医院大型电梯电力系统的可编程逻辑控制器控制方法优化

医院大型电梯电力系统在实际运行的过程中具有很高的非线性和时变性,使大型电梯电力系统可编程逻辑控制器(PLC)控制效果不佳,当前方法采用线性学习法,无法适应运行环境的不确定性,造成电力系统控制的不稳定性。提出一种基于BP神经网络PID控制算法的医院大型电梯电力系统的PLC控制优化方法,将PID算法作为PLC的软件设计部分,通过比例、积分与微分这三种控制作用的合理调配,形成相互关系。鉴于PID控制算法调节时间长、超调量大等弊端,采用BP神经网络对其进行优化。利用BP神经网络的自学习和加权系数的调整,使BP神经网络输出最优大型电梯电力系统控制规律下的PID控制算法的参数,实现医院大型电梯电力系统的稳定控制。实验结果表明,所提方法具有很高的控制稳定性和鲁邦性,综合性能较强。     

BP网络规则PID在电弧炉电极调节系统中的实现

针对电弧炉电极调节系统,建立其数学模型.分析了电弧炉电极调节系统的非线性.在此基础上,针对控制对象的复杂性,将应用最广泛的PID控制器与具有自学习功能的神经网络相结合,提出了基于BP神经网络规则的PID控制算法.BP神经网络规则的PID控制算法改善了传统神经网络学习时间长、收敛速度慢的弱点,解决了传统的PID控制未知复杂系统的不足,Matlab6.5软件仿真结果表明,采用BP神经网络规则的PID控制算法的控制效果还是令人满意的.     

LMBP神经网络PID控制器在暖通空调系统中的应用研究

针对BP神经网络学习过程收敛速度慢及易陷入局部极小值的缺陷,研究了levenberg-marquart算法(即LM算法).为解决LM算法中学习速率的选择和逆矩阵的求解这两个严重影响训练时间和收敛精度的问题,采用LU分解法对LM算法进行改进和优化,并通过MATLAB语言编程实现,将得到的LMBP神经网络PID控制器应用于暖通空调冷冻水循环的控制回路中,将其控制效果与PID控制算法、BP神经网络PID控制算法进行仿真对比研究.研究结果表明,采用LMBP神经网络PID控制器在减少超调量、加快收敛速度、减少稳态误差等方面的性能都得到了明显的改善.     

大型电力系统自动化控制优化方法研究

大型电力系统自动化优化控制是保证电力系统稳定可靠供电的基础。传统的电力系统自动化控制采用PID神经网络控制和比例谐振控制方法,系统响应速度和稳定性不好。提出一种基于动态前馈神经网络控制的大型电力系统自动化优化控制方法。采用电压电流双闭环控制原理,经过选频滤波处理,实现对大型电力系统自动化控制增益分配均衡处理。仿真结果表明,采用该控制方法电力系统的输出功率增益受到的干扰较小,系统控制精度较高,提高了电力系统的稳定性。     

基于BP神经网络的PID控制算法在四轴飞行器中的应用

四轴飞行器是一个非线性、时变的控制系统,由于典型PID算法缺乏自适应能力,典型的PID控制算法对四轴飞行器无法达到较好的控制效果,于是提出了基于BP神经网络的智能PID控制算法。本文首先通过选取适当的坐标系统对旋翼受力进行了近似和简化处理建立其数学模型,根据得到各通道的传递函数,然后使用BP神经网络PID控制方法对四轴飞行器进行控制,实现PID参数自动调整,结果表明BP神经网络PID控制对非线性系统及其参数具有良好的控制效果,而且具有更好的适应性,同时也具有很好的逼近和容错能力。     

基于BP神经网络的PID控制器研究

从BP神经网络的基本原理、学习规则和学习算法出发,研究了基于BP神经网络的PID控制方法,采用3层前向网络及动态BP算法,取得了较高的控制品质。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具有很强的鲁棒性。     

一种时变非线性对象神经网络PID控制的仿真

利用BP神经网络对被控对象进行了控制和辨识,提出了一种基于BP神经网络的PID控制器;给出了相应的控制算法;并对典型的参数时变非线性系统的控制进行了仿真研究。仿真结果表明,同传统PID控制器相比,神经网络PID控制器对于模型、环境具有较好的适应能力与较强的鲁棒性,证明了神经网络控制的优越性。     

基于BP神经网络的PID控制器参数调整

分别采用传统PID控制、BP神经网络PID控制算法,仿真控制传递函数为2阶的无刷直流电机.传统PID控制需要在初期给定比例、积分、微分系数值,而BP神经网络PID控制可以自适应调整比例、积分、微分系数值,从而实时改变被控对象的输入,使系统快速响应并稳定.     

基于LM算法的神经网络PID控制器优化设计

神经网络PID控制器具有自组织、自学习能力,可以实现白适应的非线性控制.针对传统神经一络采用的BP算法度很慢,容易陷入局部最优的缺陷,提出一种LM优化算法并用于神经网络PID控制器设计.仿真实验表明,该方法具有很好的寻优能力和较高的参数优化的能力.     

基于BP神经网络的PID控制器及其MATLAB仿真

PID控制算法简单、应用广泛,既能消除余差,又能提高系统的稳定性,但其P环节、I环节、D环节的控制参数却参数难以整定;BP神经网络算法具有很强的数字运算能力,因此,可通过BP神经网络自学习、加权系数调整,实现PID的最优调整,本文以小车控制为例,利用BP神经网络的学习能力进行PID参数的在线整定,并进行了MATLAB仿真,结果表明,利用BP神经网络可很快的找到PID的控制参数。     

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。     

采用改进神经网络PID控制的移动机器人轨迹追踪控制研究

为了提高双轮移动机器人运动轨迹追踪精度,采用改进粒子群算法优化BP神经网络PID控制器,并对控制效果进行仿真验证。创建双轮移动机器人模型简图,给出运动轨迹误差方程式。在传统PID控制基础上增加BP神经网络结构,引用粒子群算法并对其进行改进,采用改进粒子群算法优化BP神经网络PID控制调整参数,给出双轮移动机器人PID控制参数优化流程。采用数学软件MATLAB对双轮移动机器人轨迹追踪误差进行仿真验证,并与传统PID控制追踪误差进行对比。仿真曲线显示:在理想环境中,双轮移动机器人采用两种控制方法都能较好地实现轨迹追踪,追踪误差较小;在干扰波形环境中,传统PID控制双轮移动机器人追踪误差较大,而改进PID控制双轮移动机器人追踪误差较小。采用改进粒子群算法优化BP神经网络PID控制器,可以提高移动机器人运动轨迹追踪精度。     

基于GA-PID神经网络的板形模式识别方法

针对传统板形模式识别方法存在抗干扰能力差和识别精度有限等缺点,提出了基于遗传算法(GA)优化的PID神经网络板形模式识别方法.PID神经网络不仅具备传统多层前向网络的特点,而且其隐含层具有动态特性,可以直接用于动态系统辨识.GA具备良好的并行设计结构,具有全局优化的特点,利用GA对网络权值进行优化,克服了传统BP算法易陷于局部极小的不足.仿真结果表明:GA-PID神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形模式识别精度,可以满足板带轧机高精度的板形控制要求.     

采用改进神经网络PID控制的车辆悬架振动仿真研究

为了研究车辆悬架振动模型,创建了车辆悬架平面简图,并根据牛顿定律推导出车辆悬架振动微分方程式。引用BP神经网络PID控制器,对传统粒子群算法进行改进,将改进粒子群算法用于优化BP神经网络PID可知结构。通过MATLAB软件中对车辆悬架位移、速度和加速度进行仿真验证;同时,与BP神经网络PID控制器仿真结果进行比较和分析。结果表明,车辆悬架采用BP神经网络PID控制器,悬架行程、轮胎位移和车身加速度均方根值较大,车辆整体振动幅度较大;而采用改进BP神经网络PID控制器,悬架行程、轮胎位移和车身加速度均方根值较小,车辆整体振动幅度较小。采用改进神经网络PID控制车辆悬架,能够抑制路面噪声激励对车辆振动幅度的影响,提高车辆行驶的安全性。     

基于PSO的改进的PID控制器在VAV空调系统温度控制中的应用

以变风量空调系统的温度控制作为研究对象,在现有的研究基础上,提出了粒子群优化算法改进的BP神经网络PID控制方法。应用BP神经网络进行PID参数在线整定,粒子群优化算法提高BP神经网络的学习速率和收敛性,结合三者各自的优势以提高变风量空调系统的控制性能。     

基于BP神经网络的船舶航向智能PID控制研究

针对船舶航向控制非线性的特性,以船舶航向运动一阶KT模型为研究对象,设计了基于BP神经网络的自整定PID算法航向控制器。将传统PID与BP神经网络结合,对被控对象由BP神经网络进行辨识,给出PID控制参数,由PID控制算法进行控制并优化收敛速度。根据真实渡轮船舶特征参数,利用MATLAB/Simulink仿真软件建立船舶航向运动控制系统模型。仿真结果表明,基于BP神经网络的PID控制系统超调小、鲁棒性好,可长时间稳定工作,几乎无稳态误差,控制算法的实用性以及动态控制系统的优越性得到验证。     

一类基于Levenberg—Marquardt算法的神经PID控制研究

传统的比例积分控制器具有一定的局限性,尤其是当被控对象会有非线性、不确定性和时变特性,常规的PID控制器往往难以发挥作用,甚至会失稳．利用神经网络进行复杂过程的PID控制可以很好地解决上述问题．Levenberg—Marquadt（LM）算法是梯度下降法与高斯一牛顿法的结合,就训练次数与精度而言,它明显优于共轭梯度法及变学习率的BP算法,适用于PID控制．得到了在线自适应神经网络PID控制算法,该算法改善了传统BP算法,实现了现有PID控制器控制方法．     

PID神经网络混沌优化及其在机械臂轨迹跟踪控制中的应用

针对BP优化PID神经网络（BP-PDNN）易陷入局部极小的不足,提出了一种变尺度混沌优化PID神经网络设计方法,即MSCOA-PIDNN,将其应用于机械臂轨迹跟踪控制中.利用混沌运动的遍历性优化网络权值,通过压缩优化变量取值区间提高搜索效率.采用MSCOA-PIDNN建立机械臂系统的预测模型,以多步预测性能指标为目标函数,优化PID神经网络控制器,从而实现机械臂系统轨迹跟踪的有效控制.仿真结果表明,MSCOA-PIDNN在机械臂轨迹跟踪控制中性能优于BP-PIDNN.     

一种基于模糊神经网络的自适应PID智能控制器

设计了一种新的基于模糊神经网络的自适应PID智能控制器,该系统利用模糊神经网络对被控对象进行模糊辨识,同时,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,从而实现PID控制的自适应和智能化。仿真实验表明,该控制器具有较高的控制品质。