神经网络广义预测控制在锅炉燃烧系统中的应用

针对锅炉燃烧系统的非线性、大延迟、时变、干扰频繁等特点,以煤粉浓度为中间被调量,将神经网络、广义预测控制、串级控制相结合,设计了基于神经网络模型的广义预测串级控制系统.该控制方法克服了单纯PID控制对大惯性大延迟对象调节品质差、抗干扰性弱的缺点,神经网络预测器有效地补偿了传统预测控制基于线性模型的局限性.将该控制算法用于燃烧系统中主汽压力对象的控制,仿真结果表明该方法具有较强的跟踪性能和抗干扰能力及良好的动静态性能指标.     

基于预测PI的多变量控制在锅炉燃烧系统中的应用

在锅炉的燃烧控制系统中,燃烧对象是一个具有多变量、强耦合、强干扰、大滞后等特性的复杂过程系统,常规的PID控制无法满足实际需求。针对该问题,提出了将动态解耦方法与非线性最小二乘优化算法相结合,得到降阶模型,并运用预测PI控制算法进行控制研究。仿真结果表明：基于降阶模型的预测PI解耦控制策略具有良好的稳定性和鲁棒性,且抗干扰能力强,具有一定的实际应用价值。     

一种预测控制方法及其仿真

针对现有预测控制方法的最优控制律的计算较为复杂的问题,提出了一种新的预测控制算法.与现有预测控制算法相比,该算法结构简单,计算量小,鲁棒性强.对算法在一个采样周期内控制律的求取进行了较详细说明.通过对线性和非线性系统的仿真,说明了该算法对线性系统能达到很好的预测控制效果,同时对时变、非线性系统也具有较好的适应性,并具有较强的抗干扰能力.对于快时变系统,该算法需要根据实际时变特性对相关系数加以调整,来达到较满意的效果.     

基于Elman神经网络的二自由度内模控制方法研究

将遗传算法、Elman神经网络和二自由度内模控制相结合,提出一种基于Elman神经网络辨识和遗传整定的二自由度内模控制算法.仿真结果表明,相对于常规内模控制方法,该方法对输入信号的动态响应快,系统超调量和调节时间减少,抗干扰能力强,控制精度高.     

一种新型的预测函数PID控制算法的研究

针对应用于工业过程中的系统具有大时滞、时变性、非线性等特点,采用传统的PID控制方法难以实现良好的控制效果.将预测函数控制算法和PID控制算法相结合,提出了一种新型的预测函数PID控制算法.该算法具有预测函数控制算法鲁棒性强和PID控制算法抗干扰性好的优点.仿真结果表明,与常规预测函数控制算法相比,该控制算法满足系统对快速性和稳态精度的要求,具有良好的鲁棒性和抗干扰能力.     

基于模糊预测PID算法的地下空间湿度控制

根据防护工程地下空间空调系统的时滞以及非线性特性,结合预测控制和模糊控制两种方法,设计了基于模糊预测PID算法的控制器.建立了系统的数学模型,并基于所提出的控制方法对其进行仿真研究,结果显示该控制器抗干扰能力较好,相较于传统PID控制,该控制器调节时间更快,控制效果更佳.     

基于动态线性化的非线性系统的自适应预测函数控制

基于pseudo-partia l-derivative(PPD)的概念动态线性化非线性系统,利用集结方法处理未来预测时刻的PPD,实现了非线性系统的自适应预测函数控制.所给算法的预测模型只与当前时刻的测量数据有关,不依赖于对象的具体结构.该算法能够提供有界的输入输出,并能无偏差跟踪给定值.最后通过大滞后对象和强非线性pH中和滴定实验验证了该方法的有效性,并说明了其具有很强的鲁棒性和抗干扰能力.     

基于LS-SVM/PID复合逆系统的预测控制

为了提高预测控制算法的控制性能,提出一种基于最小二乘支持向量机(LS-SVM)/PID复合逆系统的预测控制算法。该算法在PID控制的基础上,利用LS-SVM离线建立被控对象的非线性逆模型作为前馈控制器,形成直接逆控制,其克服了逆系统方法鲁棒性不强的缺陷,并与原系统串联构成一个伪线性系统;然后,结合预测控制算法实现系统的预测控制。仿真结果表明,该算法具有较好的跟踪性能和抗干扰能力。     

基于2D理论的点对点综合预测迭代学习控制

基于二维系统综合预测迭代学习控制(2D-IPILC)方法,结合轨迹更新策略研究点对点跟踪问题的控制算法.该算法既能够充分利用点对点问题在非跟踪点的自由度,也可以通过引入模型预测控制来提高时间轴的抗干扰能力.由于轨迹更新中引入时变参数,该2D模型为时变2D模型,因此分析状态转移矩阵特性和系统全响应,进而采用2D理论分析算法的收敛性和收敛条件,并分析参数对控制效果的影响.相比固定轨迹算法,该算法的收敛速度更快,稳定性比直接型优化算法更好.最后通过仿真实例验证了所提出算法的效果.     

模糊神经网络预测控制在配料系统中的应用

针对水泥生产过程中皮带配料系统的惯性、滞后、非线性及现场干扰频繁等特点,设计一种模糊神经网络预测控制算法,将模糊控制、神经网络与预测控制相结合,增强算法的自学习、跟踪与抗干扰能力,神经网络预测模型有效地补偿了传统预测控制基于线性模型的局限性.将该控制算法用于皮带配料控制系统中,仿真结果表明,物料流量控制效果优于传统的P...     

基于Elman网络的非线性系统神经元自适应预测控制

提出在非线性系统的E1man网络辨识模型的基础上，用单神经元设计预测控制器的方案。Elman网络在BP网络的基础上，加入反馈信号，利用内部状态反馈来描述系统的非线性动力学行为，提高了学习速度，适合于动态系统的实时辨识。神经元结构简单，且有很强的自学习和自适应能力，它根据系统的期望输出与一步超前预测输出之间的偏差，并通过某种特定的学习算法在线调整控制器的参数，使控制器能够适应对象参数的变化，从而实现对一类非线性系统的有效控制。仿真实验证明了该方案的有效性。     

Elman神经网络改进模型在脑膜炎诊断中的应用

为了客观地反映脑脊液（Cerebrospinal Fluid,CSF）所蕴涵的病理信息,研究CSF多变量非线性诊断指标和脑膜炎分类标准的内在联系,提出一种Elman神经网络改进模型辅助诊断脑膜炎疾病的方法。构建2层Elman神经网络改进模型网络训练和仿真的实验结构,分别把85和51例临床病例确诊数据作为训练样本和仿真数据的输入。仿真结果显示,采用Elman神经网络的改进模型应用于脑膜炎疾病的辅助诊断可以达到均方误差10-2精度。Elman神经网络改进模型针对CSF复杂数据关系辅助诊断脑膜炎疾病的智能计算是可行的。     

一种基于时间差分算法的神经网络预测控制系统

为提高多步预测控制的计算效率，提出一种基于时间差分算法的Elman网络多步预测控制器的设计方法．用Elman网络对非线性系统输出值进行直接多步预估，并针对BP算法无法对网络权值的实时调整进行渐进计算的缺点，提出了将时间差分法和BP算法相结合的新的网络学习算法；为简化计算，采用单值预测控制算法对非线性系统进行滚动优化以实现对下一步控制量的优化计算．理论分析与仿真结果表明，该方法具有结构简单、运算量小、速度快的特点，可应用于实时快速系统，并且对系统参数的变化具有一定的自适应性．     

基于神经网络的自治水下机器人广义预测控制

针对自治式水下机器人高度非线性和时变性的特点,提出了一种基于神经网络的水下机器人广义预测控制策略．利用改进型Elman网络作为多步预测模型,在对网络学习算法进行改进的基础上,实现了Elman网络的在线学习,并提出了用于求解神经广义预测控制律的灵敏度公式．进行了具有神经网络在线学习功能和不具有在线学习功能的水下机器人的速度控制实验,并就预测控制效果进行了对比分析．实验结果表明,具有自适应学习功能的水下机器人速度控制法的精度要优于不具有在线学习功能的速度控制法,且当水下机器人动态特性发生变化时具有较强的自适应能力．     

基于DMC的循环流化床锅炉燃烧控制系统设计

循环流化床锅炉燃烧系统是一种纯滞后、大延迟、强耦合的系统。而多变量动态矩阵控制对模型精度要求不高,对惯性、延迟和耦合的适应能力较强,且有很强的鲁棒性,因此,把多变量动态矩阵控制用于循环流化床锅炉燃烧控制系统。仿真结果表明,该系统响应速度较快,输出量和控制量变化较小,取得了比较满意的控制效果。     

Temperature decoupling control of double-level air flow field dynamic vacuum system based on neural network and prediction principle

Double-level air flow field dynamic vacuum (DAFDV) system is a strong coupling, large time-delay, and nonlinear multi-input–multi-output system. Decoupling and overcoming the impact of time-delay are two keys to obtain rapid, accurate and independent control for two air temperatures in two concatenate chambers of the DAFDV system. A predictive, self-tuning proportional-integral-derivative (PID) decoupling controller based on a modified output–input feedback (OIF) Elman neural model and multi-step prediction principle is proposed for the nonlinearity, time-lag, uncertainty and strong coupling characteristics of the system. A multi-step ahead prediction algorithm is presented for temperature prediction to eliminate the effects of time-delays. To avoid getting into a local optimization, an improved particle swarm optimization is applied to optimize the weights of the OIF Elman neural network during modeling. By using the modified OIF Elman neural network identifier, the DAFDV system is identified and the parameters of PID controller are tuned on-line. The experimental results for two typical cases indicate that the settling times are obviously shorten, steady-state performances are improved and more important is that one temperature no longer fluctuates along the other, which verify the proposed adaptive PID decoupling control is effective.     

改进的Elman模型与递归反传控制神经网络

在Elman网络的基础上提出了两种改进网络:输出-输入反馈Elman网络和输出-隐层反馈Elman网络模型,并以前者作为误差反传的通道,建立了递归反向传播控制神经网络模型.在Lyapunov稳定性意义下分别给出了改进网络的稳定性证明,得到了保证网络稳定收敛的最佳自适应学习速率.分别用Elman网络及其改进网络对超声马达进行了模拟.利用改进的Elman网络模型,除了可以较好地模拟马达速度以外,还得到了一些有意义的结果,据此可以根据现场数据采样的情况,选用不同的网络模型.模拟实验结果表明,递归反向传播控制神经网络对多种形式的超声马达参考速度都有很好的控制效果.     

基于改进型Elman神经网络的智能吹灰程控系统

基于改进型Elman神经网络,建立了电站锅炉受热面污染在线监测软测量模型,为锅炉吹灰优化策略提供了理论依据。将软测量模型与传统吹灰程控系统融合所形成的智能吹灰程控系统采用模块化方法构建,集灰污在线监测、数据分析、信息管理和优化指导、控制功能一体化。该系统有助于加强吹灰管理,指导运行人员及时、合理吹灰、优化吹灰,达到提高机组安全性和经济性的目的。     

基于神经网络的回转窑建模及其优化控制设计

实现水泥回转窑温度稳定性控制,水泥回转窑熟料煅烧是一个涉及传质、传热和物理化学反应的复杂多变量、多扰动非线性过程。为了稳定回转窑烧成温度以提高孰料烧成质量,降低能耗,传统的控制方法,存在干扰大,稳定时间长等问题。在分析水泥回转窑工艺的基础上,采用Elman神经网络建立回转窑系统的模型,提出BP神经网络的PID控制方法,根据系统的运行状态,调节PID控制器的参数,以达到性能指标,设计了回转窑温度优化控制器,具有超调量小、动态性好、收敛速度快和控制精度高等优点。进行仿真的结果表明,回转窑烧成带温度逐渐趋于稳定,实现了对水泥回转窑的优化控制。     

Elman网络在Smith预测控制中的应用

Smith预测控制在实际应用中的难点在于很难得到实际系统精确的数学模型. 通过Elman网络拟合传统Smith估计器的模型误差, 并对其进行补偿. 实验结果表明, 这种基于Elman网络补偿模型的Smith预测控制充分利用了神经网络的非线性拟合能力, 只要对纯滞后环节精确建模, 就可以完全抵消纯滞后环节对控制品质及系统稳定性的不利影响. 这种方法使得Smith预测控制可以用于模型不易精确确定的系统.