基于蚁群神经网络的工业自动化PID参数优化

针对常规方法无法获得最优PID控制器参数的缺点,提出一种基于蚁群神经网络的PID控制器参数优化方法（ACO-RBFNN）。ACO-RBFNN将PID控制器的3个参数作为RBF神经网络的输入,系统输出为RBF神经网络期望输出,通过蚁群算法对RBF神经网络的参数进行优化,并通过RBF神经网络构造参数自学习的PID控制器,从而实现PID控制器参数在线优化。仿真实验结果表明,基于ACO-RBFNN的PID控制器可以得到令人满意的控制效果,可以应用于工业自动化控制系统的PID控制器参数优化。     

K-聚类的模糊神经网络对DO的控制研究

运用一种基于K-聚类算法的模糊径向基函数（RBF）神经网络对污水处理中的溶解氧质量浓度进行控制,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、RBF神经网络以及K-聚类学习算法相结合以在线调整隶属函数,优化控制规则。通过对阶跃输入仿真分析,其结果表明基于RBF的模糊神经网络控制器具有良好的动态性能、较强的鲁棒性和抗干扰能力,使其快速、准确地达到期望水平。     

PSONN在可编程控制系统PID参数优化中的应用

研究可编程控制系统优化问题,可编程控制系统具有非线性、时变性等特点,传统PID控制器优化方法难以建立精确的数学模型,使得系统参数设定困难,导致可编程控制系统的控制效果不理想。为了解决传统的PID算法所带来的问题,利用RBF神经网络非线性、自学习能力,提出一种基于粒子群神经网络的PID参数优化算法。将粒子群和神经网络相结合,形成了一种智能控制算法,并将应用于可编程控制系统。测试结果表明,粒子群神经网络提高了PID控制参数优化速度,提高了可编程控制系统可靠性和鲁棒性,具有一定的理论和实用价值。     

基于神经网络模糊PID的足球机器人控制算法研究

通过对足球机器人运动学模型进行分析,以足球机器人系统为实验平台,论证了神经网络模糊PID控制技术应用于足球机器人运动控制的可行性。将传统的PID控制与神经网络模糊控制相结合,通过PID算法实现控制的准确性,利用神经网络模糊控制提高控制的快速性与自适应性。针对足球机器人运动控制中的实际问题,着重提出了基于神经网络和模糊控制相结合动态调整PID控制器的三个参数KP,KI,KD的设计方法。实验证明该方法增强了控制器的调节能力和简化了控制器设计,同时本方法对模型和环境具有较好的适应能力和较强的鲁棒性。     

基于RBFNN非线性预测模型的多电机传动系统

多电机传动系统因具有多变量、非线性和强耦合性等特点而难以建立精确数学模型。以两电机传动系统为研究对象,将构成NNC网络的RBF神经网络与常规PID控制相结合,从而实现控制参数自适应调节;用隐藏层节点动态生成的RBF神经网络构成NNI网络建立非线性预测模型,以实现传动系统的参数预测。结合NNC网络和NNI网络设计了一种基于RBF神经网络非线性预测模型的两电机传动系统控制器。实验结果表明该控制器可以实现两电机传动系统中电机转速和张力的解耦控制,动静态性能好。     

基于RBF神经网络PID控制的无线网络时延控制研究

针对不确定时延影响无线网络控制系统的控制性能、常规PID控制策略无法满足网络控制要求的问题,提出了一种基于RBF神经网络PID控制的无线网络时延控制方案。采用Matlab/Simulink的TrueTime工具箱建立了无线网络时延控制系统仿真模型,介绍了模型中网络模块、执行器模块、控制器模块的设计及RBF神经网络整定PID控制器参数的实现原理。仿真结果表明,与常规PID控制策略相比,RBF神经网络PID控制策略能够在一定程度上降低不确定时延对无线网络控制系统的影响,从而提高无线网络控制系统的稳定性。     

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。     

粒子群优化算法在神经网络控制中的应用

考虑粒子群优化算法在不确定系统的自适应控制中的应用。神经网络在不确定系统的自适应控制中起着重要作用。但传统的梯度下降法训练神经网络时收敛速度慢,容易陷入局部极小,且对网络的初始权值等参数极为敏感。为了克服这些缺点,提出了一种基于粒子群算法优化的RBF神经网络整定PID的控制策略。首先,根据粒子群算法的基本原理提出了优化得到RBF神经网络输出权、节点中心和节点基宽参数的初值的算法。其次,再利用梯度下降法对控制器参数进一步调节。将传统的神经网络控制与基于粒子群优化的神经网络控制进行了对比,结果表明,后者有更好逼近精度。以PID控制器参数整定为例,对一类非线性控制系统进行了仿真。仿真结果表明基于粒子群优化的神经网络控制具有较强的鲁棒性和自适应能力。     

带有积分器的可调因子FCA在DCS中的应用研究

研究一种带有积分器的可调因子模糊控制算法并将其应用到实际分散控制系统中.研究模糊控制与常规PID控制的关系,以解决模糊控制参数整定困难的问题,并通过Simulink仿真验证了PID控制器参数整定理论对模糊控制器参数选取的指导意义及模糊控制的强鲁棒性.设计了模糊控制算法在分散控制系统中的具体实现方案.详细论述了高级控制算法嵌入装置的模块添加步骤以及模糊控制模块的增量式算法、跟踪信号及手自动无扰切换的实现方法.最后通过控制实例验证了本方案的可行性及有效性.     

模糊RBF神经网络在锅炉水位控制中的应用

水位控制是工业锅炉控制系统中一个重要的环节,其控制质量的优劣直接影响到锅炉的安全和经济效益。本文将一种基于模糊RBF神经网络的PID控制器应用与工业锅炉水位的控制当中,它结合了传统PID以及神经网络和模糊控制的优点,可以在线调整得到一组最优的PID控制参数。仿真结果表明这种控制器具有较好的适应性,控制效果得到明显改善。     

基于神经网络的PID控制器

提出了一种新型PID控制器,该控制器利用BP网络实现PID参数的在线调整,采用RBF网络对被控对象在线辨识。仿真结果表明该控制器的控制效果优于传统的PID控制算法和模糊自适应PID控制算法。     

基于模糊径向基函数神经网络的PID控制算法仿真研究

在传统的PID控制算法基础上,提出了一种基于模糊RBF神经网络的PID控制算法。该算法将RBF神经网络学习能力强与模糊理论的推理能力强的特点结合起来,在线调整比例、积分、微分三个控制参数,仿真结果表明,该算法的控制品质优于常规PID控制,具有较强的自适应能力和鲁棒性。     

基于改进神经网络的PID整定

针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处,提出一种基于模糊RBF神经网络的PID自适应控制方法。首先用改进的模糊K一均值聚类算法初始化RBF神经网络的隐层节点中心和基函数宽度,再采用梯度法优化RBF神经网络自适应地整定PID的三个参数。仿真结果表明该学习算法的实用性和有效性。     

在线知识获得智能模糊控制器研究

对一些复杂的系统。传统PID或模糊控制很难得到满意控制效果，本文提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来进行控制。由遗传算法在线优化模糊控制器的比例因子、模糊推理规则和隶属函数。并由RBF网络辨识被控对象的动态特性，以评价模糊控制器控制性能。仿真实验表明。优化后的Fuzzy控制器具有较强的学习和自适应控制能力，控制效果优于没有寻优的Fuzzy控制。     

基于模糊神经网络PID控制器的EEC数字化设计

为实现航空发动机模拟式电子控制器(EEC)的数字化设计,以其低压压气机导流叶片调节通道为主要研究对象,提出一种模糊神经网络PID控制器,将模糊控制、神经网络、PID控制相结合,利用模糊控制专家经验优势和神经网络的自学习、自适应能力,优化PID控制参数,实现控制性能提升。仿真结果显示,基于模糊神经网络的PID控制器控制性能有较大提高,具有比常规神经网络PID控制器更小的超调量和更好的抗干扰性;适用于定常系统和非定常系统,具有更好的自适应性与鲁棒性;可应用于航空发动机模拟式电子控制器(EEC)的数字化设计。     

基于RBF神经网络控制的球杆系统位置控制实验研究*

球杆系统是一种典型的高阶非线性不稳定系统,针对PID跟踪控制精度不高及BP神经网络控制训练时间较长的问题,本文提出一种带有低通滤波器的RBF神经网络控制器(RBFC)动态补偿PID控制的球杆控制方法,控制系统由RBF神经网络控制及PID控制器组成。为提高参数辨识速度和避免局部最小值,采用梯度下降法更新隐含层参数,采用带有遗忘因子的最小二乘法更新输出层权值。实验结果表明,该控制方案相比PID控制具有更高的控制精度,比BP神经网络具有更快的学习速度,低通滤波器保证了RBFC的辨识精度和稳定的控制输出,具有良好的动静态特性和控制性能。     

基于神经网络的模糊自适应PID控制方法

提出一种基于BP神经网络的模糊自适应PID控制器。该控制器综合模糊控制、神经网络与PID调节各自的优点，既具有模糊控制的简单和有效的非线性控制作用，又具有神经网络的学习和适应能力，同时具备PID控制的广泛适应性，仿真实验表明该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。     

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。     

改进Smith控制与RBF单神经元PID的换热器控制系统

为了高效控制工质出口温度,维持换热器稳定运行,针对Smith预估控制算法及径向基函数(RBF)神经网络辨识单神经元比例-积分-微分(PID)控制算法特点,提出了Smith控制算法和RBF神经网络辨识单神经元PID相结合的控制策略,对Smith控制算法在结构上进行了改进,以提高RBF神经网络辨识单神经元PID控制的抗干扰能力,减少Smith控制算法对模型的依赖程度.仿真分析表明:应用于换热器工质出口温度控制系统,改进算法控制性能显著优于其它控制方法,抗干扰能力得到了大幅提高.