基于神经网络的IMC-PID超声波电机控制

›› 2015, Vol. 28 ›› Issue (12): 139-.

基于神经网络的IMC-PID超声波电机控制

蒋念平,张琪

(上海理工大学光电信息与计算机学院,上海 200093)

出版日期:2015-12-15 发布日期:2015-12-15
作者简介:蒋念平(1957—),男,副教授,硕士生导师。研究方向:计算机应用。E-mail:npjiang@163.com。张琪(1991—),女,硕士研究生。研究方向:超声波电机建模与智能控制。

IMC-PID Controls Based on Neural Network for Ultrasonic Motor

JIANG Nianping,ZHANG Qi

(School of Optical-Electrical and Computer Engineering,University of Shanghai for Science and Technology,Shanghai 200093,China)

Online:2015-12-15 Published:2015-12-15

摘要/Abstract

摘要：

由于常规PID控制器无法有效地控制超声波电机非线性的运行特性,提出了一种基于神经网络的可变增益型内模PID控制(IMC-PID),构建IMC-PID简化PID控制器的参数整定,只需调节其中一个参数,为弥补超声波电机的非线性问题,引入神经网络到控制器中来调节参数。实验基于超声波电机伺服系统,利用该控制系统对行波超声波电机进行控制,得到了控制输入和输出的响应关系,并得出了较小的稳态误差,实验证明对超声波电机特性变化及负载扰动适应能力强。

关键词: 超声波电机, PID控制, IMC-PID, 神经网络, 可变增益

Abstract:

A variable gain internal model control PID (IMC-PID) based on neural network is proposed for better ultrasonic motor control.The IMC-PID simplifies the parameters setting of PID controller with only one parameter needed to be adjusted.The neural network is introduced to adjust the parameters to make up for the nonlinear problem for ultrasonic motor.The response relationship between input and output and the smaller steady-state error is found.The experiments proved that ultrasonic motor control by using this control system offers good adaptability to characteristics variation and load disturbance.

Key words: ultrasonic motor;PID control;IMC-PID;neural network;variable gain

中图分类号:

TM37

蒋念平,张琪. 基于神经网络的IMC-PID超声波电机控制[J]. , 2015, 28(12): 139-.

JIANG Nianping,ZHANG Qi. IMC-PID Controls Based on Neural Network for Ultrasonic Motor[J]. , 2015, 28(12): 139-.

[1]	李辉,王一丞. 基于CNNCIFG-Attention模型的文本情感分类[J]. 电子科技, 2022, 35(2): 46-51.
[2]	程晓雅,张雷. 基于深度学习的有遮挡人脸识别方法研究[J]. 电子科技, 2022, 35(1): 35-39.
[3]	战荫伟,朱百万,杨卓. 一种车脸识别算法的研究与应用[J]. 电子科技, 2021, 34(8): 1-7.
[4]	廖璐明,张伟. 基于改进VGG16网络的混合批量训练交通标志识别[J]. 电子科技, 2021, 34(8): 8-13.
[5]	司明明,陈玮,胡春燕,尹钟. 融合Resnet50和U-Net的眼底彩色血管图像分割[J]. 电子科技, 2021, 34(8): 19-24.
[6]	马立新,豆晨飞,宋晨灿,杨天笑. 基于特征融合卷积神经网络的绝缘子无损检测[J]. 电子科技, 2021, 34(7): 26-30.
[7]	任新瑞,马立新. 基于模糊PID负荷跟踪型主蒸汽温度控制系统研究[J]. 电子科技, 2021, 34(5): 18-23.
[8]	孟晓姣,张世巍,李小健,李敏玥,宋丙鑫,路宏敏. 一种基于BP神经网络的车载通信设备性能评估方法[J]. 电子科技, 2021, 34(5): 24-28.
[9]	张仕森,孙宪坤,尹玲,李世玺. 基于神经网络的文本标题生成原型系统设计[J]. 电子科技, 2021, 34(5): 35-41.
[10]	顾伟,李菲菲,陈虬. 基于多特征融合的行人检测方法[J]. 电子科技, 2021, 34(5): 29-34.
[11]	薛永杰,巨志勇. 基于改进AlexNet的鱼类识别算法[J]. 电子科技, 2021, 34(4): 12-17.
[12]	闫书豪,乔美英. 基于一维WConv-BiLSTM的轴承故障诊断算法[J]. 电子科技, 2021, 34(4): 75-82.
[13]	窦征立,王亚刚. 基于Elman神经网络的联合循环机组燃烧室温度模型建模[J]. 电子科技, 2021, 34(3): 60-64.
[14]	朱斌,刘子龙. 基于新型初始模块的卷积神经网络图像分类方法[J]. 电子科技, 2021, 34(2): 52-56.
[15]	周小波,邹任玲,卢旭华,王海滨,张俊翔. 基于人工神经网络的表面肌电信号分类器研究进展[J]. 电子科技, 2021, 34(2): 62-67.