3.1单回路PID控制系统的结构与组成 3.2 单回路PID控制系统设计 3.3 调节规律对控制品质的影响与调节规律选择 3.4 调节器参数的工程整定方法 3.5 简单控制系统设计实例

以工业PID控制中控制器参数调整困难为背景,在分析神经网络特性的基础上,提出神经网络控制方法,设计了具有自适应性的神经网络PID控制器。在描述了神经网络的学习机理的基础上,给出了控制器控制算法。通过2个实例验证了神经网络在线控制的可行性

长期以来，PID（比例—积分—微分）调节器一直作为工业控制上的主要调节装置而得到广泛应用。 PID调节器有如下一些特点：

针对一类双波动鳍仿生水下机器人的姿态镇定问题,提出一种基于增强学习的自适应PID控制方法.对增强学习自适应PID控制器进行了具体设计,包括PD控制律和基于增强学习的参数自适应方法.基于实际模型参数对偏航角镇定问题进行了仿真试验.结果表明,经过较小次数的学习控制后,仿生水下机器人的偏航角镇定性能得到明显改善,而且能够在短时间内对一般性扰动进行抑制,表现出了较好的适应性

第一章 可编程控制器基本指令 .3 第二章 可编程控制器实验 .5 实验一 喷泉的模拟控制.5 实验二 数码显示的模拟控制.7 实验三 舞台灯光的模拟控制.10 实验四 天塔之光的模拟控制.13 实验五 交通灯的模拟控制.16 实验六 四节传送带的模拟控制 .19 实验七 轧钢机的模拟控制.25 实验八 邮件分拣的模拟控制.27 实验九 装配流水线的模拟控制 .34 实验十 液体混合的模拟控制.38 实验十一 机械手的模拟控制.40 实验十二 四层电梯的模拟控制 .43 实验十三 Y/△换接起动的模拟控制 .56 实验十四 五相步进电机的模拟控制 .58 实验十五 水塔水位的模拟控制 .60 实验十六 直线运动的模拟控制 .62 第三章 异步电动机控制.68 实验一 三相异步电动机的直接起动控制.68 实验二 三相异步电动机接触器点动控制线路.70 实验三 三相异步电动机接触器自锁控制线路.72 实验四 三相异步电动机 Y-Δ 起动自动控制 .74 实验五 基于 PLC 的三相异步电动机点动和自锁控制.76 实验六 基于 PLC 的三相异步电动机延时正反转控制.78 实验八 基于 PLC 的异步电动机 Y/△起动控制.82 第四章 变频调速实验.84 概述 .84 实验一 变频功能参数设置与操作.85 实验二 变频器报警与保护功能 .88 实验三 外部端子基本调速.90 实验四 操作面板（BOP）基本调速.92 实验五 PLC 控制电机正反转 .93 实验六 PLC 控制多段调速.94 实验七 基于 PLC 通信方式的变频器开环调速实训 .96 实验八 PID 变频调速控制实训.98 实验九 PLC 控制变频器外部端子的电机正反转实训.100 实验十 PLC 控制变频器外部端子的电机时间控制实训.101 实验十一 基于触摸屏控制方式的基本指令编程练习 .102 实验十二 基于触摸屏控制方式的 LED 控制.104 实验十三 基于触摸屏控制方式的温度 PID 控制 . 112 实验十四 基于触摸屏控制方式的电机转速控制 . 114 实验十五 基于 PLC 通信方式的变频器开环调速实训. 115

将遗传算法与BP神经网络结合,提出了一种利用遗传算法优化BP神经网络权值的智能PID控制算法,改善了系统的动态性能.通过实验采集数据,拟合出无模拉拔感应加热温度控制系统的数学模型.采用本文提出的方法进行了仿真实验,结果表明该算法具有较强的快速性和鲁棒性

教学内容 首先介绍人工神经网络的基本概念和 ANN 的特性，以及神经网络的学习方法。然后讲授典型的前向神经网络、反馈神经网络的原理、结构、基本算法，给出了 BP 网络的算法改进。最后介绍了神经网络 PID 控制。 教学重点 1. 神经网络的各种学习算法，神经网络的训练。 2. 感知器网络、BP 网络的结构和算法、BP 网络学习算法的改进，反馈网络的结构、学习算法。 3. 神经网络 PID 控制

7.1 问题的提出 7.2 系统校正的几种常见古典方法 7.3 系统校正的概念 7-4 超前校正及其参数的确定 7-5 滞后校正及其参数的确定 7-6 校正方法小结 7.7 PID模型及其控制规律分析 7.8几种改良的PID控制器

实验一是线性定常控制系统的稳定分析；实验二是线性定常控制系统的时域响应分析；实验三是典型系统的时域响应和稳定性分析；实验四是根轨迹的绘制与分析；实验五是BODE图的绘制实验；实验六是PID调节器的设计与分析；实验七是简易工程法整定PID参数；实验八是离散系统的分析实验

3.1概述 3.2模拟控制器的离散化 3.3数字PD控制 3.4数字PID控制算式的改进 3.5数字PID参数整定方法 3.6数字控制器的直接设计方法 3.7数字控制器的计算机实现