模糊控制与神经网络组合控制系统研究

采用模糊控制与神经网络组合控制系统控制带有大滞后环节的非线性对象。该方法综合了模糊控制与神经网络,为带有大滞后环节的非线性系统的控制提供了一种思路。     

基于BP神经网络PID的船用锅炉蒸汽压力控制系统

锅炉蒸汽压力的特性导致常规的PID控制方法不具备自适应能力,难以满足系统要求,因此,设计了基于BP神经网络PID的锅炉蒸汽压力控制系统。以一个二阶含滞后环节的锅炉蒸汽压力数学模型为被控对象,分别用传统PID控制器和基于BP神经网络的PID控制器对锅炉蒸汽压力加以控制,并采用MATLAB软件进行仿真。仿真结果对比显示,在基于BP神经网络的PID控制器控制下,系统无振荡,无超调,过渡时间短,控制效果优于传统PID控制器。     

基于动态BP算法的非线性系统预测控制

以包含滞后环节的非线性系统为对象,提出一种增加动态特性的动态BP（Back Propagation）学习算法。该算法以传统BP算法为基础,在多层感知机网络的第1隐层和输出层分别引入可调节的自适应延迟参数,并通过误差梯度对其进行修正,实现了对滞后系统的建模和延迟时间的辨识。进而将该算法与神经网络自适应控制器相结合,提出了一种基于神经网络模型的预测控制结构。仿真结果证明了方法的有效性。     

自适应灰色神经网络控制器在液位控制中的应用研究

针对实际工业生产过程中被控对象的时变和纯滞后特点,本文根据神经网络具有能够充分逼近任意复杂的非线性关系和能够学习严重不确定系统的动态特性,具有适应性、智能性较好的特点并结合灰色预测控制的超前预测的特点,提出了基于BP神经网络的灰色预测控制算法.仿真结果的对比分析表明:本文的控制算法与传统控制器相比,具有控制简便、自适应性较强等特点,适用于对纯滞后和模型时变对象的控制.最后采用xPC技术在实际设备上进行了算法的验证,取得了满意的效果.     

一种基于位置观测器的电机PID控制策略

提出一种带位置观测器的电机控制策略,该方法可以避免信号突变时对系统动态品质的不良影响,从而提高了伺服电机的控制品质与鲁棒性。电机的伺服控制系统是一个闭环系统,比较常用的一种控制方法是基于PID算法的位置控制,由给定的目标位置或速度来控制电机,将检测到的位置与预定的位置进行比较,将偏差的比例、微分和积分线性组合,即可得到控制量。相比之下,采用带位置观测器的控制方法,能够有效避免微分环节可能带来的瞬时冲击。     

基于动态神经网络的AUV航向自适应控制

海洋环境的复杂性以及自身模型的不确定性,给自主潜航器(AUV)航向控制带来很大困难.针对AUV的特点和控制方面所存在的问题,采用了带衡量因子的动态BP神经网络控制器控制AUV的航向.理论分析和仿真结果表明,与传统的PID控制器相比,在扰动存在的情况下,神经网络控制器具有更好的自适应性和鲁棒性.     

神经网络优化PID舰船发动机自动控制

使用传统舰船发动机控制方法控制时,因其控制参数均为固定设置,无法随发动机参数变化而变化,导致控制方法的响应与实际控制信号出现较大偏差,影响了控制方法的稳定性和灵活性。针对以上问题,研究神经网络优化PID的舰船发动机自动控制方法。构建发动机闭环增益的PID结构后,设计神经网络自动控制器。利用遗传算法对神经网络PID自动控制器参数进行整定,降低控制器响应控制信号时的超调量,完成对舰船发动机控制方法的设计。通过与传统模糊PID控制方法的对比实验,证明了研究的控制方法能够有效降低24.31%的超调量,并且相比传统方法研究的方法的正弦跟随特性更佳,即神经网络优化后的自动控制方法具有更好的稳定性和灵活性。     

基于BP神经网络整定的蒸汽发生器水位PID控制及仿真研究

将神经网络与PID控制结合起来,提出了基于BP神经网络整定的蒸汽发生器水位PID控制方法,采用BP学习算法调整控制器神经网络的连接权值,通过对系统性能的学习实现了控制器参数的在线整定,仿真结果表明,所设计的控制器具有良好的控制性能。     

局部回归神经网络在水下机器人运动控制中的应用

探讨了水下机器人神经网络运动模型的结构,提出了带有局部回归结构的水下机器人神经网络控制器结构及预测控制的实现方法,给出了该神经网络的教师样本生成方法及学习方法,计算机仿真与水池实验结果验证了本文提出方法的有效性和可行性。     

柔性结构神经网络分布式振动控制

提出采用分布式控制解决柔性结构振动问题,并且控制形式简单,便于控制力的实施。结合神经网络可以解决常规分布式控制难于解决的非线型耦合问题。神经网络采用非线性自回归移动平均移动方法,提高了神经网络的运算速度快。最后,在不同作动力情况下,将集中式神经网络控制和分布式神经网络分别采用相同的最大作动力对作动器/结构耦合系统进行控制。结果表明,分布式神经网络控制在采用较小的控制力情况下,取得了更好的控制效果。     

船舶柴油发电机转速神经网络模型参考自适应控制

结合人工神经网络与模型参考自适应控制，形成船舶柴油发电机转速神经网络自适应控制。对由传感器检测后获取的特征值进行归一化处理，把经过处理的特征值作为神经网络的输入样本集，设计输出样本集，建立BP神经网络和ELMAN神经网络，用整理后的数据训练神经网络，使神经网络实现转速的自适应控制功能，并对神经网络模型进行仿真测试。仿真结果表明该方法控制精度高，动、静态特性好。     

关于适合于海洋探测信号处理的几种基于人工神经网络的预测方法

本文讨论了并比较了几种适合于海洋探测信号处理的预测方法：基于统计的线性预测方法、传统ＢＰ神经网络方法，改进的带线性链的ＢＰ神经网络方法以及具有ＢＰ神经网络学习算法的ＡＲＭＡ方法。对后两种方法作者从理论上进行了分析和推导。实践表明，后两种方法的速度比传统ＢＰ神经网络方法的速度快，数据压缩比也高。     

改进神经网络的舰船电力系统稳定性容错控制

大部分舰船电力系统控制方法只能完成电力系统的基础控制任务,没有考虑电力系统状态控制,造成控制后电压稳定性较差的问题。因而,设计改进神经网络的舰船电力系统稳定性容错控制方法。引用改进神经网络设计状态诊断网络,完成舰船电力系统状态诊断。设计模糊滑膜变结构控制器为容错控制器,引用模糊控制技术控制电力系统中电流与电压的变化,实现对舰船电力系统的稳定性控制。通过测试对比可知,此方法与原有2种控制方法相比,此方法完成控制后的输出电压更加稳定。综上可知,改进神经网络的舰船电力系统稳定性容错控制更适用对电力系统的状态进行控制。     

船舶柴油发电机转速的BP-PID并行控制

针对船舶柴油发电机转速控制问题,结合BP神经网络对非线性系统的高拟合性与经典PID控制的优良性能,形成船舶柴油发电机转速BP-PID并行控制系统。控制系统中BP神经网络控制器与PID控制器相结合,经过神经网络控制器的不断训练学习,控制器获取船舶柴油发电机转速系统的模型,并逐渐地由BP神经网络控制器占主要控制作用,从而达到对系统的实时控制。仿真结果证明了该方法的可行性。     

海水蒸发器水位控制分析

分析了海水蒸发器的工作流程,构建了海水蒸发器水位的数学模型.针对海水蒸发器水位存在的延迟环节,提出了预估补偿控制与PI控制相结合的控制方案.仿真结果表明,采用带预估补偿器的PI控制,能使海水蒸发器水位控制系统的调节品质和稳定性得到改善.     

全桥直流变换器的RBF神经网络控制技术研究

针对船舶直流区域配电系统中全桥直流变换器精确数学模型难以建立、经典控制系统设计困难的问题,提出了全桥直流变换器的RBF神经网络控制的方法和步骤,并建立了仿真模型.仿真结果表明,在全桥直流变换器输出电压的控制方面,RBF神经网络控制与经典PID控制相比优势明显.最后,提出了进一步的研究方向.     

基于目标规划的水下机器人模糊神经网络控制

针对水下机器人运动的精确控制问题,依据模糊逻辑和神经网络理论,提出了一种基于目标规划的模糊神经网络控制方法。根据水下机器人的运动特性构造了模糊神经网络的结构,并推导了网络权值学习的反传算法,最后以水下综合探测机器人为研究对象进行了试验研究。试验研究的结果表明,该方法结合了传统模糊控制和神经网络控制的优点,大大地提高了系统响应速度和控制精度,并且对模型的不确定性有较强的鲁棒性,能够实现水下机器人运动的精确控制,具有较高的理论和实用价值。     

基于RBF神经网络补偿的PMSM反步控制系统

提出了一种基于非线性控制策略的RBF神经网络补偿和反步控制相结合的方法,克服了传统PID控制对非线性控制的缺点．基于神经网络的控制器很好地实现了线性逼近,反步控制保证了系统具有良好的速度跟踪性能．仿真结果表明,该方法比PID控制更有有效性．     

基于模糊神经网络的船舶自动驾驶仪的研究

分析了常规船舶自动驾驶仪存在的缺陷,针对船舶操作这种非纷陛、时变参数的控制对象,提出了一种基于模糊神经网络和Bang-Bang控制相结合的控制系统,提高了模糊控制系统的精度,最后通过仿真将模糊型船舶自动驾驶仪与基于模糊神经网络船舶自动驾驶仪的性能作了比较,结果表明后者的方法控制性能良好.     

强迫电流滞后高频开关SPWM三相整流器

本文介绍了强迫电流滞后高频开关ＳＰＷＭ三相整流器，采用绝缘栅晶体管作为主电路的开关元件，其控制采用电流滞后控制方法。这种整流方式功率因数可达到１，具有正弦的输入电流与可调的输出直流电压，并具有双向工转换的能力，且控制简单，响应时间快。