CN111198498A - 一种基于专家系统与神经元PID的SiC弧焊电源控制方法 - Google Patents
一种基于专家系统与神经元PID的SiC弧焊电源控制方法 Download PDFInfo
- Publication number
- CN111198498A CN111198498A CN202010088496.8A CN202010088496A CN111198498A CN 111198498 A CN111198498 A CN 111198498A CN 202010088496 A CN202010088496 A CN 202010088496A CN 111198498 A CN111198498 A CN 111198498A
- Authority
- CN
- China
- Prior art keywords
- power supply
- arc welding
- welding power
- neuron pid
- neuron
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003466 welding Methods 0.000 title claims abstract description 90
- 210000002569 neuron Anatomy 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 30
- 240000002627 Cordeauxia edulis Species 0.000 claims abstract description 13
- 230000004044 response Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 10
- 238000010891 electric arc Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 229910000861 Mg alloy Inorganic materials 0.000 description 1
- SNAAJJQQZSMGQD-UHFFFAOYSA-N aluminum magnesium Chemical compound [Mg].[Al] SNAAJJQQZSMGQD-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/029—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and expert systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K9/00—Arc welding or cutting
- B23K9/10—Other electric circuits therefor; Protective circuits; Remote controls
- B23K9/1006—Power supply
- B23K9/1043—Power supply characterised by the electric circuit
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Plasma & Fusion (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于专家系统与神经元PID的SiC弧焊电源控制方法。建立弧焊电源控制系统模型;给定弧焊电源的电流信号r(k),将实际焊接电流信号y(k)通过反馈单元与给定弧焊电源的电流信号r(k)进行比较,得到弧焊电源控制系统模型的当前误差e(k),将当前误差e(k)、上一次误差e(k‑1)和前一次误差e(k‑2)作为神经元PID控制单元的输入;采用有监督的Hebb学习规则更新神经元PID控制单元的权系数w,同时利用专家规则对神经元PID控制单元中的比例系数K进行在线调整,以控制神经元PID控制单元的输出量u(k),将输出量u(k)通过弧焊电源电弧系统实现弧焊电源的调节,得到调节后的实际焊接电流信号y(k)。本发明能根据焊接电流实时调整神经元PID的比例系数,对弧焊电源控制具有较好的自适应能力以及优越的跟踪性能。
Description
技术领域
本发明涉及弧焊控制技术领域,更具体地说,涉及一种基于专家系统与神经元PID的SiC弧焊电源控制方法。
背景技术
目前,增量式PID控制算法由于原理简单,使用方便,在焊接电源控制中得到广泛应用,但是,常规增量式PID参数一经整定,在整个控制过程中便保持不变,不利于跟踪设定值和适应焊接过程特性变化。不少学者研究了多种PID改进算法:当工作区域在非预期频繁干扰时,采用神经网络、模糊控制或专家控制器等人工智能技术,可以实时优化自适应焊接参数,显著减少焊接缺陷;通过基于生物免疫反馈调节策略和模糊逻辑推理的模糊免疫PID控制,调节增量式PID中的比例系数,实现快速响应;采用牛顿插值算法的焊接专家系统来实现铝镁合金薄板冷焊电源工艺参数的自调整等等。研究表明,应用具有较强鲁棒性及自适应性的神经元PID控制器有利于进一步提升弧焊电源的控制效果。
虽然,单神经元自适应PID控制焊接电源脉冲电流在峰值和基值叠加时强度较小。但神经元PID控制仍存在调节时间长、神经元的比例系数K难以优化调节等不足,可应用于超高逆变频率弧焊电源的神经元PID改进算法并不多。因此,现需提供一种可改善超高频宽禁带SiC弧焊电源的神经元PID控制效果的SiC弧焊电源控制方法,以更好的适应焊接过程特性变化的控制需求。
发明内容
本发明的目的在于克服现有技术中的缺点与不足,提供一种基于专家系统与神经元PID的SiC弧焊电源控制方法,该SiC弧焊电源控制方法能根据焊接电流实时调整神经元PID的比例系数,对弧焊电源控制具有较好的自适应能力以及优越的跟踪性能,以更好的适应焊接过程特性变化的控制需求。
为了达到上述目的,本发明通过下述技术方案予以实现:一种基于专家系统与神经元PID的SiC弧焊电源控制方法,其特征在于:
首先,建立弧焊电源控制系统模型,该弧焊电源控制系统模型包括弧焊电源电弧系统、带有数字PID控制单元的数字PID控制器和反馈单元;并将专家系统应用于数字PID控制器的神经元PID控制单元中进行在线调节;
然后,给定弧焊电源的电流信号r(k),将实际焊接电流信号y(k)通过反馈单元与给定弧焊电源的电流信号r(k)进行比较,得到弧焊电源控制系统模型的当前误差e(k),将当前误差e(k)、上一次误差e(k-1)和前一次误差e(k-2)作为神经元PID控制单元的输入;
最后,采用有监督的Hebb学习规则更新神经元PID控制单元的权系数w,同时利用专家规则对神经元PID控制单元中的比例系数K进行在线调整,以控制神经元PID控制单元的输出量u(k),将输出量u(k)通过弧焊电源电弧系统实现弧焊电源的调节,得到调节后的实际焊接电流信号y(k)。
在上述方案中,在给定电流值时,本发明基于专家系统与神经元PID的SiC弧焊电源控制方法采用有监督Hebb学习算法调整权系数,并利用专家规则分四区间调整比例系数,可在焊接电流快速上升的同时有效抑制超调。该基于专家系统与神经元PID的SiC弧焊电源控制方法具有鲁棒性强、自适应好和易于整定的优点。当焊接粘丝时,该方法可利用专家规则动态修订神经元PID的比例系数,能够适应电弧负载变化,调节时间更短而超调可更小,有利于提高系统稳定性和响应的快速性。
所述神经元PID控制单元的控制算式为:
该神经元为三输入一输出组成的,输入层x1(k)=e(k)-e(k-1)、x2(k)=e(k)、x3(k)=e(k)-2e(k-1)+e(k-2),输出层为一个节点△u(k),比例系数为K,xi(k)的权系数为wi(k),
所述采用有监督的Hebb学习规则更新神经元PID控制单元的权系数w是指:将无监督的Hebb学习规则和有监督的Delta学习结合起来更新权系数,其算式为:
w1(k)=w1(k-1)+ηpe(k)u(k-1)x1(k)
w2(k)=w2(k-1)+ηie(k)u(k-1)x2(k)
w3(k)=w3(k-1)+ηde(k)u(k-1)x3(k)
其中:ηp、ηi、ηd为学习速率,取值范围为[0,1]。
本文采用有监督的Hebb权系数学习规则,可提高神经元PID控制单元的鲁棒性能和学习算法的收敛性。
所述利用专家规则对神经元PID控制单元中的比例系数K进行在线调整是指:根据闭环响应的标幺化偏差量的绝对值|er(k)|,利用专家知识将响应分成若干个区间,每个区间采用不同K值,在一定范围内根据偏差的变化特性进行修正。
利用专家规则进行调整的规则如下:
if0.8<|er(k)|≤1thenK=a0+b0|er(k)|3/r(k)
if0.3<|er(k)|≤0.8thenK=a1+b1|er(k)|/2r(k)
if0.1<|er(k)|≤0.3thenK=a2+b2|er(k)|/r(k)
if0<|er(k)|≤0.1thenK=a3+b3|er(k)|/r(k)
其中:er(k)=(r(k)-y(k))/r(k)为标幺化偏差量。
神经元PID控制结构是根据学习规则更新权系数w,从而达到控制目的。但从学习规则来看,神经元PID控制器的比例系数K不具备在线调整的功能,权值的自校正速度较慢,导致系统调节时间长。为提高系统响应速度,本文从K值入手,根据闭环响应的标幺化偏差量的绝对值|er(k)|,利用专家知识将响应分成若干个区间,每个区间采用不同K值,在一定范围内根据偏差的变化特性进行修正,减少超调量和调节时间。本发明采用基于规则的产生式表示法,利用“IF-THEN”的结构来调整。
本发明K调控的策略为:在系统响应初期,采用较大的K值,使系统快速上升到给定值。但比例系数持续在大数值范围的情况下,缩短上升时间的同时也会产生更大的超调量。为抑制系统超调,第二阶段减少K值,以保证系统的稳定性,减少超调和调节时间;第三四阶段为趋于稳态情况下的精细化调整过程,优化神经元PID的学习功能。采用专家规则调控K值,a为粗调,b为微调,从而兼顾系统响应的快与稳两方面需求。
所述弧焊电源电弧系统包括逆变电源和电弧负载;所述逆变电源为SiC弧焊逆变电源,逆变频率为200KHz。
所述数字PID控制器内嵌于ARM Cortex-M4数字控制处理器。
与现有技术相比,本发明具有如下优点与有益效果:本发明基于专家系统与神经元PID的SiC弧焊电源控制方法能根据焊接电流实时调整神经元PID的比例系数,对弧焊电源控制具有较好的自适应能力以及优越的跟踪性能,以更好的适应焊接过程特性变化的控制需求。
附图说明
图1是本发明弧焊电源控制系统模型图;
图2是本发明弧焊电源控制系统结构框图;
图3为基于专家系统和神经元PID控制器(ESNC)以及神经元PID控制器(SNC)的仿真曲线图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例
如图1和图2所示,本发明基于专家系统与神经元PID的SiC弧焊电源控制方法是这样的:
首先,建立弧焊电源控制系统模型(如图1所示),该弧焊电源控制系统模型包括弧焊电源电弧系统、带有数字PID控制单元的数字PID控制器和反馈单元,其中,数字PID控制器内嵌于ARM Cortex-M4数字控制处理器,将专家系统应用于神经元PID控制单元进行在线调节;弧焊电源电弧系统包括逆变电源和电弧负载,该逆变电源为SiC弧焊逆变电源,逆变频率为200KHz。
然后,给定弧焊电源的电流信号r(k),将实际焊接电流信号y(k)通过反馈单元与给定弧焊电源的电流信号r(k)进行比较,得到弧焊电源控制系统模型的当前误差e(k),将当前误差e(k)、上一次误差e(k-1)和前一次误差e(k-2)作为神经元PID控制单元的输入;
最后,采用有监督的Hebb学习规则更新神经元PID控制单元的权系数w,同时利用专家规则对神经元PID控制单元中的比例系数K进行在线调整,以控制神经元PID控制单元的输出量u(k),将输出量u(k)通过弧焊电源电弧系统实现弧焊电源的调节,得到调节后的实际焊接电流信号y(k)。
本实施例中,神经元PID控制单元的控制算式为:
该神经元为三输入一输出组成的,输入层x1(k)=e(k)-e(k-1)、x2(k)=e(k)、x3(k)=e(k)-2e(k-1)+e(k-2),输出层为一个节点△u(k),比例系数为K,xi(k)的权系数为wi(k),
上述采用有监督的Hebb学习规则更新神经元PID控制单元的权系数w是指:将无监督的Hebb学习规则和有监督的Delta学习结合起来更新权系数,其算式为:
w1(k)=w1(k-1)+ηpe(k)u(k-1)x1(k)
w2(k)=w2(k-1)+ηie(k)u(k-1)x2(k)
w3(k)=w3(k-1)+ηde(k)u(k-1)x3(k)
其中:ηp、ηi、ηd为学习速率,取值范围为[0,1]。采用有监督的Hebb权系数学习规则,可提高神经元PID控制单元的鲁棒性能和学习算法的收敛性。
上述利用专家规则对神经元PID控制单元中的比例系数K进行在线调整是指:根据闭环响应的标幺化偏差量的绝对值|er(k)|,利用专家知识将响应分成若干个区间,每个区间采用不同K值,在一定范围内根据偏差的变化特性进行修正。
利用专家规则进行调整的规则如下:
if0.8<|er(k)|≤1thenK=a0+b0|er(k)|3/r(k)
if0.3<|er(k)|≤0.8thenK=a1+b1|er(k)|/2r(k)
if0.1<|er(k)|≤0.3thenK=a2+b2|er(k)|/r(k)
if0<|er(k)|≤0.1thenK=a3+b3|er(k)|/r(k)
其中:er(k)=(r(k)-y(k))/r(k)为标幺化偏差量。
神经元PID控制结构是根据学习规则更新权系数w,从而达到控制目的。但从学习规则来看,神经元PID控制器的比例系数K不具备在线调整的功能,权值的自校正速度较慢,导致系统调节时间长。为提高系统响应速度,本文从K值入手,根据闭环响应的标幺化偏差量的绝对值|er(k)|,利用专家知识将响应分成若干个区间,每个区间采用不同K值,在一定范围内根据偏差的变化特性进行修正,减少超调量和调节时间。本发明采用基于规则的产生式表示法,利用“IF-THEN”的结构来调整。
本发明K调控的策略为:在系统响应初期,采用较大的K值,使系统快速上升到给定值。但比例系数持续在大数值范围的情况下,缩短上升时间的同时也会产生更大的超调量。为抑制系统超调,第二阶段减少K值,以保证系统的稳定性,减少超调和调节时间;第三四阶段为趋于稳态情况下的精细化调整过程,优化神经元PID的学习功能。采用专家规则调控K值,a为粗调,b为微调,从而兼顾系统响应的快与稳两方面需求。
利用Matlab进行模型搭建,分别对神经元PID控制器(SNC)和基于专家系统和神经元PID控制器(ESNC)进行仿真研究,采样周期为10μs。其中,神经元PID控制器(SNC)的比例系数K=0.01,学习速度初始值为:ηp=0.1,ηi=0.1,ηd=0.1,权系数初始值为:w1(0)=0.26,w2(0)=0.05,w3(0)=0.08;基于专家系统和神经元PID控制器(ESNC)的参数选择为:a0=0.04,b0=0.4,a1=0.005,b1=0.02,a2=0.02,b2=0.001,a3=0.015,b3=0.001,学习速度和权系数初始值同上。
系统在电流设定值yd=300A发生阶跃响应,其中当t=0.005s时,当焊接粘丝时,电弧负载发生变化,其传递函数对应更新为:
由图3的曲线对比可知,ESCN比SCN更能兼顾焊接系统的稳定性与快速性,超调量<1.5%,性能良好。当焊接粘丝导致电流上升时,系统出现振荡。为防止电流上升速度和幅度过大,ESCN及时根据电弧负载调整K值,超调量有所减少,且调节时间明显改善,曲线比SCN的曲线更平稳快速地逼近原来的给定值300A。从上述结果可知,ESCN的调节时间为0.64ms,比SCN节省47%。焊接粘丝时,ESCN超调量降低6%,调节时间节省38%。因此,基于专家系统和神经元PID的宽禁带SiC弧焊接电源复合控制是可行的,控制系统的鲁棒性、自适应性和在电弧特性改变情况下系统的跟踪性能都有明显的提升。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种基于专家系统与神经元PID的SiC弧焊电源控制方法,其特征在于:
首先,建立弧焊电源控制系统模型,该弧焊电源控制系统模型包括弧焊电源电弧系统、带有数字PID控制单元的数字PID控制器和反馈单元;并将专家系统应用于数字PID控制器的神经元PID控制单元中进行在线调节;
然后,给定弧焊电源的电流信号r(k),将实际焊接电流信号y(k)通过反馈单元与给定弧焊电源的电流信号r(k)进行比较,得到弧焊电源控制系统模型的当前误差e(k),将当前误差e(k)、上一次误差e(k-1)和前一次误差e(k-2)作为神经元PID控制单元的输入;
最后,采用有监督的Hebb学习规则更新神经元PID控制单元的权系数w,同时利用专家规则对神经元PID控制单元中的比例系数K进行在线调整,以控制神经元PID控制单元的输出量u(k),将输出量u(k)通过弧焊电源电弧系统实现弧焊电源的调节,得到调节后的实际焊接电流信号y(k)。
3.根据权利要求1所述的基于专家系统与神经元PID的SiC弧焊电源控制方法,其特征在于:所述采用有监督的Hebb学习规则更新神经元PID控制单元的权系数w是指:将无监督的Hebb学习规则和有监督的Delta学习结合起来更新权系数,其算式为:
w1(k)=w1(k-1)+ηpe(k)u(k-1)x1(k)
w2(k)=w2(k-1)+ηie(k)u(k-1)x2(k)
w3(k)=w3(k-1)+ηde(k)u(k-1)x3(k)
其中:ηp、ηi、ηd为学习速率,取值范围为[0,1]。
4.根据权利要求1所述的基于专家系统与神经元PID的SiC弧焊电源控制方法,其特征在于:所述利用专家规则对神经元PID控制单元中的比例系数K进行在线调整是指:根据闭环响应的标幺化偏差量的绝对值er(k),利用专家知识将响应分成若干个区间,每个区间采用不同K值,在一定范围内根据偏差的变化特性进行修正。
5.根据权利要求4所述的基于专家系统与神经元PID的SiC弧焊电源控制方法,其特征在于:利用专家规则进行调整的规则如下:
if0.8<|er(k)|≤1thenK=a0+b0|er(k)|3/r(k)
if0.3<|er(k)|≤0.8thenK=a1+b1|er(k)|/2r(k)
if0.1<|er(k)|≤0.3thenK=a2+b2|er(k)|/r(k)
if0<|er(k)|≤0.1thenK=a3+b3|er(k)|/r(k)
其中:er(k)=(r(k)-y(k))/r(k)为标幺化偏差量。
6.根据权利要求1所述的基于专家系统与神经元PID的SiC弧焊电源控制方法,其特征在于:所述弧焊电源电弧系统包括逆变电源和电弧负载;所述逆变电源为SiC弧焊逆变电源,逆变频率为200KHz。
7.根据权利要求1所述的基于专家系统与神经元PID的SiC弧焊电源控制方法,其特征在于:所述数字PID控制器内嵌于ARM Cortex-M4数字控制处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010088496.8A CN111198498A (zh) | 2020-02-12 | 2020-02-12 | 一种基于专家系统与神经元PID的SiC弧焊电源控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010088496.8A CN111198498A (zh) | 2020-02-12 | 2020-02-12 | 一种基于专家系统与神经元PID的SiC弧焊电源控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111198498A true CN111198498A (zh) | 2020-05-26 |
Family
ID=70744851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010088496.8A Pending CN111198498A (zh) | 2020-02-12 | 2020-02-12 | 一种基于专家系统与神经元PID的SiC弧焊电源控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111198498A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199289A (zh) * | 2014-08-04 | 2014-12-10 | 江苏科技大学 | 磁铁电源整流系统无辨识单神经元自适应pid控制方法 |
CN104235820A (zh) * | 2014-09-29 | 2014-12-24 | 苏州大学 | 一种基于改进型单神经元自适应pid控制策略的锅炉汽温控制方法 |
CN104475925A (zh) * | 2014-10-28 | 2015-04-01 | 上海空间推进研究所 | 姿控发动机氩弧焊焊接电流智能控制方法 |
CN110518850A (zh) * | 2019-09-12 | 2019-11-29 | 桂林电子科技大学 | 内置式永磁同步电机单神经元自适应pid弱磁控制方法 |
-
2020
- 2020-02-12 CN CN202010088496.8A patent/CN111198498A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199289A (zh) * | 2014-08-04 | 2014-12-10 | 江苏科技大学 | 磁铁电源整流系统无辨识单神经元自适应pid控制方法 |
CN104235820A (zh) * | 2014-09-29 | 2014-12-24 | 苏州大学 | 一种基于改进型单神经元自适应pid控制策略的锅炉汽温控制方法 |
CN104475925A (zh) * | 2014-10-28 | 2015-04-01 | 上海空间推进研究所 | 姿控发动机氩弧焊焊接电流智能控制方法 |
CN110518850A (zh) * | 2019-09-12 | 2019-11-29 | 桂林电子科技大学 | 内置式永磁同步电机单神经元自适应pid弱磁控制方法 |
Non-Patent Citations (2)
Title |
---|
徐海彬等: "《PID自动舵的自整定专家系统》", 《船舶工程》 * |
李思奇等: "《弧焊电源的智能输入专家系统设计》", 《电焊机》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110048606B (zh) | 基于区间二型自适应模糊神经网络的dc-dc升压变换器动态滑模电压控制方法 | |
JP3842291B2 (ja) | 多変数予測コントローラに独立フィードフォワード制御を組込む方法 | |
JP4168206B2 (ja) | 補助変数を用いた多重領域ファジー論理制御システム | |
CN110531614B (zh) | 新颖的无刷直流电机模糊神经网络pi控制器 | |
CN108832853B (zh) | 一种基于模糊pi-pd控制的直流无刷电机调速方法 | |
CN113690926B (zh) | 一种改进烟花算法优化单相逆变器控制参数整定方法 | |
CN110824927B (zh) | 具有自适应学习特征的火电机组一次调频精确调节方法 | |
CN111198498A (zh) | 一种基于专家系统与神经元PID的SiC弧焊电源控制方法 | |
CN113094896B (zh) | 一种电厂供热机组优化控制方法 | |
CN108089442B (zh) | 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法 | |
CN111009919B (zh) | 基于有功控制的光伏爬坡率控制方法和设备 | |
CN110488600B (zh) | Lqr优化型无刷直流电机调速神经网络pid控制器 | |
CN111367168B (zh) | 基于模糊逻辑的前馈参数设计方法 | |
CN109390948B (zh) | 一种低电压治理设备的模糊无模型自适应控制方法 | |
JP3012716B2 (ja) | プロセス制御方法及びその制御装置 | |
CN110703592B (zh) | 一种pid调节方法及pid调节器 | |
CN114614490A (zh) | 无功电压控制方法和装置、介质以及计算装置 | |
CN109687459B (zh) | 基于电流预测前馈结合多pr谐振支路的高速谐波电流开闭环控制方法 | |
CN110716499B (zh) | 基于单神经元pid和迭代学习前馈的数控折弯机运动复合控制方法 | |
Wang et al. | An adaptive gradient method with differentiation element in deep neural networks | |
CN112415890A (zh) | 同时修正误差因子和pid控制系数的模糊-pid数字电压补偿器 | |
CN115963730B (zh) | 一种喷射点胶阀腔液温度的选择性控制方法 | |
CN115097723B (zh) | 一种pid控制参数的调节方法 | |
CN117968056A (zh) | 一种基于改进自抗扰控制的燃气-蒸汽联合循环机组汽包水位控制方法 | |
CN110144622B (zh) | 直拉硅单晶生长系统中磁场电源的控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200526 |