基于神经网络PID的AUV控制方法研究

针对水下机器人各自由度之间存在较强的耦合和非线性特征，其精确的数学模型很难获得的问题，建立了水下机器人空间运动的数学模型，并根据实际需要和控制器设计的方便进行了适当简化，得到了水下机器人自由度运动模型．在此基础上，使用了基于神经网络的PID控制方法．结合水下机器人六自由度水动力模型，建立了基于BP网络的PID的水下机器人控制器，并进行了仿真环境下的试验．试验结果表明，以上控制方法较为适合水下机器人的运动控制．     

神经网络PID控制

以工业ＰＩＤ控制中控制器参数调整困难为背景，在分析神经网络特性的基础上，提出神经网络控制方法，设计了具有自适应性的神经网络ＰＩＤ控制器，在描述了神经网络的学习机理的基础上，给出了控制器控制算法。通过２个实例验证了神经网络在线控制的可行性。     

基于神经网络及综合电机特性的柔性关节空间机器人全阶滑模控制

研究了载体位置、姿态均不受控的自由漂浮柔性关节空间机器人机械臂轨迹跟踪及关节柔性振动主动抑制问题,利用系统动量、动量矩守恒关系及第二类Lagrange法,并综合考虑关节驱动电机特性,导出了其全系统动力学模型;然后基于奇异摄动理论将该动力学模型分解为描述机械臂刚性运动的慢变子系统及描述关节柔性振动的快变子系统,并结合关节电机输出力矩与电枢电流的关系,将对控制力矩的设计转化为对电流控制的设计。之后,针对关节柔性振动快变子系统,采用速度差值反馈控制方案对其进行了振动主动抑制;针对机械臂刚性运动慢变子系统,则基于RBF神经网络提出了一种全阶滑模控制方案;其中RBF神经网络用于逼近由系统不确定参数带来的未知非线性项,全阶滑模控制方案的引入在于使控制系统在兼备传统滑模控制方案鲁棒性强特点的同时,还能克服抖振问题。最后,系统数值仿真结果说明了所提方案的有效性。     

空间机械臂捕获操作过程的神经网络镇定控制

分析了柔性空间机械臂捕获卫星过程受到的碰撞冲击效应,及其受碰撞冲击后不稳定运动的镇定控制.利用第二类拉格朗日方程建立空间机械臂系统的动力学模型.基于碰撞过程空间机械臂与被捕获卫星的动量守恒原理,利用动量冲量法计算碰撞冲击对空间机械臂运动状态的影响效应,该影响效应将引起空间机械臂系统的不稳定运动及柔性杆弹性振动.考虑到上述冲击效应,设计神经网络控制算法进行控制,以实现对不稳定运动进行镇定控制及抑制柔性杆振动.最后,通过数值仿真结果验证了上述控制算法的有效性.     

变负载柔性机械臂复合学习控制

针对末端负载质量变化的柔性连杆机械臂运动轨迹跟踪控制问题,提出了一种结合径向基神经网络(RBFNN)和干扰观测器(DOB)的复合学习控制方法。利用RBFNN逼近连杆柔性引起的非线性不确定性,构造DOB实时估计包括负载变化、非线性摩擦、RBFNN逼近误差等效应的集中干扰,将两者用于控制器的前馈补偿设计以提升系统跟踪性能,同时设计鲁棒反馈控制律保证系统的稳定性。通过Lyapunov稳定性理论证明了所提控制方法可保证跟踪误差的有界性和闭环系统的稳定性。基于柔性机械臂平台的对比实验结果表明:所提控制方法在不同负载下可以保持跟踪精度在0.5%以内,负载变化引起的误差变化不超过2%;与仅使用神经网络的控制方法相比,跟踪性能提升了24.7%。     

神经网络与PID结合的机器人自适应控制

提出了一种基于神经网络与ＰＩＤ控制相结合的机器人自适应控制系统。为加快神经网络的学习过程，研究了有效的启发式学习算法。以二关节机器人为对象仿真表明，该控制系统能使机器人跟踪希望轨迹，其系统响应跟踪精度及鲁棒性优于常规的控制策略。     

基于RBF神经网络的PID控制器

传统的PID控制器参数难以整定,且依赖于对象的精确数学模型,适应性较差。针对传统PID控制效果不理想的问题,采用RBF神经网络对PID参数进行整定,并用MATLAB进行仿真,取得了令人满意的效果。     

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.     

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。     

基于以太网的PID神经网络控制系统

介绍基于以太网的PID神经网络控制系统的构建及实时控制过程．该系统具有易于实现、成本低、兼容性好等特点,有利于对分布式设备进行实时控制．控制结果表明．该系统对于大滞后、非线性对象取得较好的控制效果．     

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PID的丝杠运动误差控制

针对丝杠传动系统具有非线性及缓时变的特点,使用了BP神经网络PID控制器,该控制策略能在线调整PID控制参数.为了改善常规BP神经网络收敛性慢和系统不稳定的现象,提出了误差函数在线调整学习率的方法,建立了丝杠传动系统被控对象的数学模型,并给出了具体的控制算法.在先进制造过程对象试验平台（AMPOT）上进行了丝杠运动误差补偿试验,试验结果表明,该控制方法可将丝杠的运动误差减小50%～60%.     

RBF网络自整定PID控制在网络化控制系统中的应用

文章针对网络化控制系统普遍存在的时延问题,介绍了一种基于径向基函数神经网络自整定PID的控制策略.在Matlab/Simulink环境下搭建了基于TrueTime工具箱的网络控制系统的仿真平台.仿真结果表明:与常规PID控制相比,神经网络自整定PID控制算法可有效地提高系统的鲁棒性和自适应性,且此方法易于实现,便于工程...     

模糊神经PID控制在工业炉冶金阀门位置控制系统中的应用

介绍模糊神经网络控制器的设计方法，并将其应用到工业炉阀门位置的控制系统中。试验结果表明，这种通过对输入变量模糊化的神经元学习和在线自调整算法，对其冶金阀门的压力控制具有很强的自适应性，且响应程度快、鲁棒性好。     

基于RBF神经网络整定的热风炉温控系统设计

为了提高热风炉的燃烧效率,改善热风炉温控系统的自动化程度,提出了一种基于RBF神经网络整定的PID控制策略。首先,通过RBF神经网络算法和增量式PID控制器的结合,将神经网络强大的自学习能力应用于对增量式PID参数的调整。然后,在常规热风炉温控系统的基础上,将其外环改为采用RBF神经网络整定的PID控制。热风炉温控系统中内环以煤气阀门开度为变量,外环以拱顶温度为控制变量,通过改进的串级控制来实现热风炉的燃烧优化调整。Matlab仿真分析和实际应用效果表明,RBF神经网络整定的PID控制曲线几乎无超调量,系统抗干扰能力相对传统的PID控制提高了50%。与传统的手动控制相比,所提出的控制策略使得原系统的抑制干扰能力明显增强、鲁棒性更好,在热风炉温控方面具有良好的研究和应用价值。     

神经网络仿PID参数自适应控制器及其应用

介绍了基于BP神经网络的仿PID自适应控制器，给出了控制算法，推导了基于变形Elman网络的系统辨识算法，仿真及应用表明此方法是可行的。     

PID神经网络解耦控制技术在VAV中的应用

通过采用PID系统神经元网络解耦控制技术，对耦合强烈的具有变风量空调系统传递函数矩阵形式的4维传递函数矩阵系统进行解耦控制，通过解耦控制仿真研究，可以看出取得了很好的解耦效果，为变风量空调系统（4个回路）的解耦控制提供了有效的方法。     

一种基于模糊神经网络和遗传算法的智能PID控制器

常规的PID控制器参数整定方法需要被控对象的精确数学模型,且整定出的参数不能进行在线调整.而模糊控制和神经网络均不依赖被控对象的数学模型,且具有较强的自适应和自学习能力;遗传算法则是一种新型的全局优化方法.鉴于此,提出将模糊控制、神经网络和遗传算法引入PID控制器的设计过程.首先,运用遗传算法优化隶属度函数的中心值和宽度,并借助模糊逻辑控制确定遗传算法中的交叉概率和变异概率.然后,再运用BP算法优化模糊神经网络的连接权系数.仿真结果表明,该方法提高了系统的自适应能力和抗干扰能力,增强了系统的鲁棒性.