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.     

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.     

基于径向基函数的神经网络在线辨识的PID控制

针对工业控制领域中的非线性时变系统,讨论了RBF神经网络的在线辨识的算法,并与传统的PID控制相结合,对非线性时变对象进行了仿真实验.从实验结果中得出,通过RBF神经网络的在线辨识,对PID参数在线自整定,取得了比传统PID控制更好的效果.     

基于改进模糊神经网络的PID参数自整定算法

针对传统的PID控制算法参数整定困难,控制效果并不理想,将神经网络算法、模糊控制算法结合在一起,形成了模糊神经网络PID参数自整定算法,并且对模糊神经网络进行改进,将神经网络输入的状态变量进行模糊化和归一化处理,采用BP神经网络自整定PID控制器的参数,根据RBF神经网络得到受控对象的Jacobian信息。仿真结果表明,基于模糊神经网络的PID自整定控制效果较好,具有一定的应用前景。     

基于BP神经网络整定的PID控制策略研究

PID控制在工业生产中广泛应用,在反馈控制系统中经常会遇到稳定性和准确性的冲突,神经网络技术的发展为此提供了新的解决问题的途径,本文将BP神经网络模型与PID参数整定结合,探讨了基于BP神经网络整定的PID控制策略。     

双容水箱的神经PID控制

利用神经网络自学习的特性,结合常规PID(比例-积分-微分)控制理论,提出基于BP(back propaga-tion)神经网络进行PID参数整定的控制策略.该方案能实现控制器参数的自动调整,以及在线调节参数Kp,Ki,Kd,适应被控过程的时变性,提高控制的性能和可靠性.仿真结果表明:相对于传统的PID控制方法,神经网络PID控制系统取得更满意的控制效果.     

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。     

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。     

AQM中基于神经网络自适应的PID控制器

将神经网络和PID控制器有机结合,形成一种基于RBF网络在线辨识、单神经元网络在线整定的自适应PID控制器,用于对主动队列管理（AQM）的拥塞控制.仿真结果表明,该控制器对负载队列的控制效果明显优于传统PID控制器.     

热风炉空燃比并行协作粒子群滑模控制策略

针对热风炉燃烧控制存在的纯滞后、大惯性和强干扰等问题,提出了一种基于并行协作骨干粒子群(Parallel Cooperative Bare-Bones Particle Swarm Optimization,PCBBPSO) 优化全局滑模控制(Global Sliding Mode Control, GSMC)的热风炉空燃比控制策略;为改善热风炉空燃比控制系统动态特性,引入全局滑模策略,对燃烧系统进行优 化控制,以提高系统稳定性,同时,基于热风炉燃烧系统存在的强干扰特性,利用并行协作骨干粒子群对干扰补偿 进行调节以减小其对系统的影响,并求取最优控制率;仿真结果表明:与普通粒子群优化全局滑模和普通粒子群优 化 PID 相比,该控制方法达到稳定用时分别减少了 26. 4 s 和 9. 3 s,能够保持没有超调量,拥有良好稳定的跟踪和 抗干扰效果;将该控制策略应用于某钢铁有限公司 2 200 m 3 高炉配套热风炉,工程数据表明:在该空燃比策略的控 制下,热风炉空燃比上下波动幅度仅为 8. 20%,拥有波动小、稳定性好和抗干扰性强等特点,动态响应较好,能够满 足热风炉工程实际应用的需要。     

火灾模拟实验智能测控系统

按国际标准ISO834升温特性, 针对火灾模拟实验炉开发了一套火灾模拟实验过程智能测控系统. 该系统包含带智能通信的多路温度采集、带主元分析神经网络炉温数据融合、炉温智能PID控制等多种智能信息处理技术. 智能通信同时拥有RS-485串行和EPP并行接口, 保证了所采集的多路温度数据的实时性;采用带主元分析和RBF神经网络的炉温数据融合模型使炉温估计精度比采用常规的最小二乘方法所得的拟合精度明显提高;采用智能PID控制则使炉膛的实际升温曲线符合ISO834国际标准升温要求.     

考虑时滞因素的RBF神经网络模型在高炉铁水硅预报中的应用

在高炉炼铁生产过程中,铁水硅含量反映高炉炉温,预测和控制炉温对高炉生产的节能、降耗、顺行至关重要.基于包钢6号高炉生产数据,建立了RBF神经网络铁水硅含量预测模型.研究表明:考虑时滞因素的RBF神经网络模型,当误差范围＜±0.10时,预报准确率达到了85％,其准确度高于不考虑时滞因素的RBF神经网络模型,对在线预测高炉铁水硅含量具有实用价值.     

基于自适应免疫遗传算法的真空退火炉变参数PID温度控制系统

真空退火炉退火温度的精确控制是一个典型的非线性、大时滞、大惯性、存在强交叉耦合、时变的复杂的控制问题,常规的PID控制器很难实现对退火温度的精确控制.本文以神经网络建立的真空退火炉模型为控制模型,利用自适应免疫遗传算法全局搜索获取最优的可变PID参数的方法,解决了真空退火炉退火温度精确控制的问题;应用结果表明,该温度控制系统优于传统的PID控制系统,并具有良好的可靠性、自适应性和鲁棒性.     

基于改进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。RBF神经网络参数的初始值直接影响收敛速度,本文通过聚类法优化初始值。仿真结果表明,基于聚类法优化的RBF神经网络收敛速度快,整定效果优于未使用该方法的整定结果。     

基于RBF神经网络的PID控制在锅炉温度系统中的应用研究

目的提高电厂锅炉温度系统控制的可靠性和安全性,达到精确控制。方法提出一种基于RBF(Radial Basis Function)神经网络的PID控制器,建立3层神经网络模型。结果在RBF-PID控制过程中,由神经网络RBF在线辨识得到梯度信息,然后根据梯度信息对PID的3个参数进行在线调整,从而改善系统的控制品质。结论仿真结果表明,基于RBF神经网络的PID控制较传统PID控制有较强的鲁棒性,提高了实时性能,获得了更好的控制效果。     

HAUNI松散回潮设备热风温度稳定性的研究

为解决HAUNI松散回潮过程控制能力低,热风温度标准偏差大的问题,通过探索合理的预热温度偏差设计,优化热风系统的比例-积分-微分(PID)控制,从而达到降低片烟热风温度的标准偏差。结果表明:调整预热温度偏差对热风温度过程控制影响较大,当预热偏差设定为6K时,有利于在过料初期热风温度能够快速降低至中心值附近;对PID控制参数的调整可以有效控制热风温度的稳定性,当对应PID值分别为3.4、36、12时,批次间热风温度的标准偏差值控制效果最好,研究结果对于提高片烟的质量具有重要的价值。     

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.     

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.