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,进而进行自学习,用于多变量系统的解耦控制.论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.     

基于动态径向基函数神经网络的多变量解耦控制

为提高工业控制领域中多变量、非线性、强耦合系统的解耦能力和动态特性，基于聚类结合算法和神经网络原理，提出了一种改进的基于动态径向基函数（RBF）神经网络的多变量解耦控制方法.采用聚类结合算法优化动态RBF神经网络，更好地描述了控制对象的动态行为，获得了PID参数在线调整信息，实现了多变量非线性系统的解耦控制.仿真结果表明，与基于常规RBF神经网络的PID控制方法相比，该方法具有更高的控制精度、更快的系统响应以及更好的适应性和鲁棒性，是解决多变量、非线性和强耦合问题的一种简便、有效的控制算法.     

基于BP神经网络整定的PID温度控制

展示了一种基于BP神经网络的PID控制器,利用神经网络的自学习特性,将神经网络与PID控制方法相结合,采用3层前向网络,动态BP算法,实现对温度控制系统的在线智能控制,显示了BP神经网络PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的能力．仿真结果表明,此种PID在温度控制中能够取得较满意的效果．     

基于BP-RBF神经网络的永磁无刷电机控制研究

针对常规PID对永磁无刷电机这类非线性系统控制时参数难以整定、适应性差的问题,提出一种基于径向基函数神经网络在线识别与BP神经网络自适应控制相结合的控制方法,即BP-RBF神经网络自适应控制。该方法构造一个RBF网络对系统进行在线辨识,并把辨识信息传入BP网络,通过BP网络实时调节PID系数,从而完成对电机转速的自适应控制。基于Simulink仿真平台,分别将BP、BP-RBF和传统PID算法应用到永磁无刷电机的调速系统中,并对控制效果进行了仿真验证。结果表明,BP-RBF控制方法具有上升时间短、鲁棒性强、转速波动小的优点。     

基于CMAC和PID的非线性耦合系统解耦控制研究

为了实现多变量非线性耦合系统的解耦控制,提出了一种基于CMAC与PID的复杂关联自适应解耦控制策略,并给出了详细算法。该控制策略采用PID控制器和CMAC控制器共同构成一个复合控制器,多个复合控制器通过多输入多输出线性神经网络,实施对复杂非线性耦合对象的控制作用。由于神经网络的自适应特性,可使得耦合系统逼近参考模型,实现解耦控制。仿真结果表明,该控制策略实现了耦合系统的解耦控制,并且具有较强的抗干扰能力和鲁棒性。因此采用此控制策略能够实现多变量非线性耦合系统的解耦控制。     

DRNN神经网络的电加热炉解耦控制

基于DRNN神经网络参数自学习的PID原理对电加热炉进行解耦控制。给出了网络的结构和算法,分析了时变对象的特点,并对电加热炉时变系统进行了仿真。仿真结果表明:DRNN神经网络对多变量强耦合时变对象具有良好的解耦性能和自学习控制特性。     

基于BP神经网络的改进增量式PID暖通控制器设计

为了克服传统PID控制在暖通空调系统应用中超调量大、控制精度低的缺陷,提出了一种基于BP神经网络的PID控制器设计方法.利用BP神经网络具有很强的学习能力、任意逼近非线性能力、自适应性和鲁棒性等特点,将BP神经网络与PID控制结合,实现了PID的3个控制参数的在线自整定.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,避免了由于系统模型和结构参数变化导致的控制效果不稳定.     

DLF神经网络在多变量非线性系统中的设计与应用

为了克服PID控制器和一般神经网络的缺点,探讨了基于DLF神经网络控制器在多变量非线性系统的应用,并与传统的PID控制器和一般神经网络的控制效果进行了比较.结果表明,DLF神经网络控制器对多变量非线性系统具有训练速度快和较强的解耦能力.     

基于粒子群优化的神经网络PID控制器在供热系统的研究

集中供热系统是一个具有时滞性、非线性、大惯性等特点的复杂控制系统,传统PID控制无法达到令人满意的效果,还造成一定的资源浪费。BP神经网络PID控制器尽管在一定程度上改善了PID控制器的性能,但是BP神经网络自身仍有一些缺陷。为了能够提高供热系统的稳定性,进而实现合理用热,采用粒子群算法(PSO)优化BP神经网络PID控制器的权值。设计PSO-BP-PID控制器后,借助MATLAB仿真平台,获得传统PID控制、BP-PID控制以及PSO-BP-PID控制的仿真系统响应曲线图,根据曲线对比得出系统性能的改进情况。     

基于BP神经网络的PID控制参数整定

针对传统PID控制器的缺陷，本文提出了一种基于BP算法的PID控制器，利用BP算法局部计算简单、非线性映射能力强的特点，实现对PID控制器参数的寻优整定，并利用MATLAB软件对系统进行仿真。仿真结果表明此方法对PID控制器的参数有很好的控制效果。     

计及供热的发电机组AGC优化控制研究

为解决供热抽汽改造导致的发电机组热电耦合及非线性问题,提高系统自动发电控制(AGC)跟随能力,提出了用于解耦控制的前馈补偿解耦算法,并对解耦后的电功率控制回路设计了基于模糊算法的模糊比例-积分-微分(PID)控制器。仿真结果表明,利用前馈解耦算法与模糊算法相结合的方案有较好的解耦效果,并能有效优化AGC跟踪能力,提高系统控制性能。     

基于模糊PID解耦的球磨机控制系统仿真研究

提出了一种基于模糊PID解耦的球磨机控制系统.在该种控制系统中,先采用两个模糊PID进行动态解耦,再用两个PID控制器对解耦后的对象进行闭环控制.Matlab语言仿真表明,该解耦控制系统具有良好的解耦性能、控制特性和鲁棒适应性.     

球磨机单神经元自适应PID解耦控制系统仿真

针对球磨机制粉系统的多变量、强耦合、非线性和时变性等特点,提出了球磨机自适应神经元PID解耦的控制方法.将静态解耦逆矩阵与球磨机对象串接,以解除球磨机多变量之间的耦合,再采用两个单神经元自适应PID控制器对解耦后的两变量对象进行闭环控制.仿真结果表明,该控制法相比常规的PID解耦控制法有更好的控制品质,跟踪快、鲁棒性强、解耦好,可较好地解决球磨机系统的时变性、耦合性等问题.     

多变量解耦双自由度PID控制系统设计

为了解决多变量时滞过程解耦器结构复杂且不能解析设计、控制器不易兼顾控制性能和鲁棒性的问题,提出一种新的解耦双自由度PID控制系统设计方法.针对时滞过程改进了Cai所提出的正则化解耦方法:从能量功率谱的角度重新解释并构造结构简单的解耦矩阵;将系统解耦成单回路后,采用双自由度PID结构设计各回路控制器.典型工业过程实例验证了设计的简单性和性能的有效性.采用该方法,解耦传递函数矩阵可以解析求解,双自由度PID控制器能够有效改善各回路高频段的解耦性能,获得良好的设定值跟踪性能和扰动抑制能力,并且可以方便地应用于控制现场.     

预期动态法在四水箱液位控制中的应用

针对实际生产中常见的双输入双输出过程,基于单位反馈闭环控制结构,根据前馈补偿的思想设计全解耦控制器矩阵,结合二自由度PID/PI预期动态法（DDE）鲁棒性强的特性,设计PID/PI解耦控制方案。同时,对于实际中常见的加性和乘性不确定性干扰,分析了控制系统保证鲁棒稳定性的充要条件,给出了基于谱半径判据的判定方法。本文借助英国Feedback 33-040s Coupled Tanks四水箱实验装置,对四水箱液位实时控制设计PI解耦控制器方案。实验结果表明：该方案能够使系统各路输出响应之间实现有效解耦,可对水箱液位进行有效控制,显著地提高了多变量关联系统的控制性能。     

球磨机制粉系统的多变量解耦PID控制

中储式钢球磨煤机制粉系统具有多变量、强耦合、大惯性等特点,使用常规的PID控制回路进行控制无法取得理想效果。针对这种情况,提出了一种解耦PID控制策略。该方案在PID回路中加入解耦补偿器,以实现对多变量的解耦控制。仿真试验表明,该策略有效地解决了多变量的耦合问题,取得了较好的控制效果。     

基于神经元的自适应预测PID控制

提出了一种采用神经元的自适应预测PID控制方案。神经元具有很强的自学习和自适应能力 ,它可根据系统的误差并通过一定的学习算法来不断修正控制器的参数 ,使控制器能够适应受控对象结构参数以及环境的变化。因此采用单神经元构成自适应PID控制器 ,将神经元与PID控制结合 ,对PID参数进行在线寻优、自校正 ,使PID控制能有效地对付一些较复杂非线性被控对象 ,特别是难于用传统方法建模的被控对象。同时为了提高系统的快速跟踪和抗干扰能力 ,采用了动态自适应神经元 (APE)对非线性系统进行预测 ,即用神经元建立起非线性系统的预测模型 ,预测系统的未来输出 ,从而提高了控制系统的控制品质。同时详细介绍了该控制系统的自适应控制算法。仿真结果表明 ,这种自适应控制方案切实可行 ,其控制品质明显优于常规PID控制 ,且具有较强的鲁棒性 ,达到了良好的控制效果。