基于PID神经网络的非线性动态系统控制

基于PID神经网络的控制器可以完成变量的单输入-单输出非线性系统的任务.该控制器采用BP(误差反向传播)算法来修正连接权重值,通过在线训练和学习,使目标函数到达最优值.充分利用了BP神经网络算法逼近任意连续有界非线性函数的能力,显示了神经网络在解决非线性系统方面的潜能.为了达到控制的目的,和其他非线性建模技术相比较,PID神经网络有几个明确的优点和它独特的用法相一致.仿真结果表明,在对非线性动态系统控制时,基于PID神经网络的控制系统具有很强的灵活和高效性,能取得良好的控制效果.     

一种用于伺服系统的改进中量BP神经网络/PID控制算法

从伺服系统所面临的问题出发,分析了神经网络和经典PID控制算法在系统参数不易确定和非线性因素不易描述的伺服系统中的优势和不足,提出了一种适用于伺服系统的算法--改进中量BP神经网络/PID控制法.实验仿真结果表明本算法对伺服系统的控制问题显示出了较好的适应性、鲁棒性和快速性.     

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.     

火电厂锅炉主汽温控制策略的比较研究

锅炉的主汽温被控对象是一个大惯性、大迟延、非线性且对象变化的系统,常用的汽温控制系统有串级PID控制和基于BP神经网络的PID控制。串级PID控制一般能将主汽温控制在允许的范围内;基于BP神经网络的PID控制将神经网络所具有的自学习能力与PID控制器的鲁棒性相结合,能实现对非线性、大时滞系统模型的控制。对这两种策略在不同负荷下进行了实验仿真,该结果对当前电厂的经济性和安全性有一定参考价值。     

基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。     

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。     

基于合作粒子群算法的PID神经网络非线性控制系统

PID神经元网络 (PIDNN)模型为一种新型的神经网络模型,兼有PID与神经网络的共同优点,应用于复杂的控制系统.取得优良控制性能,但其后向传播算法 (BP)限制了该模型的应用范围.为实现对非线性多变量系统的有效控制,扩展神经网络的应有范围,本文采用PIDNN神经网络设计了多变量PIDNN神经网络 (MPIDNN)控制器,并用本文作者提出的合作粒子群算法 (CPSO)取代了传统BP后向传播算法,通过比较MPIDNN_CPSO、MPIDNNCRPSO、MPIDNN_PSO和MPIDNN_BP4种控制器的控制性能,仿真结果表明,基于CPSO算法的MPIDNN控制器实现了对非线性多变量不对称系统的有效控制.与传统的BP算法相比,CPSO算法提高了控制系统的稳定性、精确性与鲁棒性.     

基于BP神经网络PID算法的风力摆控制系统的设计

随着智能控制技术的发展,将神经网络技术与传统PID控制技术相结合,并应用到控制系统中去已成为一种趋势。在对风力摆控制系统进行需求分析的基础上,针对其具有非线性和参数不确定等特点,提出了基于BP神经网络PID算法的风力摆控制系统的设计方案,将BP神经网络应用到传统PID控制中,设计出了系统的软硬件结构,实现了有效控制风力摆按指定角度画线、指定时间恢复静止和画圆的功能。研究结果表明：采用BP神经网络PID算法的控制系统具有更强的稳定性和控制精度。     

基于BP神经网络的汽包建模及其控制器设计

针对锅炉汽包系统的强耦合性和非线性及传统的PID控制方法存在控制精度低、调节时间长等问题,提出了利用基于数据的建模方法,对汽包系统进行误差反向传播(BP)神经网络建模,并对神经网络模型进行泛化能力测试,然后利用基于BP神经网络的PID控制方法设计汽包液位优化控制器.实验仿真结果表明,基于BP神经网络建立的汽包模型具有较好的泛化能力,神经网络PID优化控制器在控制精度高、收敛速度快和鲁棒性强等方面都优于传统PID控制器.     

神经PID在地源热泵空调系统中的应用

针对地源热泵空调系统被控对象具有大滞后、慢时变、非线性特点及不确定干扰因素多的实际情况,结合常规PID和神经网络的优点,提出了一种基于BP神经网络的PID控制器设计方法,并应用于该空调系统中。仿真结果表明,该方法可以显著改善系统的动态性能和控制精度,实现了PID控制参数的在线动态调整,取得了良好的控制效果。     

深空环境下三星库仑编队重构控制研究

本文研究了深空环境下三星库仑编队构型重构控制问题.首先考虑外界环境干扰作用(主要以太阳光压为主)和德拜效应影响,推导出精确的三星库仑编队动力学方程.针对库仑编队动力学特性和太阳光压对于编队任务控制精度的影响,设计基于BP神经网络的PID控制方法.PID控制结构简单,稳定性好,BP神经网络具有超强的自主学习和非线性逼近干扰能力,二者有机结合,通过BP神经网络输出最优的PID控制参数组合,改变卫星所带电荷从而改变卫星之间库仑力大小,使编队渐近稳定并按期望距离和构型飞行.仿真结果表明基于BP神经网络PID控制性能明显优于传统PID控制,大大提高了编队控制精度和系统对于外界干扰的鲁棒性.     

基于动态递归神经网络的自适应PID控制

提出一种基于动态递归神经网络的自适应PID控制方案,该控制系统由神经网络辨识器和神经网络控制器组成。辨识器采用单隐层的动态递归神经网络,网络结构为2-4-1;辨识算法为动态BP算法;控制器采用两层线性结构的神经网络,输入为系统偏差及其一阶、二阶微分,因此具有增量型PID控制结构。应用该控制系统对一非线性时变系统进行仿真研究,仿真结果表明该控制方案不仅具有良好的跟踪特性,而且对系统参数变化具有较强的鲁棒性。     

基于PID神经元网络的水面舰艇减摇方法

文章研究水面舰艇减摇问题,采用PID神经元网络控制方法.舰艇在大风浪条件下产生剧烈横摇,减摇鳍是目前应用最为广泛的减摇装置之一.鳍角与升力矩的水动力特性主要依靠静态实验获取,实际使用中,鳍控制力矩与鳍角呈复杂非线性关系,使水动力特性存在较大误差.为解决升力系数及航速等反馈中的重要参数不确定性而导致鳍角产生的力矩难以确定...     

自适应神经PID在挤塑机温控系统中的应用

针对塑料挤出机的多段料筒温度控制,以及常规PID控制在非线性的、时变系统中控制效果的局限性,提出了一种基于BP神经网络整定的PID控制方法.给出了计算机控制系统设计及系统软件开发.由于神经网络具有强大的非线性映射能力,自学习、自适应等优势,通过对系统性能的学习来实现具有最佳组合的PID控制,建立比例、积分和微分三种参数自学习的PID控制器.对锥形双螺杆塑料挤出机的温度控制实验结果表明,用该方法整定的PID控制系统,逼近精度高、鲁棒性好.     

挖掘机提升系统神经网络PID控制的研究

建立了280-B挖掘机提升系统的数学模型;针对该系统动态特性的非线性和时变性因素,提出了一种基于BP神经网络的PID控制器的设计方案,该控制器既有经典PID控制算法的特点,又有神经网络良好的自适应和抗干扰能力。Matlab仿真结果表明,基于BP神经网络的PID控制器具有较高的精度和较强的适应性,可以获得满意的控制效果。     

基于BP神经网络的多变量PID解耦控制

基于神经网络的智能PID控制策略，以经典的PID控制理论为基础，并通过具有多变量解耦控制自学习功能的神经网络参数整定来实现。本文给出了网络的结构和算法，示出了一组二元变量强耦合时变系统的实时仿真结果。通过计算机仿真证明，基于神经网络的PID控制具有良好的自学习和自适应解耦控制能力。该系统融解耦器和控制器于一体，易于实现，适用于非线性多变量系统的解耦控制。它使解耦后的系统具有较好的动态和静态性能，特别是当根据BP控制规律确定了网络连接权系数的初值时，还能使系统参数快速收敛。     

基于智能方法的真空退火炉建模与控制

真空退火炉中工件温度的精确控制是一个具有非线性和不确定性的复杂控制问题．为了实现工件温度的精确控制，以现场实际采集的数据为基础，采用小波神经网络建立对象的模型,利用自适应免疫遗传算法对小波神经网络的权值、小波基的个数和伸缩、平移因子等进行优化，提出了一种精确控制真空退火炉工件温度的优化数学模型，仿真与实验研究表明，用此方法建立的模型,其控制效果优于BP神经网络所建立模型的控制；同时，加快了网络训练速度，提高了系统的稳态精度，使系统具有较强的实时性和鲁棒性．     

基于神经网络的鲁棒自适应控制

考虑摩擦及外界干扰的情况下，针对具有不确定性参数的机器人系统，提出一种基于神经网络动态补偿的鲁棒自适应控制策略，采用神经网络在线补偿控制器以克服系统的外部扰动，未建模动力学部分等非参数不定性带来的影响，从而提高了系统的动态性能和稳态精度，并对闭环系统稳定性进行了证明，仿真结果表明，所提方法具有良好的跟踪性能和较强的鲁棒性。