模糊神经网络PID控制器在VEHSLS中的应用

该文设计了模糊BP神经网络PID控制器,用于提高VEHSLS控制精度和响应速度。该控制器把模糊逻辑、BP神经网络和PID控制的优点相结合,充分利用了模糊逻辑的抽象能力、神经网络的自学习功能和HD控制算法简单的特点,使系统可以通过模糊神经网络在线调整PID控制器的参数,进而提高了VEHSLS控制精度和系统的稳定性。     

基于模糊神经网络PID的线切割张力控制系统的分析

分析了张力系统与模糊PID控制之间的关系,及控制系统对线切割机床加工精度和效率的影响。往复走丝线切割张力控制包含复杂的非线性问题,而模糊PID控制器在处理非线性问题方面有很大优越性。用神经网络建立模糊控制规则表,调整PID参数,使模糊PID对张力控制效果达到更好。利用神经网络和模糊PID结合的方法,分析神经网络模糊PID实现的控制,证明模糊神经网络PID控制系统具有较好的鲁棒性和优越性。     

静变电源的优化模糊神经网络PID控制研究

为提高静变电源输出电压的质量,采用了优化模糊神经网络PID控制器代替模糊PID控制,所采用的优化模糊神经网络充分融合了模糊逻辑和神经网络两者的优点,使推理速度加快,并通过在系统运行时神经网络不断地增加和完善模糊控制规则,单神经元通过自学习调整控制因子,提高了系统控制的精度.将该方法和PID稳态控制性能的优势相结合,实时地对系统控制量进行调整.在MATLAB/SIMULINK环境下,对于优化模糊神经网路PID和模糊PID在静变电源控制中的应用分别进行了仿真.仿真分析结果表明,经过BP神经网络和单神经元网络学习后,控制器具有良好的控制性能和自适应能力,很好地满足了系统的鲁棒性、快速性的要求.     

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.     

基于动态惯性权重的电子节气门改进PSO-BP优化控制

针对汽车电子节气门系统存在的动态迟滞非线性问题,提出一种模糊神经网络PID控制器的设计方法。该控制器将动态调整惯性权重的粒子群优化算法和BP算法结合来优化模糊神经网络参数,修正模糊神经网络在寻优过程中收敛缓慢、易陷入局部最小值的不足。利用模糊神经网络的自学习能力,对PID控制器参数进行整定。仿真结果表明,经过优化后的模糊神经网络PID控制器相比于模糊PID控制器在响应时间、超调量和振荡次数等方面都有显着提升。在模拟气流扰动工况施加扰动信号后,该控制器表现出良好的抗干扰性能。在电子节气门响应试验中,节气门响应曲线存在轻微超调,但稳态误差较小,表明该控制方法下电子节气门具有良好的动态响应特性。     

基于模糊神经网络的精密角度定位PID控制

针对精密角度定位系统存在非线性、时变性,传统PID控制难以获得理想控制效果的问题,提出一种基于模糊神经网络的PID控制方法,将模糊控制、神经网络与PID控制相结合,采用3层前向网络、动态BP算法,利用神经网络的自学习和自适应能力,实时调整网络的权值,改变PID控制器的控制参数,整定出一组适用于控制对象的kp、ki、kd参数,实现精密角度定位PID控制的自适应和智能化。实验结果表明,采用BP神经网络整定的PID控制较传统的PID控制,控制性能有较大的提高,能有效提高定位精度,缩短定位时间。     

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。     

基于改进型模糊神经网络PID阀位控制研究

针对调节阀控制系统在实际生产中存在的大滞后、非线性等问题,提出一种改进粒子群算法优化的模糊神经网络比例积分微分(PID)控制模型用于阀位控制,该模型利用模糊神经网络的自学习能力,实现对PID控制参数的实时在线整定,并且通过将改进粒子群算法与BP算法相结合的方式,实现对模糊神经网络参数的粗调和细调,克服了模糊神经网络收敛...     

基于BP神经PID的干粉砂浆搅拌储罐控制系统

本文针对干粉砂浆搅拌储罐湿度自动控制系统的时滞性,复杂的非线性特性,难以建立精确的数学模型;对象和环境的不确定性,常规PID控制方法很难对其进行有效控制的问题,而且在实际应用中其参数整定问题一直是尚未很好解决的难点。为了建立有效的系统模型并解决控制参数整定问题,改善系统性能,将BP神经网络算法应用到干粉砂浆搅拌储罐湿度自动控制系统的系统在线辨识器(NNI)和自适应PID控制器(NNC)中,由NNI对被控对象进行在线辨识的基础上,通过对NNC的权系进行实时调整,实现PID神经网络的自学习和逼近任意函数的功能,在控制过程中根据变化实时调整PID的三个控制参数,从而进行PID控制参数的在线整定。     

低压铸造机液面加压控制技术研究

针对低压铸造机液面加压系统参数整定困难、压力控制精度不佳的问题,对液面加压系统的组成、工艺以及机理等进行了研究。提出了模糊神经网络在线整定PID参数的方法,设计了2输入、3输出的模糊神经网络;分析了BP学习算法的缺点,改进了模糊神经网络训练方法,使用果蝇算法作为外层循环,BP算法作为内层循环训练模糊神经网络;选择合适的目标函数对模糊神经网络进行了训练,在Matlab中对传统PID、模糊PID和FNN-PID的控制效果进行了仿真分析。研究结果表明:和传统PID控制相比,使用FNN-PID控制器的液面压力最大误差减小了35.6%,平均误差减小了21.6%,有效提高了液面压力的控制精度。     

一种基于BP神经网络的模糊PID控制算法研究

提出了一种基于神经网络自学习和并行处理的能力。利用模糊控制对未知模型不精确控制的功能来设计的PID控制算法,仿真实例表明能较好地实现PID控制器参数在线调整和优化。     

基于神经网络PID的轧机AGC力控制

以PID控制器为基础,辅助以神经网络的自学习、自适应能力,将神经网络和PID控制融合为一体,设计出一种神经网络PID控制器,应用于具有高度非线性、时变性的板带轧机AGC力控制系统,仿真结果表明,能有效改善系统的动态品质,并具有良好的适应能力.     

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.     

基于改进型BP神经网络PID控制器在转台系统中的应用研究

为改善转台系统性能,针对传统的PID控制参数难以获得较理想的控制效果,设计了一种基于改进型BP神经网络的PID控制器。介绍了PID控制器的结构和BP神经网络算法描述,利用最小二乘法和神经网络建立被控对象的预测数学模型,并用该模型所计算的预测输出取代预测输出的实测值,对基于BP网络的PID控制器的权值调整算法进行改进。以某转台模型为对象,建立了转台控制系统的数学模型并对其进行仿真。仿真结果表明,改进型BP神经网络PID控制器具有良好的控制效果,跟踪精度高、性能稳定及鲁棒性强,能更为有效地应用到转台系统中。     

采用炉膛辐射信号的锅炉燃烧系统模糊神经网络预测控制的仿真研究

针对火电厂燃烧过程中主蒸汽压力控制系统的大时滞、大惯性和非线性 ,采用以炉膛辐射信号为中间被调量的串级控制系统 ,并设计一个基于神经网络预测模型的模糊神经网络控制器作为主控制器。该控制器首先将神经网络与预测控制相结合 ,采用递阶遗传算法对神经网络的结构和权值分别进行训练 ,以实现非线性、大时滞系统模型的精确预测 ;然后将模糊控制与神经网络相结合 ,实现模糊神经网络预测控制。考虑到炉内剧烈的湍流燃烧造成炉膛辐射信号包含随机分量 ,又设计了一个附加判断器的二自由度 PID控制器作为副控制器。仿真结果表明 ,该方案显著提高了非线性、大时滞燃烧系统的控制品质 ,且易于工程实现     

PID neural network control of a membrane structure inflation system

Because it is difficult for the traditional PID algorithm for nonlinear time-variant control objects to obtain satisfactory control results, this paper studies a neuron PID controller. The neuron PID controller makes use of neuron self-learning ability, complies with certain optimum indicators, and automatically adjusts the parameters of the PID controller and makes them adapt to changes in the controlled object and the input reference signals. The PID controller is used to control a nonlinear time-variant membrane structure inflation system. Results show that the neural network PID controller can adapt to the changes in system structure parameters and fast track the changes in the input signal with high control precision.     

基于改进遗传算法的模糊RBF神经网络控制在液压伺服系统中的应用研究

针对电液伺服系统普遍存在非线性、时变性和不确定性的情况,提出一种基于改进遗传算法的模糊RBF神经网络控制方法。该方法采用模糊RBF神经网络控制实现对液压伺服系统的自适应模糊控制,并将GA的全局寻优及BP局部寻优相结合,克服了单独应用GA算法或BP算法调节模糊RBF神经网络控制器参数存在的缺陷。仿真结果表明,该方法具有很强的自适应性和鲁棒性。     

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.