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BP神经网络的生化分析仪的温度控制

对生化分析仪的硬件和软件进行了研究,针对常规PID控制参数在温度控制中难以达到最优,利用BP神经网络对PID控制参数进行学习调整以达到最优。实验结果表明BP神经网络自学习PID参数具有较好的性能。     

基于改进BP神经网络PID自整定的研究

随着数控技术的发展,传统的PID整定方式已经不能满足伺服系统的控制要求.利用改进共轭梯度法对BP神经网络算法进行优化.将改进BP神经网络算法应用到PID的整定中,构建改进BP神经网络自整定PID控制器.将设计好的BP神经网路PID控制器应用到伺服系统的控制结构图中.与BP神经网络自整定PID控制器,在Matalab的simulink里面进行建模仿真比较.仿真结果表明改进BP神经网络自整定PID控制器具有较好的快速响应能力、系统稳定性和抗干扰能力.     

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。     

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.     

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。     

自适应遗传算法在PID控制参数优化中的应用

针对传统的PID控制中参数整定的难题，采用智能控制技术优化PID参数，利用神经网络进行系统辨识，建立对象模型；在此模型基础上，运用遗传算法寻优PID控制参数，采用变交叉概率和变异概率自适应遗传算法寻优得到PID控制参数，与传统的整定结果相比较，遗传算法优化效果更好，最终达到最优的控制效果．     

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。     

基于模糊RBF神经网络的双电机驱动伺服系统研究

双电机驱动伺服系统中存在齿隙和摩擦等非线性,常规PID控制不能满足其控制要求.针对常规PID控制器参数固定而导致在控制中效果差的缺陷,提出一种基于模糊RBF神经网络整定的PID控制方法.该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,可以在线调整得到一组适合于控制对象的PID控制参数.最后在双电机驱动伺服系统中进行仿真试验结果表明所提出的控制策略是有效的.     

基于多宇宙并行遗传算法PID参数整定

针对复杂工业过程中控制要求多样性、控制参数难以调整等问题,本文提出了一种PID控制器参数整定的多宇宙并行遗传算法。利用多宇宙并行的方法以及移民与交叉两种策略改进标准遗传算法在PID控制参数整定过程中收敛速度较慢、稳定性较差、易陷入局部最优等问题。仿真实验结果表明,基于该方法设计的PID参数整定获得了良好的效果,能够较好地解决复杂工业过程中控制参数整定的问题。     

基于神经网络的PID参数自整定与实时控制

将Bang-Bang控制与神经网络自适应控制相结合，利用神经元的学习功能构成了一种自适应PID控制器，控制器在Bang-Bang控制阶段进行系统辨识，利用系统参数整定PID控制参数，作为神经网络权系数的初值，其结构简单，工作稳定，鲁棒性强，实时控制结果表明，这类神经网络自适应控制器可有效地用于一类电加热炉系统的温度控制，使得系统具有快速响应性和良好的抗干扰性。     

基于BP神经网络的直流电机PID控制系统研究

以直流电动机为控制对象,建立数学模型,并在传统PID的基础上结合神经网络算法,充分利用神经网络自学习功能,实现对PID参数的实时在线自整定.克服了PID控制参数难以确定和控制过程无法随环境等变化而自适应的缺点,体现了神经网络较好的智能性与较强的鲁棒性.利用Matlab软件进行仿真研究,结果表明神经网络PID较传统PID更精准,更具适应性,控制效果优越.     

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。     

基于PSO的改进的PID控制器在VAV空调系统温度控制中的应用

以变风量空调系统的温度控制作为研究对象,在现有的研究基础上,提出了粒子群优化算法改进的BP神经网络PID控制方法。应用BP神经网络进行PID参数在线整定,粒子群优化算法提高BP神经网络的学习速率和收敛性,结合三者各自的优势以提高变风量空调系统的控制性能。     

基于BP神经网络的球杆控制算法设计

针对球杆系统定位控制问题,基于BP神经网络设计了BP神经网络控制器和BP神经网络PID参数自整定两种智能控制器.完成了两种控制器的网络结构与实现方法,并在Simulink环境中仿真.仿真结果显示出BP神经网络PID参数自整定控制器的稳定性优于BP神经网络控制器,将BP神经网络PID参数自整定控制器算法移植到GBB1004球杆系统,实现了对该系统的控制.实验结果显示,该控制器响应快,有一定的抗干扰能力,获得系统调节时间小于16s,稳态误差小于1cm.     

一种基于BP网络的PID控制器

针对PID控制中三个参数的整定问题,提出了一种基于BP神经网络的PID参数整定方法,并依据此种方法对某模型进行了仿真仿真结果表明此方法能较好的调整比例(P)、积分(I)和微分(D)的关系,使之达到一种比较理想的组合状态。     

一种基于BP网络的PID控制器

针对PID控制中三个参数的整定问题,提出了一种基于BP神经网络的PID参数整定方法,并依据此种方法对某模型进行了仿真仿真结果表明此方法能较好的调整比例(P)、积分(I)和微分(D)的关系,使之达到一种比较理想的组合状态.