硫化氢燃烧的神经网络PID控制及其仿真

讨论了传统的PID控制和基于神经网络的PID控制，给出了带有神经网络PID控制的系统控制方案和神经网络PID控制器算法设计，并将其应用于硫化氢制酸中的硫化氢燃烧。运行结果表明，神经网络PID控制比传统的PID控制表现出良好的动态和静态性能。     

PID控制器参数优化算法的仿真研究

研究PID控制器参数优化问题,现代控制对象具有复杂非线性、时变性特点,引起系统的输出品质特性差,超调大稳定性时间长,控制精度差等.传统PID控制是针对线性控制系统提出的,控制精度比较低.为了提高PID控制精度,基于神经网络提出PID控制器参数自适应优化方法.通过将系统控制偏差和PID控制器的3个参数作为神经网络的输入,最优控制性能作为优化目标,通过神经网络自身学习和加权系数调整,获得最优控制性能的PID控制器参数.仿真结果表明,神经网络的PID控制方法提高了系统控制精度,系统响应速度更快,具有很强的自适应性和鲁棒性,为优化控制系统提供了参考.     

小潜艇供电系统全桥DC-DC开关电源智能优化设计

小型潜艇水下潜行采用蓄电池供电,通过全电力供电系统推进.以蓄电池为直流电源,在推进系统正常运转的状况下,开关电源电压输出值保持恒定;传统的PID控制器很难对全桥DC-DC开关电源进行精确控制,因此,将粒子群算法(PSO)、BP神经网络与径向基函数(RBF)神经网络与传统PID控制相结合,提出带有RBF神经网络辨识的PSO BP-PID控制方法;通过神经网络在线自学习对PID3个参数在线调整,最终实现系统恒电压输出控制;仿真结果得出:带有RBF神经网络辨识的PSO-BP PID控制算法可以很大的改善系统控制效果,同时使系统具有更好的在线调整能力.     

PSONN在可编程控制系统PID参数优化中的应用

研究可编程控制系统优化问题,可编程控制系统具有非线性、时变性等特点,传统PID控制器优化方法难以建立精确的数学模型,使得系统参数设定困难,导致可编程控制系统的控制效果不理想。为了解决传统的PID算法所带来的问题,利用RBF神经网络非线性、自学习能力,提出一种基于粒子群神经网络的PID参数优化算法。将粒子群和神经网络相结合,形成了一种智能控制算法,并将应用于可编程控制系统。测试结果表明,粒子群神经网络提高了PID控制参数优化速度,提高了可编程控制系统可靠性和鲁棒性,具有一定的理论和实用价值。     

BP神经网络PID控制在空调系统中的应用

针对空调房间这样一个多干扰、大惯性、高度非线性系统控制性能优化较困难,传统的控制策略不但在控制精度、灵敏度以及系统稳定性上存在缺馅,而且能耗大.为了提高空调制冷和供暖效果,提出一种新的基于BP神经网络的PID控制方案,通过BP算法修正BP网络自身权系数,实现了PID控制器参数的在线调整.仿真结果显示BP神经网络PID控制系统比单纯的BP神经网络或PID控制系统建模时间短,系统更稳定,超调量更小,更适合应用于复杂的空调系统控制中.     

基于BP神经网络PID算法的风力摆控制系统的设计

随着智能控制技术的发展,将神经网络技术与传统PID控制技术相结合,并应用到控制系统中去已成为一种趋势。在对风力摆控制系统进行需求分析的基础上,针对其具有非线性和参数不确定等特点,提出了基于BP神经网络PID算法的风力摆控制系统的设计方案,将BP神经网络应用到传统PID控制中,设计出了系统的软硬件结构,实现了有效控制风力摆按指定角度画线、指定时间恢复静止和画圆的功能。研究结果表明：采用BP神经网络PID算法的控制系统具有更强的稳定性和控制精度。     

基于BP神经网络整定的PID控制

传统PID控制在控制系统中有广泛的应用,但是由于其在参数整定过程中对于对象模型过分依赖,并且参数一旦整定计算好后,在整个控制过程中都是固定不变的,而在实际系统中,由于系统状态和参数等发生变化时,过程中会出现状态和参数的不确定性,系统很难达到最佳的控制效果．为了改善传统PID控制的效果,又充分利用现有PID控制的研究成果,采用BP神经网络对PID参数进行整定,并对该系统进行了仿真分析．仿真结果表明,采用BP神经网络整定的PID控制较传统PID算法及BP网络算法都有较大程度的提高．     

粒子群优化算法在神经网络控制中的应用

考虑粒子群优化算法在不确定系统的自适应控制中的应用。神经网络在不确定系统的自适应控制中起着重要作用。但传统的梯度下降法训练神经网络时收敛速度慢,容易陷入局部极小,且对网络的初始权值等参数极为敏感。为了克服这些缺点,提出了一种基于粒子群算法优化的RBF神经网络整定PID的控制策略。首先,根据粒子群算法的基本原理提出了优化得到RBF神经网络输出权、节点中心和节点基宽参数的初值的算法。其次,再利用梯度下降法对控制器参数进一步调节。将传统的神经网络控制与基于粒子群优化的神经网络控制进行了对比,结果表明,后者有更好逼近精度。以PID控制器参数整定为例,对一类非线性控制系统进行了仿真。仿真结果表明基于粒子群优化的神经网络控制具有较强的鲁棒性和自适应能力。     

BP神经网络模型预测控制算法的仿真研究

为克服被控对象参数变化导致控制精度降低的问题,研究了一种BP神经网络模型预测控制算法。借助最小二乘递推算法在线预测系统模型参数,利用BP神经网络在线预测PID参数以控制被控对象。该算法基于模型预测,首先在线性系统中验证其控制效果,然后将非线性问题作线性处理,采用BP神经网络模型预测PID控制器予以实现控制非线性系统。仿真曲线显示BP神经网络PID控制器用于线性系统可达到高精度控制要求;对于非线性系统有自适应及逼近任意函数的能力。仿真研究表明,该算法与传统BP神经网络PID控制器相比,其自适应能力更强,稳定性更好,控制精度更高。     

CMAC神经网络与PID复合控制的应用研究

阐述了CMAC神经网络的基本原理,并结合PID控制的特点,将CMAC神经网络与PID复合控制算法应用在工业领域的温度控制系统中,并同传统的Zieglar-Nichols阶跃响应法及单纯形算法作了比较。仿真结果表明:该复合控制算法具有较高的控制精度及良好的控制效果。     

基于模糊RBF神经网络的PID及其应用

针对传统的PID控制器参数固定而导致在控制中效果差的问题,提出一种基于模糊RBF神经网络智能PID控制器的设计方法。该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制与RBF神经网络相结合以在线调整PID控制器参数,整定出一组适合于控制对象的kp, ki, kd参数。将算法运用到电机控制系统的PID参数寻优中,仿真结果表明基于此算法设计的PID控制器改善了电机控制系统的动态性能和稳定性。     

基于模糊神经网络PID算法的电阻炉温控系统

由于电阻炉温控系统是一个大惯性、大滞后、时变、且非线性的系统,采用传统PID控制不能解决系统的非线性、时变和PID参数的在线整定难等问题,为此提出一种控制算法—模糊神经网络PID算法。可根据电阻炉的温度的偏差及其变化率实时对PID的3个参数进行优化,达到具有最佳组合的PID控制,从而实现PID控制的自适应和智能化性能。使用MatLab的simulink仿真,通过传统PID与模糊神经网络PID阶跃响应曲线的比较,表明系统采用模糊神经网络PID算法具有更好的动、静态特性和自适应性,对突加的外部的扰动具有良好的抗干扰能力,具有实用价值。     

基于PLC的Fuzzy-PID分选密度控制研究

重介选煤工艺中，密度控制是保证产品质量的关键。密度控制过程中，由于被控对象具有不确定、非线性、干扰大等特点，常规的PID控制难以满足控制要求，造成生产质量的不稳定。针对这些问题，提出了一种基于PLC的复合模糊PID控制算法，利用模糊推理对PID参数KP，K1,KD进行在线整定。其中模糊决策器和PID调节器都通过PLC来实现，这样既保留了PLC控制系统灵活、可靠、抗干扰能力强等特点，又大大提高了控制系统的智能化程度。实践结果表明：该系统能有效抑制干扰的影响，调节快速、稳定。     

基于CC-Link液位模糊控制设计

采用PLC作为现场液位控制器,在工业和日常生活中被广泛运用在液位控制系统中.提出了模糊PID算法对液位进行调节的控制策略,实现了液位控制响应速度快、稳定度好和准确度高的效果.测试表明,建立在模糊算法基础上的液位PID控制比常规PID控制具有更好的动态性能.此外,还采用CC-Link总线技术建立主从通信的工业网络系统,实现设备间的数据传送,并通过人机界面对现场液位进行实时远程监控.     

基于模糊神经网络的温度控制系统设计

实验室温度控制系统要求精度高,并且具有非线性、大惯性及数学模型难建立等特性,这使得用常规PID控制器以及一般模糊控制器无法很好地满足系统要求,而本文在一般模糊控制器的基础上,融合神经网络技术,设计出模糊神经网络控制器,它既有模糊控制鲁棒性好、动态响应好、上升时间快、超调小的优点,又具有神经网络的在线自学习能力,可以实现温度的智能控制,在实际应用中取得良好的效果。     

起重机模糊神经网络防摇摆控制仿真研究

起重机起重过程中吊物摇摆系统模型的复杂性,非线性,时变性导致传统PID控制在此过程中存在控制效果不理想,控制参数难以整定等问题。利用模糊控制不依赖精确数学建模,以及神经网络的自学习性等优点。提出一种将起重机传统PID控制与模糊神经网络相结合的控制方法。通过仿真对比发现改进后的控制方法能够有效降低系统稳定的调节时间,吊装货物的摆幅也得到减少。     

基于MyPSO-BP的黄酒发酵温控系统

在 Labview组态软件、西门子PLC300和温度传感器构成的温度控制系统基础上,提出一种新的黄酒发酵温度控制系统,将带交叉因子的粒子群优化(PSO)算法应用到BP神经网络(MyPSO-BP)比例积分微分(PID)控制中。改进的PSO算法初始化神经网络的权重和阈 值,可以更好地在线整定PID参数,增强系统的稳定性和鲁棒性,减小误差。对系统进行Matlab仿真实验,结果表明,该系统相较于传统的神经网络PID控制器具有更好的温度控制性能。     

基于模糊径向基函数神经网络的PID控制算法仿真研究

在传统的PID控制算法基础上,提出了一种基于模糊RBF神经网络的PID控制算法。该算法将RBF神经网络学习能力强与模糊理论的推理能力强的特点结合起来,在线调整比例、积分、微分三个控制参数,仿真结果表明,该算法的控制品质优于常规PID控制,具有较强的自适应能力和鲁棒性。     

模糊神经网络pH控制器的DSP实现

针对pH值控制过程具有较强非线性、纯滞后性的特点，传统PID控制往往达不到满意控制效果。介绍一种将模糊控制技术与神经网络技术相结合构成的模糊神经网络pH控制器，通过数字仿真显示了该控制算法的控制效果优于传统的PID控制和一般的模糊控制算法。并将提出的模糊神经网络控制算法在DSP上进行了实现．通过模拟实验验证了该控制器的可行性。     

Integrated PID-type Learning and Fuzzy Control for Flexible-joint Manipulators

The increased complexity of the dynamics of robots considering joint elasticity makes conventional model-based control strategies complex and difficult to synthesize. In this paper, a model-free control using integrated PID-type learning and fuzzy control for flexible-joint manipulators is proposed. Optimal PID gains can be learned by a neural network learning algorithm and then a simple standard fuzzy control could be incorporated in the overall control strategy, if needed, for enhancing the system responses. A modified recursive least squares algorithm is suggested for faster learning of the connection weights representing the PID-like gains. Simulation results show that the suggested simple model-free approach can control a complex flexible-joint manipulator to meet stringent requirements for both transient and steady-state performances.