基于柔性神经网络自适应PID的磁轴承径向力控制

针对电机磁轴承径向力控制的严重非线性,提出了利用神经网络自适应整定PID参数,从而直接调节磁轴承径向悬浮绕组电流实现转子径向稳定悬浮的控制方案.在利用BP神经网络结合PID控制实现转子径向稳定悬浮的基础上,为改善径向位移跟踪的动静态性能,提出了基于柔性神经网络的径向力控制,给出了详细的控制算法,并仿真比较了柔性神经网络控制与BP神经网络控制下转子在空载和突加负载时径向悬浮情况,仿真结果表明柔性神经网络控制具有更好的动静态性能,为智能控制的进一步应用研究提供了基础.     

基于模糊免疫神经网络PID算法的全向底盘控制方法

针对全向底盘控制的实际需求,提出了基于模糊免疫神经网络PID算法的智能控制方法。首先根据神经网络算法和模糊算法的结构特点建立了模糊神经网络模型,并使用误差反向传播的方法对模型进行训练;然后使用免疫算法确定学习率,实现了对PID参数的动态整定,并对底盘路径跟踪控制器参数进行整定,以实现对底盘的精确运动控制;最后建立了底盘的运动学模型,基于Matlab平台进行了相关算法的仿真,并基于Linux Ubuntu系统下Tensorflow框架搭建并训练了神经网络模型,进而实现了整体算法。轨迹跟踪试验表明:当底盘沿不同方向以5 m/s的速度进行轨迹跟踪时,最大误差为4.88cm,平均误差为0.25cm,该算法能够有效地对底盘进行控制,满足全向底盘控制的要求。     

一类非线性滞后系统的自整定PID控制

针对采用传统PID控制一类非线性滞后系统,难以获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法.利用具有在线能力的最近零聚类学习算法,训练RBF神经网络,从而自适应调整系统的控制参数.仿真结果证明了,该控制策略不仅能使非线性滞后系统具有良好的动态跟踪性能,而且具有很好的抗干扰能力.     

淬火炉温度的自适应神经PID控制

以淬火炉温度控制系统为研究对象,提出了一种基于BP神经网络整定的PID控制方法,并给出了系统设计及软件开发.由于神经网格所具有的任意非线性表达能力,可以通过对系统性能的学习来实现具有最佳组合的PID控制.实验结果表明,用该方法整定的PID控制系统,逼近精度高,鲁棒性好.     

一种基于DRNN神经网络整定的PID解耦控制方法的研究

根据DRNN神经网络的Jacobian信息辨识，提出一种基于DRNN神经网络整定的PID解耦控制方法，并进行了计算机仿真，仿真结果表明：与一般PID解耦控制相比，基于DRNN神经网络整定的PID解耦控制具有响应速度快，自适应能力强，抗干扰能力强的优点。     

基于RBF神经网络PID控制的高速列车速度跟踪

速度跟踪控制是列车自动驾驶的一个重要研究方向,但现有速度跟踪控制的性能尚需改进.本文探究了径向基函数(RBF)神经网络PID控制对高速列车速度的跟踪控制.首先改进了高速列车多质点模型;然后研究了被控对象RBF网络整定的PID控制算法,结合反馈控制设计了速度跟踪控制器,根据速度误差用神经网络PID控制决定牵引力和制动力;最后进行了数字化仿真,在仿真过程中考虑了阻力和车厢之间的作用力,并对3种方法进行了对比,结果表明,RBF神经网络PID控制具有最小的速度和距离跟踪误差.相对于单质点模型,本文的多质点模型提高了建模精度,控制系统具有响应速度快、跟踪性能好等优势.     

一种改进的PID控制方法

本文在文献的基础上,提出了一种改进的PID控制方法。使用该方法整定PID参数,可同时起到跟踪给定输人和抑制外部扰动的作用。仿真结果表明,方法是有效的。     

基于BP网络的PID控制器参数整定法研究

将神经网络和PID参数的整定相结合,提出了基于误差反传神经网络的PID参数整定方法,通过神经网络的自学习和权值调整寻找最优的PID参数。该方法适用于非线性系统和时变系统,实现了PID参数的在线整定。     

基于RBF神经网络整定的调距桨PID控制

针对可调螺距螺旋桨采用的传统PID控制具有超调大、调节时间长等缺点,提出了一种基于RBF神经网络整定的PID控制算法.这种算法采用3输入、单输出的RBF神经网络对系统性能学习以找出最佳的PID组合,实现对调距桨螺距角的控制.仿真试验表明,基于RBF神经网络整定的PID控制效果明显优于传统的PID控制.     

改进BP神经网络的并网逆变器分数阶比例-积分-微分控制策略

传统PID控制技术在电网产生扰动时无法兼顾快速性和鲁棒性,易造成系统不稳定失衡,向电网注入大量的谐波。对此现象,提出了一种改进BP神经网络的分数阶PID控制器来提高电网的鲁棒性和对响应的快速性。该算法采用分数阶PID控制器跟踪电流外环的参考电流,并针对分数阶PID控制器的五个参数采用BP神经网络实时在线整定。消除了人为调参所带来的不确定性。对于BP神经网络在整定参数过程中无法整定得到最优解,引入变化的惯性因子和学习率,提高了BP神经网络的求解效率。仿真结果验证,所提控制算法对并网电流能够实现快速跟踪,鲁棒性好。     

输入受限下机器人关节神经网络自适应控制

针对机器人关节控制输入受限以及动力学模型中存在非线性摩擦、柔性变形和未知外部干扰力矩等问题,提出了一种基于径向基函数（radial basis function, RBF）神经网络的输入饱和指令滤波自适应控制方法。基于指令滤波反步法,采用饱和函数约束控制输入的幅值,使用RBF神经网络在线逼近未知干扰,并利用Lyapunov稳定性理论证明了闭环系统的所有误差最终一致有界。仿真结果表明,控制算法不仅使系统的控制输入幅值被严格约束在规定的范围之内,完成了对目标轨迹的高精度跟踪（跟踪误差约为±0.003 rad）,而且还可抵抗外部阶跃干扰力矩和建模误差对控制系统的不良影响,保证系统的高精度与强鲁棒性,性能优于PID (propotional integral derivative)控制和普通指令滤波反步控制（command filter backstepping control, CFBC）,对机器人关节在高精度领域应用与智能控制具有重要价值。     

采用自适应模糊PID的二阶倒立摆控制

建立一个二阶倒立摆的数学模型,将常规比例-积分-微分(PID)控制与模糊控制相结合,设计模糊PID控制器,实现PID参数的自适应模糊整定.仿真实验表明:所设计的模糊PID控制器能很好地实现二阶倒立摆的扶起平衡控制,控制效果明显好于常规PID控制器,超调量和调节时间较小,具有较好的抗干扰能力,非常适合二阶倒立摆模型的稳定控制.     

基于SimMechanics的直线二级倒立摆仿真研究

倒立摆是一个非线性、高阶次和绝对不稳定系统,广泛用于测试各种控制算法。为了对直线二级倒立摆进行建模、控制和仿真,首先讨论了倒立摆数学模型并利用MATLAB中第二代SimMechanics工具箱进行三维建模。此外,实现了两种控制算法的稳定性控制并进行对比,针对比例积分微分(proportional integral derivative,PID)控制,提出采用主导极点配置方法进行参数整定,而模糊控制采用了基于线性二次型(linear quadratic regulator, LQR)融合的模糊控制器设计。结果表明,两种控制方法均取得较好的控制效果,且模糊控制在快速性、超调量及抗干扰能力上都比PID控制性能优越。     

柔性倒立摆远程控制实验系统

通过对柔性连接倒立摆系统的一级摆实物远程控制研究,采用拉格朗日方程法进行系统建模,建立了一级柔性连接倒立摆系统的数学模型并进行了定性分析. 探讨了利用Matlab与Simulink实现系统的实物控制及加权矩阵 Q和R 的选取方法. 结合Matlab和C语言,实现了柔性倒立摆系统以互联网为介质的远程控制实验系统.     

基于RBF神经网络整定的热风炉温控系统设计

为了提高热风炉的燃烧效率,改善热风炉温控系统的自动化程度,提出了一种基于RBF神经网络整定的PID控制策略。首先,通过RBF神经网络算法和增量式PID控制器的结合,将神经网络强大的自学习能力应用于对增量式PID参数的调整。然后,在常规热风炉温控系统的基础上,将其外环改为采用RBF神经网络整定的PID控制。热风炉温控系统中内环以煤气阀门开度为变量,外环以拱顶温度为控制变量,通过改进的串级控制来实现热风炉的燃烧优化调整。Matlab仿真分析和实际应用效果表明,RBF神经网络整定的PID控制曲线几乎无超调量,系统抗干扰能力相对传统的PID控制提高了50%。与传统的手动控制相比,所提出的控制策略使得原系统的抑制干扰能力明显增强、鲁棒性更好,在热风炉温控方面具有良好的研究和应用价值。     

基于神经网络的空间柔性机械臂PID快速学习控制

针对自由漂浮柔性空间机器人的轨迹跟踪问题,提出一种径向基函数（RBF）神经网络控制策略.首先建立漂浮基柔性空间机器人的非线性动力学方程,考虑到RBF神经网络良好的逼近能力,柔性臂的非线性逆动力学模型通过RBF网络来逼近,采用PID控制器与神经网络控制器来共同保证系统稳定性,其误差代价函数由PID控制器提供,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整来实现快速学习能力.仿真结果表明了这种RBF神经控制器能够达到较快的误差收敛速度.     

基于遗传算法优化的双回路模糊控制倒立摆系统

通过遗传算法、模糊控制、PID的结合,对直线一级倒立摆的平衡控制问题进行了优化控制。首先用牛顿-欧拉法建立倒立摆的动力学模型,得出系统的传递函数和状态空间表达式,分析系统的稳定性和可控性。以此为基础,先设计了PID单回路和双回路控制器;然后用遗传算法优化PID参数;再用优化的参数设计双回路模糊PID控制器;并用MATLAB对系统进行了仿真。纵向和横向控制方法的对比分析表明:该方案控制效果最好,能同时控制角度和位移;其参数可在最优PID初值的基础上在线修改,实现最佳调整,使对象具有良好的静态和动态性能。     

二级倒立摆的TS型逐级模糊神经网络控制

提出了一种逐级模糊神经网络控制法．该控制法通过采用Takagi-Sugeno型模糊神经网络控制器和逐级模糊控制规则,实现了二级倒立摆系统的稳定控制．模糊神经网络控制器的参数采用遗传算法分4步进行优化．实验结果表明,采用逐级模糊神经网络控制法,用20条模糊规则就可以实现二级倒立摆系统的稳定控制,并且控制效果佳,系统鲁棒性强。     

基于增强学习规则的倒立摆模糊神经网络控制器

为实现模型未知、初始时有脉冲输入的车上单级倒立摆镇定控制,提出了一种采用增强学习规则训练的模糊神经网络控制器。以神经网络构造基于T-S(Tankagi-Sugeno)规则的模糊控制器;用3层前馈网络组成预测器进入仿真,得到倒立摆状态并计算状态预测值,再将状态和状态预测值组成训练数据对,训练状态预测BP(Backward Propagation)网络;利用增强学习的方法训练模糊控制器,根据神经网络产生的模糊控制量和倒立摆状态预测,做出控制决策。此方法简化了模糊控制部分参数调整,亦可应用于其他无模型控制。实验证明,控制器鲁棒性良好,即使在倒立摆参数变化较大时,控制器仍能维持倒立摆平衡。