未知非线性系统的神经网络建模与控制仿真研究

针对一类未知非线性系统的建模与控制问题，采用基于神经网络的多步预测控制算法进行了仿真研究，仿真对象选取控制工程界常用的单摆试验装置．该算法的实现步骤为：获取系统开环试验数据；辨识神经网络正向动态模型；设计非线性优化控制律．仿真研究结果表明，所提出的建模与控制方法是有效的．     

基于神经网络的膜法薏苡仁油脱胶过程动态模拟和预测

应用BP神经网络对膜法薏苡仁油脱胶过程的膜通量动态模拟与预测.研究了神经网络的构建、训练、结果测试和模型泛化,并用得到的神经网络对不同运行条件下(操作压力和温度)膜通量进行预测.结果表明:神经网络能够很好地模拟膜法脱胶过程的通量变化,预测结果与实验实测结果能够很好的吻合.与传统模型法相比,神经网络能快速简便地得到模拟和预测膜分离过程.     

非均匀入流中螺旋桨噪声数值预报

将黏性多相流理论的数值方法和球形空泡辐射噪声理论相结合,进行了非均匀入流条件下螺旋桨片空化的周期形态模拟以及螺旋桨空化单极子声源辐射噪声数值预报。采用流场数值模拟方法和声场边界元数值声学方法耦合的方法,在频域上预报非均匀入流下空化和非空化条件下螺旋桨负载噪声;通过数值预报负载噪声得到非空化条件下螺旋桨噪声,将片空化单极子声源辐射噪声和空化的负载噪声在频域上进行相加得到空化条件下的螺旋桨噪声。采用某民船桨模验证了非均匀入流下螺旋桨片空化周期形态以及空化单极子声源辐射噪声预报的准确性,然后分析了民船桨在空化和非空化条件下螺旋桨噪声的叶频和二倍叶频特征。结果表明,上述方法能有效地预报螺旋桨空化和非空化噪声的叶频特征。     

工业控制技术国家重点实验室简介——工业控制技术国家重点实验室近期主要研究方向

1．复杂工程系统的建模与控制◆鲁棒控制理论研究◆大时滞系统控制理论研究◆神经网络控制理论研究◆分布式网络控制理论研究◆预测控制理论研究◆系统建模的方法与技术     

基于CMAC的船舶操舵系统负载模拟器复合控制

 利用键合图建模与仿真方法，建立了某船舶操舵系统负载模拟器与操舵系统联动的扩展键合图模型．针对多余力严重影响施力系统动态加载性能的特点，提出了基于CMAC神经网络的复合控制来提高施力系统的动态加载性能，并给出了具体的控制结构和算法．通过对系统的动态仿真表明，该方法对改善电液负载模拟器的动态加载性能具有明显效果．     

卫生型离心泵水力性能的参数化研究

为给卫生型离心泵过流部件结构的优化设计提供依据,采用CFD分析软件Fluent对卫生型离心泵内部流场流动进行了数值模拟和水力性能的参数化分析.给出了建模和流场分析方法,分析了泵内流体速度和压力的分布特性,基于流动模拟结果预测了水力性能.性能预测结果与试验结果吻合较好.关键结构参数对水力性能影响的计算结果表明,叶轮轴向间隙、叶片宽度、叶轮与蜗壳直径比等参数均存在最优值.研究结果对卫生型离心泵的结构改进和性能提高具有参考价值.     

基于递归神经网络的传感器非线性动态建模

根据动态校准实验结果建立传感器的动态数学模型,以研究传感器的动态性能,是动态测试的一个重要内容。讨论了递归神经网络模型在传感器动态建模中的应用,给出了递归神经网络模型的结构及相应的训练算法。由于其反馈特征,使得递归神经网络模型能获取系统的动态响应。该方法特别适用于传感器非线性动态建模,而且避免了传感器模型阶次的选择的困难。试验结果表明,应用递归神经网络对传感器进行动态建模是一种行之有效的方法。     

基于组合预测的烧结过程模糊神经网络控制方法

该文针对烧结炉加热过程具有延时性、非线性以及强扰动等特点,提出了一种基于组合预测的烧结过程模糊神经网络控制方法。首先,采用基于Adaboost的BP预测方法对炉温进行预测,方便后续控制。其次,采用模糊神经网络方法控制烧结过程的动态特性,保证精确、稳定地对烧结炉温进行控制。最后,得出仿真结果。仿真结果表明,该方法具有响应快、无超调、控制精度高及节约能源等优点,具有良好的动态和静态特性。     

水力测功器的校准方法探讨

水力测功器目前尚无国家或地方校准规范,生产厂在出厂时配置了一套校准装置,即20kg砝码5块、杠杆和托盘架、平衡装置。按生产许可证的要求,必须对安装使用前的水力测功器进行校准。本文介绍一种校准方法并对该测量方法的测量不确定度进行了分析,现与同行一起探讨。     

人工神经网络在材料性能研究中的应用

人工神经网络技术广泛应用于复杂系统的建模中,已成为材料科学研究中常用的建模方法.介绍了BP神经网络及其建模的重要特征,综述了神经网络技术在材料性能预测方面的研究情况.     

非确定因素下汽车半主动悬架的智能控制

以含磁流变阻尼器的1/4 车辆非线性半主动悬架模型为研究对象,在充分考虑该非线性系统未建模动态的基础上提出了具体的神经网络与滑模变结构控制相结合的智能控制策略,有效抑制了悬架系统的振动,使车辆行驶的平顺性与舒适性得以提高.应用神经网络的在线学习能力对非线性动力学模型的不确定部分及外界未知扰动进行了神经网络估计,确定了未知函数的上确界,构造了控制系统的滑模变量并且合理设计神经网络的自适应规律使状态变量快速接近原点.通过稳定性分析证明了此种控制方法是全局渐近收敛的,并且对未建模动态具有强鲁棒性.数值仿真结果验证了该种控制方法的有效性,得到了阻尼器两端控制电压的变化规律.     

PCA-GRNN在综合气象短期负荷预测中的应用

为克服由气象因子较多且信息互嵌造成输入量多、预测时间长、预测精度低的缺点,引入主成分分析（PCA）提取气象因子特征量,与历史负荷数据共同作为建模对象;同时,针对BP神经网络动态性能的不足,建立基于广义回归神经网络（GRNN）的短期负荷预测模型。通过对实际电力负荷数据的预测,证明该方法与传统神经网络预测模型相比,明显提高预测精度和速度,具有实用性和有效性。     

压电智能悬臂梁神经网络预测控制

对表面粘贴压电元件的压电智能悬臂梁进行有限元建模和分析,获取了结构的动力响应数据。根据神经网络的非线性逼近能力,用动态递归神经网络对压电振动系统进行了系统辨识,建立了系统的预测模型。以此预测模型来代替传统广义预测控制算法中的受控自回归积分滑动平均模型,对压电智能悬臂梁进行振动主动控制的研究,并优化了控制系统参数。对一单输入单输出压电智能悬臂梁系统进行了仿真分析,控制效果良好,为智能算法在智能结构中应用有一定的指导意义。     

基于BP神经网络的冲击波压力传感器组件动态特性分段建模方法研究

受爆炸场中寄生效应的影响,需要采取相应抑制措施对冲击波压力传感器进行改造。为研究冲击波压力传感器组件的动态特性,基于双膜激波管对冲击波压力传感器组件进行动态校准,获得了阶跃响应信号;采用微分法求取了传感器组件动态特性非参数模型;根据冲击波压力传感器组件动态特性非参数模型变化规律,在频域内对其进行合理分段,并基于BP神经网络分段建模方法得到传感器组件动态特性模型;通过实例分析与比较,证明了基于BP神经网络的分段建模方法能够有效提高模型精度和建模效率。     

基于灰色线性回归组合模型的机床热误差建模方法

为了控制机床热误差和提高机床加工精度,考虑到测得的热误差数据同时存在着线性和非线性因素,提出了采用具有处理线性和非线性能力的灰色线性回归组合热误差模型的建模方法.用此方法对某卧式加工中心热误差进行了建模和预测,并引入BP神经网络对热误差模型的残差进行修正,从而获得了比较准确的热误差预测值.与用指数函数来模拟生成数据的灰色模型所获得的预测值进行了比较,证明了灰色线性回归组合及BP神经网络模型在机床热误差补偿建模应用中的优越性.     

一管多机布置抽水蓄能电站非线性动力学建模与瞬态分析

一管多机布置抽水蓄能电站存在共用管段引水系统,其中共用管段的水力耦合相互作用是抽水蓄能电站系统动力学建模的关键。考虑共用管段水力系统耦合作用,将其分解成多个仅依赖于各子管段流量的单变量函数,通过结合水泵水轮机组动态特性,建立一管多机布置抽水蓄能电站非线性动力学模型。利用数值模拟探究了两机在额定工况并列运行时,一机突甩全负荷在不同导叶关闭规律且另一机组在调速器PID控制下,对各支管内机组流量、水头、出力动态特性的影响规律。仿真结果表明正常运行机组出力和流量动态响应具有正相关关系,机组水头动态响应与其流量和出力具有负相关关系,且波动周期相近。突甩负荷机组水头与流量的动态响应与导叶关闭规律密切相关,突甩负荷机组水头波动程度始终高于正常运行机组水头,且两机组水头波动周期相近;研究结果为探究一管多机抽水蓄能电站系统瞬态动力学建模与稳定性调控提供理论参考。     

机器学习方法的CO2并行压缩系统最优控制

为了研究一种高效的跨临界CO2并行压缩系统的控制方法,本文借助GT-SUITE仿真软件,建立了跨临界CO2并行压缩系统的动态仿真模型,基于仿真得到的系统性能数据集,建立并对比了二阶多项式模型和神经网络模型的系统性能预测模型,并基于神经网络模型开发了跨临界CO2并行压缩系统的模型预测控制器,研究控制器对系统控制稳定性、高效性、实时控制的性能。结果表明：在模型预测控制器作用下,不同制冷工况在150 s内系统能达到稳定运行状态;对比定值控制,采用模型预测控制的系统性能最大提升13.3%;仿真验证了提出的模型预测控制策略对于CO2并行压缩系统实时控制性能优化的可行性,在给定工况下相比对定值控制整体提升性能7.3%。     

永磁同步电动机位置伺服系统的自适应神经网络控制

针对需要考虑参数不确定和负载扰动的永磁同步电动机位置伺服系统,提出了一种新型的自适应神经网络控制方法。首先,利用神经网络建立永磁同步电动机的智能模型。其次,针对模型特点,在反步递推设计框架下,应用神经网络基函数的本质特征,并引入动态面控制技术克服控制设计中存在的“复杂性爆炸”问题,设计基于自适应神经网络动态面控制的位置跟踪算法。最后,仿真结果表明该控制方案是有效可行的,与反步递推控制方案相比,基于神经网络动态面控制的位置伺服系统的跟踪误差具有更快的收敛速度。通过设计新的神经网络自适应律,提出的自适应神经网络控制方法可以避免现有反步递推控制设计中存在的代数环问题。此外,提出的控制算法不仅能够克服不确定性因素对系统性能的影响,而且算法结构简单,易于实现。     

基于线性趋势与神经网络的校准间隔组合预测

为了实现对测量仪器校准间隔的优化,对其校准数据进行建模,用滑动平均建模法建立线性趋势模型,预测参数的总体趋势,在此基础上利用动态神经网络对预测残差序列进行补偿,从而得到校准数据的预测值。给出基于线性趋势与神经网络的组合预测模型,通过实验对预测模型进行了验证和对比分析,并以此为根据对校准间隔进行优化。结果表明,该组合模型比单一模型预测精度高,既能预测总体趋势也能适应随机波动,并且简单易行,具有较强的普适性。     

基于神经网络的真空冷冻干燥过程建模研究

本文将人工神经网络系统理论应用于真空冷冻干燥过程的建模研究，文中介绍了建空冷冻干燥过程建模神经网络的结构，学习方法和建模方法，通过计算机进行网络实现与模拟。结果表明，神经网络方法对真空冷冻干燥过程进行建模可行的具有实用价值。