多变量PID型神经元网络控制系统及在除氧器水位解耦控制中的仿真研究

介绍了多变量PID型神经元网络控制系统.给出了网络的结构和学习算法,说明了系统参数选取方法,分析了除氧器水位控制的特点.仿真结果表明,该控制系统对多变量强耦合的除氧器水位控制对象具有良好的解耦性能和自学习控制特性.     

多输入多输出系统的神经网络PID解耦控制器

基于神经网络的ＰＩＤ控制,提出了一种可用于有耦合的多输入多输出系统的比例、积分和微分参数在线自整定的神经网络ＰＩＤ解耦控制器,可以实现对多变量系统的角耦控制,仿真结果表明系统具有很好的动态及稳态性能。     

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.     

汽包锅炉燃烧过程的模糊PID控制

根据采用直吹式制粉系统汽包锅炉燃烧过程的特性 ,设计了模糊PID算法 .通过对主汽压力实际输出曲线的识别 ,修正PID控制参数KP 和TI,使被控对象输出符合期望的动态响应过程 .模糊PID控制系统通过实际应用 ,取得了预期的控制品质 .     

船用核动力装置二回路PID神经网络解耦控制研究

直流蒸发器的船用核动力装置是一个非线性、时变及多变量强耦合的被控对象.针对该被控对象设计了改进型PID神经网络控制系统,用于船用核动力装置多变量解耦控制,该神经网络控制器不需要对系统进行辨识,在调整权值的学习过程中使控制系统具有良好的解耦控制性能.仿真结果表明,直流蒸发器压力和汽轮机转速控制之间协调性好,并具有响应速度快、鲁棒性好等特点.     

基于PID神经网络的多变量解耦技术在变风量空调中的应用

本文分析了空调控制系统、变风量空调系统特点及目前存在的控制问题,提出了空调控制系统引入智能控制方案的可行性与必要性,针对变风量空调系统的特点和要求,提出变风量空调系统的控制方案。控制回路由冷水流量一送风温度控制、风机转速一静压点静压控制、送风量一室内温度控制、新风量一二氧化碳浓度控制四个控制回路组成,建立了一种新的多层神经网络,实现了神经网络和PID控制规律的本质结合,在变风量空调控制系统中表现出很强的学习和自适应解耦能力,MATLAB仿真试验说明了系统设计的有效性。     

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.     

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.     

神经网络解耦控制系统的分析

本文基于神经网络的理论研究提出了一种新的神经网络解耦控制方法，该方法以被控对象的一组实测数据作为样本，训练出用神经网络描述的逆动力学模型，并将它作为解耦控制器投入到控制系统中，对其二元精馏塔控制的仿真结果表明该方法是切实可行的。     

模糊PID控制在循环流化床锅炉燃烧系统中的设计及仿真

基于循环流化床锅炉(CFBB)燃烧系统非线性、多变量、大时滞等特点,提出采用模糊PID控制方案对循环流化床锅炉燃烧系统进行优化控制,并与常规PID控制器进行仿真对比.结果表明,模糊PID控制器的控制效果较常规PID要好.     

电厂过热汽温神经PID控制系统的仿真研究

针对火电厂主汽温被控对象的大迟延、模型不确定性，设计了基于RBF神经网络的神经PID汽温控制系统，并对控制系统进行仿真试验，其仿真结果表明了设计的控制器具有良好的位置跟随性、抗干扰性和鲁棒性．     

三容系统的解耦神经网络PID控制

三容水箱是常见的非线性强耦合系统,利用一种非线性动态解耦的方法对其进行解耦(其特点是能利用非线性补偿的方式将该类系统各回路输入与输出之间完全解耦),然后采用基于BP神经网络的PID控制策略对其进行控制,并利用MATLAB进行仿真。仿真结果证明解耦的有效性,表明了BP神经网络的PID算法比传统的数字PID具有更强的抗扰动性。     

Decoupling Control Method Based on Neural Network for Missiles

In order to make the static state feedback nonlinear decoupling control law for a kind of missile to be easy for implementation in practice, an improvement is discussed. The improvement method is to introduce a BP neural network to approximate the decoupling control laws which are designed for different aerodynamic characteristic points, so a new decoupling control law based on BP neural network is produced after the network training. The simulation results on an example illustrate the approach obtained feasible and effective.     

基于PID神经元的温度控制系统研究

应用神经网络控制理论和方法，对传统温度控制系统进行控制，可以得到无静差，无超调的优良性能，这对于传统工业改造具有实际意义。     

基于参考模型神经网络的锅炉燃烧系统控制

大纯时延、煤种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。本文作者提出了改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,辨识出非线性对象的延迟时间的方法,将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合,可用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制,同时,以10t／h链条炉作为研究对象进行仿真,仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快,鲁棒性能好等优点。     

一种基于模糊神经网络的PID控制器

利用神经网络自学习自适应能力和快速计算能力,提出一种基于模糊神经网络的PID智能控制器．该系统将模糊技术、神经网络与PID控制结合起来,实现了PID控制的自适应和智能化．通过仿真实验表明,该控制方案与传统PID控制系统相比,无论是超调量还是稳定时间,效果都要好得多．