电弧炉电极调节系统的自适应控制

研究了电弧炉电极调节系统的自适应控制问题。首先得出了电极调节系统的模型,然后将系统非线性的传递算子用线性的传递函数序列等效表示,在此基础上得到了模型参考自适应控制的方案。仿真结果表明,自适应控制比ＰＩＤ控制有更好的动态性能,对弧长扰动的抑制能力大大增强。     

电弧炉电极调节系统的自校正控制

以电弧炉电极调节系统为研究对象,提出了采用参数辨识的方法对受控模糊实时估计算法,进而采用极点配置自适应控制算法,对传统的PID电弧炉电极调节系统加以改进。仿真结果表明,自适应控制系统无论在系统的动态性能,还是在对弧长扰动的抑制能力方面,均优于PID控制,为开发新一代电弧炉自适应调节系统提供了理论依据。     

电弧炉电极调节系统双模控制器设计及应用

针对三相交流电弧炉电极调节系统具有非线性时变、多变量、强耦合及存在随机干扰的特点,提出一种基于RBF神经网络实时在线辨识的模型参考自适应解耦控制(MRAC)与比例微分(PD)控制相结合的双模控制策略.该策略通过在线建立电弧炉电极系统的精确模型并用于控制,使得系统具有快速适应对象和过程变化的能力以及解耦特性,稳定性分析和应用结果证实了双模控制器提高了系统的动态跟踪性能,增加了抗干扰能力,具有较强的鲁棒性.     

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.     

电弧炉电极调节系统的建模和控制

电极调节是电弧炉炼钢中的关键环节,冶炼过程中要求电极调节系统能够保证电弧的稳定,以达到高效率和低能耗的目的.对电弧炉电极调节系统进行物理建模,转化为线性三阶系统.传统的PID控制最大缺点在于仅能对电弧炉目前的状况做出反应,调节往往滞后于电弧炉实际状况的变化.将直接广义预测算法应用于电弧炉电极调节系统,当模型失配时,广义预测算法可以快速更新预测模型,计算出新的最优控制量.     

基于电弧炉电极调节系统死区方法的研究

电弧炉电极调节系统性能直接影响炼钢的生产效益,实现高效低能的重要手段是保证电弧长度的稳定.传统控制方法将电极调节系统看成三阶线性系统,但实际系统中存在死区非线性,且死区参数随时间的变化而变化,利用死区逆模型补偿控制器输出的方法不可行.针对电极调节系统存在死区这一问题,提出利用ELM对死区建模的方法,实现对系统的控制.     

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PLC实现的电弧炉电极控制系统

利用可编程控制器和变频器构成电弧炉控制系统,给出了整个系统的控制框图,并在此基础上对系统的软件流程图进行了分析,实现了对电极升降的自动准确控制,有效地减少了电极短路、断弧等现象,具有控制效果良好、操作简单和维护方便的优点。     

非线性BP算法在系统辨识中的应用

研究利用非线性ＢＰ算法训练多层前馈神经网络,对非线性动力系统进行建模,给出了基于非线性ＢＰ算法的系统辨识计算步骤,通过仿真计算表明,基于非线性ＢＰ算法的系统辨识至少可以获得与常规ＢＰ算法同样的效果,因为不需要计算神经元激活函数的导函数,文中的结果可以更小的代价实现基于神经网络的控制器。     

基于以太网的PID神经网络控制系统

介绍基于以太网的PID神经网络控制系统的构建及实时控制过程．该系统具有易于实现、成本低、兼容性好等特点,有利于对分布式设备进行实时控制．控制结果表明．该系统对于大滞后、非线性对象取得较好的控制效果．     

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.     

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。     

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。     

一种基于模糊神经网络和遗传算法的智能PID控制器

常规的PID控制器参数整定方法需要被控对象的精确数学模型,且整定出的参数不能进行在线调整.而模糊控制和神经网络均不依赖被控对象的数学模型,且具有较强的自适应和自学习能力;遗传算法则是一种新型的全局优化方法.鉴于此,提出将模糊控制、神经网络和遗传算法引入PID控制器的设计过程.首先,运用遗传算法优化隶属度函数的中心值和宽度,并借助模糊逻辑控制确定遗传算法中的交叉概率和变异概率.然后,再运用BP算法优化模糊神经网络的连接权系数.仿真结果表明,该方法提高了系统的自适应能力和抗干扰能力,增强了系统的鲁棒性.     

基于BP神经网络的入侵检测系统分类器的实现

提出一种应用人工神经网络进行入侵检测分类器设计的新方法,即采用改进的BP神经网络Levenberg-Marquardt优化算法进行入侵检测分类器的设计。该网络μ参量可自适应调整,收敛速度快,解决了传统BP算法的收敛速度慢、易陷入局部最小点的问题。实验结果表明,分类器用于入侵检测,效果良好,学习速度快,分类准确率高,为实现入侵检测分类器提供了一条准确高效的途径。     

基于BP神经网络的智能控制器

研究一种新型的智能控制器,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,其主要特点是提供一个跟踪网络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．     

基于线性二次型调节器的神经网络PID控制系统

讨论了基于神经网络PID的控制方法在线性二次型调节器(LQR)问题中的应用，针对控制工程中的无限时间LQR问题，提出了神经网络PID控制整定方法，从而实现PID参数的在线自适应寻优。同时，考虑了连续时间线性时不变系统的渐近稳定性问题。最后，运用MATLAB仿真实现证明了该方法的可行性、有效性。