过程控制中被控对象神经网络模型的设计

根据控制过程的特点提出了一种新的动态系统辨识方法。将输入、输出信号、滤波后的数据用于训练静态前向神经网络，辨识出控制系统工作点处一线性动态模型的参数，从而预测过程的输出。文中详细论述了设计方法及算法原理，并通过试验对比表明，这种模型精度高、计算量少，对噪声不敏感，特别适用于运动过程复杂、干扰因素多、非线性控制系统的动态辨识。     

基于遗传算法的连续系统模型辨识

系统辨识是控制系统设计的基础,传统的系统辨识大都是对离散数学模型的参数估计,发展了以最小二乘法为基础的理论和方法。而连续模型则需经过离散模型的转换方可得到。作者基于遗传算法和系统仿真技术,建立了输出端噪声存在的连续系统模型辨识方法,遗传算法是建立在自然遗传学机理上的参数搜索方法,但常规的遗传算法具有收敛速度慢,因封闭竞争易导致“早熟”等缺点,为此,通过引入自适应适值函数和动态变异因子,采用精英保护策略,加速了寻优过程,改善了遗传算法的全局搜索及局部寻优能力,为连续系统模型辨识提供了新的途径。     

两输入两输出(TITO)系统的基于频域的闭环辨识方法

提出了一种面向工程应用的两输入两输出(TITO)过程的在线闭环辨识方法。该方法首先通过两个设定值阶跃测试估出频率响应,然后再通过在频域中多个点处模型匹配辨识出过程的传递函数矩阵。该辨识方法只需要过程的输入输出响应数据,不需要过程动态特性的先验知识。典型的TITO过程的仿真结果证明了该方法的有效性和实用性。     

基于支持向量机的磁力轴承系统辨识研究

针对磁力轴承控制系统的设计分析,提出了一种基于支持向量机(SVM)的磁力轴承系统辨识方法。首先通过闭环控制使转子稳定悬浮,然后在控制器的输出信号中加入扰动信号,以使系统被充分地激励。在该闭环控制系统的基础上,对控制输入数据和输出数据进行采样,然后用SVM算法对磁力轴承系统进行辨识分析。该辨识系统的输入为控制电流,输出为转子位移。将该方法与BP神经网络进行比较,仿真结果表明,SVM用于磁力轴承系统辨识具有良好的辨识效果,辨识精度高,且训练速度快。     

基于ARX模型的控制系统辨识及稳定性分析

应用系统辨识技术,基于ARX模型,建立了热连轧机液压压下控制系统的动态数学模型.系统的输入和输出数据分别采用轧机压下闭环系统电液伺服阀控制信号和辊缝位移信号;模型的参数估计采用最小二乘估计法(LSCE),模型阶的辨识采用赤池信息准则(AIC).使用数据验证模型3步预测输出数据,并与实际测量数据对比研究了辨识模型的拟合精度,采用残差分析法检验了模型的有效性.仿真分析结果表明:辨识的模型是有效的.建立的轧机压下控制系统的数字化模型是计算机仿真分析的基础,也是控制器优化设计的依据,同时也为研究轧机振动特性提供了重要手段.     

神经网络在锅炉燃烧系统辨识中的应用

对典型的多输入多输出、非线性、动态、有时延的供暖锅炉进行了仿真研究,建立了基于动态BP网络和Elman网络的辨识模型,并对辨识结果进行了误差分析,结果表明：神经网络在锅炉燃烧系统具有比较高的辨识精度,有着广阔的应用前景。     

系统辨识在空调房间建模上的应用

指出房间动态数学模型在控制系统中的重要性,简化了建立房间的理论数学模型,通过系统辨识的方法建立房间的模型,最后利用辨识的数学模型对阶跃响应的仿真结果和实测温度进行比较,从中可以选择所需精度的数学模型,进而考虑控制系统的设计和调节器参数的整定。     

系统辨识在空调房间建模上的应用

指出房间动态数学模型在控制系统中的重要性,简化了建立房间的理论数学模型,通过系统辨识的方法建立房间的模型,最后利用辨识的数学模型对阶跃响应的仿真结果和实测温度进行比较,从中可以选择所需精度的数学模型,进而考虑控制系统的设计和调节器参数的整定.     

基于人工智能方法的火电厂热工过程模型辨识

本文分别采用神经网络和粒子群算法这两种人工智能方法去解决火电厂热工过程模型辨识问题.主要介绍了热工过程的辨识特性,BP网络学习算法及网络权值的附加动量调整规则,给出了标准的粒子群辨识算法,并将两种方法引入热工过程模型辨识.仿真研究表明,两种人工智能方法都能取得较好的辨识效果,对解决火电厂中热工控制系统的辨识问题具有重要的实用价值.     

全混合式反应器厌氧消化过程的动态模型

本文把厌氧消化过程表示成单输入-单输出系统,利用质量平衡关系导出了全混合式反应器厌氧消化过程的动态模型,包括状态模型和差分模型两种形式。由于全混合式反应器中的消化过程可以简化成用反应器中基质浓度和活性微生物浓度两个状态变量来描述,本文得出的状态模型是二阶线性模型。在验证该模型满足能控性和能观测性条件后,导出了等价的采样系统差分模型。差分模型的输入-输出形式,便于采用系统辨识方法估计模型参数,也便于构成自校正控制系统,因而有其工程实用价值。     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

精密机械热动态误差模糊神经网络建模研究

结合模糊逻辑与人工神经网络的优点,提出精密机械热动态误差的模糊神经网络模型,并在多变量模糊模型后件结构与参数辨识中提出了主分量分析建模的新方法.基于语言控制规则的模糊模型,采用模糊推理方法,建模的关键在于结构辨识和参数辨识. 采用主分量分析方法可有效地辨识模型后件的结构与参数.为克服建模用的有效数据量少于后件参数,而无法建立相应的模糊模型这一问题,采用一种多变量系统的模糊神经网络建模方法,利用神经网络具有学习的能力,通过使用适当数量的具有充分激励信息的优选数据组作为学习样本对神经网络进行训练,从而建立起模糊神经网络模型.当辨识的模型精度达不到要求时,可应用模糊神经网络的多次训练获取更高的模型精度.实测数据建模表明,模糊神经网络模型能有效地描述热动态误差.     

基于神经网络的过程系统动态建模

针对生产过程中参数容易受外界影响而改变,传统的系统辨识方法难以得到精确的数学模型的实际情况,提出利用神经网络的自学习、自适应功能实现动态在线建模。本文对这种方法进行了仿真研究。由计算机产生仿真输入信号：随机信号或Ｍ序列伪随机信号,输入到生产过程中普遍存在的一阶纯滞后对象。通过三层ＢＰ神经元权值的不断调整,实现离线辨识和在线辨识,直到神经网络的阶跃响应曲线几乎和实际系统的阶跃响应重叠。仿真结果表明,     

基于深度学习的星载SAR工作模式鉴别

针对传统星载合成孔径雷达（SAR）工作模式反演方法在识别准确率和时效性上存在局限性的问题,根据SAR信号的特点,提出基于一维卷积神经网络的星载SAR工作模式识别模型. 该模型以星载SAR信号脉冲峰值幅度作为输入,利用卷积神经网络的自主学习和模式识别能力,避免了传统方法的人为影响因素,能够学习原始信号更具有代表性的特征,最终实现星载SAR工作模式的有效识别. 在设计一维卷积神经网络结构时,参考了现有性能较优的卷积神经网络,根据网络训练过程中准确率和损失值的反馈,调整设置了较优的参数以训练得到具有良好识别性能的模型. 基于仿真数据的对比实验表明,该模型相较于传统反演方法具有更高的识别准确率,同时对于主旁瓣信号和不同侦收条件均具有较优的鲁棒性和抗噪性.     

基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。     

基于GA-ANN模型的A2/O工艺运行参数优化

影响A~2/O工艺运行的参数有许多,这些因素相互联系、相互作用,影响工艺效率.为了弥补控制单一变量法或者设计正交试验法的不足,综合考察多种运行参数对工艺运行效果的影响,建立了基于遗传算法进行全局寻优的神经网络模型(GA-ANN模型),并应用于某城市污水处理厂A~2/O工艺的运行优化.获得该厂调试运行期间154组有效监测数据后,随机选取2/3的数据用于GA-ANN模型的求解,1/3的数据用于模型的检验,对工艺运行参数进行优化,得到最佳运行参数组合.结果显示,建立基于遗传算法的神经网络模型用于A~2/O工艺运行参数的优化是可行的,可以为污水处理厂运行参数的设置提供理论参考,对调试工作、提高工艺运行效率具有一定的实际指导意义.     

用优化参数降低芳烃抽提过程中丁烷的损耗量

针对如何降低芳烃抽取过程中的丁烷消耗问题，提出优化过程操作参数的解决方法．其中优化问题的模型用人工神经网络来描述，优化方法采用遗传算法．介绍了人工神经网络建模的过程和遗传算法寻优的步骤．     

变工作点非线性系统的故障诊断方法

提出了一种关于变工作点非线性系统故障诊断研究的新方法,将此类非线性系统用变参数线性系统表示,其中模型参数为可测量工作点及故障的函数。基于基函数神经网络,运用带“遗忘因子”递推最小二乘法估计系统模型参数。此外引入“参考工作点”这一新概念。预先训练出系统在各工作点健康运行时相对于参考工作点运行时的模型参数变化量,当系统在任意工作点运行且出现故障时,可将系统工作点变动和故障发生这两者造成的影响区分开来,然后根据故障诊断决策规则确定故障种类。最后,在某位置伺服系统故障诊断研究中证实了这种方法的有效性。     

进化Elman神经网络模型与非线性系统辨识

建立了一种采用改进的自适应遗传算法实现动态递归的进化E lman神经网络模型。提出了对网络的结构、权重、结构单元的初始输入和自反馈增益因子同时进化的学习算法。用初始状态优化的E lman网络集成反馈学习算法和E lman网络在线训练两种动态辨识算法形成的集成化动态递归网络辨识算法,实现了超声马达的速度辨识。模拟结果表明,提出的算法不仅实现了动态递归网络的全自动优化设计,而且明显提高了动态递归网络模型辨识算法的收敛精度,为非线性系统辨识提供了一条新的途径。     

基于马尔可夫过程和深度神经网络的TBM围岩识别

为了实现隧道围岩的实时识别,基于马尔可夫过程和深度神经网络模型,提出将先验围岩信息和掘进参数结合,作为深度神经网络输入的隧道掘进机（TBM）围岩实时识别方法. 根据施工现场地质勘探资料,用马尔可夫过程的隧道围岩分类方法预测隧道沿线的围岩分布概率;将该围岩分布概率作为先验围岩信息,结合TBM掘进参数作为神经网络输入,真实围岩类别作为输出,训练深度神经网络以实现对TBM前方围岩的实时识别. 使用工程现场数据进行对比实验,结果表明,所设计的深度神经网络模型的围岩总体识别率高于96%. 相比于仅将掘进参数作为输入,当结合先验围岩信息和掘进参数作为输入时,模型围岩识别率提高6%以上.