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。     

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AMCDE优化RBF神经网络的PID参数整定研究

针对工业过程中PID(proportional integral derivative)参数整定难的问题,提出一种带有存储机制的自适应变异交叉策略差分进化算法(adaptive mutation crossover strategy differential evolution algorithm with storage mechanism, AMCDE)的神经网络算法RBF(radial basis function)整定PID控制器参数。首先,在差分进化算法(differential evolution algorithm, DE)中引入带有存储机制的策略,对种群的个体进行实时排序,充分利用当前种群的方向信息和搜索状态;其次,通过引入自适应变异交叉策略,实现自适应调整变异交叉概率因子,有效地避免种群在迭代后期陷入局部最优解;再次,采用AMCDE算法优化RBF的初始参数,接着由RBF在线辨识得到梯度信息;最后,根据梯度信息对PID的3个参数进行在线调整。仿真实验和某乳制品公司的加热炉温度控制实验表明：与IDE-RBF-PID、GODE-RBF-PID和MCOBDE-RBF-PID相比,AMCDE-RBF-PID控制器的调节时间分别降低了62.6%、55.3%、53.6%,超调量分别降低了79.3%、66.4%、64.7%,抗干扰性能分别提高了42.5%、15.3%、14.8%,控制精度分别提高了35.6%、12.3%、11.2%。由上述结果可知：AMCDE-RBF-PID控制器的动态性能更好,抗干扰性能更强,控制精度更高。     

一种新的基于相位裕度PID参数最优整定方法

提出了一种ＰＩＤ参数最优整定方法,两次采用线搜索分别整定出Ｋｐ和Ｔｉ、Ｔｄ,根据裕度的概念推导出的参数整定公式与基于几何图形推导出的参数整定公式一致,介更容易理解,为了消除一个多余的自由度,规定Ｔｉ与Ｔｄ间成比例关系,并通过参数寻优来寻找Ｔｉ与Ｔｄ间的最佳比例系数,与其他最优整一方法相比,该方法有一个突出的特点,它不需要建立被控对象的数学模型,几乎无需任何有关被控对象的先验知识,仿真实验证明了该方     

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。     

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.     

一种基于神经网络的机器人轨迹跟踪控制方法

对电驱动刚性机器人操作手轨迹跟踪控制问题进行了系统研究.利用径向基函数(RBF)神经网络的逼近学习功能,提出了一类神经网络控制策略.并用非线性系统LYAPUNOV数学理论进行了稳定性分析.所提出的控制方案力求保证控制系统具有较强的稳定性和鲁棒性,得到了机器人操作手轨迹跟踪误差的渐近稳定性.在进行严格理论证明的同时,结合计算机数值仿真实验验证所提出的控制方法是可行和有效的.     

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。     

基于DLF神经网络的非线性自适应PID控制器

针对非线性时变现象,将DLF神经网络与PID基本原理相结合,提出了基于DLF神经网络的非线性自适应PID控制器设计方法,并解决了此类控制器初始参数难以设置的问题,仿真研究证实了其可行性和有效性。     

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。     

基于神经网络的字母识别方法研究

利用Hopfield神经网络联想记忆的功能,对有噪声干扰的字母进行识别。