网络化控制系统两种时延预测算法及其比较

针对网络化控制系统（NCS）中的随机时变时延,提出了两种时延预测算法——自适应最小均方差（LMS）算法和在线最小二乘支持向量机（LS-SVM）算法，对其进行预测，并用实际测试得到的网络时延数据，对两种算法的时延预测效果进行了详细分析比较，指出了各自的特点和适用范围。     

丢包在线补偿伺服电机NCS神经网络滑模控制

针对存在时延以及丢包的多包传输直流伺服电机网络控制系统(networked control system,NCS),提出一种利用滑动窗口策略多核LS-SVM丢包在线补偿的神经网络PID趋近律滑模控制器。将系统模型进行等价变换,建立无时延多包传输离散系统模型;利用滑动窗口多核LS-SVM对多包传输的数据丢包进行在线预测补偿,建立系统补偿模型。提出神经网络PID趋近律滑模控制器设计方法,通过神经网络非线性映射实现对PID趋近律参数的在线调整。利用Truetime对该方法进行仿真,结果表明,该策略可以提升丢包补偿的精度,滑模控制能够在较快响应速度的条件下减小系统抖振,对直流伺服电机网络控制系统实现了较好的跟踪控制。     

基于PCA-WLSSVM 的氧化铝苛性比值和溶出率预测模型

针对氧化铝生产过程中无法在线测量苛性比值和溶出率的问题,建立了一种基于PCA-WLSSVM 的预 测模型．利用主元分析（PCA）消除样本共线性,降低样本维数．根据样本映射点到最小包含超球球心的距离确定 样本的权值,以优化最小二乘支持向量机（LS-SVM）的参数,并提高加权LS-SVM 的松散性和鲁棒性．仿真结果表 明,此模型能有效地在线预测苛性比值及溶出率．     

一种网络控制新方法及其液位控制应用

提出了一种应用新方法来解决网络控制系统（NCS）的时延问题;该方法在利用广义预测控制（GPC）基本原理的基础上,提出了克服网络时延的排队策略,并通过浙江大学局域网（ZJULAN）在三缸耦合液位控制系统中取得了很好的应用效果;液位控制的成功应用表明,该方法有很好的实用价值,不仅继承了GPC的鲁棒性,还能非常成功地处理网络时延和丢包等较恶劣的网络情况.     

基于网络演算的网络控制系统确定性延迟模型

延迟对网络控制系统（NCS）的研究有着重要的影响．针对控制网络的特殊性，总结、拓展了网络演算理论，结合控制网络拓扑结构以及数据调度策略，得出了基于网络演算理论的NCS网络一般性延迟模型及延迟上界，使得对NCS确定性延迟的研究更符合完备性的要求．     

先进控制软件在氨纶生产过程中的应用

引言 模型预测控制（MPC）是目前得到广泛应用的先进控制策略。预测控制具有预测模型、滚动优化、反馈校正等特点．适应复杂工业过程控制的要求。预测函数控制（PFC）是第三代模型预测控制算法．由于具有在线计算量少、对模型精度要求不高、有较强的稳定性和鲁棒性等特点．在工业过程中得到了广泛的应用。     

状态反馈预测控制的结构性能及应用实例

本文分析了状态反馈预测控制系统的结构与控制性能，基于状态空间模型，使用实 测状态变量反馈，状态反馈预测控制系统是状态变量动态反馈结构．对比动态矩阵控制（DM C）、广义预测控制（GPC）和内模控制（IMC）算法，由于使用可测状态变量动态反馈结构 ，提高了控制系统抑制不可测干扰能力，改善了控制系统的鲁棒性，预测模型可适用于较大 的操作范围．预测控制系统稳定时，对阶跃型给定值及干扰静态无偏差．给出了催化裂化装 置稳定吸收系统，稳定汽油饱和蒸汽压先进控制的应用实例，先进控制系统的设计功能全部 在DCS层实现，现场运行实测数据对比表明控制效果较好．     

基于PSO滚动优化的LS-SVM预测控制*

针对非线性时延系统、传统预测控制算法难以建立精确模型、控制精度不高的现状,提出一种基于最小二乘支持向量机（LS-SVM）的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习,建立其预测模型;然后运用粒子群(PSO)算法完成非线性预测控制的滚动优化。仿真结果表明,基于该方法的非线性系统预测控制具有较好的控制效果。     

单元机组的小波神经网络广义预测控制

针对大型火电机组具有控制对象复杂、非线性、大滞后、模型难以建立等特点,设计协调控制系统的控制策略.小波神经网络具有良好的函数逼近能力和模式分类能力,广义预测控制对比较复杂的工业生产过程呈现良好的控制性能和鲁棒性.通过训练小波神经网对大型火电机组建模得到预测模型,然后利用了模型辨识过程中已获得的数据,计算广义预测控制率,避免了广义预测控制求解丢番图方程带来在线计算量较大的缺陷.仿真结果表明,该方法能保证功率、主蒸汽压力快速平稳地跟踪其设定值,具有较好的鲁棒性,为解决大型单元机组协调控制问题提供了一条有效的途径.     

短期负荷预测的简化LS-SVM模型及实现

负荷预测对电力系统安全起重要作用.为适应短期负荷精密在线预测需要,在负荷预测中引入了最小二乘支持向量机(LS-SVM).通过对影响短期负荷较大的近期历史负荷及日期类型进行建模,构建出了短期负荷预测模型;针对短期负荷变化的周期性及其与历史负荷间存在"近大远小"的相关性,规划出一种五元组样本结构,用以训练预测模型的LS-SVM算法;最后,利用真实负荷数据进行了算法仿真.仿真表明SL-SVM算法可将预测误差控制在5%之内,预测速度为ANN的2~3倍,说明LS-SVM在短期负荷在线预测中可实现实时性.