基于改进型神经动态规划算法的单容液位优化控制

单容液位控制系统是一个强非线性、多约束、时滞的复杂系统,传统的PID控制算法很难对其进行精确自适应优化控制。介绍了一种改进型的神经动态规划(NDP)算法,其中模型网络用小波神经网络来替代,并针对单容液位控制系统的液位进行自适应优化控制。仿真结果表明,基于神经网络的NDP算法在鲁棒性、控制精度和控制效果都优于传统的PID算法。     

基于附加惯性项BP神经网络的四旋翼无人机姿态控制研究

针对传统PID控制不能实时更新整定的K_p、K_i、K_d参数,以及控制精度不高等缺点,在结合四旋翼无人机自身特性的基础上,本文提出一种附加惯性项的BP神经网络与PID控制结合的姿态控制方法,并对惯性系数进行修改,来实现无人机在受干扰情况下飞行过程的姿态控制。仿真实验分析表明:与BP神经网络参数自整定PID控制和传统PID控制相比,该控制方法提高了系统的抗扰性、鲁棒性和动态性能,从而对于提高无人机的姿态控制具有较好的实际参考价值。     

基于GA优化的CMAC-PID板形复合控制

提出一种基于遗传算法的小脑模型神经网络和传统PID复合控制的板形控制策略.用遗传算法优化PID控制器的初始参数,然后结合CMAC网络有效控制板形控制系统中的弯辊力.仿真实验证明,该并行控制算法提高了系统的控制精度,加快了系统的响应速度,并且具备较强的抗干扰能力.     

基于动量因子优化学习率的BP神经网络PID参数整定算法

针对传统BP神经网络学习过程中学习率选取过大导致振荡的问题, 提出一种新的BP神经网络PID(比例-积分-微分)参数自适应整定算法. 采用BP神经网络对PID参数进行自适应调节和优化, 并利用动量因子优化学习率和增加动量项抑制BP神经网络训练中出现的振荡现象, 以加快收敛速度. 实验结果表明, 该算法有效缓解了振荡现象, 加快了算法的收敛速度.     

基于动量因子优化学习率的BP神经网络PID参数整定算法

针对传统BP神经网络学习过程中学习率选取过大导致振荡的问题, 提出一种新的BP神经网络PID(比例-积分-微分)参数自适应整定算法. 采用BP神经网络对PID参数进行自适应调节和优化, 并利用动量因子优化学习率和增加动量项抑制BP神经网络训练中出现的振荡现象, 以加快收敛速度. 实验结果表明, 该算法有效缓解了振荡现象, 加快了算法的收敛速度.     

基于单神经元神经网络的无刷直流电机控制系统仿真

无刷直流电机是一种多变量、非线性、参数时变以及强耦合的复杂系统,利用传统比例积分微分(proportional integral differential,PID)算法控制无刷直流电机存在参数调整困难、自适应能力差、控制精度低以及抗干扰能力弱等问题.为实现无刷直流电机的高精度控制,在转速环中引入了基于单神经元神经网络PID控制算法,研究了无刷直流电机的数学模型及运行特性,提出了单神经元神经网络PID算法,最后比较分析了在电机双闭环控制系统中转速环采用不同控制算法下的转速阶跃函数响应,以及三相电流、反电动势和电磁转矩的运行状态.结果表明:单神经元神经网络PID算法控制下的无刷直流电机其转速的阶跃函数响应具有更快的上升时间、更小的超调量以及更加稳定的运行状态.     

基于改进PSO和模糊RBF神经网络的退火炉温控制

为提高对具有大滞后,强耦合的退火炉温度控制系统的控制精度,采用模糊径向基函数(RBF)神经网络控制炉温,并采用改进粒子群优化(PSO)算法进行优化。利用模糊推理过程与RBF神经网络所具有的函数等价性,统一系统函数。在利用改进PSO算法对模糊RBF神经网络进行训练时,先利用改进PSO算法得到模糊RBF神经网络的初始权值和阀值,然后对其进行二次优化得到最终的权值和阀值。仿真结果表明:该文方法降低了超调量,缩短了响应时间,稳态误差很小,能够拟合参考模型的输出,控制效果明显优于常规PID控制。     

基于遗传算法和神经网络的PID参数自整定

针对在传统PID(比例-积分-微分)控制器中调整3个参数时不易推导出被控对象的传递函数,且这些参数不易手动调整的问题,提出一种新算法用于调整PID控制器参数.该算法将神经网络和遗传算法相结合,先利用神经网络的模拟功能协助遗传算法计算适应度,训练出一个神经网络模拟被控对象;然后在遗传算法进化中不断地优化PID控制的3个参数.与传统的参数凑试法进行对比仿真实验的结果表明,该算法具有较强的鲁棒性及较快的响应速度.     

倾转定翼无人机的动力学建模与控制

为了提高整个飞行器在过渡模式下的运动稳定性,提出一种基于李雅普诺夫理论及李雅普诺夫指数趋近律的滑模变结构控制算法.与经典比例微分(PID)方法和滑模PID对比分析可知:对于飞行环境恶劣、动力学特性复杂和难以准确动力学建模的倾转定翼无人机,本算法具有更高的鲁棒性和稳态控制精度.本研究通过结构优化的方法分析了飞行器结构参数与整个系统运动稳定性的量化关系,指出在一定范围内可以通过增大机翼面积提高飞行的稳定性.     

粒子群差分混合算法在PID参数优化中的应用

为有效提高PID控制器的性能,提出了一种粒子群差分混合算法(PSO-DE),并应用于PID参数优化中.算法利用一个选择判断因子来确定每个个体的更新方式,使用简化粒子群算法(s PSO)和改进后的差分进化算法(DE)来共同产生新一代个体,并将其应用于PID的参数整定中.仿真结果表明,相较于粒子群算法和差分算法,混合算法在PID控制器的参数优化中具有更好的全局搜索能力,而且控制精度较高.     

基于状态预测的无人机导航控制

基于飞行惯性对无人机路径导航实时控制和控制精度的影响,将灰色预测模型与模糊PID控制进行融合,提出了基于无人机飞行状态预测的导航控制策略.将无人机飞行状态预测信息作为系统状态调节的输入,构建灰色预测模糊PID航向控制系统,达到对无人机进行实时、准确导航飞行控制的目的.仿真实验结果表明:灰色预测模糊PID控制器可以有效提高无人机导航控制系统的鲁棒性、实时性,与传统的PID控制器相比,其控制性能更优.     

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。     

粒子群优化BP神经网络PID控制注塑机液压系统

注塑机液压系统是一个时变、非线性和高耦合的复杂系统,传统PID控制参数不易整定,超调量大,对注塑机液压系统控制效果欠佳,现提出一种粒子群优化BP神经网络算法改良PID控制。BP神经网络算法存在收敛速度慢和容易陷入局部最小值的缺陷,利用粒子群算法的全局最优和收敛速度快的特性改良BP神经网络,然后利用粒子群优化BP神经网络对PID的3个参数进行在线调整。仿真结果表明,经过粒子群优化后的BP神经网络对PID3个参数的整定效果要比BP网络要好,同时粒子群优化BP神经网络PID控制效果明显优于传统PID控制,可以有效提高注塑机液压系统的精度和响应速度,优化注塑过程。     

基于遗传算法优化的神经网络PID控制器

对于参数可变的时变系统和非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为1种有效的控制策略．根据神经网络初始权值的选取影响控制器性能的特点,提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化．仿真结果证明了该算法的有效性。     

基于改进型RBF神经网络多变量系统的PID控制

针对工业控制中多输入多输出非线性时变系统,提出了基于改进型RBF神经网络的智能PID控制方法.采用最近邻聚类算法在线构造RBF神经网络辨识器并在线辨识被控对象,对PID控制器参数进行在线调整,实现了多变量非线性时变系统的解耦控制.仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制规律下的PID参数,解耦后的系统具有较好的动态和静态性能,与常规RBF神经网络PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性.     

感应加热CFRP温度控制算法

为了解决在电磁感应加热碳纤维增强复合材料(carbon fiber reinforced polymer,CFRP)过程中,因系统抗干扰性弱、响应速度慢导致的CFRP成型质量差的问题,提出了一种基于改进粒子群优化的模糊PID(improved particle swarm optimization fuzzy PID,IPF-PID)控制算法,利用IPF对PID三个参数进行寻优和自调整.该算法结合PSO和Fuzzy-PID算法的优点,在避免了陷入局部最优的同时,保证控制精度和最佳的寻优性能.结果表明,该算法在增强控制器的自适应能力和减小调整时间方面效果显著.比传统的PID算法具有更小超调和稳态误差,更适用电磁感应加热CFRP温度控制系统.     

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.     

基于微粒群算法的PID控制器优化研究

微粒群算法是近年来提出的一种新型群体智能优化算法,它具有结构简单,收敛速度快,所需参数少等优点.为改善传统PID参数整定问题,提出了基于微粒群算法整定PID控制器参数的优化设计方法.通过对双容水箱建模并与传统整定方法进行仿真比较.仿真结果表明,采用微粒群算法来优化PID参数,可以获得综合性能良好的PID控制器参数.对控制器的设计具有一定的指导意义.     

基于补偿模糊神经网络的BLDCM伺服控制

为了实现无刷直流电机(BLDCM)位置伺服系统的高精度位置跟踪控制,针对系统多变量、非线性、强耦合、时变的特点,提出了一种基于补偿模糊神经网络控制器(CFNNC)的设计方法.该控制器将补偿模糊逻辑和神经网络相结合,引入了模糊神经元,使网络既能适当调整输入、输出模糊隶属函数,又能借助于补偿逻辑算法动态地优化模糊推理,大大提高了网络的容错性、稳定性和训练速度.仿真和在DSP控制系统上的实验结果表明,采用补偿模糊神经网络控制器,系统响应快、精度高、鲁棒性强,动态特性明显优于传统PID控制.     

RBF神经网络在盘式制动器控制系统中的应用

针对盘式制动器控制系统存在的非线性特性,提出了一种基于R BF神经网络的智能控制方法.在常规PID控制器的基础上,利用神经网络对控制器参数进行在线自适应整定,从而实现系统的智能控制.该系统利用可编程序控制器S7-200作为主控制器,配合液压站实现了对带式输送机制动器的控制.仿真结果表明,该系统比传统的PID控制具有更快的响应速度和更高的稳定性及控制精度.