基于支持向量机α阶逆系统方法的非线性内模控制

为了提高传统逆系统方法的鲁棒性和抗干扰能力, 提出了基于支持向量机α阶逆系统方法的非线性内模控制新方法. 该方法利用支持向量机辨识非线性系统的α阶逆模型, 并将其串连在原系统之前得到复合的伪线性系统. 对求得的伪线性系统采用内模控制方法进行控制. 仿真结果证明了该方法的有效性. 理论分析和仿真结果均表明, 该方法不依赖于系统的模型, 且较一般的逆系统方法鲁棒稳定性好, 设计简单, 跟踪精度高, 是解决非线性系统控制的一种可行的理论方法.     

基于最小二乘支持向量机逆系统的赖氨酸发酵过程解耦控制

将逆系统方法与支持向量机相结合,提出了一种基于最小二乘支持向量机（LS-SVM）的阶逆系统的赖氨酸发酵过程多变量非线性解耦控制方法．在分析了系统可逆性的基础上,利用具有高斯核函数的LS-SVM离线建立赖氨酸发酵过程的非线性逆模型．将得到的LS-SVM逆系统串联在原反应系统之前,使得复杂的非线性多变量系统解耦成多个相对独立的单输入单输出伪线性子系统,从而可用线性系统控制方法对其进行控制．仿真结果表明,LS-SVM逆系统解耦控制方法具有良好的逼近非线性系统的性能．该方法为实现多输入多输出非线性系统的解耦控制提供了一条新的思路．     

基于LS-SVM逆系统的无轴承异步电机解耦控制

无轴承异步电机具有非线性、多变量和强耦合的特点,要实现电机稳定悬浮和旋转运行,必须对其进行非线性动态解耦控制。为了克服逆系统方法精确建模难的局限性,采用基于最小二乘支持向量机(LS-SVM)α阶逆系统方法对无轴承异步电机进行动态解耦控制的研究。首先利用最小二乘支持向量机辨识出无轴承异步电机的逆模型,然后将它串联在原系统前,将无轴承异步电机解耦成四个独立的伪线性子系统-2个径向位移子系统、一个速度子系统和一个磁链子系统。为保证鲁棒性能,最后对解耦后的系统采用非线性内模控制策略。研究表明,LS-SVMα阶逆系统方法能够实现无轴承异步电机径向悬浮力和旋转力之间的动态解耦控制,控制系统具有良好的静态和动态性能。     

基于支持向量机广义逆的直线永磁游标电机内模解耦控制

针对直线永磁游标电机这一多变量、强耦合的非线性系统, 提出一种基于支持向量机广义逆内模控制的方法. 在证明其数学模型存在广义逆的基础上, 通过支持向量机来辨识原系统的广义逆系统, 经复合后得到具有线性关系的伪线性系统, 然后引入内模控制方法设计附加控制器以增强整个系统的鲁棒性. 仿真结果验证了所提出方法具有良好的解耦性能和抗干扰特性.

     

基于逆系统多模型内模主动容错控制

针对现有非线性系统对故障容错的快速性和可靠性不足,从而导致容错失败的问题,为解决上述问题,研究了一类具有可能故障先验知识的非线性系统,提出了一种基于最小二乘支持向量机(LS-SVM)建模的逆系统多模型内模主动容错控制方法.采用 LS-SVM 对系统正常以及各种先验故障情形的逆系统进行建模,构造系统的逆模型库,根据逆系统方法将逆模型与被控系统串联形成伪线性系统,设计具有良好鲁棒性能的内模控制器.系统在线运行时,监控决策机制基于对系统性能指标的仿真计算,结果表明在无需改变内模控制器的情况下达到对非线性系统故障容错的快速性和可靠性,证明方法的有效性.     

基于最近邻聚类的多模型LSSVM逆控制系统

针对逆系统中非线性逆模型辨识困难以及大规模数据采用单模型回归存在精度差和计算量较大的问题,提出了一种基于最近邻聚类的多模型最小二乘支持向量机（LSSVM）逆模型辨识及控制方法。该方法首先使用最近邻聚类算法对数据集做出聚类划分,然后针对每个聚类做最小二乘支持向量回归估计,实现了对系统逆动力学模型的动态辨识。最后将辨识模型作为摔制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题,仿真结果表明基于最近邻聚类的多模型LSSVM逆控制系统辨识能力强,比单模型LSSVM逆摔制系统具有更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。     

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.     

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。     

基于最小二乘支持向量机的无轴承同步磁阻电机解耦控制

无轴承同步磁阻电机是一个复杂的多变量、强耦合非线性系统,实现其非线性动态解耦控制是无轴承同步磁阻电机稳定运行的前提.在推导其数学模型的基础上,采用最小二乘支持向量机的方法得到无轴承同步磁阻电机逆模型;根据逆系统基本原理,将复杂的原非线性多变量耦合系统解耦成伪线性系统;根据线性系统理论,设计了闭环控制器,并构建了系统仿真模型.仿真结果表明该方法实现了系统的动态解耦,并且具有良好的动、静态特性.     

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。     

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.     

基于LS-SVM逆模型的青霉素发酵软测量方法

针对青霉素发酵过程中的某些关键生物参数(如菌体浓度、基质浓度、产物浓度)难以实时在线测量的问题,提出一种基于最小二乘支持向量机(LS-SVM)逆模型的软测量方法。该方法用具有高斯核函数的LS-SVM,离线建立被测对象的静态非线性逆模型。由静态非线性逆模型外加若干表征非线性动态特征微分器,构成了非线性系统的逆系统,将此逆系统串联在原发酵系统之后,得到"线性化"的伪线性系统。仿真结果表明,该方法能够对青霉素发酵过程中不可在线测量的关键变量进行预测,且达到了较高的测量精度。     

基于最近邻聚类支持向量机辨识的电弧炉电极逆控制

基于核函数的支持向量机(support-vector-machines, SVM)与三层神经网络等价关系, 构造基于SVM的多变量阶时延逆系统实现对原系统的伪线性化解耦, 提出最近邻聚类的SVM模型辨识算法, 设计了一种带前馈的参数自适应PD调节器和SVM逆控制相结合的控制策略. 通过对典型的MIMO离散非线性可逆系统和电弧炉电极系统的仿真研究, 表明该控制策略对于数学模型未知的不确定系统, 只需要一定量的输入输出数据作为样本学习, 就可实现对系统逆模型的高精度逼近, 控制系统具有良好的动态响应和跟踪精度. 当模型严重不确定、参数摄动、有外界干扰时, 系统具有很好的抗干扰能力和鲁棒性.     

Internal model control based on a novel least square support vector machines for MIMO nonlinear discrete systems

To improve the robustness of the traditional inverse system method, the internal model control based on a novel least square support vector machines (LS-SVM) is proposed. The novel LS-SVM considers general errors that include noises of input variables and output variables as empirical errors. The data of original MIMO discrete system is exploited to approximate its inverse model by the novel LS-SVM. By cascading the inverse model and the original system to constitute a decoupling pseudo-linear system, the internal model control strategy is carried out to the pseudo-linear system to realize the effective control. Simulation validates that the novel LS-SVM used in the inverse system identification is effective and shows that the internal model control of nonlinear discrete systems has better robustness of anti-interference and parameters varying than that of the open-loop system only based on inverse control.     

基于SVM逆系统控制方法的电液变气门系统的升程控制

针对电液可变气门系统的升程控制,提出了基于支持向量机(SVM)的α阶逆系统控制模型.该方法适合高阶非线性系统的控制问题.根据系统的输入输出,离线建立变气门逆系统的辨识模型,然后将SVM逆系统串接在原系统之前,构成伪线性系统.仿真结果表明:基于SVM的α阶逆系统控制模型,对电液变气门系统的升程,表现出了良好的控制特性.     

神经网络α阶逆系统在离散非线性系统控制中的应用

给出一般离散非线性系统的神经网络α阶逆系统(将α阶逆系统与原系统直接串联起来,构成一伪线性系统,具有α阶时延性质)的结构与辨识,并研究其在非线性系统控制中的直接应用。仿真结果表明该方法具有较普遍意义,且结构简单,易于实现。     

非线性微分——代数子系统的逆系统的构造

对于一类非线性微分-代数(Differential-algebraic equation, DAE)子系统, 将非线性常微分方程(Ordinary differential equation, ODE)系统的逆系统方法进行了完全扩展. 首先对此类非线性DAE子系统提出的物理背景和系统特性进行了详细阐述. 然后给出了非线性DAE子系统的逆系统定义, 包括单位右逆系统和 α 阶积分右逆系统. 接下来提出一种递归算法, 利用此算法给出了被控系统可逆的充要条件, 并构造了物理可实现的控制器, 实现了非线性DAE子系统的线性化解耦. 最后基于本文所提出的控制方法, 研究了电力系统同步发电机组励磁汽门综合控制的线性化解耦问题.