基于神经元网络的球磨机解耦控制

针对球磨机这类多变量系统的特点,提出了一种基于神经元网络的解耦控制算法.详细分析了该算法在多变量系统中的工作机理,给出了控制回路参数整定方法.结果表明该算法且有较好的解耦控制效果.     

基于PSO算法的多变量PID型神经元网络在球磨机控制上应用

为提高多变量、非线性和强耦合系统的动态特性和解耦能力,基于PID控制的简单结构和良好性能优势以及神经元网络的自调节和自适应的特长,设计了具有PID结构的多变量自适应的PID型神经元网络控制器。给出了这种控制系统的结构和算式,其为一种3层前向神经网络,其隐层单元分别为比例(P)、积分(I)和微分单元(D),各层神经元个数、连接方式、连接权值的初值是按PID控制规律确定的。神经元网络参数采用了粒子群优化(PSO)学习算法,并给出了相关算式。分析了球磨机制粉控制系统的特点,并应用提出的控制方法对其进行了仿真研究,比较了文中控制方法与传统的PID控制方法的控制效果。仿真结果表明了所提方法具有较好的控制品质、良好的自适应解耦能力和自学习功能。     

基于神经元解耦RBF网络多电机系统参数PID控制

以多变量非线性强耦合的两电机同步控制系统为研究对象,针对电流跟踪型SPWM变频器供电的感应电机系统,在α,β静止坐标系下,建立两台电机系统的数学模型.采用RBF网络自适应PID控制器和自适应神经元解耦补偿器的解耦控制技术,对两电机同步系统的速度和张力进行解耦控制.实验结果表明:采用该方法设计的控制器可以实现两电机同步系统中速度和张力的解耦控制,系统具有良好的动静态性能和跟随性能.     

多变量PID型神经元网络控制系统及其在协调控制中的仿真研究

介绍了多变量PID型神经元网络控制系统的网络结构和学习算法,说明了系统参数选取方法,并分析了单元机组协调控制的特点.仿真结果表明,该控制系统对多变量强耦合时变的协调控制对象具有良好的解耦性能和自学习控制特性.     

多变量PID型神经元网络控制系统在再热蒸汽温度控制上的仿真

融合解耦控制理论与神经元网络控制原理,给出了一种多变量的PID型神经网络控制方法。应用所给出的控制算法,对火电厂再热蒸汽温度、低温过热器出口蒸汽温度控制进行了仿真。仿真结果表明,控制算法对再热蒸汽温度控制具有良好的解耦性能和自学习控制特性,当被控对象参数变化时系统具有较强的鲁棒性。     

基于模糊控制的多电机系统仿真与实验研究

本文针对交流感应电机同步系统多变量解耦控制问题,应用模糊控制方法对由两台交流电机和变频器组成的同步调速系统的速度和张力解耦控制进行研究,并进行了仿真和实验测试.结果表明基于模糊控制的多电机系统的静态误差要小于传统的PID控制.     

网络协同控制的实现和解耦问题

介绍了结构试验网络协同控制平题,以两变量系统的解耦控制为例,描述了解耦前后的系统特性,并应用多变量频域解耦的自适应控制方法实现了网络协同控制系统的稳定.     

并联除氧器压力水位自适应解耦控制的研究及应用

提出一种模型参考自适应解耦控制算法，并成功地应用于电厂的并联除氧器压力水位控制。该除氧器系统具有明显的多变量耦合，参数时变和多干扰等特点，曾长期处于手动运行状态，引入自适应解耦控制后，取得了满意的控制效果。     

非线性耦合系统的自适应蚁群滑模控制

针对一类多子系统之间具有强耦合关系的非线性系统,提出自适应蚁群滑模控制方法.依据等效滑模控制理论,建立滑模算法控制结构图,用于解耦非线性耦合系统;根据自适应蚁群算法建立了多变量蚁群算法的图形表示,对滑模控制中的滑模面斜率进行优化,来削弱“抖振”现象.该方法可以用较小的计算量对耦合系统自然解耦,并利用蚁群算法的并行特性来...     

并联除氧器自适应解耦控制在内蒙通过鉴定

由我院杨志远教授等参加完成的“并联除氧器自适应解耦控制的研究”，日前通过了内蒙古自治区科委组织的技术鉴定。鉴定认为，并联除氧器的自动控制一直是热工自动领域尚未解决的一个难题。该研究项目提出的多变量时滞系统自适应解耦控制算法，具有良好的鲁棒性和工程实用性，有效地解决了多变量除氧器系统长期无法投入自动运行的问题，具有很好的推广前景。该课题取得的创新成果具国内领先、国际先进水平。并联除氧器自适应解耦控制在内蒙通过鉴定     

基于神经网络控制的两电动机同步系统研究

以多变量、非线性、强耦合的两电动机同步控制系统为研究对象,对变频器供电的感应电机系统进行重点研究,建立两电机同步系统的数学模型.采用RBF神经网络自适应PID控制器,结合自适应神经元解耦补偿的解耦控制技术,设计了两电机同步调速系统的神经网络控制器,试验结果表明该方法可以实现电机转速和皮带张力的解耦控制.     

感应电机的神经网络逆系统线性化解耦控制

提出了一种新的感应电机的线性化解耦控制方法，其特点是不依赖于对象的精确数学模型与参数。通过用静态神经网络加积分器来构造感应电机的逆系统，将感应电机这一多变量、非线性、强耦合的复杂对象动态解耦成转速与转子磁链两个二阶线性子系统，然后运用线性系统理论进行综合。仿真与初步的实验结果表明系统具有优良的静态及动态解耦性能，且对电机参数的变化与负载扰动具有较强的鲁棒性。     

开关磁阻电机神经网络自适应PWM转速控制

开关磁阻电机调速系统(SRD)作为1种交流无级调速系统以其宽广的调速范围和优越的调速性能而倍受关注。但由于开关磁阻电机高度的非线性和多变量的特点,很难建立其精确的数学模型,使得SRD的控制存在较大难度。针对这一问题,提出1种基于径向基函数(radial basis function, RBF)神经网络的开关磁阻电机自适应PWM转速控制方法。该方法利用RBF神经网络极强的逼近能力和快速的收敛性,将离线训练好的网络构成转速控制器,并结合网络的在线训练,让控制器在电机运行中自适应地调节网络参数,使之适应环境的变化。同时构造另一个RBF网络对控制对象进行在线辨识,为控制网络的在线学习提供所需的梯度参数。通过实验,证明了该方法具有响应速度快、控制精度高、适应性强等优点。     

感应电机的新型神经网络广义逆系统解耦控制

针对感应电机这一多变量、强耦合系统,提出了一种新型神经网络广义逆系统解耦控制方法,给出了新型广义逆系统的存在性证明.它与感应电机复合,将转子磁链与转速的解耦成两个独立的伪线性子系统,并且可以随时通过调整反馈参数改变两个伪线性子系统的配置极点,为控制器的设计提供了便利.仿真结果表明,通过合理的选择配置极点和控制器参数,整个控制系统对电机参数变化和负载扰动有较强的鲁棒性和动态性能.     

多变量系统近似解耦的一种方法

本文讨论了多变量系统的解耦问题,给出了一种简便的解耦补偿矩阵的设计方法.使用这种方法,可以使系统动态近似解耦,稳态完全解耦.     

Avoiding singularities in recurrent neural control for induction motors

In this paper, a master–slave synchronization scheme based on parameter identification is proposed to overcome the controller singularity problem that appears when linearization‐like techniques are applied in indirect adaptive neural control, like Neural Block Control (NBC). Such a synchronization strategy requires an identifier‐like recurrent neural network and an adaptive law to update the neural weights. The proposed adaptive law prevents both, specific adaptive weights zero‐crossing and the ‘parameter drift’ phenomenon. NBC consists of two tasks; synchronizing an identifier‐like recurrent neural network (slave) with the plant (master) and controlling the system based on the slave model. The effectiveness of the synchronization law is tested using NBC for controlling the angular speed and magnetic flux magnitude of an induction motor. Usingit a priori knowledge about the real plant, a high‐order recurrent neural network is proposed as the slave system. Based on the slave neural model, a discontinuous control law is derived, which combines Block Control and Sliding Modes. NBC with the proposed synchronization strategy is tested via simulations, comparing results with a standard parameters adaptive law. Copyright © 2011 John Wiley & Sons, Ltd.     

基于自适应转子电阻估计器的感应电机逆解耦控制

提出了一种具有自适应转子电阻估计器的感应电机的逆解耦控制方法.首先通过非线性状态反馈获得感应电机的逆系统,将感应电机这个多变量、非线性、强耦合的对象动态解耦成转速与转子磁链两个二阶子系统;然后,采用模型参考自适应系统（MRAS）理论来设计转子电阻估计器,在线估计时变的转子电阻,从而保证在整个电机运行区域内,转速与磁链之间的输入输出解耦关系不变;最后,分别设计线性控制器对转速与磁链子系统进行闭环控制.仿真结果表明,提出的控制方案具有优良的动态和静态性能,且对电机参数变化具有强鲁棒性.     

磁控开关型故障限流器神经网络自适应偏置电流控制

针对磁控开关型故障限流器在故障后其偏置线圈中会产生偶次反电动势,三相全控整流桥的负载突变为带偶次反电动势的电阻电感负载,提出了基于神经网络的磁控开关型故障限流器自适应偏置电流控制系统。该系统采用两个神经网络来分别构成自适应控制网络和辨识网络,对控制器参数进行自适应调整和在线辨识,实现了偏置电流的实时控制。试验证明,利用该控制系统对限流器偏置电流进行控制,限流器的响应速度和限流效果可以得到保证。     

基于拉盖尔模拟神经网络的过热汽温直接自适应控制系统

提出一种Laguerre(拉盖尔)模拟复合正交神经网络并应用于电厂过热汽温的直接自适应控制。模拟神经网络被作为直接自适应控制器,这种单隐层正交神经网络是基于Laguerre复合正交多项式函数,并具有在线连续学习的简单算法,且学习算法与被控对象模型无关。由于采用3层网络结构,输入层与隐层之间不用权值调整,在学习算法中只要在输出层与隐层之间寻找最佳权值,因此网络学习速度较快。网络隐层节点(处理元)是Laguerre多项式展开项,展开项的多少决定着网络的学习速度和精度。通过对具有严重参数不确定性、扰动以及大迟延的电厂过热汽温被控对象进行仿真研究,结果表明控制系统性能优于常规的PI控制系统。