基于动态神经网络的非线性内模控制

针对一类不确定仿射非线性系统，提出一种基于动态神经网络的非线性内模控制方法。利用该网络模型存在相对阶时可以解析求得逆模型的特点，避免了普通神经网络内模控制方案中求逆的困难。并在有建模误差的情况下，通过将非线性对象输入输出线性化，分析了闭环系统的鲁棒稳定性和稳态性能。仿真试验表明该方法是可行和有效的。     

油田加热炉燃烧过程的神经网络模型辨识与自校正控制

加热炉在油田集输系统中有着广泛的应用。因运行时间长，其经济燃烧指标的高低直接影响着油田的生产成本。为实现加热炉出口参数的最佳调节及其经济燃烧，针对加热炉多变量、非线性、大滞后等特点，采用神经网络模型辨识的方法，建立了以加热炉为被控对象的神经网络正、逆模型，并且构成了神经网络内模自校正控制仿真系统。仿真研究表明，只要恰当地选择神经网络正、逆模型的结构和辨识数据的长度等参数，实现加热炉神经网络内模自校正控制的结果是令人满意的。     

基于模型完全动态延时逆的内模控制方法

针对常规内模控制中存在的缺点,提出了一种基于模型完全动态延时逆的内模控制方法,采用神经网络自适应滤波器对内部模型和完全动态延时逆进行在线学习和控制,取消低通滤波器的设计,以逆的延时时间的调整来提高系统的鲁棒稳定性,并把内模控制器的动态响应和扰动消除控制分开进行。理论分析和仿真实验表明,此方法对系统输入信号的跟踪响应具有很高的稳态精度和动态控制品质,对对象的扰动消除具有很好的效果,是一种新型、具有鲁棒稳定性的内模控制方法。     

基于逆系统方法的非线性系统内模控制

本文的目标是采用逆系统方法来达到对一类特殊的非线性连续动态系统的跟踪控制。基于高斯基函数的径向基数神经网络以其在函数逼近方面的优势而被用来逼近已知对象的α-阶积分逆系统。为了提高控制精度，我们利用内模控制来减少由于建模及扰动引起的误差作用。仿真结果表明此方法具有理想的效果和高的精度，且内模控制器设计简单。     

基于并行自学习的神经网络内模控制及其应用研究

基于在线并行自学习的神经网络内模控制,该方法是借助于神经网络对复杂系统的辩识能力对被控对象进行正模型及逆模型的辩识,用NNM辩识对象的正模型,通过一个并行自学习系统训练的NNC辩识对象的逆模型,然后用做内模控制器去控制对象。将该种控制策略应用于火电厂热工对象中具有大迟延、大惯性和时变等特性的主汽温对象,仿真研究表明,该控制方案适应对象参数的变化并表现出良好的控制特性,具有较强的鲁棒性和自适应能力。在实际应用中具有一定的实用价值。     

热工过程时滞对象的神经网络内模控制

针对火电厂热工过程的时滞对象，提出采用基于神经网络的内模控制方法，即用神经网络对复杂系统的辨识能力来实现内模控制中被控对象的正模型及内模控制器。仿真研究表明，文中所采用的控制方案比常规PID控制表现出更好的控制品质，在实际应用中具有一定的实用价值。     

时滞系统的神经网络辨识与控制算法

针对时滞系统、应用神经网络的非线性逼近能力，采用神经网络实现内模控制中被控对象的正模型及内模控制器，用Lyapunov稳定性定理证明神经网络控制系统的稳定性。仿真结果说明神经网络内模控制方案的优越性。     

两电机变频系统神经网络广义逆内模控制

为了提高非线性强耦合的两电机变频调速系统的解耦控制性能和鲁棒性能,提出了基于神经网络广义逆系统的二自由度内模控制方法。先对原系统数学模型进行广义逆存在性分析,进而推导出原系统的广义逆数学模型,再用动态神经网络逼近广义逆模型,从而串接在原系统之前组成广义伪线性复合系统,实现系统的解耦线性化与开环稳定,有利于系统的综合。然后对广义伪线性系统引入二自由度内模控制,保证系统的鲁棒稳定性。最后基于S7-300的平台,做了相关的试验研究。结果表明,该方法不但能够很好地实现系统的解耦,而且当系统存在建模误差和负载扰动的情况时,仍能使系统保持高性能的控制。     

基于神经网络逆系统的无轴承异步电机非线性内模控制

针对无轴承异步电机非线性、多变量、强耦合的特点,提出一种基于神经网络 α阶逆系统方法的非线性内模控制策略.将用动态神经网络逼近的无轴承异步电机 α阶逆模型与原系统复合,将非线性的无轴承异步电机原系统解耦成转子径向位移、转 速和转子磁链四个独立的伪线性子系统.为了保证 系统的鲁棒性,对伪线性系统引入内模控制,仿真和实验研究验证了所提控制方法的有效性.     

非线性动态系统神经模糊建模与内模/PID双重控制系统设计

非线性动态系统的内模控制要求建立精确的对象正模型和逆模型,这对于大多数实际对象是难以做到.提出了基于一类神经模糊模型的非线性动态系统建模方法,并在此基础上研究了基于神经模糊模型的非线性系统的内模控制设计.基于输入输出数据辨识的对象正模型和逆模型存在着模型失配问题,导致神经模糊内模控制范围变窄和控制鲁棒性降低,为了改善系统的性能,提出了神经模糊内模控制与PID控制结合的双重控制策略.对CSTR的反应物浓度控制研究表明,双重控制策略能有效地拓宽系统可控范围,改善系统性能.仿真结果证明该控制策略简单而有效.     

基于逆系统迭代学习观测器的故障调节方法

针对一类满足Lipschitz条件的多输入多输出非线性可逆系统执行器故障问题,提出了一种基于迭代学习观测器的逆系统内模故障调节方法。引入PD型迭代学习策略,设计了迭代学习故障诊断观测器,用于对执行器未知时变故障进行快速、准确估计。根据故障估计值,结合逆系统方法对逆模型进行补偿,使得补偿后的逆模型与非线性被控对象串联仍为伪线性系统;再结合内模控制实现了伪线性系统的容错控制。最后,通过仿真算例验证了该方案的有效性。     

基于ANN逆模型补偿的复合控制系统仿真

为对复杂非线性系统进行辨识建模和实施有效控制，分析了基于神经网络的非线性系统逆模型的辨识和控制原理，研究了基于神经网络的非线性系统逆模型补偿的复合控制方法。基于复合控制思想，时常规PID控制器＋前馈神经网络逆模型补偿的复合控制结构方案进行了仿真。仿真结果表明，基于神经网络的非线性系统逆模型补偿的复合控制结构方案是有效的、相对简单的网络结构，可提高逆模型的泛化能力和非线性系统的控制精度。     

Control-affine neural network approach for nonminimum-phase nonlinear process control

The design of controllers for nonlinear, nonminimum-phase processes is very challenging and remains as one of the more difficult control research problems. Most currently available control algorithms rely implicitly or explicitly upon an inverse of the process. Linear control methods for nonminimum-phase processes are typically based on a decomposition of the process into a minimum-phase and a nonminimum-phase part, and subsequent inversion of the minimum-phase component. A similar scheme for nonlinear systems is still an open problem. In this work, an internal model control strategy employing a minimum-phase model is proposed. The minimum-phase model is first-order, minimum-phase and control-affine but statically equivalent to the original process. Because the model is identified directly from input-output data, a first principles model of the process is not required. The inverse of the process is obtained through analytical inversion of the process model. The proposed control scheme is applied to a van de Vusse reactor and a complex continuous stirred tank bioreactor.     

基于RBF神经网络逆系统的机械手解耦控制策略

针对机械手系统具有非线性时变、多变量、强耦合的特点,提出一种基于RBF神经网络逆系统的机械手解耦控制策略。首先证明了系统的可逆性,进一步通过神经网络在线逆辨识建立机械手的神经网络逆系统模型,并将辨识得到的逆模型作为控制器模型与机械手系统串联,构成伪线性复合系统,实现了将具有强耦合特性的多变量输入/输出机械手系统解耦成单个独立的伪线性对象。最后以两关节机械手为仿真对象进行了仿真,仿真结果验证了本方案的有效性和可行性。     

基于α阶逆的大时滞非线性动态矩阵控制

针对一类大时滞非线性系统,提出了基于α阶逆的动态矩阵控制新方法.该方法采用BP神经网络辨识逼近原非线性系统的α阶逆系统,并与原系统串联复合组成伪线性系统;采用基于线性系统的动态矩阵预测控制方法设计系统附加控制器.在系统存在建模误差、存在扰动和模型参数发生较大变化等情况下,采用该控制方法依然具有很好的动、静态性能和很强的鲁棒性.给出了详细的设计原理和步骤,并通过大量的仿真分析与已有的大时滞非线性系统内模控制研究结果进行了比较:内模控制依赖于系统模型,当模型出现严重失配的情况下,系统性能变坏,而采用提出的方法则不依赖系统精确的数学模型,计算量小,简化了非线性系统的设计;研究与仿真结果证明了所提控制方法的有效性.     

基于逆系统的赖氨酸发酵多变量解耦内模控制

针对赖氨酸发酵过程的时变、非线性和高耦合性,提出基于逆系统的赖氨酸发酵多变量解耦内模控制方法。根据动态递归模糊神经网络(DRFNN)的非线性辨识原理离线建立发酵过程的逆模型,将得到的逆模型串联在发酵系统之前,实现了发酵过程输入输出解耦线性化,从而得到伪线性系统;对复合后的伪线性系统采用内模控制。仿真结果表明,该方法能够适应赖氨酸发酵过程模型的不确定性和参数的时变性,具有较强的鲁棒性,且结构简单,易于实现。     

无轴承同步磁阻电机逆系统解耦控制仿真研究

研究无轴承同步磁阻电机稳定性控制问题,由于无轴承同步磁阻电机是一个强耦合的非线性系统,为实现负载条件下的稳定悬浮运行,需解除电机转矩和径向悬浮力等多变量之间的耦合关系。针对前馈补偿解耦的缺陷,给出了无轴承同步磁阻电机包含转矩控制和悬浮力控制的统一数学模型,证明电机逆系统存在,设计了一种通过非线性状态反馈的逆系统解耦控制方案,将复杂的无轴承同步磁阻电机系统解耦成两个转子径向位置二阶积分子系统和一个转速一阶积分子系统,并用PI和PID调节器分别对转子位置与转速进行综合设计。运用MATLAB软件对电机控制系统进行仿真。仿真结果证明,解耦控制方案的有效性,为电机系统优化设计提供了保证。     

基于Hammerstein-Wiener逆模型补偿的预测控制 非线性变换策略

针对一类Hammerstein-Wiener模型描述的非线性控制系统,提出一种基于逆模型补偿的预测控制策略.在控制优化计算中,利用Wiener非线性环节的逆模型分别对系统输出设定值和采样值进行变换;控制实施过程中,将控制器输出操作量经过Hammerstein静态非线性环节模型逆变换后施加到实际被控对象上,通过两次逆变换,使得标称模型下控制器输出与闭环系统中线性环节的输入相一致.通过非线性变换补偿将非线性过程的控制转化为线性系统控制,避免了对非线性模型进行优化计算量大及预测不准确的问题.最后通过仿真验证了所提方案的可行性及有效性.     

基于在线支持向量机的非线性内模控制

为了提高传统内模控制的鲁棒性和抗干扰能力,采用在线支持向量机回归（Online Support Vector Machine Regression,OSVMR ）理论建立系统的正向模型和设计逆模控制器。首先简要介绍了OSVMR的原理和算法,然后将其应用于内模控制问题,并建立了OSVMR模型。其次,在控制过程可逆的条件下设计了OSVMR控制器,最后将该控制方法应用于可逆非线性系统和具未知干扰的温室环境控制问题,仿真结果表明该方法与RBF神经网络IMC相比,具有较简单的模型和较好的控制性能。     

Intelligent coordinated controller design for a 600 MW supercritical boiler unit based on expanded-structure neural network inverse models

Under present widespread automatic generation control (AGC) centered on regional power grid, a large-capacity coal-fired supercritical (SC) power unit often operates under wide-range variable load conditions. Since a SC once-through boiler unit is represented by a typical multivariable system with large inertia and non-linear, slow time-variant and time-delay characteristics, it often makes the coordinated control quality deteriorate under wide-range loading conditions, and thus influences the unit load response speed and leads to heavy fluctuation of the main steam pressure. To improve the SC unit’s coordinated control quality with advanced intelligent control strategy, the neural-network (NN) based expanded-structure inverse system models of a 600 MW SC boiler unit were investigated. A feedforward neural network with time-delayed inputs and time-delayed output feedbacks was adopted to establish the inverse models for the load and the main steam pressure characteristics. Based on the model, a neural network inverse coordinated control scheme was designed and tested in a full-scope power plant simulator of the given SC power unit, which showed that the proposed coordinated control scheme can achieve better control results compared to the original PID coordinated control.