自学习和自整定参数的能力。     

基于神经网络的卷烟共线分拣系统自适应控制

针对目前方法自适应控制卷烟共线系统时,由于未能依据Lyapunov函数确定系统的控制规律,导致在实施系统自适应控制时,存在控制效果差、控制误差高和控制性能低的问题,提出基于神经网络的卷烟共线分拣系统自适应控制方法。首先依据Lyapunov函数确定系统的控制规律,建立对象控制模型并使用前馈神经网络训练模型,优化控制器参数,完成控制器的设计;再利用控制器的参数建立线性和非线性2种自适应控制方法;最后通过制定的切换规则,完成自适应算法的平滑转换,实现系统的自适应控制。实验结果表明,运用该方法控制系统时,控制效果好、控制误差低以及控制性能高。     

Calculation of PID controller parameters by using a fuzzy neural network

In this paper, we use the fuzzy neural network (FNN) to develop a formula for designing the proportional-integral-derivative (PID) controller. This PID controller satisfies the criteria of minimum integrated absolute error (IAE) and maximum of sensitivity (Ms). The FNN system is used to identify the relationship between plant model and controller parameters based on IAE and Ms. To derive the tuning rule, the dominant pole assignment method is applied to simplify our optimization processes. Therefore, the FNN system is used to automatically tune the PID controller for different system parameters so that neither theoretical methods nor numerical methods need be used. Moreover, the FNN-based formula can modify the controller to meet our specification when the system model changes. A simulation result for applying to the motor position control problem is given to demonstrate the effectiveness of our approach.     

堆垛机速度智能控制的优化研究

采用模糊控制技术与小脑模型神经网络(CMAC)相结合的方式进行堆垛机的速度控制,克服单独运用模糊控制或CMAC神经网络的缺点,使系统既具有模糊控制的灵活性和强适应性,又兼具神经网络的学习能力,并且采用遗传算法对控制器的输入输出比例因子及连接权值进行寻优.仿真结果表明:该控制系统提高了系统的稳定性、鲁棒性和控制精度,使系统的综合性能得到显著改善.     

一种模糊PID控制器在BLDCM系统中的应用

直流无刷电机(Brushless Direct Current Motor,BLDCM)控制是电机控制中的重要问题之一,将一种模糊PID控制器用于直流无刷电机BLDCM控制,PD型模糊控制器的输出信号作为模糊PID控制器积分环节的输入信号,利用模糊PID控制器能够自适应地调节PID控制参数的性能,实现对BLDCM控制系统运行控制。仿真实验结果表明,与一般PID控制器相比,模糊PID控制器控制下的BLDCM电磁转矩输出脉动幅值较小,转矩信号变化稳定,系统输出电流波动频率降低。     

Machining force control with intelligent compensation

Force control is an effective means of improving the quality and efficiency of machining operations, so various approaches for force control have been proposed. However, due to the nonlinear, time-varying and uncertain characteristics of machining processes, it is difficult to develop force control systems that are stable and robust over the full range of operating conditions. This study proposed two control schemes to address such difficulties in the field of nonlinear force control by using a linear feedback proportional-derivate (PD) controller respectively with two different nonlinear intelligent compensators: fuzzy logic compensator (FLC) and neural network compensator (NNC). The PD controller is used to improve the transient response while maintaining the stability of the process system, and the FLC or NNC is employed to eliminate the steady-state error and compensate for the system nonlinearity (or uncertainty). The applications of the proposed schemes in machining processes show that the controllers adapt well to nonlinearity under time-varying cutting conditions in comparison to PID, PD, and FLC. The online updating of the NNC parameters through the Feedback-Error Learning can further improve the system performance.