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。     

一类神经网络整定PID参数的非线性系统解耦方法

对具体非线性系统有不同的解耦方法，如模糊解耦、神经网络解耦等。因神经网络有自学习功能以及对参数摄动的不敏感，故对某些特殊的非线性系统采用神经网络解耦作为补偿器进行输入输出解耦，能够获得较强的鲁棒性。首先介绍了神经网络解耦的一般结构，然后给出了递归多层神经网络的学习方法。针对一类非线性系统设计了一类基于递归多层神经网络整定PID参数的多变量非线性系统的解耦控制器。从仿真可以看出，对于文中所给出的非线性系统，这种递归多层神经网络的解耦控制器对于输入输出解耦是可行的。     

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。     

一种改进的模式识别自整定PID控制方法

摘 要：针对常规PID控制器不能很好兼顾抗干扰性与鲁棒性的缺点,提出一种新的基于模式识别自整定PID控制算法。该算法对参数整定规则了进行探索和创新,并给出了具体的整定规则公式。为了实现算法在实验室水箱液位控制的应用,采用OPC技术实现了MATLAB软件与MCGS组态软件的数据实时交互。实验结果表明,该规则在MATLAB仿真和水箱液位控制应用中取得到了很好的整定效果,控制性能优于常规PID控制。     

基于RBF神经网络的PID整定

针对非线性系统,采用了基于径向基函数（RBF）神经网络的PID整定,用遗传算法优化RBF神经网络,仿真结果表明,基于遗传算法优化的RBF神经网络PID整定收敛速度快,整定效果优于基于梯度下降法优化的RBF神经网络PID整定。     

基于改进RBF神经网络的PID整定

针对非线性系统,采用了基于径向基函数（RBF）神经网络的PID整定。RBF神经网络参数的初始值直接影响收敛速度,本文通过聚类法优化初始值。仿真结果表明,基于聚类法优化的RBF神经网络收敛速度快,整定效果优于未使用该方法的整定结果。     

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。     

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.     

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DRNN的三电机变频调速系统参数PID控制研究

三电机变频调速系统是一个多输入多输出、非线性、耦合的系统。针对电流跟踪型感应电机系统,以解析式的方式建立其数学模型。采用基于对角递归DRNN神经网络的自整定PID控制器,结合自适应神经元解耦补偿器的解耦控制技术,设计三电机变频调速系统神经网络控制器。基于S7-300 PLC控制平台进行实际的试验,结果表明,该方法能够根据外界环境信息变化获得最佳PID调节参数,较好的实现了速度和张力的解耦控制,系统具有良好的动静态性能和抗干扰能力。提出的方法满足了许多工业控制场合的需要,具有良好应用前景。     

基于PID神经网络的非线性系统辨识与控制

针对工业控制领域中非线性系统采用传统的控制方法不能达到满意的控制效果,提出一种基于P ID神经网络的控制方案,以对其进行辨识和控制。将P ID神经网络引入控制系统中,既具有常规P ID控制结构简单、参数物理意义明确等优点,同时又具有神经网络的并行结构和学习记忆功能及非线性映射能力。仿真结果表明:该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪系统输出并进行有效控制,且具有一定的自适应性和鲁棒性,满足实时控制的要求。     

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。     

基于新型PID神经网络的自适应控制系统研究

提出一种新的PID型神经网络的自适应控制系统,该控制系统采用对角递归神经网络辨识对象的正向模型,采用一种新型神经网络控制器产生控制量,与常规PID控制不同的是,该控制量不再是误差信号的比例、积分和微分量的简单线性组合,而是这些信号的一种非线性组合,从而可以有效地解决常规PID控制器存在的快速性和超调量之间的矛盾.仿真实验表明,这种新型控制系统具有较强的自适应性和鲁棒性.     

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。     

基于PID调节的多层前馈网及其应用研究

介绍了多层前馈网的基本算法及其在镦粗压力计算中的应用。针对其基本学习算法（反向误差传播算法，ＢＰ算法）存在的收敛速度慢和易陷入局部最小值的问题，提出了基于ＰＩＤ调节的ＢＰ算法，由此建立起镦粗压力计算的神经网络知识库，经过测试集考核，证明该模型算法正确，能有效地提高模型的判别精度，是一种有效的和有前途的算法。     

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。     

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.     

基于神经网络辨识的自适应PID控制器

根据实际生产现场对控制的要求,提出了一种将PID控制与神经网络相结合,采用BP网络辨识未知的被控对象,使用单纯形算法寻找最优的PID控制参数,控制与学习并行的控制方案.并对二阶对象进行仿真研究,将其与单位阶跃响应进行了比较.     

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。