基于模糊神经网络PID的永磁同步直线电机控制算法研究

针对永磁同步直线电机(PMLSM)系统模型参数的时变性、非线性以及负载扰动等问题,在建立永磁同步直线电机的动态数学模型的基础上,结合传统PID算法和具有强自适应能力、强抗干扰能力的模糊神经网络智能算法的优点,提出一种基于模糊神经网络PID的永磁同步直线电机控制算法。运动控制系统仿真实验结果表明:系统经模糊神经网络PID控制静态误差为零、干扰影响小,过渡过程时间缩短近50%,相对于传统PID控制和模糊PID控制具有更高的控制精度、更好的动态特性和静态特性。     

一种基于模糊神经网络的PID控制器

利用神经网络自学习自适应能力和快速计算能力,提出一种基于模糊神经网络的PID智能控制器．该系统将模糊技术、神经网络与PID控制结合起来,实现了PID控制的自适应和智能化．通过仿真实验表明,该控制方案与传统PID控制系统相比,无论是超调量还是稳定时间,效果都要好得多．     

模糊神经网络在夹送辊同步控制中的应用

针对滚切式双边剪在钢板剪切过程中的跑偏问题以及夹送辊在输送钢板过程中不同步所造成的钢板跑偏现象,研究了基于模糊神经网络的模型参考自适应控制算法及其在中厚板生产线上双边剪夹送辊传动系统中的应用.利用模糊神经网络的自学习能力整定PID控制器参数,以实现有效的非线性控制.基于此方法进行夹送辊同步控制,以防止钢板跑偏.通过仿真实验,证明了该算法的有效性,说明了模糊神经网络的模型参考自适应控制器在系统参数时变时的控制效果优于传统的PID调节器.     

灵巧手指力回路自适应神经网络模糊PID控制

在多指灵巧手位置控制的基础上 ,提出一种在力控制回路采用基于模糊规则的自适应神经网络 PID控制的方法 ,将神经网络、模糊规则和 PID控制相结合 ,以 Fuzzy控制粗调 ,ANN控制为细调 ,改善了常规 PID控制中参数线性组合的缺点 ,有利于提高系统对灵巧手指与外界工作环境接触时 ,接触力控制的自适应能力和对外部干扰的抗干扰能力。最后 ,通过仿真实验验证了提出方法的有效性     

模糊神经网络PID算法在输油泵系统中的控制研究

针对输油泵在复杂地形中,由外界的温度、湿度、原油特性等不良因素导致的漂离问题,本文研究与设计了模糊神经网络PID控制算法来对输油泵控制系统进行控制,结合常规PID控制,模糊控制,神经网络控制的优点,分析了输油泵控制系统的组成结构,设计了模糊神经网络PID控制算法的模型结构和实现过程。仿真实验结果表明,文中算法相比较常规PID控制算法,超调量减少约20%左右,相较于模糊PID超调量减少了约9%,达到稳定状态所需的控制时间也远低于常规PID和模糊PID,并且文中算法具有较好的自适应能力和抗干扰能力。     

基于模糊自适应PID控制的SRD研究

分析开关磁阻电动机驱动系统(SRD)的结构与总体控制方案;分析开关磁阻电动机非线性数学模型;分析模糊自适应PID控制的原理。在Matlab/Simulink中建立基于模糊自适应PID控制的SRD动态仿真模型,仿真结果证明:基于模糊自适应PID控制的SRD能明显减小转速超调和转矩脉动,提高系统鲁棒性,得到更好的动态性能。     

圆柱零件加工用直线电机模糊自适应PID控制及建模

旨在提高直线电机传统PID控制方法在运行中的动静态特性、稳定性,基于模糊自适应PID控制方法,提出了直线电机模糊自适应PID控制模型.采用Mamdani推理法和加权平均法,完成了模糊自适应PID控制规则的建立.应用Simulink软件建立了直线电机模糊自适应PID控制整体模型,并对该模型进行了仿真.仿真结果表明:模糊自适应PID控制的速度响应超调量较传统PID控制小,显著优于传统PID控制;在加入扰动后,模糊自适应PID控制模型的波动范围为0.9~1.1m·s-1;直线电机模糊自适应PID控制具有运行过程平稳,适应性强,良好的动、静态特性等优点.     

灵巧手指力回路自适应神经网络模糊PID控制

在多指灵巧手位置控制的基础上，提出一种在力控制回路采用基于模糊规则的自适应神经网络PID控制的方法，将神经网络、模糊规则和PID控制相结合，以Fuzzy控制粗调，ANN控制为细调，改善了常规PID控制中参数线性组合的缺点，有利于提高系统对灵巧手指与外界工作环境接触时，接触力控制的自适应能力和对外部干扰的抗干扰能力。最后，通过仿真实验验证了提出方法的有效性。     

基于性能协调的溶解氧复合控制方法

针对常规比例积分微分(proportion-integral-derivative,PID)控制存在精度不高,在线自适应差的缺点,提出了一种在线PID-TS模糊神经网络复合控制方法.该方法利用TS模糊神经网络的自学习能力提高溶解氧的控制精度,并通过构造的性能协调因子在线调整两者权重.将提出的控制方法应用于国际基准仿真平台.结果表明:所提方法能有效控制污水中的溶解氧参数,与常规PID和BP(back-propagation)神经网络控制器相比,该方法具有更优的动态性能.     

基于BP神经网络PID参数整定的空燃比控制策略研究

采用BP神经网络实现在过渡工况下发动机空燃比的PID控制系统的参数整定,建立了发动机燃烧及燃油供给系AMESim仿真模型,利用MATLAB／Simulink设计了改进空燃比BP神经网络PID控制仿真模型,在AMESim环境下进行了动态仿真．仿真试验表明：基于BP神经网络PID参数整定的空燃比控制策略具有良好的自适应性能,与经典PID控制相比,改善了过渡工况下燃油的供给,实现了空燃比的精确控制．     

神经网络自适应模糊IDSS系统研究

提出了采用神经网线络与模糊控制相结合的方法来设计自适应ＩＤＳＳ。阐述了神经网络控制器的设计原则及其算法，给出了神经网络自适应ＩＤＳＳ的总体设计和系统结构。     

模糊神经网络的临床路径优化决策研究

针对医疗信息的复杂性及模糊不确定性,对信息化医疗数据进行综合分析,采用模糊C均值算法进行迭代运算,获得最终模糊聚类结果。在此基础上建立模糊神经网络T—S模型对聚类结果进行训练,达到自适应学习的目的。采用Matlab进行模拟仿真,实验结果表明该模型具有较强的泛化性、自适应学习能力,实际输出与预测输出误差较小,能持续优化临床路径,并快速为患者选择最优治疗方案。     

基于模糊神经元网络的阀控马达系统仿真

提出了一种基于模糊神经元网络的阀控马达控制方案.在系统中，将模糊控制技术与神经元网络技术相结合，构建了模糊神经元网络控制器.该控制器结合模糊控制与神经元网络各自的优点，既具有模糊控制器简单和有效的非线性控制作用，又具有神经元网络自学习和自适应能力,改善了控制系统的性能.     

汽车半主动悬架神经模糊融合网络控制

针对汽车半主动悬架模糊控制器的模糊控制规则无法有效调整的问题,建立了两自由度1/4车辆模型.利用白噪声模拟路面激励并作为系统的输入,将人工神经网络与模糊逻辑控制相融合,采用人工神经网络模拟模糊控制过程,实现了模糊规则的自适应调整.将直接控制力作为参考控制力对神经网络进行训练,输出控制力结合开关控制策略实现悬架的半主动控制.仿真分析表明,神经模糊融合网络控制器相对于模糊控制器和被动悬架,使悬架性能得到了显著的改善.     

轴类零件外圆纵向磨削尺寸智能预测和控制系统

针对纵向磨削非线性和非静态的特点,建立了轴类零件纵向磨削的E lman动态神经网络尺寸预测模型。为了提高尺寸预测的准确性,将实际磨削尺寸的一阶导数和二阶导数做为网络的输入。采用论域自调整策略和模糊控制理论建立了纵向磨削的控制模型,选择工件的转速vw作为控制变量。仿真和实验结果表明所建立的神经网络尺寸预测模型和模糊自适应控制模型是正确的。     

神经模糊控制在热工过程中的应用研究

由于热工过程的非线性以及模型的不确定性，神经网络则可以逼近任一非线性的函数，模糊系统可以模拟一个不能用精确数字模型的过程。提出了采用适应性子集的神经模糊控制器，通过模糊适应性子集的相似性准则来进行网络的学习，可以来确定网络结构。该神经模糊控制器对非线性过程有广阔的应用前景。     

一种基于模糊神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络,并将其应用于两关节机械手轨迹跟踪控制。该网络采用三角形隶属度函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理。这种模糊神经网络能够在线调节输出隶属度函数中心以及关节间耦合权值,使得控制器具有更好的学习与自适应能力。仿真结果表明,这种网络能很好的用于机器人的轨迹跟踪控制中,是一种行之有效的控制方法。     

一种新型的模糊神经网络自适应控制系统

结合神经网络控制和模糊控制的各自特点,提出了一种新的基于神经网络的模糊自适应控制算法,并给出了该算法的仿真与分析结果.利用该算法实现了基于模糊神经网络的智能控制系统的建立.     

Adaptive fuzzy classifier with a fixed number of fuzzy rules

The adaptive fuzzy system has many advantages over the neural network. It can be used to design a fuzzy classifier. However, there is the “Dimension Calamity” with the number of inputs increasing in the adaptive fuzzy system. In this paper, an adaptive fuzzy classifier with a fixed number of fuzzy rules is proposed. This classifier is combined by several fuzzy reasoning machines so that one fuzzy reasoning machine recognizes only one class. Every fuzzy reasoning machine includes two “If-Then” fuzzy rules. The total fuzzy rules number of the classifier is confirmed by the number of classes of the patterns being classified. The classifier uses the “Error Back-Propagation Training” arithmetic as the learning arithmetic. Compared with the BP neural network classifier, the new classifier and BP neural network classifier are both tested by the famous iris dataset and Ripley's synthetic dataset. It is proved that the new classifier has a good classification ability and learning ability even if the data have been polluted.     

A fuzzy neural network evolved by particle swarm optimization

A cooperative system of a fuzzy logic model and a fuzzy neural network(CSFLMFNN)is proposed,in which a fuzzy logic model is acquired from domain experts and a fuzzy neural network is generated and prewired according to the model.Then PSO-CSFLMFNN is constructed by introducing particle swarm optimization(PSO)into the cooperative system instead of the commonly used evolutionary algorithms to evolve the prewired fuzzy neural network.The evolutionary fuzzy neural network implements accuracy fuzzy inference without rule matching.PSO-CSFLMFNN is applied to the intelligent fault diagnosis for a petrochemical engineering equipment,in which the cooperative system is proved to be effective.It is shown by the applied results that the performance of the evolutionary fuzzy neural network outperforms remarkably that of the one evolved by genetic algorithm in the convergence rate and the generalization precision.