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。     

智能PID控制器在船舶发电机电压控制中的应用

解决船舶发电机在负荷突变尤其是大负荷突变时能够稳定发电机端电压是控制系统需要解决的基本问题.为此提出和使用一种新型智能PID控制系统,其中PID控制器由三层前馈神经网络组成.利用神经网络的自学习能力,PID控制器的参数能够根据系统动态特性通过神经网络权系数进行自行调整,其特点是结构简单、工作稳定.仿真结果表明,该智能PID控制器比传统的PID控制器具有对扰动响应速度快和具有更好的控制效果和更好的鲁棒性,能更好地稳定船舶发电机端电压.该智能PID控制器已用于船舶发电机控制系统中,并取得满意的效果.     

仿生水下机器人的增强学习姿态镇定

针对一类双波动鳍仿生水下机器人的姿态镇定问题,提出一种基于增强学习的自适应PID控制方法.对增强学习自适应PID控制器进行了具体设计,包括PD控制律和基于增强学习的参数自适应方法.基于实际模型参数对偏航角镇定问题进行了仿真试验.结果表明,经过较小次数的学习控制后,仿生水下机器人的偏航角镇定性能得到明显改善,而且能够在短时间内对一般性扰动进行抑制,表现出了较好的适应性.     

永磁同步电动机神经网络速度控制仿真研究

提出利用神经网络作为控制器，取代常规的PID控制器，能达到对变化对象、随机扰动等因素的良好的控制效果，使系统既具有快速的动态响应，又有较高的稳定程度。实现永磁同步电动机调速系统速度控制的研究。仿真结果表明：当突加负载扰动或参数突变时，神经网络控制与PID控制相比，具有恢复时间短，超调和震荡小等特点，证明了神经网络控制的比常规PID控制优越。     

基于内模控制原理整定PID参数

针对一类不稳定时滞过程,采用双环控制结构,首先使广义对象（内环）稳定,然后根据内模控制原理设计外环控制器,得到等效的PID控制器参数的整定方法．仿真结果表明,整定后的系统不但具有良好的鲁棒性,而且调节快速．适合于工程实际应用．     

一类不确定对象的两自由度H_∞控制

本文针对具有输出端乘性不确定性这一类对象 ,推导出了在两自由度H∞ 控制结构中 ,为使系统同时具有稳定鲁棒性和性能鲁棒性 ,两个控制器应满足的一个充分条件 ;在此基础上将两自由度H∞ 控制问题转化为标准控制H∞ 问题 ,给出了一种两自由度H∞ 控制器的设计方法     

一种二自由度PID控制器参数整定方法

针对二自由度PID控制器,提出一种简单的基于预期动力学方程设计的参数整定方法.通过分析,将二自由度PID控制器表示成闭环系统预期动力学特性方程和系统扰动量观测器的函数.选取预期动力学特性方程系数和观测器参数作为控制器参数,分析了参数与系统性能的关系,并提出了各个参数的取值规则.仿真结果表明,该方法对含纯积分环节对象、非最小相位对象、时滞对象、高阶对象、不稳定对象等都具有良好的控制效果.     

永磁同步电机位置伺服系统的RBF神经网络滑模控制策略

针对永磁同步电机(PMSM)位置伺服控制系统的负载扰动、外部不确定性干扰和模型参数摄动的特点,常规PID控制策略难以达到满意的控制效果.利用滑模控制对系统扰动和参数变化不灵敏的优点,提出一种基于神经网络和滑模控制相结合的位置伺服优化控制策略.在常规滑模控制器设计的基础上,引入RBF神经网络调节滑模控制器的切换增益,削弱系统的抖振,并通过在系统中设计干扰观测器实现对扰动的补偿.仿真结果表明:与常规滑模控制和常规PID控制相比,不同参数下本文所提出的优化控制策略超调量最多降低22%,调节时间最多减少9.2 s,有效提高位置伺服系统的鲁棒性、抗干扰能力和跟踪精度,且系统抖振得到有效遏制.     

一类不确定对象的两自由度H∞控制

本针对具有输出端乘性不确定性这一类对象,推导出了在两自由度H∞控制结构中,为使系统同时具有稳定鲁棒性和性能鲁棒性,两个控制器应满足的一个充分条件;在此基础上将两自由度H∞控制问题转化为标准控制H∞问题,给出了一种两自由度H∞控制器的设计方法。     

PID控制作用下一阶时滞系统的鲁棒稳定性分析

研究了PID控制作用下参数不确定一阶时滞系统的鲁棒稳定性问题.确定了一阶时滞系统能被PID控制器镇定的前提条件,利用双轨迹法的解析形式,给出了系统参数必须满足的几个稳定约束条件,证明了PID控制器对于一阶时滞系统的镇定始终是时滞相关的.依据所得到的稳定约束条件,通过具体的例子分别定量给出了3个对象参数中1个、2个和3个参数不确定3种情况下系统参数的鲁棒稳定域.     

LQR优化的BP神经网络PID控制器设计

针对传统神经网络PID(比例 积分 微分)控制器和传统线性二次调节器(LQR)优化型PID控制器对无刷直流电机转速控制恢复时间长及抗干扰性较差等问题, 提出一种LQR优化的BP神经网络PID控制器, 用于无刷直流电机的转速控制. 首先, 利用BP神经网络对PID增益进行调节, 提高控制器的动态适应性和鲁棒性； 然后, 采用LQR优化BP神经网络最优输出, 使其更接近目标PID增益. 仿真结果表明, 该控制器有效提高了响应速度, 减小了稳态误差并增强了抗干扰能力.     

不稳定时滞过程的二自由度PID控制

针对一类不稳定时滞过程，采用双环控制结构，首先使广义对象稳定，然后按内模控制原理设计了一种二自由度PID控制器．所设计的控制器具有两个可调参数，且被调参数与系统性能直接相关，可使系统同时具有良好的目标值跟踪特性和干扰抑制特性．仿真结果证明了它的有效性.     

Combinatorial Optimization Based Analog Circuit Fault Diagnosis with Back Propagation Neural Network

Electronic components＇ reliability has become the key of the complex system mission execution. Analog circuit is an important part of electronic components. Its fault diagnosis is far more challenging than that of digital circuit. Simulations and applications have shown that the methods based on BP neural network are effective in analog circuit fault diagnosis. Aiming at the tolerance of analog circuit,a combinatorial optimization diagnosis scheme was proposed with back propagation（ BP） neural network（ BPNN）.The main contributions of this scheme included two parts：（ 1） the random tolerance samples were added into the nominal training samples to establish new training samples,which were used to train the BP neural network based diagnosis model;（ 2） the initial weights of the BP neural network were optimized by genetic algorithm（ GA） to avoid local minima,and the BP neural network was tuned with Levenberg-Marquardt algorithm（ LMA） in the local solution space to look for the optimum solution or approximate optimal solutions. The experimental results show preliminarily that the scheme substantially improves the whole learning process approximation and generalization ability,and effectively promotes analog circuit fault diagnosis performance based on BPNN.     

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。     

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．     

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.     

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。     

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LabVIEW的神经网络PID自适应控制器的设计与应用

基于LabVIEW的神经网络PID自适应控制器，是将LabVIEW与Matlab神经网络工具箱相结合，控制算法上将神经网络和PID控制规律融为一体，既具有常规PID控制器结构简单、参数物理意义明确的优点，又具有神经网络自学习、自适应的功能；且与测量、自动化的硬件结合非常紧密，使这种控制器不仅在算法上比常规控制器具有更好的鲁棒性和控制效果，而且在工控领域也必将有广阔的应用前景。