质子交换膜燃料电池的分数阶非线性状态空间模型研究

针对质子交换膜燃料电池(PEMFC)发电过程中的分数阶和非线性特性,本文提出了一种分数阶子空间辨识方法建立了PEMFC非线性状态空间模型.首先,为了降低建模复杂度,采用典型相关分析法和相关分析法确定了模型输入变量;其次,将分数阶微分理论与Hammerstein模型子空间辨识方法相结合,采用Poisson矩函数对输入输出数据进行预处理,构造了子空间辨识方法的输入输出矩阵,并引入分数阶短时记忆法减少辨识算法计算量;最后,选取多项式作为Hammerstein模型前端静态非线性环节,采用模糊遗传算法优化系统分数阶阶次和系数矩阵.仿真结果验证了算法的有效性,改进的辨识算法可以明显减小计算时间,所得PEMFC辨识模型能够准确地描述PEMFC的动态过程.     

小型无人直升机纵横角动态耦合辨识建模

针对小型无人直升机耦合建模问题提出了一种频域解耦辨识建模方法,该方法通过处理针对耦合辨识的实验数据得到指定频域范围内被辨识耦合的频域特性,对频域特性进行拟合从而获得耦合模型.提出了适用于多输入输出(MIMO)系统的频域特性计算方法,定义了一种复合相干函数并证明其能够用于表达在耦合通道辨识中输入输出的相关性.基于该方法,对一种小型无人直升机在悬停状态的纵横角动态耦合模型进行了辨识,并将耦合模型加入到直升机仿真模型中考察其对模型预测精度的影响.模型预测输出与实际输出的比较表明,相较于普通模型,考虑了耦合动态的仿真模型能够更为精确地预测实际输出.     

基于IATLBO与稳态初值寻优的波动热工系统建模

针对人为选取热工系统稳态分量不准确,造成建模精度下降的问题,提出一种基于IATLBO(improved adaptive teaching-learning-based optimization algorithm)与稳态初值寻优的波动热工系统建模方法。方法将系统稳态分量与模型参数均看作未知量,依据智能优化算法寻优过程中所分配的系统稳态分量,动态的对系统输入输出数据进行稳态分量的剔除,从而有效的避免人为选取所产生的误差;寻优过程选取智能优化算法为教学优化算法,结合真实教学过程,对算法进行了改进,并应用标准测试函数进行仿真,验证了算法的高效性。对某波动热工系统进行建模,表明了上述方法的有效性。     

一种多输入单输出Hammerstein系统的集成辨识方法

针对多输入单输出(MISO)Hammerstein系统提出了一种稳态与动态辨识相结合的集成辨识方法.该方法利用稳态信息获取稳态模型的强一致性估计,并通过稳态模型以神经网络获得其非线性逼近函数,再利用动态信息辨识获取多输入单输出(MISO)Hammerstein系统的线性子系统未知参数的一致性估计.仿真结果表明了该方法的有效性和实用性.     

RBF-ARX模型在串级系统中的应用

针对液位串级系统的非线性特征,采用RBF-ARX模型对液位串级系统的非线性动态特性进行建模,讨论了RBF—ARX模型结构的选取,模型参数辨识,RBF参数优化等问题。采用了不同的序列作为状态向量,分别建立了液位串级系统的训练数据和测试数据的RBF—ARX模型,分析了各模型的可靠性。模型的预测输出和仿真结果表明,RBF—ARX模型在非线性系统建模和辨识中是有效的。     

基于神经网络的工业大系统辨识及稳态递阶优化方法

为了对工业大系统进行稳态递阶优化,必须首先获得系统的稳态模型.从神经网络的分 析人手,给出了工业大系统稳态模型的动态辨识方法及基于神经网络模型的推导方法.为了 提高算法的收敛速度,引入Lagrange函数解决大系统优化问题中的各种约束,并用Hopfield 网络实现了大系统稳态递阶优化的网络算法,最后给出了某一大系统辨识及优化的仿真结果.     

基于模糊分析的LSTM交通流量预测

为提高交通流预测模型的准确性及泛化性,提出一种基于模糊分析的LSTM交通流预测方法实现对交通状态的预估分析.对历史数据采用LSTM神经网络进行训练,获取神经网络权值参数,针对交通流时序数据存在周期性,提出基于模糊聚类分析的策略对LSTM模型的历史训练误差进行聚类.根据当前交通流数据与历史数据的相似度预估LSTM预测模型的在线误差.综合LSTM神经网络预测输出以及基于相似度分析的在线误差预测输出预估交通流状态,给出相应的算法步骤.仿真实验验证了提出方法的有效性,其比单一预测预测模型效果更好.     

一类MIMO状态可测的非线性连续系统的激励辨识方法

研究一类 MIMO 状态可测的非线性连续系统的激励辨识问题. 输入激励信号采用高斯白噪声, 均匀采样获得输出状态数据. 根据 Girsanov 定理获得系统参数的渐近无偏估计. 数值仿真试验说明了该方法的有效性并发现耦合多变量系统辨识中的 NNR 现象. 最后给出该系统的分步激励辨识算法.     

状态空间模型的双层结构预测控制算法

双层结构预测控制是指先进行设定值优化、再进行设定值跟踪的预测控制.在已有的双层结构动态矩阵控制的基础上,本文给出基于状态空间模型的双层结构预测控制算法.该算法基于干扰模型和新定义的开环预测值,给出了新的开环预测模块.该开环预测模块采用Kalman滤波方法得到操作变量、被控变量的开环动、稳态预测值.基于这些开环预测值,稳态目标计算模块的基本原理同双层结构动态矩阵控制,但是具体细节上遵循状态空间方法.动态控制模块基于稳态目标计算提供的操作变量、被控变量的稳态目标(设定值),采用二次规划算法计算控制作用.仿真算例证实了该算法的有效性.     

基于动态邻域微粒群的Smith预估双控制器设计

针对模型未知时滞系统的预测补偿控制,提出一种基于动态邻域拓扑微粒群算法以优化动态神经网络的参数,并将其作为预估器和辨识器应用于一种新的Smith预估双控制器结构设计.利用微粒群算法空间搜索能力指标,动态建立邻域拓扑结构,优化神经网络参数,并将两者的组合模型应用于新的双控制器结构,将负载扰动和定值控制分开,以提高Smith预测补偿模型的控制精度和鲁棒性,最后通过仿真验证了所提出方法的有效性.     

Genetic algorithm-based identification of transfer function parameters for a rectangular flexible plate system

This paper focuses on an identification technique based on genetic algorithms (GAs) with application to rectangular flexible plate systems for active vibration control. A real coded GA with a new truncation-based selection strategy of individuals is developed, to allow fast convergence to the global optimum. A simulation environment characterizing the dynamic behavior of a flexible rectangular plate system is developed using the central finite difference (FD) techniques. The plate thus developed is excited by a uniformly distributed random disturbance and the input–output data of the system acquired is used for black-box modeling the system with the GA optimization using an autoregressive model structure. Model validity tests based on statistical measures and output prediction are carried out. The prediction capability of the model is further examined with unseen data. It is demonstrated that the GA gives faster convergence to an optimum solution and the model obtained characterizes the dynamic system behavior of the system well.     

Neural network based model predictive control for a steel pickling process

A multi-layer feedforward neural network model based predictive control scheme is developed for a multivariable nonlinear steel pickling process in this paper. In the acid baths three variables under controlled are the hydrochloric acid concentrations. The baths exhibit the normal features of an industrial system such as nonlinear dynamics and multi-effects among variables. In the modeling, multiple input, single-output recurrent neural network subsystem models are developed using input–output data sets obtaining from mathematical model simulation. The Levenberg–Marquardt algorithm is used to train the process models. In the control (MPC) algorithm, the feedforward neural network models are used to predict the state variables over a prediction horizon within the model predictive control algorithm for searching the optimal control actions via sequential quadratic programming. The proposed algorithm is tested for control of a steel pickling process in several cases in simulation such as for set point tracking, disturbance, model mismatch and presence of noise. The results for the neural network model predictive control (NNMPC) overall show better performance in the control of the system over the conventional PI controller in all cases.     

基于动态函数连接神经网络的自适应逆控制系统辨识研究

自适应逆控制将系统扰动消除和动态响应性能独立分开控制,其性能的优劣取决于系统对象、逆对象及逆控制器模型辨识精度的高低。文中提出用动态函数连接神经网络来实现自适应逆控制系统对象、逆对象的同时在线建模和逆控制器的离线建模,并将模型参数的辨识转化为空间参数寻优。针对混沌初始化对已收敛种群结构的破坏性,提出用变参数混沌粒子群优化算法对神经网络权值进行全局寻优,通过仿真实验可以看出基于动态函数连接神经网络的建模误差小,辨识精度高;与当前的参考模型自适应控制方法进行对比分析,所提方法能取得较好的扰动消除效果,并能使系统的跟踪响应性能得到提高,从而验证了方法的有效性、可行性。     

基于计算机模拟平台的蒸馏过程仿真研究

以过程模型为基础在C++BUILDER环境下设计并实现的蒸馏过程计算机模拟平台,为研究蒸馏过程提供了过程模拟的计算机环境。模拟平台具有在线过程模拟功能和开放的接口环境,适于各种模拟方案、过程模型和算法的仿真研究。基于该平台,可以方便地对蒸馏过程进行稳态模型、动态模型、优化模型和控制模型的仿真计算,检验模型和算法的有效性,并可针对过程特点进行分析并提供优化操作指导值。     

一种太阳能集热系统集热量实时预测的混合建模方法

太阳能集热器的集热量受光照度、环境温度、风速等多种因素的影响,其预测模型很难从预测精度和实时性上同时满足用户需求。本文提出一种实时预测太阳能集热系统集热量的混合建模方法。该方法首先从能量守恒出发,根据热管式太阳能集热系统传热机理推导出集热量的理论模型,并把理论模型中的散热系数、透射率、吸收率等经验参数以及采光面积、散热面积等几何参数集总为模型的未知参数,进而提出混合模型的结构。然后,利用TRNSYS仿真软件搭建太阳能集热器模拟仿真系统,对仿真系统不同的运行工况进行仿真实验,获取用于辨识混合模型未知参数的稳态数据。最后,选用粒子群优化算法（PSO）作为模型参数的辨识方法,利用所获得的稳态数据辨识模型的未知参数。模型预测值与仿真实验结果的比较表明,预测模型简单而精确,能够在各种工况下实时地、高精度地预测太阳能集热器的集热量,其平均相对误差可达到2.02%。该模型在太阳能热泵、太阳能热水器等系统的优化控制领域得以广泛应用。     

Pso-Bp 耦合算法在矿井瓦斯突出预测中的应用

矿井瓦斯含量的预测模型是一个多变量、非线性的函数关系,预测模型建立的准确与否决定于各个影响因素之间的相互作用、相互耦合的特性。将神经网络与粒子群算法有机地结合起来,以神经网络理论为基础,利用粒子群算法优化隐含层神经元个数和网络中的连接权值,建立瓦斯含量预测模型,解决了Bp神经网络收敛速度慢、易陷入局部优化的缺陷。并在历史数据的基础上,建立遗传神经网络训练和检验样本集,利用MATLAB进行仿真,结果表明粒子群神经网络模型可靠性强,预测精度高。     

基于准最小二乘法的光伏阵列模型鲁棒参数估计方法

光伏阵列的模型参数估计在光伏发电系统的仿真、输出功率预测、最大功率点跟踪等方面有重要意义。当测量数据中只含随机误差时,以加权最小二乘（WLS）为优化函数的参数估计方法有较好的辩识效果。但是当测量数据中含有显著误差时,WLS参数辩识的效果较差。为解决此问题,本文提出了一种以准加权最小二乘法（QWLS）为优化函数的参数估计方法来减小显著误差的影响,采用了赤池信息量准则(AIC)设计QWLS最优参数,将该方法应用于光伏阵列中构造模型鲁棒参数估计问题。最后将WLS和QWLS分别结合序列二次规划（SQP）算法,进行光伏阵列模型的参数估计仿真与实验测试。测试结果显示QWLS参数估计结果更准确,验证了准最小二乘法的鲁棒性与有效性。