基于通用学习网络的预估控制

利用通用学习网络具有所有节点互连，任意两节点之间可以有多重连接，且连接允许有任意延迟时间的特点，对典型非线性、大滞后系统进行了辨识．结合PID控制器对pH中和过程实现了高精度的预估控制．通过与传统的Smith预估控制的比较，证明该网络能有效地应用于大滞后系统，利用该网络进行系统辨识是对未知对象模型控制的一种有效新方法．     

基于PCS7的内模控制器设计与应用

针对工业对象的高阶以及非线性特性,采用二阶加纯滞后模型作为内模控制的内部模型,提出了一种通用内模控制器的设计方法;根据内模控制的原理以及二阶加纯滞后模型的差分方程,推导出通用内模控制器的算法.通过PCS 7 V6.1系统软件中的结构化控制语言SCL将内模控制算法编译成可通用的FB功能块,在西门子过程控制系统PCS7中实现了内模控制;最后利用精度较高的最小二乘法辨识被控对象的模型,将该通用内模控制器应用在工业中普遍使用的高阶大滞后对象换热器的出口温度控制过程中,取得了很好的应用效果;应用表明,内模控制器在工业DCS应用过程中具有高性价比,能有效地拓展内模控制的应用空间.     

智能PID控制器在工业对象中的应用

针对纯滞后工业对象提出了一种基于RBF网的PID参数自整定的控制方法,采用将LMS算法和梯度法相融合的新型学习算法,并将这种控制方法与Smith预估器相结合应用于纯滞后工业对象。仿真结果表明该方法十分有效。     

一种基于单神经元Smith预测控制的中央空调系统优化控制方法研究

对于中央空调系统,Smith预估器可以较好地解决PID控制器带有纯滞后系统的控制问题。当纯滞后较大时,用Smith难以获得满意的控制效果,本文采取对被控对象的纯滞后作用进行补偿的方法,提出将单神经元与Smith预估器组合在一起的复合控制方案,在本方案中,利用了Smith能够应对纯滞后的特性及单神经元自学习、自组织的能力,不需要对被控对象进行精确的辨识,就能够实现对大纯滞后系统的自适应控制。     

自整定PID控制器在流浆箱的应用

本文应用基于频域辨识的自整定PID控制器的理论，利用二阶加纯滞后模型来辨识控制对象。针对网前箱的偶合耦合采用两个控制模型代替控制对象，进行简单的解耦。进行仿真验证了其可行性，并将其应用于造纸过程中的流浆箱DCS解耦控制系统。     

基于继电辨识的Smith预估控制算法的应用

本文将继电辨识与Smith预估控制相结合 ,利用继电辨识获取控制对象的Smith预估模型 ,实现对纯滞后对象的智能控制。仿真和实时控制结果表明 ,这种控制策略获得了很好的控制品质 ,是实现自动型工业控制器的有益尝试 ,为纯滞后控制对象提出了一种切实可行的控制方法     

线滞后系统的控制算法比较

本文介绍了用于时滞系统的Smith预估补偿控制、采样PI控制和预测控制方法的原理,并对一阶纯滞后对象,采用Matlab工具对其控制性能进行仿真比较.仿真结果表明,Smith预估补偿算法在滞后被控对象模型已知的情况下能够取得较好的控制效果,而在模型参数未知或不准确情况下,适合采用采样PI控制或预测控制.     

纯滞后系统的控制算法比较

本文介绍了用于时滞系统的Smith预估补偿控制、采样PI控制和预测控制方法的原理,并对一阶纯滞后对象,采用Matlab工具对其控制性能进行仿真比较。仿真结果表明,Smith预估补偿算法在滞后被控对象模型已知的情况下能够取得较好的控制效果,而在模型参数未知或不准确情况下,适合采用采样PI控制或预测控制。     

聚合釜温度自适应预测控制设计与仿真

在聚合反应升温到设定温度的过渡阶段,由于聚合颗粒的不断产生影响聚合釜传热系数,其温度被控对象特性也会发生变化,如容量滞后变化、滞后时间的变化等,温度控制具有的非线性、滞后、参数慢时变的特性,本文提出一种基于CARIMA模型的自适应广义预测控制,以工艺常见的一阶惯性滞后对象为研究对象,利用递推最小二乘法不断在线辨识修正其CARIMA模型参数,并通过改进的JGPC广义预测控制计算最优化的控制量,从而能够达到自适应被控对象变化,实现无超调最优平滑控制。通过仿真实验,得出该方法能够在对象特性发生改变时仍能保持良好的曲线特性,与传统PID相比,具有优良的自适应控制效果。     

灰色神经网络控制器在液位控制中的应用

针对实际工业生产过程中被控对象的时变和纯滞后的特点,本文根据神经网络具有能够充分逼近任意复杂的非线性关系和能够学习严重不确定系统的动态特性,具有适应性、智能性较好的特点并结合灰色预测控制的超前预测的特点,提出了基于BP神经网络的灰色预测控制算法.仿真结果的对比分析表明:本文的控制算法与传统控制器相比,具有控制简便、自适应性较强等特点,适用于对纯滞后和模型时变对象的控制.最后采用xPC技术在实际设备上进行了算法的验证,取得了满意的效果.     

Process control of pH neutralization based on adaptive algorithm of universal learning network

This paper presents an adaptive algorithm of universal learning network (ULN) and its application to identify pure time delay of a plant model. Universal learning network can be used in model predictive control for stabilizing a class of nonlinear systems with long time delay. Depending on ULN model with single neuron controller, the control architectures are introduced and applied to pH neutralization process. Simulation results prove the applicability and effectiveness of the ULN model. The general architecture and adaptive learning algorithm give ULN more representing abilities to model and control the nonlinear black box systems with long time delay.     

一种大时滞系统的无模型自适应控制改进算法

利用无模型自适应控制（Model—freeadaptive control,MFAC）方法仅需要被控对象输入和输出数据,而不需要其他任何信息的优点。针对工业生产过程中普遍存在的大时问滞后的特点,提出针对未知模型的大时滞对象的无模型自适应控制改进算法（Improved MFAC on Large Time—delay System,LTDS-IMFAC）。在改进算法中,在基本无模型自适应控制算法的基础上引入了带有滞后时间的输入变化率的约束项．以此来减小大时间滞后对整个控制过程的影响。通过MATLAB仿真试验证明了改进算法对于大时滞系统的控制具有较好的有效性。     

Observer-Based Adaptive Controller Design of Flexible Manipulators Using Time-Delay Neuro-Fuzzy Networks

In this paper, a dynamical time-delay neuro-fuzzy controller is proposed for the adaptive control of a flexible manipulator. It is assumed that the robotic manipulator has only joint angle position measurements. A linear observer is used to estimate the robot joint angle velocity. For a perfect tracking control of the robot, the output redefinition approach is used in the adaptive controller design using time-delay neuro-fuzzy networks. The time-delay neuro-fuzzy networks with the rule representation of the TSK type fuzzy system have better learning ability for complex dynamics as compared with existing neural networks. The novel control structure and learning algorithm are given, and a simulation for the trajectory tracking of a flexible manipulator illustrates the control performance of the proposed control approach.     

基于强化学习的移动传感器网络时延系统控制数学建模

为了提高移动传感器网络时延系统控制能力,提出基于强化学习的移动传感器网络时延系统控制模型,采用高阶近似微分方程构建移动传感器网络时延系统的控制目标函数,结合最大似然估计方法进行移动传感器网络的时延参数估计,采用强化学习方法进行移动传感器网络的收敛性控制和自适应调度,建立传感器网络时延系统控制的多维测度信息配准模型,在强化跟踪学习寻优模式下实现移动传感器网络时延系统的自适应控制。仿真结果表明,采用该方法进行移动传感器网络时延系统控制的自适应性较好,时延参数估计准确度较高,控制过程的鲁棒性较强。     

Adaptive fuzzy dynamic surface control for uncertain discrete-time non-linear pure-feedback MIMO systems with network-induced time-delay based on state observer

In this paper, a state observer-based adaptive fuzzy dynamic surface control is developed for uncertain discrete-time non-linear pure-feedback multiple-input-multiple-output (MIMO) systems with network-induced time-delay. The uncertainties are approximated by a set of adaptive fuzzy logic systems, with the adjusted parameters updated by a simplified recursive least squares estimation algorithm, combined with a state observer. For a constant known network-induced time-delay, the proposed modified dynamic surface control utilising the predicted system states, expands the acceptable network-induced time-delay and stable operating range for a discrete-time non-linear pure-feedback MIMO system in the network. The simulation results indicate that the presented method is effective.     

自适应内模控制方法在磨矿过程中的应用

针对磨矿生产过程中球磨机给矿环节存在的大滞后、大惯性、参数时变等特性,提出了一种增益自适应内模控制方法,将内模控制和对象增益参数辨识算法相结合,通过在线辨识被控对象模型的增益参数,对内模控制器和被控时象模型进行校正,以减少模型参数变化和各种干扰对系统的影响.计算机仿真和实际应用效果均表明,与常规PID控制及IMC控制效果相比,该控制方法对于阶跃响应具有超调小、响应时间快、鲁棒性能好等特点,满足磨矿生产过程对控制器性能的要求,实现了球磨机给矿环节的稳定化控制,为选矿过程综合自动化系统的实施奠定了基础.     

网络控制系统Smith Fuzzy PID控制器的设计

针对网络控制系统中普遍存在的时延问题,提出了一种将模糊自适应算法和Smith预估补偿算法与常规PID控制器相结合的智能控制策略。该方法充分利用了Smith预估控制算法对带时延系统的良好控制能力,同时利用模糊推理算法实现对PID参数的在线自整定,进一步改善PID控制器的性能。仿真结果表明,基于该智能控制器的网络控制系统克服了传统PID控制超调量大及常规Smith预估补偿过分依赖于被控对象精确数学模型的缺陷,可以有效降低时延对系统性能的不利影响,使被控对象具有良好的动、静态特性。     

无模型自适应控制改进算法的性能仿真分析

在基于紧格式线性化方法的无模型自适应控制算法（Model—freeAdaptiveControlBasedonTightFormatLinearization,TFL-MFAC）的基础上,针对大时间滞后的特点,提出针对大时滞对象的MFAC改进算法（ImprovedMFAConLargeTime—delaySystem,LTDS—MFAC）。构造了大时滞对象并通过MAT—LAB仿真实验对改进MFAC算法的鲁棒性、抗干扰能力和跟踪能力进行分析。仿真实验表明了改进MFAC算法对大时滞系统控制具有更好的控制性能。     

Adaptive fuzzy sliding mode controller for a class of SISO nonlinear time-delay systems

In this paper, we propose an adaptive fuzzy controller for a class of nonlinear SISO time-delay systems. The plant model structure is represented by a Takagi–Sugeno (T–S) type fuzzy system. The T–S fuzzy model parameters are adjusted online. The proposed algorithm utilizes the sliding surface to adjust online the parameters of T–S fuzzy model. The controller is based on adjustable T–S fuzzy parameters model and sliding mode theory. The stability analysis of the closed-loop system is based on the Lyapunov approach. The plant state follows asymptotically any bounded reference signal. Two examples have been used to check performances of the proposed fuzzy adaptive control scheme.     

Adaptive iterative learning control for nonlinear time-delay systems with periodic disturbances using FSE-neural network

An adaptive iterative learning control scheme is presented for a class of strict-feedback nonlinear time-delay systems, with unknown nonlinearly parameterised and time-varying disturbed functions of known periods. Radial basis function neural network and Fourier series expansion (FSE) are combined into a new function approximator to model each suitable disturbed function in systems. The requirement of the traditional iterative learning control algorithm on the nonlinear functions (such as global Lipschitz c...