航空发动机PID神经网络解耦控制

对航空发动机的双变量解耦控制方法进行了研究,提出了一种基于遗传算法的PID神经网络解耦控制算法。该算法将遗传算法用于多层前向神经网络的连接权系数的学习,克服了BP算法易陷入局部权值的缺点,并具有PID神经网络控制器结构简单规范、动态和静态性能良好等优点。     

基于RBF网络辨识的航空发动机模糊神经网络解耦控制

对航空发动机的多变量解耦控制方法进行了研究,提出了一种基于RBF网络辨识的航空发动机模糊神经网络解耦控制方法。该方法利用RBF网络辨识航空发动机的实时模型,为模糊神经网络控制器参数的调整提供了Jacobian信息,解决了模糊神经网络自适应控制器在被控对象不能精确建模情况下应用的问题。仿真结果表明,系统鲁棒性强．在设计点和偏离设计点处,均具有良好的动态特性和解耦特性。     

基于小波神经网络辨识的PID神经MRAC研究

提出了一种基于小波神经网络辨识的PID神经网络模型参考自适应控制方法。该方法采用小波神经网络作为辨识器,PID神经网络作为控制器在线调节。由于小波变换具有良好的时频局部特性,神经网络具有强大的非线性映射能力,自学习、自适应等优势,采用规范正交的小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力,自学习、自适应能力等优点,仿真结果表明用该方法构成的控制系统收敛速度快,逼近精度高,鲁棒性好,优于一般的BP网络控制。     

基于支持向量机回归和RBF神经网络的PID整定

针对工业控制领域中非线性系统控制,在基于梯度下降法的RBF网络PID整定的基础上,对整定算法作出改进,控制目标不再是使当前跟踪误差最小,而是使当前跟踪误差和下一时刻跟踪误差的平方和最小。实现过程为:先由RBF神经网络在线辨识被控对象离散模型,得到被控对象的Jacobian信息,采用梯度下降法对PID控制器参数进行初步整定;然后,将系统跟踪误差和PID参数输入支持向量机模型,通过回归预测系统下一时刻的误差,改进的整定算法利用预测误差信息对参数进行再整定。仿真结果表明,引入支持向量机回归优化的RBF神经网络PID整定收敛速度更快,精度更高,跟踪性能优于RBF神经网络PID整定。     

航空发动机自适应神经网络PID控制

本文提出了一种航空发动机多变量自适应神经网络 PID控制方法, 采用基于共轭梯度的神经网络学习算法在线整定控制器参数。该控制器的设计无需知道发动机精确模型, 具有响应速度快、抗干扰能力强和鲁棒性好等优点。控制器不仅算法简单, 实现容易, 而且适用范围广。      

基于RBF网络辨识的涡扇发动机双变量神经网络PID解耦控制

根据神经网络与PID算法相结合的思想, 针对涡扇发动机双变量控制中变量之间的耦合问题, 提出基于径向基函数神经网络(RBF)辨识的发动机双变量神经网络PID解耦控制, 并给出控制系统的控制结构及原理.仿真结果表明, 该方法控制精度高、跟踪性能强、鲁棒性良好, 能够有效地减小各回路之间的耦合影响, 并保证控制系统具有良好的稳态和动态性能, 适合航空发动机控制.      

航空发动机燃油泵试验台入口油温控制

航空发动机燃油泵试验台入口油温控制系统是一种非线性、时滞系统,难以建立数学模型,常规的PID控制方法不能实现精确的控制。提出采用改进的单神经元自适应PID控制方法实现对入口油温的控制。该控制方法结合了神经网络和PID控制的优点。仿真结果表明,所采用的单神经元自适应PID控制与常规PID控制相比,具有更好的控制品质。     

基于功率反馈的涡轴发动机神经网络PID控制研究

通过对功率平衡关系进行分析,提出了利用功率反馈设计智能神经网络PID控制器的方法。基于BP（Back Propagation）神经网络,将功率信号作为神经网络的输入层信号,并改进了网络权值的学习规则。通过在线整定PID参数,控制器能够根据功率误差信号的变化实时调整控制参数,从而使系统自主寻找到功率平衡点,具有良好的稳态和动态响应特性。仿真结果表明：该方法可以使涡轴发动机在全包线范围内具有理想的控制性能。     

Fuzzy自整定PID控制器设计及其MATLAB仿真

针对常规PID控制器不能在线进行参数自整定的问题,结合模糊控制技术,提出了一种模糊自整定PID参数的方法,运用MATLAB进行仿真研究表明,该模糊自整定PID控制器既具有PID控制器高精度的优点,又具有模糊控制器快速、适应性强的特点,使被控对象具有良好的动、稳态特性。     

液压仿真转台的PFC-PID串级控制

 针对三轴液压仿真转台系统难以获得精确数学模型,存在较大参数变化和各种干扰,常规控制方法难以获得良好控制效果的特点,找到一种适合三轴液压转台的预测函数控制(PFC)策略,并与PID控制相结合,提出PFC PID串级控制并应用于液压仿真转台系统。系统内回路采用PID控制克服各种干扰,内回路和液压仿真转台对象构成PFC的广义被控对象,对广义被控对象采用PFC控制拓展系统频宽,改善系统性能。对三轴液压仿真转台的仿真研究结果表明了该方法的有效性和优越性。     

基于混沌变量的航空发动机模糊神经网络控制

针对模糊神经网络控制器中模糊规则的设计和神经网络权值的确定存在困难这个问题,提出了混沌优化控制方案,将混沌优化算法应用到航空发动机模糊神经网络控制中,利用混沌优化算法对模糊神经网络的参数进行优化。仿真结果表明,设计的模糊神经网络控制器具有良好的性能。      

航空发动机递归神经网络分路式解耦控制

针对航空发动机多变量控制中变量之间的耦合问题,提出了一种基于递归神经网络的分路式动态解耦控制方法,给出了发动机双路式解耦控制系统的结构及其解耦原理和算法。利用递归小波网络较强的动态非线性映射能力,在线完成发动机各控制通道的模型辨识,并回馈对应的灵敏度信息;神经网络PID控制器根据回馈的信息在线自适应调整参数,实现发动机各通道的准确跟踪和分路独立控制。仿真表明,该方法在保证控制系统良好的动态和稳态性能的同时,有效地减小了各回路之间的耦合影响,能够成功应用于发动机控制系统的解耦。      

某型发动机数控系统的相似参数自适应控制

针对航空发动机在全飞行包线非线性和时变的特点,提出了参数自适应PID控制器设计方法,研究了用最小二乘法和相似参数法两种参数估计器进行在线参数辨识和参数整定的问题。通过与发动机线性模型和部件级非线性模型的仿真,对两种控制算法进行了比较,确定了相似参数法自适应PID控制器具有稳定性好,计算简单,适用于全包线等优点。将相似参数法自适应PID控制器用于某型航空发动机全权限数控系统,通过试车和试飞,验证了该方法的优点。      

航空发动机的智能神经网络自适应控制研究

针对结构复杂、模型不确定、强非线性的航空发动机对象,提出一种综合模糊推理、神经网络自适应和PID简单控制各自优点的控制方案.在改进模糊PID控制器的基础上,进行了新型智能型神经网络控制器的设计,并提出离线混沌蚁群优化与在线误差反传调整相结合的优化方法.应用具有良好泛化能力的最小二乘支持向量机进行系统辨识,对某型航空发动机进行了设计点处的线性和非线性模型控制仿真.结果表明:控制系统具有满意的动、静态性能和较好的鲁棒性,验证了该方案的可行性和有效性.      

航空发动机神经网络内模控制

基于神经网络内模控制理论研究了神经网络内模控制方法在航空发动机控制系统中的应用,建立了基于Elman网络的航空发动机多变量内模控制系统。采用Elman网络建立发动机内模型和内模控制器,详细介绍了建模、控制的算法及其实现过程。取部分飞行条件下的数据作为学习样本,采用动态BP算法对神经网络权值进行调整,并在飞行包线内其它工作点对整个控制系统进行了仿真。结果表明,使用神经网络建立的航空发动机内模控制系统具有良好的控制品质和较强的自适应能力。      

火箭弹电动舵机模糊单神经元PID控制算法

针对制导火箭弹电动式舵机,为提高其响应速度和精度,文章在模糊PID控制基础上,提出了模糊单神经元PID控制方法。首先,建立了火箭弹舵机系统模型;然后,将模糊推理、单神经元自学习算法和PID控制相结合,建立智能控制系统,以实现对舵机输入指令的精确、快速响应。经仿真实验表明:在此智能控制下,舵机位置在阶跃响应的调节时间、超调量以及正弦跟踪上相对于传统模糊PID控制均得到有效改进,具有良好的动静态性能、自适应性和稳定性。     

航空发动机的支持向量机自适应PID控制

首先介绍了支持向量机(SVM)的原理, 建立了支持向量机回归(SVMR)模型.将SVMR与基于支持向量机的控制器相结合, 组成自适应PID支持向量机控制(SVMC)系统.最后用于某型航空发动机, 通过在选定的设计点处进行控制系统的设计, 利用支持向量机强大非线性映射能力、网络结构的自动最优化特性, 使控制系统在发动机偏离设计点工作时控制系统仍保持很好的性能.为通用非线性控制提供了一种新的控制思路.      

基于相似理论的航空发动机转速自适应PID控制

根据航空发动机在相似坐标系中特性不变的特点，提出一种基于相似理论的航空发动机转速自适应PID控制。该方案采用衰减曲线法进行换算PID参数整定，获得自适应调节律。仿真结果表明控制器具有良好的动静态性能，自适应性和鲁俸性。所得参数变化规律对数控系统全包线内PID控制器的参数选择具有一定的指导意义。     

基于新型神经网络的航空发动机多变量控制

根据PID控制结构提出了一种新型神经网络控制器,对其基本结构和学习算法等进行了分析。结合某型航空涡喷发动机双变量控制需求,利用2个结构相同、相互联系的神经网络,实现了发动机双变量控制和接耦。在不同飞行条件、不同发动机工作状态下的仿真表明,控制器具有良好的控制性能