一种新型神经网络广义逆系统

提出一种新型带有反馈环节的广义逆系统方法,并给出了其存在性的证明．该方法首先利用神经网络构造被控对象的α 阶逆系统,通过改变反馈环节参数可随时任意配置复合系统极点,无需重新构造广义逆系统．分别对ＳＩＳＯ 和ＭＩＭＯ 非线性系统进行仿真研究．仿真结果表明,在配置极点变换时,利用该方法构造的广义逆系统仍可对原系统实现有效的线性化和解耦．     

基于SVM逆系统的非线性系统广义预测控制

针对工业过程中普遍存在的非线性被控对象,提出了一种基于支持向量机（SVM）逆系统的广义预测控制算法。该方法根据广义预测控制基于预测模型的特点,将基于支持向量机系统辨识的方法应用于逆系统构建和广义预测控制。该方法利用SVM强大的非线性映射能力离线辨识被控非线性系统的α阶逆模型,并将辨识出的逆模型连接在原被控统之前形成一个α阶纯延时伪线性系统。然后采用广义预测控制（GPC）算法实现对构造出的伪线性系统的预测控制。仿真实验表明了该算法的有效性和优越性。     

一种新型神经网络广义逆系统

提出一种新型带有反馈环节的广义逆系统方法,并给出了其存在性的证明．该方法首先利用神经网络构造被控对象的α 阶逆系统,通过改变反馈环节参数可随时任意配置复合系统极点,无需重新构造广义逆系统．分别对ＳＩＳＯ 和ＭＩＭＯ 非线性系统进行仿真研究．仿真结果表明,在配置极点变换时,利用该方法构造的广义逆系统仍可对原系统实现有效的线性化和解耦．

     

基于神经网络的迟滞非线性补偿控制

提出了一种基于神经网络的迟滞非线性的补偿方法.首先构造一个Duhem逆算子来描述迟滞逆状态.然后利用神经网络来逼近此状态和输出之间的关系来得到神经网络迟滞逆模型,神经网络权值采用反馈误差学习方法来进行在线调整.系统的前馈控制器和反馈控制器分别为逆模型和PID控制器.该方法不需要建立迟滞的正模型,能够在线构造逆模型来实现迟滞补偿.最后通过仿真验证了该方法的有效性.     

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。     

充液航天器姿态的自适应非线性动态逆控制

讨论了充液航天器大角度姿态机动自适应非线性动态逆控制设计.推导了航天器-液体晃动耦合系统动力学方程.采用单摆等效力学模型对液体燃料晃动进行动力学建模.由于充液航天器控制系统的强耦合非线性,故采用神经网络构造系统的自适应非线性动态逆控制器.通过实际算例对该控制器的跟综性能进行了测试,结果证明该自适应非线性动态逆控制器在包...     

并联混合有源滤波器逆系统解耦控制

针对并联混合有源滤波器(SHAPF)这一强耦合非线性系统的控制问题,提出了一种基于逆系统方法的SHAPF反馈线性化解耦控制策略.首先根据SHAPF非线性数学模型,采用逆系统方法生成其α阶积分逆系统,进而构造出解耦的伪线性系统,然后利用极点配置方法对伪线性系统进行综合,设计了系统的闭环控制器,并给出了系统零动态的镇定条件,保证了闭环控制系统的稳定性.最后仿真实验表明该控制策略能够有效消除电网中的谐波电流,并且与传统线性反馈-前馈控制策略相比,该控制策略具有更好的动静态性能.     

基于回声状态网络的电子节气门复合智能控制

针对强非线性复杂时变的电子节气门,研究了一种基于回声状态网络的复合智能控制器,并给出了该复合智能控制器的结构和实现方法.该复合智能控制器由前馈控制器和反馈控制器两个部分组成.前馈控制器为一个基于回声状态网络的逆模型控制器,用于抵消电子节气门的非线性特征;反馈控制器是PID控制器,用于补偿逆模型的建模误差,提高系统的鲁棒性.仿真实验表明,该控制器的实际效果良好.     

一种基于RBF 网络的非线性自适应逆控制系统

改进了原有的ε-滤波自适应逆控制系统，引入自适应扰动消除器和反馈补偿，构成一种新的自适应逆控制系统．反馈补偿能消除自适应逆控制系统中的直流零频漂移，自适应扰动消除器能最大限度地消除扰动．将神经网络引入自适应逆控制系统，采用基于径向基函数网络的非线性滤波器，对非线性系统进行建模、逆建模、控制器及自适应扰动消除器的设计．仿真结果验证了该方法的有效性．     

非线性控制系统综合的频域逆系统方法研究

提出一种不需已知系统微分方程模型的非线性系统综合方法。首先得到对象非线性传递函数的估计,然后利用非线性补偿算法构造前馈补偿器,使复合系统具有近似线性系统的特性,最后采用常规线性系统反馈控制的方法进行控制。仿真结果表明,所提出的频域逆系统综合方法比一般非线性系统自适应控制方法有效。     

基于神经网络的逆控制研究综述

基于神经网络的逆控制是智能控制中的重要前沿课题,在工业过程控制领域有着非常大的应用前景。从逆控制的分类、结构、典型应用等几个角度对基于神经网络的逆控制进行了综述。以国内外重点项目为背景,论述了国内外神经网络逆控制理论的研究概况, 提出了神经逆控制系统方案的结构,进一步阐述了神经网络逆控制关键问题,并指明了该项研究今后的发展方向。     

A Neural Net Predictive Control for Telerobots with Time Delay

This paper extends the Smith Predictor feedback control structure to unknown robotic systems in a rigorous fashion. A new recurrent neural net predictive control (RNNPC) strategy is proposed to deal with input and feedback time delays in telerobotic systems. The proposed control structure consists of a local linearized subsystem and a remote predictive controller. In the local linearized subsystem, a recurrent neural network (RNN) with on-line weight tuning algorithm is employed to approximate the dynamics of the time-delay-free nonlinear plant. The remote controller is a modified Smith predictor for the local linearized subsystem which provides prediction and maintains the desirable tracking performance. Stability analysis is given in the sense of Lyapunov. The result is an adaptive compensation scheme for unknown telerobotic systems with time delays, uncertainties, and external disturbances. A simulation of a two-link robotic manipulator is provided to illustrate the effectiveness of the proposed control strategy.     

神经模糊逆模/PID复合控制在CSTR中的应用

研究了基于广义基函数神经模糊模型的逆系统实现及其直接逆模控制,并提出将直接逆模控制与PID反馈控制相结合的复合控制策略,该控制策略已应用于CSTR的反应浓度控制,仿真结果表明,神经模糊逆模／PID复合控制能克服因辨识逆模型不精确引起的缺陷,并具有良好控制性能。     

一种频率依赖性迟滞的神经网络内模控制

针对压电陶瓷等智能材料存在的依赖输入频率的迟滞非线性问题,采用BP神经网络对迟滞非线性进行辨识,并通过内模控制方案来对其进行控制.在迟滞的建模上,构建了一种静态迟滞非线性环节串联一个对输入频率敏感的线性动态环节组成的Hammerstein模型.在此基础上,得出Hammerstein模型的逆模型,并通过构造的正、逆模型进行内模控制.实验结果说明,提出的建模方法与内模控制方案是有效的.     

基于逆动力学模糊规则的单元机组协调控制

通过单元火电机组动态特性分析,获得了一种简单的机组负荷对象逆动力学模型结构.建立了单元机组逆动力学过程模糊规则(IDFR)模型,并利用递推最小二乘辨识方法对机组逆动力学过程模糊规则进行在线修正.将IDFR直接作为控制规则,提出了一种基于IDFR的机组负荷控制方法,构造了单元机组负荷对象协调控制系统.通过仿真实验考察了所提出的控制系统的有效性和适应性.     

基于支持向量机逼近的内模控制系统及应用

针对同步发电机组汽门系统, 文章研究了一种基于支持向量机逼近的内模控制系统. 所研究的控制系统包括两个主要部分: 支持向量机逼近逆控制器、内模框架下的不确定性补偿. 由基于泰勒扩展的输入输出逼近模型计算逆控制律, 并由非线性系统辨识来实现. 同时, 采用一个鲁棒滤波器实现内模框架下的不确定性补偿. 针对汽门系统的仿真实验验证了该控制系统的优良性能.     

神经网络非线性多步预测逆控制方法研究*

提出了基于多步预测控制方法的多变量非线性神经网络逆控制方案。利用预测模型对系统动态特性进行预测,使用一个带有时延因子的前馈神经网络作为控制器,利用多步预测性能指标对其在线训练,实现神经网络逆系统;在多步预测过程中还对每一步的预测误差进行预测,以实现预测误差补偿。将所提出的控制算法用于锅炉这种大滞后非线性对象的控制,仿真实验证明,该控制策略具有良好的解耦和动态跟踪性能。     

基于Hammerstein 模型的感应电机变频器调速系统神经网络控制

针对感应电机变频器调速系统的非线性特点,提出一种基于Hammerstein模型的神经网络控制方法。 Hammerstein模型由静态非线性模块和动态线性模块组成。首先,利用ARMA模型实现对感应电机变频器调速系统的线性动态模块辨识;然后,基于该辨识模型,实现调速系统非线性静态模块神经网络逆模型辨识与系统直接逆控制;最后,针对控制过程中存在的电机负载扰动问题,设计了神经网络直接逆控制器在线学习与控制策略。仿真实验表明,所提出的控制策略可以获得满意的控制效果。     

Adaptive control of a nonlinear dc motor drive using recurrent neural networks

A model-following adaptive control structure is proposed for the speed control of a nonlinear motor drive system and the compensation of the nonlinearities. A recurrent artificial neural network is used for the online modeling and control of the nonlinear motor drive system with high static and Coulomb friction. The neural network is first trained off-line to learn the inverse dynamics of the motor drive system using a modified form of the decoupled extended Kalman filter algorithm. It is shown that the recurrent neural network structure combined with the inverse model control approach allows an effective direct adaptive control of the motor drive system. The performance of this method is validated experimentally on a dc motor drive system using a standard personal computer. The results obtained confirm the excellent disturbance rejection and tracking performance properties of the system.     

Batch-to-batch control of fed-batch processes using control-affine feedforward neural network

A control strategy for fed-batch processes is proposed based on control affine feed-forward neural network (CAFNN). Many fed-batch processes can be considered as a class of control affine nonlinear systems. CAFNN is constructed by a special structure to fit the control affine system. It is similar to a multi-layer feed-forward neural network, but it has its own particular feature to model the fed-batch process. CAFNN can be trained by a modified Levenberg–Marquardt (LM) algorithm. However, due to model-plant mismatches and unknown disturbances, the optimal control policy calculated based on the CAFNN model may not be optimal when applied to the fed-batch process. In terms of the repetitive nature of fed-batch processes, iterative learning control (ILC) can be used to improve the process performance from batch to batch. Due to the special structure of CAFNN, the gradient information of CAFNN can be computed analytically and applied to the batch-to-batch ILC. Under the ILC strategy from batch to batch, endpoint product qualities of fed-batch processes can be improved gradually. The proposed control scheme is illustrated on a simulated fed-batch ethanol fermentation process.