基于BP神经网络的PID在压延机温度控制系统中的应用

针对风神轮胎股份有限公司压延机辊筒温度控制以及传统PID控制存在的设计复杂、控制精度较差和参数值实时更新复杂等问题,对压延机辊筒温度提出了一种基于BP神经网络的PID控制方法,并进行了计算机控制系统设计。对子午线轮胎生产中压延机辊筒的温控试验结果表明,该PID控制系统逼近精度高、适应性好,取得较满意的效果。     

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神经网络的PID控制器研究

从BP神经网络的基本原理、学习规则和学习算法出发,研究了基于BP神经网络的PID控制方法,采用3层前向网络及动态BP算法,取得了较高的控制品质。仿真结果表明,基于BP神经网络的PID控制方法在处理非线性和时变系统时具有很强的鲁棒性。     

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BP神经网络的PID控制器

介绍了一种基于神经网络自学习PID控制器,该控制器能通过自学习不断进行适应性控制,以保证系统的输出符合实际应用的要求, 其主要特点是采用线性预测模型来近似确定控制参数,进而进行神经网络控制,仿真结果表明该方法有较好的效果。     

抄纸过程的BP神经网络PID控制

为了使抄纸过程的输出(湿度和基重)最大限度地接近给定值,采用BP神经网络PID控制。此控制器由PID控制器和BP神经网络组成,采用BP算法进行PID参数的在线调整,使输出值较好地跟踪了给定值,能达到较好的控制效果,并为抄纸过程的控制提供另一种思路。     

改进的BP神经网络PID控制器在气体浓度控制中的研究

针对动物缺氧实验中气体浓度控制这一时变非线性的过程,将BP神经网络与传统PID控制相结合虽然可以取得较好的控制效果,但是也存在着网络收敛速度慢、稳定性较差等问题.基于此,提出了一种基于改进的遗传算法优化的BP神经网络PID控制器.首先,该控制器对遗传算法的收敛速度和稳定性进行改进,利用改进后的遗传算法优化BP神经网络的权重初始值;然后,用优化后的BP神经网络实现PID控制参数的在线调整;最后,在MATLAB中对两种控制器进行仿真实验,结果显示,与传统的BP神经网络PID控制器相比,改进后的BP神经网络PID控制器具有更好的控制性能.     

基于遗传BP网络的PID控制算法在无模拉拔温度控制中的应用

将遗传算法与BP神经网络结合,提出了一种利用遗传算法优化BP神经网络权值的智能PID控制算法,改善了系统的动态性能. 通过实验采集数据,拟合出无模拉拔感应加热温度控制系统的数学模型. 采用本文提出的方法进行了仿真实验,结果表明该算法具有较强的快速性和鲁棒性.     

BP神经网络PID控制器在主汽温控制中的应用

电厂锅炉主蒸汽温度对汽轮机的使用寿命和机组的运行安全有重要影响,电厂锅炉主蒸汽温度动态特性随着负荷的变化而变化,如何把主蒸汽温度快速稳定的控制在设定值附近是火电厂热工过程控制的难点之一.针对电厂锅炉在不同负荷下的主蒸汽温度控制问题,提出一种基于BP神经网络的PID串级控制方案,神经网络通过对系统的不断学习,加权系数不断调整的方式,使PID控制器参数实现最佳的组合,仿真实例验证了所提方法具有较好的控制品质和较强的抗干扰能力.     

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。     

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。     

多层神经网络的快速BP算法

首先分析了BP算法中的误差函数对收敛精度的影响,给出了综合考虑绝对误差和相对误差的相差函数,其次利用优化方法中的共轭梯度算法来计算学习过程中的误差下降方向,并根据尺度公式对该方向进行修正,从而得到快速BP算法。经过对实际算例的模拟,结果表明本文给出的快速BP算法是一种适用于多层神经网络的、性能优良的学习算法。     

矿浆浓度神经网络PID控制系统

由于磨矿过程高度非线性和随机性扰动的影响 ,引起矿浆浓度频繁波动 ,采用常规的PID控制难以取得满意的效果 ,因此设计了一种基于神经网络的PID控制器控制矿浆浓度 .应用结果表明该控制器具有较好的适应能力和稳态性能 ,满足了生产需要 .     

神经网络智能PID参数最优控制及应用

本文提出了一种神经网络智能ＰＩＤ参数最优控制系统，给出了有效的基于共轭梯度的神经网络学习算法。仿真实验和应用结果表明，这类智能控制器可用于难以建立数学模型的控制系统。     

基于模糊免疫神经网络PID算法的全向底盘控制方法

针对全向底盘控制的实际需求,提出了基于模糊免疫神经网络PID算法的智能控制方法。首先根据神经网络算法和模糊算法的结构特点建立了模糊神经网络模型,并使用误差反向传播的方法对模型进行训练;然后使用免疫算法确定学习率,实现了对PID参数的动态整定,并对底盘路径跟踪控制器参数进行整定,以实现对底盘的精确运动控制;最后建立了底盘的运动学模型,基于Matlab平台进行了相关算法的仿真,并基于Linux Ubuntu系统下Tensorflow框架搭建并训练了神经网络模型,进而实现了整体算法。轨迹跟踪试验表明:当底盘沿不同方向以5 m/s的速度进行轨迹跟踪时,最大误差为4.88cm,平均误差为0.25cm,该算法能够有效地对底盘进行控制,满足全向底盘控制的要求。     

RBF神经网络多用户检测ROLS-AWS算法的研究

为了对抗多址干扰和远近效应,研究将RBF(经向基函数,Radial Basis Function)神经网络中的递归正交最小二乘(ROLS-AWS)算法应用于多用户检测中。给出在同步高斯信道条件下运用三层神经网络解调扩频信号的原理框图,分析了基于RBF网络的多用户检测接收机。为了改进RBF网络的运算速度,在基于RBF网络的多用户检测接收机中采用ROLS-AWS算法。计算机仿真结果表明：使用所提算法的RBF网络接收机的抗多址干扰、远近效应以及训练速度的性能上都明显优于传统接收机、基于BP神经网络和不使用该算法的普通RBF神经网络多用户接收机。     

神经网络和PID控制器在过程控制中的应用

运用ＰＩＤ控制器和神经网络相结合的方法，对一种非线性，变参数的受控对象的控制进行研究，仿真结果表明，控制效果比较令人满意。     

主动队列管理中的PID型神经网络控制

研究动态网络中间节点的拥塞控制. 提出一种PID型神经网络的主动队列管理(AQM)算法,给出基于BP学习规则的网络参数自调整规律,根据Lyapunov定理证明了系统的稳定性. 基于NS$-2平台的仿真结果表明,该算法适应瞬息万变的网络环境,系统稳态误差和响应速度等指标优于PID算法.     

关于PID自动舵神经网络控制的研究

提出一种基于神经网络的PID自动舵控制方法。该方法能实时精确地辨识船舶数学模型参数,自动调节PID参数,提高船舶航向保持性能。     

一种采用神经网络PID控制的自适应资源分配方法

针对有限资源开放式系统多任务资源分配问题,提出了采用神经网络PID控制的自适应资源分配方法。该方法以求解任务间公平性服务质量水平(QoS)为目标,使用当前QoS与系统平均QoS的偏差作为控制器输入,通过多输入多输出神经网络PID控制,在线调整了资源分配。该方法不需要精确预知任务服务质量函数形式,而是通过自适应微调PID参数,快速有效地获得了近似公平的资源分配。实验结果表明,该方法能保证QoS快速收敛,与现有方法相比,资源调整次数减少了近10次,扩大了稳定范围。