BP神经网络PID控制器在温室温度控制中的研究

为了更好地实现对温室温度的控制,本文设计出了一种BP神经网络PID控制器,提出了BP神经网络PID控制算法,并对该算法进行了分析,最后以温室温度为控制对象分别对常规PID控制器和BP神经网络PID控制器进行了大量仿真研究。结果表明,基于BP神经网络整定的PID控制器具有较强的自适应能力和鲁棒性,其控制品质优于常规PID控制器。     

基于BP神经网络的PID控制在温室控制系统中的应用

以温度参数控制为例,结合传统PID控制规律,利用BP神经网络完成温室温度控制系统的PID控制系统设计.通过阐述基于BP神经网络的PID控制算法,完成温度控制系统中的BP神经网络PID控制参数在线整定.采用MATLAB对基于BP网络的PID温度控制系统进行了仿真,结果表明,PID控制算法能够实现控制参数的自适应调整,使系统对输入的响应达到小误差.     

神经网络混合PID算法的空调节能研究

针对经典的PID控制方法的三个参数值,传统方法是通过人工赋值,而人工赋值往往依赖于经验,控制效率较低。研究小组引入BP网络对PID控制器参数进行优化,通过训练PID参数,得到最佳参数值。仿真试验验证了该BP网络在调节PID控制器参数方面具有更快的收敛能力,能够实现系统的快速逼近功能。研究小组提出了一种基于BP神经网络的PID控制器优化方法,并将该方法应用于中央空调系统中,把一阶系统函数当作空调的拟似函数,通过搭建的MATLAB平台进行仿真。仿真结果表明,该方法具有超调量小、过渡时间短、鲁棒性好等特点,弥补了常规PID在改善空调性能中参数难以整定的缺点。可以将该控制策略用于改善空调性能,使空调能处于最佳的性能状态,并且保证空调的安全经济运行。     

基于模糊神经网络的磁悬浮球位置控制研究

为了实现磁悬浮球系统高精度位置控制,提出一种基于模糊神经网络补偿PID控制的磁悬浮球系统位置控制新方法,该控制系统由模糊神经网络辨识器、PID控制器和模糊神经网络控制器组成。模糊神经网络辨识器基于PID控制器所提供的训练数据,建立控制系统误差与控制量之间的动态模型并将网络辨识参数实时传递至模糊神经网络控制器,模糊神经网络控制器基于实时辨识模型计算得到当前周期的补偿控制量,实现对PID控制的在线动态补偿,避免了离线训练过程,且无需建立精确的数学模型。方波信号仿真和实验结果表明:模糊神经网络补偿控制精度分别由PID控制的0.014 2 mm和0.221 1 mm提升至0.006 8 mm和0.073 9 mm,控制系统具有良好动态性能。     

装载机线控转向路感控制策略

设计了铰接式装载机线控转向系统，在分析装载机路感特性的基础上，提出系统控制策略，并设计了一种基于BP神经网络整定的自适应PID控制器，实现了PID参数的在线调整。仿真和实验结果表明，该控制器可使线控转向系统实现理想的路感特性。     

生物质气化炉智能控制系统

针对生物质气化过程具有的非线性、不稳定性、大时滞和强干扰等特点,提出了一种生物质气化炉的智能控制方法控制方法,包括温度控制环和可燃气体含氧量控制环的生物质气化炉双闭环智能集成控制方法。温度控制环采用主、副控制结构:主控制器采用基于BP神经网络模型,建立温度的BP神经网络模型;副控制器根据温度预测结果实现跟随控制。可燃气体含氧量控制环引入温度和含氧量两个反馈,主控制器采用模糊免疫PID控制,推算最优鼓风机转速;副控制器实现对鼓风机速度进行跟随控制。仿真结果表明了该方法的有效性和优越性。     

优化的BP神经网络在水轮机调节系统中的应用研究

针对常规PID难以取得期望的控制效果和单一神经网络在线整定存在结构复杂、学习时间过长、收敛速度慢等问题,提出了一种基于主成份优化的BP神经网络PID控制。利用主成份分析对网络的输入层单元进行降维分析,以此简化网络的结构,提高网络的收敛速度及泛化能力,进而提升智能控制系统的控制品质。基于上述理论在MATLAB/Simulink平台进行水轮机调节系统实例仿真分析,阐述并分析试验结果,说明了经主成份分析优化后的BP神经网络PID控制效果较优化前有了显著改善。     

空间微重力模拟育种平台系统的控制器设计

在地面进行模拟的空间微重力育种平台是一个随机时变、强非线性的复杂系统,无法精确建模,使得系统在较大工作范围内很难实现精确控制。为此,采用基于径向基神经网络PID的具有自调整能力的、稳定的自适应控制器应用于本系统研究:首先通过PID控制器快速调节参数值,使其恢复到理想的期望值附近,以此来初始化RBF神经网络;然后再用RBF神经网络在线动态调整PID参数的控制方法,实现系统在完成三维空间微重力模拟育种试验时所需的垂直地面Z向上的完全重力补偿;最后,通过Mat Lab对系统的控制算法进行仿真研究。     

基于蝙蝠优化BP-PID算法的精准施肥控制系统研究

水肥一体化技术在棉花、小麦、番茄等大田农作物种植场景中的应用逐渐增多。当前能够快速有效调整大田农作物水肥一体化系统中肥料流量的控制算法研究较为有限。由于水肥一体化系统存在时变性、滞后性与非线性的特点,常见的PID与BP-PID控制算法无法获得预期的控制效果。为此设计一种基于蝙蝠算法（BA）优化的BP神经网络PID控制器。通过采用BA对BP神经网络的初始权值进行优化,加快了BP神经网络的自学习速度,实现对水肥一体化系统中肥料流量的快速精准控制,从而降低了超调量、提高了响应速度。同时,基于STM32单片机搭建了水肥一体化流量调节测试平台,并对该控制器的性能进行了试验验证。结果表明,与常规PID控制器和基于BP神经网络的PID控制器相比,所设计的控制器具有较高的控制精度和鲁棒性,降低了由时滞性、非线性等因素引起的影响。平均最大超调量为4.78%,平均调节时间为41.24s。特别是在施肥流量为0.6m3/h时,控制器表现出最佳的综合控制性能,达到了精准施肥的效果。     

静液驱动履带车辆转向神经网络PID控制仿真

根据履带车辆转向运动学和动力学分析,提出转向控制策略,可在满足系统压力限制以及保证车辆转向安全条件下自动降低平均车速以保证驾驶员期望转向半径的准确实现。转向控制器由神经网络PID控制器和泵马达排量控制器组成。运用Matlab/Simulink对系统进行神经网络转向控制仿真分析,仿真结果表明,与传统PID控制相比较,神经网络控制输出超调量由10.5%降至4.1%,控制响应时间由4.8s降至2.2s,提高了系统实时性和鲁棒性。不同转向工况的仿真结果表明,采用神经网络控制可使静液驱动履带车辆获得良好的转向稳定性和操纵性。     

基于PSO-BP优化PID模型的水肥控制系统研究

针对传统灌溉施肥方式无法切实满足作物生长需求和水肥资源浪费严重的问题,设计一种基于PSO和BP神经网络优化PID模型的水肥控制系统。系统通过结合作物种植环境水肥浓度信息,利用PSO和BP神经网络算法优化PID控制参数,以解决水肥施灌过程中系统的非线性、时变性和滞后性等问题。综合MATLAB/simulink仿真试验结果可知,利用PSO和BP神经网络优化的PID控制模型较传统PID控制模型系统响应速度提高9.33%,调节时间缩短72.24%,超调量仅为PID控制的11.78%,优化效果较好。系统试验结果表明,施灌过程中系统控制稳定,在一定程度上达到水肥浓度精准控制的效果,具有实际应用价值。     

人工神经网络在PID控制算法中的应用

根据过程实测的输入输出数据，将实际对象输出的旧值输入BP网络的输入层，从而得到一动态神经网络，作为控制中非线性系统的预测模型。既利用了系统的已知规律，提高了辨识的可靠性，又使得网络结构不必过于庞大，改善了实时性。分析了积分分离PID控制算法，在此基础上，将应用最广泛的PID控制器与具有自学习功能的神经网络相结合。得到了基于BP神经网络的PID控制算法。在已有的控制系统中嵌入了神经网络控制算法，用以调节PID控制器的三个可调参数Kρ，KI，KD。     

基于BP神经网络的高速开关阀多级电压控制策略

为了提高液压系统控制精度,通过分析几种常用驱动策略下阀芯的动态特性以及进油口压力对动态特性的影响,提出了一种可适应进油口压力变化的多级电压激励驱动策略,与常用的双电压激励策略相比具有更好的动态特性,阀芯开启、关闭时间分别降至2. 2、1. 7 ms,线圈热功率降低了68. 5%。设计了一种通过PWM调制、可输出0～60 V之间任一电压的驱动电路。采用BP神经网络对PID参数进行整定,可实现液压缸位移的精确控制。在自适应电压激励与BP神经网络联合控制策略下,恒流量液压系统液压缸位移误差在-0. 3～0. 3 mm之间,变流量液压系统液压缸位移误差在-0. 5～0. 5 mm之间。     

神经网络在CAPP加工方法选择中的应用

机械零件加工方法的选择是工艺设计的基础,为了实现CAPP加工方法的合理选择,应用了神经网络的理论和方法,首先对零件基本特征分类编码,然后建立BP神经网络模型进行学习训练后,得出了CAPP加工方法选择的合理方案。该神经网络的各项误差指标均达到了满意的要求,充分说明了用BP神经网络模型求解CAPP加工方法的选择具有可靠性与优越性。     

PID神经元网络在水稻秧棚控制系统中的应用研究

育秧对水稻的生产起着至关重要的作用,为水稻秧苗提供适宜生长的环境条件就成为水稻生产中极为重要的一环。水稻育秧棚控制系统具有多变量、大惯性、非线性、强耦合及时滞等特点,采用传统PID控制不能获得满意的控制效果。为此,本文将常规的PID控制和BP神经元网络控制相结合,设计了水稻育秧棚温、湿度解耦自动控制系统,并利用仿真软件(MatLab/SIMULINK)对秧棚内PID神经元网络控制系统进行了仿真及分析。结果表明:基于PID神经元网络控制与传统PID控制相比,响应速度快、超调量小、无静差,大大提高了秧棚内控制系统的性能,达到了预期的控制效果。     

智能轨迹控制割草机器人设计——基于FPGA神经网络

为了提高割草机器人自主导航和定位的精确性和智能性,设计了一种新型的基于FPGA神经网络算法的割草机器人。该设计采用FPGA可重构技术,以3层误差反向传播神经网络作为典型的模型来展开;利用成熟的BP算法公式,设计了割草机器人智能控制的模型;利用FPGA技术,设计了割草机器人的硬件系统;最后采用文本输入的设计方法,利用田间试验的方式,对机器人的轨迹规划能力和控制精度进行了验证。试验结果表明:利用FPGA和神经网络模型可以有效地穿越5个障碍物,并可得到满意的轨迹规划结果。将普通的PID控制器和神经网络PID控制器得到的控制结果误差进行了对比,结果表明:神经网络PID控制器得到的割草机器人控制误差明显比传统的PID控制器误差小。该方法为神经网络的硬件实现提供了可靠的理论基础。     

温室机器人驱动控制系统的算法研究

为了使机器人的行动能适应温室的复杂情况,提高机器人的运动控制精度,将模拟PID控制算法离散化,对编码反馈误差进行归一化处理,并将其输入3层的BP神经网络,研究了隐含层加权系数的计算方法,完成并验证了模糊BP神经网络PID控制系统的算法。结果证明,在同一指令时间内,模糊神经网络控制器能够很好地完成角度指令的零误差调节,与常规PID控制器相比较,模糊神经网络控制器的超调量显著减小。