单元机组的多模型神经网络控制

针对大型火电单元机组,采用PID神经网络作为控制器,提出多模型切换神经网络控制.通过仿真实验证明它有效的提高了系统的运行性能、抗干扰性.     

基于多模型的单元机组负荷多变量模型算法控制研究

首先将负荷系统分解为两个双输入单输出系统,并用模型算法控制设计两个子系统的控制器。通过对两个二元一次控制器方程的求解,达到多变量解耦设计的目的。针对机组负荷变动频繁,根据不同负荷下的固定模型设计了不同的模型算法控制器,并在线计算对象和各模型的匹配度以确定各控制器控制量的加权值,达到模型平滑切换的目的。通过对300 MW直流燃煤机组的仿真,证明了该方法的有效性。     

基于神经网络的PID控制

论文讨论了基于神经网络理论的PID控制,并将其应用到了直流调速系统的仿真中,仿真结果表明它具有良好的鲁棒性。     

多输入多输出系统的神经网络PID解耦控制器

基于神经网络的ＰＩＤ控制,提出了一种可用于有耦合的多输入多输出系统的比例、积分和微分参数在线自整定的神经网络ＰＩＤ解耦控制器,可以实现对多变量系统的角耦控制,仿真结果表明系统具有很好的动态及稳态性能。     

交流伺服系统神经网络PID控制

提出了采用神经网络的自适应PID控制系统,将BP神经网络引入交流伺服系统中代替PID控制器,实现对被控电机的自适应控制;并在此基础上,简化神经网络的结构,把它与传统的PID控制结合起来,实现对交流伺服系统的复合控制。仿真结果表明,所提算法切实可行,系统具有较强的鲁棒性。     

基于神经网络模型的拱泥机器人控制

拱泥机器人是为打捞沉船的关键工序—水下攻打千斤洞而设计的特种机器人.分析了拱泥机器人在水下泥土环境中受力情况,建立了基于MATLAB的拱泥机器人头部的动力学模型.针对拱泥机器人工作环境的不确定性,将传统PID控制与神经网络相结合,建立了一种应用BP神经网络实现PID参数自整定的自适应PID控制模型.控制器由PID控制器、神经网络NNC和NNI组成.神经网络NNC能够根据拱泥机器人动态特性的变化,自动整定PID参数,从而改善了控制性能.神经网络NNI为NNC提供学习的梯度信息.计算机仿真结果表明该方法是有效的.     

无刷直流电机的神经网络PID控制及其仿真

在简单介绍神经网络PID的基础之上，用MATLAB对无刷直流电机做了神经网络PID控制的仿真，结果表明，通过神经PID调节是一些控制系统的参数达到了有效、鲁棒和最优化。     

带预测模型的神经网络PID控制器

在研究PID控制和神经网络的基础上提出了一种带预测模型的神经网络PID控制器,该控制器是一种3层前向神经网络,它适用于工业过程中觉的慢时变大时滞控制系统以及控制对象具体模型难以确定的控制系统,该系统能在调整PID控制器的3个参数Kp,Kd,Ki,再经PID调节器产生最优的控制作用于被控对象,采用该控制器对模型参数缓变的系统进行仿真,结果表明该器具有良好的自学能力,能获得较好的控制效果。     

基于模糊-RBF神经网络优化的PID控制

采用模糊控制和RBF神经网络训练相融合的方法,应用于对PID控制器参数的调整中,对非线性系统的控制仿真试验结果表明,该方法的控制性能优于单独采用RBF神经网络的控制。     

基于BP神经网络的多变量PID解耦控制

基于神经网络实现智能PID控制的策略,它以经典的PID控制为基础,通过神经网络参数整定实现,进而进行自学习,用于多变量系统的解耦控制.论文给出了网络的结构和算法,对一组二变量强耦合时变系统进行了仿真.通过计算机仿真证明了基于神经网络的PID控制器网络结构简单规范具有良好的自学习和自适应解耦控制能力.系统易于实现,融解耦器与控制器于一体,适用于非线性多变量系统的解耦控制.能够使解耦后的系统具有良好的动态和静态性能,特别是依据BP控制规律来确定网络连接权的初值,还具有参数快速收敛的优点.     

一种神经网络模型算法控制的研究

本文提出了一种利用人工神经网络来实现的模型算法控制，通过神经网络的离线学习和在线修正产生预测作用，并由智能控制单元实施控制作用。仿真表明，该控制方法具有良好的控制特性和鲁棒性，且适用于非线性系统。     

神经网络解耦控制器在单元机组负荷控制中的应用

针对火电单元组机组这类集炉、机、电为一体具有多变是强耦合,非线性及参数时变的受控对象,基于常规解耦控制技术的控制系统无法应用的问题,讨论了变量神经网络解耦控制方法,并进行了火电机组负荷控制系统的设计和仿真研究。     

基于BP神经网络的PID变桨距风电机组控制

针对变速变距型风力发电机组的液压驱动式变距执行机构，提出基于BP神经网络的PID变桨距控制方法，以解决变桨距机构的非线性、参数时变性、抗干扰、滞后性控制问题.分析了三种不同工况下的液压油路变化、数学模型和参数变化，阐述了BP神经网络的PID控制算法，并根据7.5 kW变速恒频试验机组液压变距机构设计数据进行仿真结果比较、分析.     

基于神经网络的非线性预测自整定PID控制

提出在利用前馈神经网络对非线性系统建模的基础上，对系统输出实现递推多步预测，并且结合自整定PID方法，实现非线性系统控制，神经网络在线辨识时采用学习速度较快的扩展Kalman滤波方法，仿真实验表明了该方法的有效性．     

多变量系统基于回归神经网络的预测控制

以罐式搅拌反应器为例,研究多变量系统基于神经网络的预测控制及改善控制性能的方法。针对复杂多变量系统难以建模的问题,采用多层局部回归神经网络离线建立其预测模型。在反馈校正中,考虑到控制准确性和实时性的要求,采用偏差补偿和模型修正相结合的方式修正神经网络的预测输出。实验中,研究了改善控制性能的方法,得出：对性能指标中的偏差项负指数加权,可大大加快系统的动态响应过程,并在定程度上减少系统超调、仿真结果表明控制算法有效。     

球磨机制粉系统的多变量解耦PID控制

中储式钢球磨煤机制粉系统具有多变量、强耦合、大惯性等特点,使用常规的PID控制回路进行控制无法取得理想效果.针对这种情况,提出了一种解耦PID控制策略.该方案在PID回路中加入解耦补偿器,以实现对多变量的解耦控制.仿真试验表明,该策略有效地解决了多变量的耦合问题,取得了较好的控制效果.     

球磨机制粉系统的多变量解耦PID控制

中储式钢球磨煤机制粉系统具有多变量、强耦合、大惯性等特点,使用常规的PID控制回路进行控制无法取得理想效果。针对这种情况,提出了一种解耦PID控制策略。该方案在PID回路中加入解耦补偿器,以实现对多变量的解耦控制。仿真试验表明,该策略有效地解决了多变量的耦合问题,取得了较好的控制效果。     

一种新型模型参考自适应控制算法在单元机组中的应用

实际生产过程中,系统受到环境的影响而产生参数漂移,传统的PID控制算法应用受限.自适应控制应运而生并显示了其强大的控制优势.其中,模型参考自适应控制因其历史最为久远,应用简单而受到广泛的关注.本文将一种新型的模型参考自适应控制应用于单元机组的协调控制.通过仿真实验可以看出,这种方法有良好的适应性.     

基于多层BP神经网络的财务风险预警模型构建

首先筛选引发财务危机相关因素,建立财务风险预警指标体系.分析BP神经网络的隐含层数及结点数对网络分类能力的影响,构建基于多层BP神经网络的财务风险预警模型.进行了M atlab仿真实验,以验证所建模型的可行性、有效性及合理性.