电阻炉单神经元PID自适应控制

选用单神经元自适应控制结构,采有监督Hebb学习算法实现了对电阻炉大时滞控制系统的单神经元PID控制,探讨了参数对系统性能的影响,同时,使用Matlab分别对常规PID算法、自适应单神经元PID算法进行了仿真研究与比较并对参数选择进行了仿真研究.仿真结果表明,自适应神经元结构的PID控制动态控制效果良好,具有较高的工业实用价值.     

单神经元PID控制在锅炉水位控制中的应用研究

针对PID控制器的缺点,提出一种用于锅炉水位控制的单神经元自适应PID控制器。通过Simulink的仿真证明,该控制器利用神经元的学习特性,自动调节PID参数,控制效果优于传统PID控制。     

基于Proteus的变增益单神经元PID控制仿真研究

基于Proteus嵌入式系统软硬件仿真与开发平台的功能,提出了新的用于自动控制系统的仿真方法.实例中以ATmega128作为微处理器,外围电路使用D/A、运算放大器等元件,设计了控制电路仿真原理图,软件上采用C语言编程实现了PID与变增益单神经元PID等两种控制算法,最后进行了系统仿真试验.研究表明:基于Proteus的仿真方法能体现控制系统运行的直观性与高效性,突出其在实际设计方面的辅助作用.     

单神经元自适应PID在阳极化电源中的应用研究

以阳极化电源为研究背景,并针对阳极化电镀要求恒流、抗干扰能力强、超调小且工况变化剧烈等特点,对单神经元PID算法进行了多方面的优化和改进.仿真及实验结果表明,改进后的算法响应速度快,超调量小,抗干扰能力强,对于模型参数的变化具有良好的自适应能力,且可提高系统的稳定性及生产效率.     

基于单神经元自适应PID控制的水轮机调节系统研究

文章针对水轮机的大惯性以及调节系统各环节的非线性特性,提出了一种单神经元自适应PID控制方案,并通过编制仿真程序对系统进行了仿真实验。实验结果表明,采用单神经元自适应PID控制的水轮机调节系统,使其具有更小的超调量和更好的调节性能,有效地改善了水轮机常规PID调节摆动时间长、自适应能力差等问题。     

高压异步电机限流软起动系统仿真

利用MATLAB中的SIMULINK仿真软件模块搭建了高压异步电机直接启动控制的仿真模型,重点搭建了高压异步电机软启动仿真模型,并对仿真结果作了详细的分析。仿真结果表明软起动控制可以有效地减小高压异步电动机的起动电流,使电机平稳起动。     

单神经元PID控制器在永磁同步电机控制中的应用研究

永磁同步电机是一个非线性、强耦合、高阶的多变量系统,使用传统的PID控制难以满足精度高、反应快、鲁棒性好的要求.根据人工神经元的自学习功能建立了基于单神经元的PID控制器,并对其学习算法加以改进,实现了单神经元PID控制器参数在线自调整.仿真与实验结果表明:该控制方法无超调, 响应快, 具有良好的动态特性,具有比常规PID控制器更好的控制品质.     

云调节增益自适应单神经元PID的应用

提出了一种单神经元自适应PID控制器，并给出了控制结构模型。首先探讨了单神经元自适应PID控制学习算法，进而通过分析单神经元PID控制算法与系统动态响应及超调量的关系，利用云模型控制器修改神经元控制器的比例系数K，并根据系统误差在线实时修改控制系数，提高了系统响应性能。仿真结果表明，增益自适应单神经元PID控制器是一种具有自学习、自适应、鲁棒性强的控制器。     

单神经元自适应PID控制器的实现与仿真研究

给出了单神经元自适应PID控制器的算法与控制系统仿真模型.利用单神经元PID控制器的自学习、自适应能力实现PID控制参数的自整定.并对被控对象进行了仿真研究,仿真结果表明,该控制方法与常规PID控制方法相比,具有更好的自适应性和更强的鲁棒性.     

异步电机变参数软起动仿真

为了解决异步电机软起动仿真中,因电机模型不准确带来的误差问题,通过对起动过程中电机等效电路参数变化规律的研究,提出一种变参数异步电机模型用于软起动仿真.该模型基于异步电机工作原理,直接通过电机铭牌额定数据估算起动和稳态时的等效电路参数,其中转子电阻和转子漏抗在起动过程中随转速的上升而变化,确保在关键运行点上的电机仿真计算性能与真实电机基本一致.在Matlab中建立了变参数异步电机和软起动仿真模型,对16 MW样机进行电流斜坡起动仿真,起动时间与现场实际起动时间的误差不超过3%.实验证明,该模型简单易行,且具有较高的精度,可以有效地模拟异步电机起动过程.     

基于单神经元PID的直流电动机速度控制算法研究

为了处理常规PID难以克服的电动机非线性、模型参数易变等问题,通过单经元PID速度控制器控制算法的研究,实现了对PID控制器参数的动态调控,克服了电动机非线性、参数易变等不良影响．仿真结果表明,单神经元PID控制器优于常规PID,其自适应能力好、响应快、鲁棒性强、系统稳态和动态特性良好,能满足实际运用和电动机快速响应的...     

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.     

基于单神经元自适应PID的PLC直流电机控制系统

针对微型计算机和单片机进行直流电机控制时,抗干扰能力和可靠性差等缺点,提出了一种基于单神经元PID(Proportional-Integral-Derivative)算法的PLC(Programmable Logic Controler)控制直流电机的调速系统,设计了PLC控制D/A(Digital/Analog)转换电路、直流电机驱动电路、转速脉冲反馈电路,研究了单神经元自适应PID控制算法。将有监督单神经元控制算法应用于直流电机调速系统,通过调整神经元控制器的加权系数,实现自适应PID的最优控制。单神经元PID调节在大范围调速和抑制超调方面都有明显的改善,进而提高了直流调速系统的精度。通过系统动态测试,实现了PLC控制直流电机正反转自动调速,直流电机在稳态运行时,转速误差小于1 rad/s。     

单片机控制的异步电动机软起动器研制

提出一种以80C196KC单片机为控制核心的异步电动机软起动系统,给出系统控制电路结构图、单片机控制系统硬件电路结构图和控制软件框图,并对系统进行实验研究.相比于直接起动,使用软起动器的异步电动机,其起动电流约为稳定电流的4倍;电动机起动完成并达到稳态时,直接起动与软起动过程的起动电流倍数分别为6.66和2.96.结果表明,系统能有效地降低起动电流,且起动过程平稳,无冲击和振荡.     

基于单神经元PID控制的离子流消静电装置

单神经元自适应PID(Proportional integral derivative)控制系统,具有自学习和自适应能力,而且结构简单、易于计算、响应速度快、设定参数少等特点,可以在一定程度上解决传统PID控制器不能对参数时变系统进行有效控制的问题,在离子流除静电装置中引入单神经元自适应PID控制,显著提高了现有离子流除静电装置的自动化程度,实现了自动检测、自动调整,实时监控,提高了工作效率,减少了人为误差,取得了较好的效果.     

Kalman滤波在单神经元PID控制中的应用

针对单神经元PID控制器包含输出噪声, 从而导致控制性能下降的问题, 提出一种基于Kalman滤波理论的改进单神经元自适应PID控制算法. 该算法通过引入状态空间的概念, 采用时域上的递推方法进行数据滤波, 控制对象的输出值经过Kalman滤波算法处理后再返回闭环控制系统. 实验结果表明, 改进算法能有效消减控制系统的输出噪声, 接近于无噪声的理想状态, 提高了控制性能.     

基于单神经元控制的交流调速系统及其仿真

针对矢量控制的交流电机调速系统，提出了若干单神经元的积分分离的PI型速度调节器，并对负载转矩进行补偿，在MATLAB下的仿真结果表明，系统具有良好的鲁棒性和快速性，对电机参数不敏感。     

车辆单神经元模型参考自适应控制算法研究

针对智能车辆油门控制系统,提出了一种单神经元模型参考自适应控制算法.首先通过实验研究获得油门控制系统的传递函数,再以该函数获得的数学模型为依据设计了自回归滑动平均模型（NARMAX）神经网络,并对系统输出进行离线辨识和在线预测.采用免疫模糊思想改进二次型单神经元控制算法,构建基于NARMAX神经网络预测的模型参考自适应控制系统,定义了一种评价车辆纵向运动的目标函数,采用浮点遗传算法寻找各控制器的最优值.仿真结果表明,NAR-MAX神经网络可辨识和预测车辆油门系统的动力特性,与免疫模糊和二次型单神经元算法相比,单神经元模型参考自适应算法的阶跃响应速度显著提高.     

反演单神经元PID复合控制在伺服系统中的应用

针对火箭炮位置控制中存在的转动惯量和负载力矩变化大、冲击力矩强等特点,提出了一种反演单神经元比例-积分-微分(PID)复合控制方法。单神经元PID控制可对传统PID控制器的比例、积分、微分系数进行在线调整,实现了系统的自适应控制。反演算法可使较大的系统误差快速收敛到设定值以内,提高了系统的自适应能力。仿真及实验结果表明,该文复合控制方法具有更好的稳定性和动态跟踪精度。