多变量耦合系统PID神经网络控制方法研究

多变量系统内部的耦合性以及对象参数的复杂性,给控制系统的设计带来了一系列的问题。传统控制方法无法对其进行精确解耦,导致系统控制精度较低。本文构建一种基于遗传算法优化的PID神经网络解耦控制器。该方法利用PID优良的动态控制特性和神经元网络非线性表达能力对多变量耦合系统进行解耦,在神经网络权值修正算法中增加动量项,提高网络学习效率,并采用遗传算法优化初始权值,克服了PID神经网络权值学习过程中易陷入局部最优值的缺点,提高了控制精度。仿真结果表明:优化后的PID神经网络具有较高的稳态精度和较快的响应速度,能够实现解耦控制。     

基于改进粒子群算法的神经网络PID控制研究

BP神经网络PID控制是利用BP神经网络的自学习和逼近任意非线性函数功能,对PID控制器的三个参数进行在线整定,但网络初始权值的选取困难.采用改进的PSO算法优化BP神经网络的初始权值,并对基于PAO算法的BP神经网络PID控制进行仿真实验.仿真结果表明,PSO算法使得网络初始权值的选取比较快速,系统的性能有所提高.     

基于粒子群优化的神经网络自适应控制算法

针对一些非线性场合或者控制对象可变的条件下,传统PID控制达不到要求且需要靠经验不断地调整PID参数的情况,提出了一种基于粒子群优化(particle swarm optimization,PSO)的神经网络自适应控制算法。该算法结合传统PID控制、BP神经网络和PSO全局优化算法,用PSO算法优化BP神经网络的初始权值,然后用优化后的BP神经网络在线调整PID参数。优化过程中引入了变异操作,并考虑激活函数增益及隐含层数的选择对PSO算法和BP神经网络的综合影响。该算法克服了神经网络容易陷入局部极小值以及收敛速度慢的缺陷,仿真结果表明,该算法在精确性和实时性上有很大的改进。     

遗传算法和小波神经网络PID在电机控制系统中的应用

提出了一种基于遗传算法和小波神经网络的PID参数整定方法.首先,利用具有自然进化的遗传算法对小波神经网络的初始权值进行优化训练,解决了控制器网络初始权系数对控制效果产生的影响;其次,利用小波神经网络对PID参数进行在线调节;最后,将此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控制器可以极大地提高寻优速度,鲁棒性强,改善了电机控制系统的动态性能和稳定性.     

一种基于改进的粒子群优化算法的神经网络PID控制器

针对多输入多输出(MIMO)复杂过程控制中控制性能偏慢等问题,对神经网络PID控制器以及PID控制理论物理机制之间的相互作用进行了研究。对神经元PID控制器隐层和输出层之间的初始权值进行了归纳,提出了一种粒子群优化算法,提高了PSO算法的收缩因子以保证优化的收敛性,并进行了Matlab仿真。研究结果表明,所提出的神经网络PID控制器的改进粒子群算法优化,在高耦合效应的复杂MIMO对象中具有良好的精度以及快速响应的特性。     

基于BP神经网络的多变量PID解耦控制

基于神经网络实现智能PID控制的策略,它以经典的PID控制为基础,通过神经网络参数整定实现,进而进行自学,用于多变量系统的解耦控制。本文给出了网络的结构和算法,对一组二变量强耦合时变系统进行了仿真。通过计算机仿真证明了基于神经网络的PID控制器网络结构简单规范具有良好的自学习和自适应解耦控制能力。系统易于实现,融解耦器与控制器于一体,适用于非线性多变量系统的解耦控制。能够使解耦后的系统具有良好的动态和静态性能,特别是依据BP控制规律来确定网络连接权的初值,还具有参数快速收敛的优点。     

基于粒子群优化PIDNN的温室温湿度解耦控制仿真

针对温室系统的温湿度解耦控制,提出了利用粒子群算法来优化PID神经元网络权值的控制方法。仿真结果表明优化后的PIDNN解耦控制器调节时间短,超调量小,增强了控制系统的鲁棒性,为多变量强耦合系统的解耦控制提供了一种有效的方法。     

伺服电机驱动的液压动力系统及其神经网络自适应优化控制

针对传统液压系统存在的高能耗、低响应特点,采用节能型液压动力源-永磁伺服电机直接驱动定量泵,以取代原有的异步电机驱动液压动力源,从而形成一种新型的节能、响应快速、易实现闭环控制的液压动力系统。由于实际液压系统随机干扰严重,具有多变量、非线性、强耦合的特征,难以建立较准确的数学模型,常规的PID控制算法很难满足液压系统高精度控制的要求,因此提出基于PSO与BP混合优化前向神经网络 PID自适应控制方法,实现液压系统在典型工况下流量的精确控制。PID控制器的参数采用神经网络进行自适应整定,神经网络的权值采用混合优化算法进行调整,通过神经网络的自学习能力寻找最佳的P、I、D非线性组合控制律,以增强液压系统对工况变化的适应能力。仿真和实验结果表明,该控制方法跟踪速度快、超调小、鲁棒性强,从而为液压系统流量高精度控制提供了一种新方法。     

GA-BP算法在船舶主机故障诊断中的应用

针对船舶主机故障具有诊断对象多、多因素耦合造成诊断准确率低等问题,提出了用遗传算法优化BP神经网络的故障诊断方法,利用GA算法对BP神经网络的初始权值、阈值在较大范围内搜索寻值,同时采用反向传播算法在较小范围内进行微调,优化网络结构和参数,加快目标最优值的求解,最后结合一般BP神经网络方法进行分析比较。实验结果表明,优化初始权值和阈值后的测试样本的误差由0.996 43减少到0.097 333,训练样本的误差由1.464 1减少到0.080 657;经GA优化后的BP神经网络模型对主机故障类型的诊断的准确率为100%,实现对船舶故障诊断的高效判别。     

基于神经网络PID的船用电压型逆变电源研究

针对传统PID控制存在着参数整定难、动态性能差等问题,无法满足现代船用三相逆变电源的新要求,从常用的电压型逆变电源入手,选定了三相半桥拓扑。通过坐标变换,将其转换到两相旋转坐标轴下分析问题,利用SVPWM算法对其进行了控制。提出了一种神经网络与PID控制相结合的方法,利用BP神经网络控制灵活、适合时变的或非线性的控制对象等特点,配合简单精确的PID控制,使得两者很好地发挥了各自的优势。同时,对改进型PSO算法对BP神经网络的初始权值进行了优化,并最终通过实验来进行验证。研究结果表明:应用PSO优化BP神经网络PID控制的三相逆变电源有很好的效果,电压总谐波控制在一定指标之内,并且在突加突卸实验时表现出更优异的动态特性,超调更小,响应更快。