动态定量称重系统神经网络预测PID控制器研究

采用神经网络预测与PID控制理论相结合,为动态定量称重系统设计了一种神经网络预测PID控制器。该控制器算法简单,通过自学习、记忆功能在线调整PID控制参数KP、Kl、KD。建立了动态定量称重系统的仿真模型,将神经网络预测的PID控制与常规PID进行对比分析,神经网络预测PID控制器具有很好的控制效果。     

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。     

基于自适应递归模糊神经网络的污水处理控制

针对污水处理过程中具有的非线性、大时变等特征,提出了一种基于自适应递归模糊神经网络(recurrent fuzzy neural network,RFNN)的污水处理控制方法.该方法利用自适应RFNN识别器建立污水处理过程的非线性动态模型,建立的模型可以为RFNN控制器提供污水处理过程中的状态变量信息,保证了控制器根据系统响应调整操作变量的精确性;并且RFNN辨识器及RFNN控制器基于自适应学习率进行学习,确保了递归模糊神经网络的收敛精度和速度,并通过构造李雅普诺夫函数证明了此算法的收敛性;最后,基于基准仿真模型(benchmark simulation model 1,BSM1)平台进行仿真实验.结果表明,与PID、模型预测控制及前馈神经网络相比,该方法对污水处理中溶解氧浓度和硝态氮浓度的跟踪控制精度具有明显的提升.     

基于LabVIEW的神经网络自适应逆控制系统

目前基于人工神经网络的非线性自适应逆控制研究主要集中在Matlab仿真研究方面,无法直接推广为实际应用。为此,采用基于LabVIEW的动态神经网络非线性自适应逆控制方法,首先在LabVIEW中建立动态神经网络结构及在线学习算法,并依此建立非线性对象的辨识器和逆控制器等模型;然后构建完整的非线性对象自适应逆控制系统,并在LabVIEW环境中通过仿真验证了系统性能。通过配置相应的数据采集设备,该系统可以直接推广为实际应用。     

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。     

一种混合神经网络飞行控制方法研究

讨论了一种基于神经网络控制的飞行控制方法。针对复杂非线性系统难以建立精确模型的特点,利用神经网络的任意非线性逼近能力进行控制器设计,首先应用神经网络在线辨识对象逆模型,进行控制系统反馈线性化;接着利用circle theorem（圆定理）设计线性PID鲁棒控制器,控制系统输出跟随系统输入,然后应用神经网路自适应逆方法设计混合控制器,最后以F-8飞机纵向飞行控制模态为研究对象进行仿真。仿真结果表明,该控制方法具有较强的自适应和抗干扰能力。     

基于NARX网络的无刷直流电机自适应逆控制

针对无刷直流电机(bnmhless DC motor,BLDCM)非线性的特点,引入了一种基于神经网络的自适应逆控制方法.该方案中,用非线性自回归(NARX)动态网络做为模型辨识器和控制器.辨识器采用了BP(back propagation)算法在线调整参数,并获取被控时象精确的Jacobian信息,再由实时递归学习算法(RTRL)实现对控制器的在线整定.仿真结果表明,方法具有响应速度较快、无超调的优点,且具备较强的自适应性和鲁棒性.     

神经网络在细纱机中的应用

介绍了一种基于PLC和DSP的细纱杌控制系统.该系统针对细纱机控制系统的非线性与传统PID控制方法的不足,提出了一种改进型基于RBF神经网络在线辨识的单神经元PID自适应控制方法.该方法构造了一个RBF网络对系统进行在线辨识,建立起在线参考模型,由单神经元控制器完成控制器参数的学习,从而实现控制器参数的在线调整.仿真试验结果表明.该控制器控制精度高,动态性能好,其控制效果优于传统的PID控制器.     

基于模型跟随的神经网络PID飞行控制律设计

为了抑制飞行控制系统的外部扰动和建模误差,应用模型跟随自适应神经网络PID控制方法,进行飞行控制律设计。首先使用RBF神经网络进行飞行系统模型辨识,在线学习系统正向输入输出特性,辨识对象的Jacobian信息;然后应用BP神经网络实时在线调整PID参数,设计自适应神经网络PID控制器,控制飞行状态变量跟随模型输出;最后以F-8飞机纵向飞行控制系统为研究对象进行控制仿真。仿真结果表明,设计的控制器具有很强的自适应和抗干扰能力。     

非线性系统的PID控制器的研究与设计

研究工业过程控制,非线性系统难以建立其精确的数学模型,常规PID算法难以实现其控制.对此,将神经网络算法和PID算法结合起来,为提高性能和响应速度,设计了针对非线性系统的自适应PID控制器,PID控制器采用单神经元来实现自适应调整.分别采用了三种学习算法来实现单神经元PID控制器参数的调整,即基于二次型性能指标的学习算法、基于BP神经网络辨识的学习算法和基于RBF神经网络辨识的学习算法.三种算法的仿真结果表明,都实现了PID控制器的自适应调整的目的,实现对非线性系统的有效控制,证明三种方案的可行性.     

无人机涡喷发动机的自适应神经网络控制研究

该文介绍了一种新型的神经网络自适应控制方式，它由基于多层BP网络的近似PID构成的神经网络控制器和基于带自反馈的Elman神经网络构成的模型辨识器共同组成。Elman网络是一种新型的动态递归神经网络，具有很好的逼近能力和性能；改进的自反馈网络具有更大的灵活性。为加快收敛速度，文中采用了共轭梯度算法，选择共轭方向作为最小化方向；在用于无人机涡喷发动机的不同状态的控制中被证实是非常有效的，具有鲁棒性好、响应速度快、稳态误差小等优点。     

神经网络PID工业温度控制系统研究

本文介绍了一种神经网络PID控制器,并将它与传统PID控制器、模糊控制器和神经网络控制器进行比较。神经网络PID控制器综合了PID控制器和神经网络控制器的优点并弥补了它们各自的不足之处。通过上述各种控制器在工业温度控制系统的仿真研究表明,神经网络PID控制器具有超调小,过度时间短,控制精度高的优点,对大滞后的温度控制系统有很好的控制效果。     

一种自适应CMAC在交流励磁水轮发电系统中仿真研究

在分析常规CMAC结构的基础上,针对一类非线性、参数时变和不确定的控制系统,提出了一种自适应CMAC神经网络的控制器．该控制器以系统动态误差和给定信号量作为CMAC的激励信号,并与自适应线性神经元网络相结合构成系统的复合控制．为了验证其有效性,将其应用到交流励磁水轮发电机系统的多变量非线性控制中,并与常规的PID控制效果进行了比较．仿真结果表明,该控制器具有较强鲁棒性和自适应能力,控制品质优良。     

深空环境下三星库仑编队重构控制研究

本文研究了深空环境下三星库仑编队构型重构控制问题.首先考虑外界环境干扰作用(主要以太阳光压为主)和德拜效应影响,推导出精确的三星库仑编队动力学方程.针对库仑编队动力学特性和太阳光压对于编队任务控制精度的影响,设计基于BP神经网络的PID控制方法.PID控制结构简单,稳定性好,BP神经网络具有超强的自主学习和非线性逼近干扰能力,二者有机结合,通过BP神经网络输出最优的PID控制参数组合,改变卫星所带电荷从而改变卫星之间库仑力大小,使编队渐近稳定并按期望距离和构型飞行.仿真结果表明基于BP神经网络PID控制性能明显优于传统PID控制,大大提高了编队控制精度和系统对于外界干扰的鲁棒性.     

基于输入输出回归神经网络的超声马达辨识和速度控制

建立了一个新的输入-输出反馈神经网络结构用于超声马达速度辨识.给出了以驱动电 压的幅值和驱动频率为控制量的双模式速度控制器,推导了辨识器和控制器的动态递归反传算 法.数值模拟结果表明,辨识器能比较精确地描述马达的输入-输出关系,双模式神经网络控制器 对多种形式的参考速度,都有很好的控制效果.     

挖掘机提升系统神经网络PID控制的研究

建立了280-B挖掘机提升系统的数学模型;针对该系统动态特性的非线性和时变性因素,提出了一种基于BP神经网络的PID控制器的设计方案,该控制器既有经典PID控制算法的特点,又有神经网络良好的自适应和抗干扰能力。Matlab仿真结果表明,基于BP神经网络的PID控制器具有较高的精度和较强的适应性,可以获得满意的控制效果。     

Nonlinear system PID-type multi-step predictive control

A compound neural network was constructed during the process of identification and multi-step prediction. Under the PID-type long-range predictive cost function, the control signal was calculated based on gradient algorithm. The nonlinear controller‘ s structure was similar to the conventional PID controller. The parameters of this controller were tuned by using a local recurrent neural network on-line. The controller has a better effect than the conventional PID controller. Sinmlation study shows the effectiveness and good performance.     

溶解氧浓度的直接自适应动态神经网络控制方法

针对污水处理过程溶解氧浓度的控制问题,提出一种直接自适应动态神经网络控制方法(direct adaptive dynamic neural network control,DADNNC).构建的控制系统主要包括神经网络控制器和补偿控制器.神经网络控制器由自组织模糊神经网络实现系统状态与控制量之间的映射;提出一种基于规则无用率的结构修剪算法,并给出结构调整后网络收敛的理论证明.同时,为保证系统稳定,设计补偿控制器减小网络逼近误差,参数调整由Layapunov理论给出.国际基准仿真平台上的实验表明,与固定结构神经网络控制器、PID和模型预测控制等已有控制方法相比,DADNNC方法具有更高的控制精度和更强的适应能力.     

无刷直流电机的模糊神经网络控制设计

在无刷直流电机(BLDCM)的控制上,传统PID等控制方法存在或多或少的不足.在模糊PID控制的基础上提出了一种模糊神经网络PI控制器的设计方法.该方法结合了模糊逻辑与神经网络,使得模糊控制器模拟了人的控制功能,不仅对环境变化有较强的适应能力,还拥有自学习能力.相比模糊PID控制,其具有计算量小、稳定性强等特点.对BLDCM进行建模与分析;在BLDCM数学模型的基础上,分别设计模糊PID控制器和模糊神经网络PI控制器;对设计的控制器进行仿真验证并分析.实验结果表明,模糊神经网络PI控制具有跟踪性能好、超调小、响应快、脉动小等优点,其动静态特性均优于模糊PID控制.