改进单神经元PID控制器在伺服系统中的应用

单神经元PID以其计算量小,结构简单的优点被广泛应用。对基于单个神经元的直接PID控制算法进行改进,改进算法中采用不同的学习速率和权值调整方法,更好的体现了PID控制器中比例、积分、微分环节的作用。通过对典型的转台动态伺服系统仿真表明,改进算法比一般的单神经元PID算法控制效果好,抗干扰性好。     

基于遗传算法寻优的PID控制技术及应用

以电液比例机械手为研究对象,提出一种基于遗传算法寻优的PID控制算法,并进行了计算机仿真和试验研究.结果表明,根据遗传算法寻优设计的PID控制器具有较强的鲁棒性,即使在外部环境恶劣的条件下,系统的控制性能仍具有较好的动态品质和稳态精度.     

基于模糊/PID控制的渠道运行系统设计和仿真

将传统控制方法与模糊控制理论相结合,利用MATLAB模糊逻辑工具箱设计了一种模糊/PID控制器,用于渠道运行系统的控制,并利用SIMULINK建立了渠道运行的仿真模型,实现了对系统的仿真.结果表明,模糊/PID控制集PID控制与模糊控制的优点于一体,使系统在保持良好的稳态性能的同时,又获得了良好的动态性能.     

基于自组织调整因子的模糊PID控制器设计

实际工业过程往往是非线性、时变性、其结构参数不确定的系统。提出一种基于自组织调整因子的模糊PID控制器：采用归一化加速度参量来反映系统响应的快慢,引入变论域思想,构建模糊PID控制器的自组织调整机构。该机构根据系统输入输出误差,以归一化加速度参量在线辨识系统运行的不同阶段,动态调整模糊PID控制器的量化因子和比例因子,以改变模糊PID控制器输入输出变量与模糊子集的映射关系,使论域产生伸缩变化,以调节控制器的微分、积分控制作用。仿真结果表明：该自适应模糊PID控制器具有较大的动态调节范围,其动静态性能、鲁棒性、抗干扰能力均优于PID和常规模糊PID控制器。     

动基座光电跟踪装置的满意PID解耦控制

为了减小基座扰动和转台框架间的非线性耦合因素对动基座光电跟踪装置稳定跟踪性能的影响,设计了一种多指标约束下的满意PID解耦控制器。首先,通过分析框架间的运动学以及动力学关系,建立了转台系统的数学模型;其次,采用具有前馈项的控制输入变换实现系统模型的扰动解耦,并利用极点区域与输出方差上界指标约束下的H∞优化理论及线性矩阵不等式方法对PID跟踪控制器参数进行整定。最后对所提控制方法进行仿真验证,结果表明了其有效性和实用性。     

基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。     

基于广义预测的非线性解耦PID控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络的非线性多变量PID解耦控制方法。该控制器是由常规PID控制器与解耦补偿器、未建模动态前馈补偿器组成,而PID参数的整定是通过广义预测的方法实现的。同时给出了该控制方法的闭环系统的稳定性和收敛性分析。最后通过仿真实例验证了所提方法的有效性和可行性。     

神经网络在转台控制系统设计中的应用

针对三轴飞行仿真转台中环电液伺服系统的非线性、参数时变性以及转台的快速性要求，给出了一种具有并行结构的单个神经元PID模型参考自适应控制方法。其中环利用神经网络逼近被控对象，控制器采用单个神经元PID。仿真结果表明该方法满足系统快速性的要求，并具有较好的鲁棒性。     

交流伺服系统串级预测函数控制的仿真研究

根据预测函数控制方法的原理对交流伺服系统进行了三级串级闭环控制的仿真应用研究。在分析预测函数控制方法闭环性能的基础上，给出预测函数控制器的设计方法，建立了交流伺服系统串级预测函数控制的系统结构，讨论了实现串级控制的方法。通过仿真及与PID方法的比较表明，预测函数控制方法能够改善交流伺服系统的控制特性。     

一类热工过程分布参数模型的PID控制仿真研究

分布参数系统普遍存在于热工过程中,PID是普遍采用的控制方法,因此有必要研究分布参数对象的PID控制问题。一般的PID控制器设计方法需要将分布参数模型简化为集总参数模型并降阶,这样就引入了模型误差;基于遗传算法的PID控制器优化设计方法(GAOPT)不受模型限制,可以直接基于分布参数模型进行控制器设计。利用GAOPT方法设计了一类分布参数模型的PID控制器。仿真结果表明,GAOPT方法比常规方法可以获得在超调量、调节时间、ITAE和性能鲁棒性等指标上都较优的控制效果;同时,基于分布参数模型的控制器比基于近似模型的控制器的控制效果有明显改善。     

某型武器模拟转台专家智能控制器的设计

针对控制器饱和等非线性因素严重影响武器模拟转台控制稳定性和精确性的问题,设计了一种基于专家知识的智能控制器,建立了控制规则。采用传统定参数PID控制,保证系统对平缓位置信号的精确跟踪;利用专家智能控制实现大阶跃波动下的快速、平稳过渡。仿真和实验结果表明,控制器调节参数少,收敛速度快,且具有较好的鲁棒性,满足了模拟转台过渡快速、稳定,跟踪精确的研制要求。     

基于模糊PID控制的导引头角跟踪系统

根据导引头角跟踪系统的工作原理建立了数学模型,并针对这套系统设计了一种模糊PID的控制方法,从而改善了整个系统的控制效果。仿真结果表明,模糊PID控制器在稳定时间、稳态精度上均比传统PID控制器有较大的改进。     

纳卫星PID主动热控制及其仿真研究

建立了球状纳卫星的基本热环境模型。提出基于PID主动热控制的温度控制策略。分别向控制对象系统中舱内仪器、辐射器以及外壳热负荷输入一定大小的阶跃变化进行MATLAB仿真试验。仿真结果显示,PID控制系统能够较为准确、快速的对纳卫星温度系统进行合理的调节与控制。     

电加热锅炉系统神经网络PID解耦控制器

以多输入多输出系统电加热锅炉为被控对象 ,基于神经网络 PID控制 ,提出了一种可用于带有耦合时延的多输入多输出系统的比例、积分和微分参数自整定的多输入多输出神经网络 PID解耦控制器 ,可以实现多变量系统的解耦 ,定值跟踪控制 ,并使系统具有很好的动态及稳态性能.     

潜艇深度模糊控制及仿真研究

根据潜艇操纵控制过程非线性、慢时变的特点,本文在潜艇深度垂直面运动方程的基础上设计了一个带模糊积分环节的潜艇深度模糊控制器,仿真结果表明,模糊控制器不仅能较好的实现深度保持,对舵机的损耗也比传统的PID控制小,并且,带模糊积分的潜艇深度控制器比PID控制具有更好的稳态精度。     

一种新型的模糊PID控制器

文中将PID控制器在工程整定方法的基础上，对PID参数作归一化处理，然后通过模糊控制规则和模糊推理确定对PID的参数进行调节，提出了一种新型的模糊PID算法，从而使PID控制器具有适应非线性、时变，不确定性等复杂难控对象的能力。最后利用某火力发电厂过热气温为对象对该算法进行了仿真研究。结果表明该算法使用可靠、精度高，而且具有较强的抗干扰能力和鲁棒性。     

时滞系统的最优PID控制与仿真

对过程控制领域中两类典型时滞系统在控制能量存在约束时的最优控制问题作了探讨。定义了一个包含跟踪误差和控制能量在内的积分平方性能指标，针对不同系统运用谱分解的方法最小化该性能指标，从而导出相应的PID控制器的参数整定方法，可使系统在控制能量约束条件下具有最优的控制性能。仿真研究进一步说明了所给方法的有效性。     

锅炉复杂热工过程两层结构监控系统设计方法

当系统存在较大扰动时,锅炉的变量如蒸汽压力和汽包水位都会产生较大的波动.简单的底层控制器消除这种波动的效果不太理想.提出了两层结构控制方法来改善系统的性能.底层控制采用基于DCS（Distributed control systems）系统的预测PID控制方法,根据当前的工况,蒸汽压力和水位的设定点由基于模糊理论的监控层给出.针对一个具体的锅炉系统,改进后的方法其控制性能和经济目标均有了很大的改善.     

Non-Minimum Phase Nonlinear System Predictive Control Based on Local Recurrent Neural Networks

Abstract: After a recursive multi-step-ahead predictor for nonlinear systems based on local recurrent neural networks isintroduced, an intelligent PID controller is adopted to correct the errors including identified model errors and accumulatederrors produced in the recursive process. Characterized by predictive control, this method can achieve a good controlaccuracy and has good robustness. A simulation study shows that this control algorithm is very effective.