轮式机器人模糊神经网络建模与模糊遗传PID转向控制的研究

针对数学模型复杂的轮式机器人的转向控制问题，提出了一种先用模糊神经网络建模，再用模糊遗传PID转向控制的方法。模糊遗传PID控制算法简单，直观性好，容易理解，能直观地判断PID参数是否有效。控制方法所需的数据完全来源于实验。经过对车体转向控制的仿真研究，由仿真结果可看出，仿真控制效果良好。控制方法能适应各种不同速度、不同转向角度等参数变化，在实际中应用实验数据就能控制，是一种有实用意义的控制方法。     

轮式机器人横向纵向统一遗传模糊神经网络控制研究

在对轮式地面机器人进行纵、横向统一遗传模糊神经网络控制中，提出了一种多目标遗传优化的策略，用分别编码、先分再合的分步优化遗传算法寻找模糊神经网络的参数。并采用先对车体动力学模型进行仿真控制，再用仿真得来的数据控制实际车辆，进行车体在线遗传寻优的方法，这种方法能最直接地控制车体运动。经过实验研究，控制效果较好，有一定意义。     

单关节跳跃机器人模糊自适应轨迹跟踪控制

研究关节型跳跃机器人轨迹跟踪优化控制问题,针对机器人系统时变、非线性的复杂特性,传统模糊控制和PID控制方法难以获得较好的控制性能,为解决控制系统中超调量大、振荡和控制精度不高等问题,提出传统PID控制与模糊自适应控制结合的控制策略.首先建立单关节跳跃机器人腾空相和站立相动力学方程,依据专家经验制定PID参数整定策略,结合传统PID控制方法和模糊自适应理论设计模糊自适应PID控制器.引入合理的跳跃机器人物理参数和虚拟目标轨迹进行仿真,结果表明,模糊自适应PID控制器具有可行性和有效性,为应用于实际控制系统优化提供了可靠依据.     

空调管道清扫机器人控制系统的研究

目前,中央空调管道清扫已经越来越引起人们的重视,对空调管道进行定期清扫,可有效改善室内空气质量,并能够实现节能的目的;首先介绍了空调通风管道清扫机器人总体系统设计,然后对机械车体和监控系统进行设计,提出了多组态控制工作模式;机器人车体控制系统以单片机C8051F020控制核心,对管道清扫机器人行走和转弯策略进行了设计与测试,采用模糊PID控制调节电机转速,结合感知传感器信息对电机协调控制,有效地实现了机器人直线行走和稳定转向。     

基于解耦的工业机器人模糊PID抑振研究

该文针对工业机器人在定位过程中由于关节柔性产生的振动抑制问题，对六自由度的工业机器人进行研究，提出了基于解耦的柔性关节模糊PID抑振控制算法。首先，建立了工业机器人系统的动力学模型；然后，根据连杆之间的耦合关系设计了变参数模糊控制器，降低各连杆之间的耦合程度，并在解耦的基础上加入模糊PID控制器，对解耦后的各个关节进一步抑振；最后，通过Simulink仿真验证该算法的有效性。研究结果表明，变参数模糊解耦比定参数模糊解耦的效果更好，解耦之后的转台、大臂和小臂之间可以近似看成线性系统，再进行模糊PID控制，其抑振的效果相比传统PID控制器来说更为理想。     

自适应神经模糊推理结合PID控制的并联机器人控制方法

针对6自由度液压驱动并联机器人的精确控制问题,提出一种结合自适应神经模糊推理系统(ANFIS)和比例积分微分(PID)控制的机器人控制方法。首先,利用浮动坐标系描述法(FFRF)来模拟机器人柔性组件,并构建并联机器人的拉格朗日动力学模型。然后,根据模糊推理中的模糊规则来自适应调整PID控制器参数。最后,利用神经自适应学习算法使模糊逻辑能计算隶属度函数参数,从而使模糊推理系统能追踪给定的输入和输出数据。将该控制器与传统PID控制器、模糊PID控制器进行比较,结果表明,ANFIS自整定PID控制器大大减小了末端器位移误差,能很好的控制并联机器人末端机械手的运动。     

基于协同转向的铰接车辆轨迹跟随控制研究

针对铰接车辆后轴主动转向实现跟踪首轴轨迹的问题,本文提出一种基于多轴协同转向的补偿模糊PID控制方案.首先,根据各车轴具有同一转动中心的假设,利用扩展阿克曼转向原理确定了车轴的前馈控制转角;其次,依据首轴中心行驶轨迹,计算后轴的跟随偏差及变化率,并利用模糊PID控制理论,确定后轴的补偿控制转角,提高车辆的轨迹跟随控制性能;最后,在典型道路工况上,通过设置不同速度、道路附着系数及控制方案检验补偿模糊PID控制方案的轨迹跟随性能及鲁棒性.结果表明：在相同速度及道路附着系数下,相比于扩展阿克曼转向前馈控制及模糊PID控制方案,本文设计的补偿模糊PID控制进一步降低了轨迹跟随时各车体的横向偏差,并减小了车辆之间的横向铰接力;与PID控制相比,在不同速度及道路附着系数下,验证了补偿模糊PID控制具有一定的自适应性能.     

用继电自整定实现模糊PID智能控制

从提高控制器的智能化水平出发，文中提出了模糊PID自适应控制与继电自整定相结合构成PID双模智能控制器的方法。即用继电自整定法整定出PID控制的初始参数，然后切换到模糊PID自适应控制，完成模糊PID智能控制。将该算法应用于一温控系统中，得到了令人满意的效果。     

基于模糊自适应整定PID 的活套高度控制系统

针对板带热连轧机传统活套高度控制策略存在的问题，提出用模糊自适应整定PID的控制策略．控制器输入取活套量的偏差e和偏差变化率ec，输出取PID控制器3个参数的修正量，从而实现了PID参数的在线自整定．通过MATLAB语言，进行了传统PID控制与模糊自适应整定PID控制动态性能的仿真比较，结果表明采用模糊自适应整定PID控制可明显提高活套高度控制系统的动态性能．     

基于神经网络模糊PID的足球机器人控制算法研究

通过对足球机器人运动学模型进行分析,以足球机器人系统为实验平台,论证了神经网络模糊PID控制技术应用于足球机器人运动控制的可行性。将传统的PID控制与神经网络模糊控制相结合,通过PID算法实现控制的准确性,利用神经网络模糊控制提高控制的快速性与自适应性。针对足球机器人运动控制中的实际问题,着重提出了基于神经网络和模糊控制相结合动态调整PID控制器的三个参数KP,KI,KD的设计方法。实验证明该方法增强了控制器的调节能力和简化了控制器设计,同时本方法对模型和环境具有较好的适应能力和较强的鲁棒性。     

基于改进遗传算法寻优的神经网络PID控制及应用

根据神经网络PID控制器初值的选取影响系统控制性能的特点,提出了一种基于改进遗传算法寻优的神经网络PID控制方法.即先利用遗传算法对PID控制器参数离线寻优,将求出的参数值作为控制器的比例、积分、微分系数的初值,再进行神经网络PID控制.对一类液位过程的实时控制结果表明采用本方法的控制系统具有较好的稳定性和鲁棒性.     

基于DNA-GA-RBF的PID参数优化

PID控制器因为结构简单,容易实现,并且具有较强的鲁棒性,因而被广泛应用于各种工业过程控制中。控制器参数直接影响控制器的性能,因此控制器的设计主要体现在控制器参数的调整上。参数自整定技术的发展一方面减轻了控制工程师现场调试的工作量,节省了大量的时间,另一方面也使整定的结果更加理想。利用DNA遗传算法的全局搜索的功能特性,对整个RBF神经网络参数进行优化,将RBF网络不同的中心矢量和其对应的基宽向量及各个调节权重统一编码,使得整个网络模型达到全局最优。然后利用该混合算法对PID参数进行整定,仿真证明该算法能有效地实现PID参数最优整定,其性能优于常规的RBF算法,为解决PID控制器参数最优设计提供了一种有效的方法。     

基于神经网络-遗传算法的双轴运动系统PID控制

提出了一种针对双轴运动系统的基于神经网络-遗传算法的PID控制器参数寻优设计方案。离线部分用遗传算法(GA)的寻优得到一组最优的PID参数Kp^ ，Ki^ ，Kd^ ，并将其作为存线调整部分的仞始值；在线部分用神经网络的BP网络调整系统的瞬态PID响应，同时利用插补器使双轴运动系统进行圆弧插补运动。通过计算机仿真可证明，此寻优方法具有良好的控制性能。     

基于Hopfield网络的PID在直流伺服电机中的应用

针对直流伺服电机的非线性和时变性因素,本文结合传统PID控制器特点,介绍了一种基于Hopfield神经网络PID控制方法。该方法利用Hopfield神经网络的自学习能力,经过有限次的训练可以得到了PID控制器所需要的最优参数。采用Matlab软件对构造的系统模型进行了仿真和跟踪实验。实验表明这种方法既简化了经典控制PID参数整定,同时使系统具较好的实时性、稳定性和跟踪性,控制效果比较理想。     

Genetic Tuning of PID Controllers Using a Neural Network Model: A Seesaw Example

When genetic algorithms (GAs) are applied for PID parameter tuning, since the PID parameters are adjusted almost randomly, it is possible that the plant will be damaged due to abrupt changes in PID parameters. To solve this problem, a neural network will be used to model the plant and the genetic tuning procedure will be performed on the neural network instead of the plant. After determining the PID parameters in this off-line manner, these gains are then applied to the plant for on-line control. Moreover, considering that the neural network model may not be accurate enough, a method is also proposed for on-line fine-tuning of PID parameters. To show the validity of the proposed method, a seesaw system that has one input and two outputs will be used for experimental evaluation     

A novel design of high-sensitive fuzzy PID controller

A hybrid model is designed by combining the genetic algorithm (GA), radial basis function neural network (RBF-NN) and Sugeno fuzzy logic to determine the optimal parameters of a proportional-integral-derivative (PID) controller. Our approach used the rule base of the Sugeno fuzzy system and fuzzy PID controller of the automatic voltage regulator (AVR) to improve the system sensitive response. The rule base is developed by proposing a feature extraction for genetic neural fuzzy PID controller through integrating the GA with radial basis function neural network. The GNFPID controller is found to possess excellent features of easy implementation, stable convergence characteristic, good computational efficiency and high-quality solution. Our simulation provides high sensitive response (∼0.005 s) of an AVR system compared to the real-code genetic algorithm (RGA), a linear-quadratic regulator (LQR) method and GA. We assert that GNFPID is highly efficient and robust in improving the sensitive response of an AVR system.     

基于动态递归网络的PID自适应控制器的设计与应用

本文分析了改进的ELMAN网络的结构,并讨论了神经网络的学习算法,针对BP算法的缺陷,提出了用遗传算法修正网络权值的学习算法。本文不仅将采用遗传算法进行训练的改进ELMAN网络应用于汽车磷化加热系统的建模,而且针对该系统的特点提出了一种带预测模型的神经网络PID自适应控制器,并最后将该控制器应用于磷化温度控制,取得了良好的控制效果。     

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．     

自适应人工神经网络电机控制器设计

提出了一种自适应人工神经网络无刷直流电动机(BLDCM)转速控制器设计方法;针对传统PID调节器难以应对系统超调和短时振荡等问题,提出了一种结合人工神经网络和传统PID控制的新方法;首先建立了(BLDCM)的本体数学模型,在此基础上描述了将人工神经网络和PID控制相结合的模型,并对具体的控制算法进行了定义;最后,使用Matlab仿真工具对BLDCM控制实例进行了仿真;实验结果表明,结合人工神经网络和PID控制器的新控制方法具有响应快、鲁棒性强以及控制精度高等优点,很好地抑制了超调和振荡。