基于U模型的神经网络PID控制系统设计

研究一类非线性对象的建模,提出通用的非线性U模型表达式。在非线性U模型基础之上,提出径向基神经网络PID控制算法,采用梯度下降法与PID位置增量算法相结合,根据径向基神经网络在线辨识非线性被控对象,得出Jacobian信息去修正PID控制器参数,最终完成非线性系统的精确控制。仿真结果证实,采用高精度的非线性U模型及神经网络PID控制算法提高了非线性控制系统的精度。     

径向基神经网络和模糊PID控制器在矿井输送机中的应用

矿井输送机运行过程中,由于被控对象具有时变、非线性等因素,传统自适应PID控制算法难以满足控制要求．针对这一问题,采用径向基神经网络和模糊控制策略优化PID控制器参数,从而对矿井输送机进行控制。在MATLAB上进行试验仿真实验结果表明,这种PID控制器在矿井输送机中起到了很好的效果,     

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.     

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RBF神经网络的PID整定

针对非线性系统,采用了基于径向基函数（RBF）神经网络的PID整定,用遗传算法优化RBF神经网络,仿真结果表明,基于遗传算法优化的RBF神经网络PID整定收敛速度快,整定效果优于基于梯度下降法优化的RBF神经网络PID整定。     

基于RBF神经网络自适应整定燃烧串级控制系统

针对传统的锅炉燃烧串级控制系统采用固定的PID控制参数难以取得满意的控制效果的缺点,引入径向基(RBF)神经网络自适应整定燃烧串级控制系统外同路的PID参数.内回路仍然沿用原来的Pl控制方式及控制参数,由RBF网络辨识得到被控对象的Jacobian信息后,根据梯度下降法自适应调整系统外回路的PID控制参数.仿真研究结果表明:新控制算法能够消除控制系统的静态误差;即使被控对象的模型参数发生了很大变化,新控制算法仍然能快速响应蒸汽压力的阶跃扰动,迅速克服燃料量内扰,其控制效果明显优于常规PID串级控制.     

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。     

基于神经网络逼近的磁浮列车动态悬浮控制

为了有效提高磁浮列车悬浮系统在负载扰动和轨道不平顺扰动下的动态特性,提出了一种基于Lyapunov稳定性分析的径向基神经网络逼近算法使悬浮间隙能够在有界范围内达到最优。首先,以悬浮负载为受控对象建立系统垂向动力学方程和电压控制方程,以此构造能够表征系统非线性的状态空间方程。其次,确定径向基函数(radial basis function, RBF)神经网络基本结构,根据悬浮间隙误差约束条件和控制电流构造输入输出,并以此设计控制律保证所输出悬浮间隙能够在多种扰动的综合作用下持续稳定;再次,基于Lyapunov稳定性第二判据证明系统闭环稳定,能够在误差整定过程中使得间隙误差收敛于无穷小。最后,通过与目前应用较为广泛的比例-积分-微分(proportion-integral-derivative, PID)控制算法进行仿真对比,在非线性负载力和不平顺扰动下分析验证所提出控制算法的有效性。结果表明:所提控制算法比PID控制算法具有更好的鲁棒性。