基于BP神经网络的广义预测控制算法的研究与应用

本文提出了1种基于BP神经网络的广义预测控制算法,其实质是利用BP神经网络来求取广义预测控制的最优控制律.神经网络选用了具有良好逼近性能的BP结构.该算法对广义预测控制算法进行了简化,使其可以应用于快速系统的控制.最后,选用倒立摆系统作为研究的对象,将新算法应用于倒立摆的控制,取得了较好的控制效果.     

LMBP神经网络PID控制器在暖通空调系统中的应用研究

针对BP神经网络学习过程收敛速度慢及易陷入局部极小值的缺陷,研究了levenberg-marquart算法(即LM算法).为解决LM算法中学习速率的选择和逆矩阵的求解这两个严重影响训练时间和收敛精度的问题,采用LU分解法对LM算法进行改进和优化,并通过MATLAB语言编程实现,将得到的LMBP神经网络PID控制器应用于暖通空调冷冻水循环的控制回路中,将其控制效果与PID控制算法、BP神经网络PID控制算法进行仿真对比研究.研究结果表明,采用LMBP神经网络PID控制器在减少超调量、加快收敛速度、减少稳态误差等方面的性能都得到了明显的改善.     

基于神经网络的PID参数自整定控制及其Matlab仿真研究

将神经网络自适应PID算法与传统的PID控制算法进行比较分析,通过仿真实验,验证神经网络自适应PID控制算法在总体上优于传统的PID控制算法.该方法有利于系统控制效果的提高,并且受环境的影响较小,在一定程度上弥补了传统PID控制的不足.     

基于RBF神经网络的弧焊机器人轨迹跟踪控制方法

针对目前弧焊机器人的控制算法大多是基于关节空间的算法,而这种算法无法实现对机械臂末端位置的直接控制的问题,提出了基于笛卡尔空间的轨迹跟踪控制算法.首先运用RBF(radical basis function)神经网络技术对实际机械臂数学模型的建模误差和参数不确定性进行补偿,接着定义Lyapunov函数并运用HJI(Hamilton-Jacobi inequality)定理设计基于笛卡尔空间的机器人鲁棒控制器.在此基础上以二自由度机械臂为被控对象进行仿真研究,仿真结果表明,基于笛卡尔空间算法的轨迹跟踪控制算法误差小于基于关节空间的控制算法,在基于笛卡尔空间的控制算法的仿真中末端轨迹跟踪误差小于0.08 mm,神经网络能够有效地在线学习机器人的建模误差和参数不确定性.     

基于BP神经网络的PID控制算法在四轴飞行器中的应用

四轴飞行器是一个非线性、时变的控制系统,由于典型PID算法缺乏自适应能力,典型的PID控制算法对四轴飞行器无法达到较好的控制效果,于是提出了基于BP神经网络的智能PID控制算法。本文首先通过选取适当的坐标系统对旋翼受力进行了近似和简化处理建立其数学模型,根据得到各通道的传递函数,然后使用BP神经网络PID控制方法对四轴飞行器进行控制,实现PID参数自动调整,结果表明BP神经网络PID控制对非线性系统及其参数具有良好的控制效果,而且具有更好的适应性,同时也具有很好的逼近和容错能力。     

基于改进型神经动态规划算法的单容液位优化控制

单容液位控制系统是一个强非线性、多约束、时滞的复杂系统,传统的PID控制算法很难对其进行精确自适应优化控制。介绍了一种改进型的神经动态规划(NDP)算法,其中模型网络用小波神经网络来替代,并针对单容液位控制系统的液位进行自适应优化控制。仿真结果表明,基于神经网络的NDP算法在鲁棒性、控制精度和控制效果都优于传统的PID算法。     

模糊神经网络内模控制

内模控制(IMC)是一种先进的控制算法,具有很强的抗干扰性及鲁棒性,在工业过程控制中应用广泛.内模控制的控制性能往往取决于被控对象的模型,因此,如何得到被控对象的精确模型成为关键问题.对于工业中常见的非线性过程,传统的设计方法很难得到满意的控制效果.模糊控制和神经网络的引入为非线性内模控制的研究提供了一种新方法.模糊逻辑适合表达机遇规则的知识,而神经网络具有较强的自学习及自适应能力.将模糊逻辑与神经网络相结合,应用于内模控制中,对基于该模糊神经网络(FNN)的内部模型和控制器的建立进行了分析.仿真结果证明该算法是有效的,具有很强的自适应性和鲁棒性,可以应用于非线性及时变系统中.     

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。     

基于遗传算法的神经-模糊减振控制方法

针对复杂情况下模糊控制器难以获取经验规则的缺点,利用遗传算法来优化模糊控制器的规则,并采用一种权重和方法以实现多目标的优化控制.为了减少时滞对控制效果的影响,应用BP神经网络以预测模糊控制器的输入.基于76层风振Benehmark模型对提出的控制算法进行了计算仿真分析.结果表明神经-模糊控制(NN-FLC)方法在理想情况下与传统LQG控制算法控制效果相当;但在结构刚度不确定时,该方法具有较强的稳定性和鲁棒性,远优于LQG算法.     

三轴飞行转台控制系统的仿真研究

以三轴飞行转台内框伺服控制系统为研究对象,提出了常规PID控制算法和基于模型预测的BP神经网络PID控制算法,并对阶跃、斜坡、加速度输入信号进行MATLAB仿真,得出误差曲线.仿真结果对比表明,在控制对象不确定的情况下,后者是较优越的一种算法,对改进转台控制效果有着较大的参考意义.     

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.     

均热炉温度神经网络迭代学习控制算法

针对具有不确定性的重复非线性均热炉温度控制系统,提出基于神经网络的迭代学习控制算法,该算法采用神经网络作为迭代学习控制器,以前馈方式作用于被控系统,并引入PID反馈控制器来提高系统的性能.仿真结果表明,针对过程存在的重复干扰,该算法比单纯反馈控制具有更好的控制效果.     

基于GA-Basic spline算法的AUV运动智能控制器

在研究B样条神经网络的基础上,提出了基于遗传算法学习的B样条神经网络控制算法,并应用于AUV运动控制,以AUV的航向控制和深度控制为例,进行了仿真验证.仿真结果表明该算法具有良好的控制性能.     

基于改进的Bang-Bang控制算法的拉索半主动控制研究

为了提高磁流变(magnetorheological,MR)阻尼器对斜拉桥拉索振动的控制效果,避免在经典的Bang-Bang控制算法下拉索振动幅度很小而MR阻尼器出力却很大的不合理情况,提出基于位移限定的改进的Bang-Bang控制算法(以下简称新算法)。在Simulink中建立相关模型进行数值模拟分析,将基于新算法的半主动控制的控制效果与主动控制、被动控制及基于经典的Bang-Bang控制算法的半主动控制的控制效果进行比较。结果显示,基于新算法的半主动控制对拉索振动控制效果要好于被动控制及基于经典的Bang-Bang控制算法的半主动控制,其控制效率相对于被动控制和经典的Bang-Bang控制算法分别提高30%和10%以上。这表明新算法对拉索的振动控制效果有一定的改善,因而对实际工程有一定的参考价值。     

多连杆柔性关节机器人的神经网络自适应反演控制

针对模型不精确的多连杆柔性关节机器人的关节运动控制问题,提出一种新的神经网络自适应反演控制算法.该控制算法借鉴单连杆柔性关节机器人的一种神经网络自适应反演算法,在反演过程中,将系统非线性未知项与已知项分开并利用径向基神经网络在线逼近非线性未知项;对这种单连杆柔性关节机器人的神经网络自适应反演算法进行改进,构造出新的非线性项,并对转子惯性矩阵的估计转化为对转子惯量矩阵对角元素的估计;根据李雅普诺夫函数的稳定性设计出适用于多连杆柔性关节机器人的控制律与参数自适应律,从而实现多连杆柔性关节机器人的关节轨迹跟踪控制.仿真试验结果表明,与一般的比例-微分控制算法相比,该算法具有更好的轨迹跟踪性能.此外,神经网络节点数取值较小时,该算法也能够保证一定的轨迹跟踪精度.     

基于并行拟牛顿神经网络建模的非线性预测控制

针对在非线性预测控制中对神经网络预测模型精度和收敛速度的要求,该文提出了一种并行拟牛顿神经网络建模的非线性预测控制算法.该算法中采用一个前向神经网络作为预测模型,网络的训练利用自调节拟牛顿法(SSQN)和BFGS拟牛顿法并行计算Hessian矩阵以及各自的搜索方向,并用最小原理确定出一个最优步长来调节网络各节点之间的权值.通过Matlab仿真证明了该算法的有效性.     

一类基于Levenberg-Marquardt算法的神经PID控制研究

传统的比例积分控制器具有一定的局限性,尤其是当被控对象会有非线性、不确定性和时变特性,常规的PID控制器往往难以发挥作用,甚至会失稳.利用神经网络进行复杂过程的PID控制可以很好地解决上述问题.Lvenberg-Marquardt(LM)算法是梯度下降法与高斯-牛顿法的结合.就训练次数与精度而言,它明显优于共轭梯度法及变学习率的BP算法,适用于PID控制.得到了在线自适应神经网络PID控制算法,该算法改善了传统BP算法,实现了现有PID控制器控制方法.     

一种新的氧化铝质量分数建模与控制策略

针对氧化铝质量分数的建模与控制问题,提出一种新的基于最小二乘支持向量机(LS-SVM)和预测控制的建模与控制策略。首先,针对LS-SVM建模时的参数选取问题,提出一种基于混沌优化的CHAOS LS-SVM算法获得最优氧化铝质量分数预测模型。然后,提出一种基于LS-SVM的氧化铝质量分数预测控制算法,采用混沌优化在线求解最优控制律。仿真结果表明:CHAOS LS-SVM算法建立的氧化铝质量分数预测模型,其泛化能力要比基于神经网络(NN)的氧化铝质量分数预测模型的强;基于LS-SVM的氧化铝质量分数预测控制算法,其控制精度要比基于NN的氧化铝质量分数预测控制算法的高。     

基于BP神经网络预报的动态矩阵预测控制

提出了一种基于BP神经网络预报的动态矩阵预测控制新算法,在该算法中,先用BP神经网络辨识对象模型,同时预测对象的未来输出,然后用动态矩阵控制算法进行滚动优化和反馈校正.该方法解决了非线性、时变对象难以建模及控制的问题,又保留了常规预测控制的优点,是一种比较好的、有着广阔应用前景的新型控制算法.仿真结果验证了这一新型算法的可行性.