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PLC的神经网络PID控制器设计

为了改善工业控制系统的动态调节品质,运用BP神经网络控制算法设计了一种神经网络PID控制器,并给出了基于西门子PLC的神经网络PID控制器的实现方法,仿真和实验结果表明,控制器在改善工业控制系统动态行为上具有突出的优势,对工程应用有实用价值.     

基于BP神经网络的PID控制方法的研究

本文提出了一种基于BP神经网络的PID控制方法,充分利用BP神经网络算法逼近任意连续有界非线性函数的能力,这种PID控制方法能学习和适应严重不确定系统的动态特性。文中采用三层前向网络,动态BP算法,达到了在线实时控制的目的,显示了BP神经网络的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潜能。计算机仿真结果表明,基于BP神经网络的PID控制较常规的PID控制具有更好的鲁棒性和自适应性,能取得良好的控制效果。     

基于BP神经网络的PID控制器在伺服系统中的应用研究

针对经典PID控制的参数不能在线调整的缺陷,提出了一种基于BP神经网络的PID控制算法,利用BP神经网络比较强的学习能力实现了PID控制参数的在线调整和优化,并对其在伺服系统中的应用进行了仿真。仿真结果表明该算法优良,加快了系统响应速度,减少了超调量,适应于非线性系统。     

智能PID参数自整定技术在伺服系统中的应用

针对常规PID控制参数整定困难,且受时变、非线性等因素影响而不能达到预期控制效果的实际情况,提出了RBF网络动态辨识的BP神经网络PID参数自整定算法.此算法可实现PID控制参数的在线自整定和优化;同时,将算法应用于伺服控制系统中,以VC++6.0和Matlab为开发和仿真工具,对动态辨识神经网络智能PID参数自整定方法进行仿真研究.仿真结果表明,控制算法鲁棒性强、响应速度快,可用于控制参数时变的非线性系统.     

动态定量称重系统控制策略的研究

通动态定量称重系统是一种非线性、大滞后,时变性的系统.PID控制应用广泛,但其参数整定仍未得到很好的解决.因此采用神经网络与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PID控制器,以及提出了新的智能控制策略.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、KI,KD,来实现具有最佳组合的PID控制.     

基于动态递归神经网络的自适应PID控制

提出一种基于动态递归神经网络的自适应PID控制方案,该控制系统由神经网络辨识器和神经网络控制器组成。辨识器采用单隐层的动态递归神经网络,网络结构为2-4-1;辨识算法为动态BP算法;控制器采用两层线性结构的神经网络,输入为系统偏差及其一阶、二阶微分,因此具有增量型PID控制结构。应用该控制系统对一非线性时变系统进行仿真研究,仿真结果表明该控制方案不仅具有良好的跟踪特性,而且对系统参数变化具有较强的鲁棒性。     

基于BP神经网络的PID控制研究

PID控制算法是工业控制领域中应用广泛的控制算法,但在实际应用中其参数整定问题一直是一个尚未很好解决的难点.为了解决控制参数整定,改善系统性能,利用BP神经网络技术应用到PID控制器中.通过建立三层神经网络模型,在控制过程中按照梯度下降法修正神经网络的权系数,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.仿真结果表明,引入了BP神经网络的PID控制系统,提高了动态性能,增强系统稳定性和快速性,并获得更好的控制效果.     

基于BP神经网络的捷联导引头控制系统设计

滚仰式捷联导引头稳定平台控制器的设计,是导引头完成闭环控制对机动目标实现快速稳定跟踪的关键.导弹在对目标进行跟踪攻击时弹体本身常常处于复杂的运动状态,这就对滚仰式捷联导引头的稳定控制产生严重影响.针对这一问题,提出了一种基于BP神经网络的PID控制器用于滚仰式捷联导引头位置回路校正环节,建立了导引头稳定与跟踪一体化仿真模型.仿真结果表明,针对滚仰式捷联导引头设计的基于BP神经网络的PID控制器的动态性能优于传统PID控制器,由此建立的导引头稳定与跟踪一体化仿真模型可以实现对导引头的闭环控制,能够对机动目标实现快速稳定的跟踪,在实际工程应用中为滚仰式捷联导引头的控制提供有益的参考.     

BP神经网络在PID控制器参数整定中的应用

研究工业控制过程,针对控制器优化问题,PID控制是迄今为止在过程控制中应用最为广泛的控制方法.但在实际应用中,对有非线性、时变性系统,无法建立精确模型.为了解决控制参数整定,达到精确控制,改善系统性能,提出一种基于BP神经网络的PID控制器参数整定方法.通过建立三层神经网络模型,在控制过程中将神经网络的隐含层单元分别作为PID的比例(P)、积分(I)、微分(D)单元,从而构造参数自学习的PID控制器,在控制过程中动态调整PID的三个控制参数,从而进行PID控制参数的在线整定.仿真结果表明,基于BP神经网络的PID控制方法在处理非线性和时变系统时,提高了实时性能,增强系统稳定性,并获得更好的控制效果.