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。     

基于神经网络逆的赖氨酸发酵过程解耦控制系统的实现

赖氨酸发酵过程是一个时变、非线性、强耦合多变量系统。为了有效的控制直接反映发酵品质的重要生化过程参数,如菌体浓度、残糖浓度、产物浓度等,实现高性能的解耦控制的目标,将逆系统方法与神经网络相结合,提出了一种基于神经网络逆系统的赖氨酸发酵过程解耦控制方法。在一定程度上解决了传统解析逆系统解耦控制方案过于依赖过程模型和对模型参数的变化过于敏感的不足。在实验中,以发酵罐和嵌入式开发系统为平台对控制方法进行了验证。实验结果表明该解耦控制方法能够对菌体浓度、残糖浓度、产物浓度等重要的生化参数进行有效的控制,适应过程模型的不确定性和参数的时变性,具有较强的鲁棒性。     

神经网络在感应电动机调速系统中的应用研究

研究感应电动机凋速系统解耦控制问题.感应电动机调速系统是一个非线性、多变量和强耦合控制对象,传统的线性方法无法找到合适的描述模型,导致解耦控制性能相当的差.在体现适应性、实时性和鲁棒性的问题上,为了提高感应电动机调速系统解耦控制性能,将逆系统方法与神经网络相结合,提出了一种基于神经网络逆系统的感应电动机调速解耦控制方法.首先根据感应电动机调速系统的特点,建立合适的数学模型,并进行伪线性系统构造;然后采用神经网络对逆系统模型进行辨识,通过神经网络自学习实现高性能解耦控制;最后在matlab平台下进行了仿真和对比实验.实验结果表明,方法能很好实现解耦控制,使传统解耦控制方法的缺陷得到克服,具有较强适应性和鲁棒性.     

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．     

基于小波神经网络的板形板厚系统解耦预测控制

带材轧制是一个复杂的非线性过程, 板形控制和板厚控制又是强耦合、非线性、含时延环节的复杂系统. 提出了一种基于小波神经网络的解耦预测控制方案; 利用小波神经网络来辨识原系统的α阶时延逆系统, 将该逆系统与原系统串联后形成一个伪线性复合系统, 从而把多变量系统控制转化为多个单变量系统的控制实现了系统解耦, 并对解耦后的系统采用闭环预测控制. 仿真表明该控制方法具有结构简单、易于实现, 且有较强的抗扰性和鲁棒性.     

基于数据驱动的感应电机多模型逆自适应解耦控制

提出一种基于数据驱动的感应电机多模型逆自适应解耦控制方法. 首先, 利用仿射聚类法(AP) 对电机系统的输入输出数据进行聚类, 再基于聚类结果和隶属度函数建立相应的神经网络多模型逆, 以实现解耦控制. 针对电机系统运行过程中电机参数变化问题, 采用粒子群优化算法(PSO) 在线调节子模型权值, 以改善逆模型失匹造成解耦控制性能下降的问题. 仿真实验表明, 所提出的方法能对电机的转速和磁链实现良好的解耦控制, 且对电机系统工况参数变化具有良好的自适应能力.

     

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T-S逆模型的航空发动机解耦控制

为了解决发动机控制系统中存在的耦合现象,以自适应逆控制原理为基础,提出了一种基于T-S逆模型的解耦控制器;该方法利用模糊T-S模型来辨识发动机的逆模型,从而得到实现解耦效果的伪线性化模型,再运用神经网络PID控制器的在线整定功能提高系统的动态性能和鲁棒性,使系统综合性能最优;仿真结果表明,该控制器具有理想的解耦效果,在发动机工作包线范围内具有良好的自适应能力.     

动物细胞悬浮培养过程神经网络逆解耦控制

动物细胞的悬浮培养以细胞增殖快、生产效率高等优势,成为动物细胞大规模培养的首选方式。而动物细胞悬浮培养过程是一个非线性、强耦合的多输入多输出系统,对一些生物参数(如细胞密度、基质浓度和产物浓度)的控制是提高整个生产水平的关键,应用神经网络逆系统方法对动物细胞悬浮培养过程进行线性化解耦控制,根据培养过程的特点,给出了相应的数学模型,并证明了系统的可逆性,利用神经网络的非线性逼近能力辨识出原系统的逆系统,然后串接在原系统前面构成伪线性复合系统,使动物细胞悬浮培养过程线性化解耦成三个子系统：一阶线性细胞密度子系统、一阶线性基质浓度子系统和一阶线性产物浓度子系统,最后设计模糊PID控制器对各解耦后的线性子系统进行控制,避免了传统PID控制器最优参数选取困难的问题。仿真结果表明,神经网络逆系统方法实现了对动物细胞悬浮培养过程的线性化解耦,系统对给定输入实现了高性能跟踪控制。     

直流炉给水系统的解耦研究

为解决多变量、非线性系统的强耦合问题,提出了降阶与解耦相结合的研究方法.首先用Padé降阶算法进行模型降阶处理,简化了直流炉给水系统的数学模型,进而简化了解耦过程.在此模型基础上采用分散式神经网络开环解耦方法设计神经网络解耦器,将来自其他通道的耦合影响视为干扰进行补偿,进而实现对直流锅炉微过热蒸汽焓值—压力系统的解耦.MATLAB仿真结果表明,该解耦方案是可行的,且可得到较好的解耦效果.     

基于曲线拟合预测模型的自适应逆控制研究

针对不确定滞后系统,提出一种基于曲线拟合预测模型的自适应逆控制方法.该方法将预测思想引入自适应逆控制中,采用四阶龙格库塔法与GM(2,1)灰色模型相结合作为预测模型,用模糊神经网络作为自适应逆控制器,并由预测误差进行参数的在线自适应寻优.仿真结果表明,该方法具有很好的跟踪效果和较强的鲁棒性.     

基于逆系统的青霉素发酵软测量

针对青霉素发酵过程中菌体浓度、基质浓度、产物浓度等关键参量难以直接测量的难题,将逆系统方法与动态递归模糊神经网络(DRFNN)相结合,提出一种基于动态递归模糊神经逆的青霉素发酵软测量方法.在证明了系统可逆的条件下,得到系统的逆模型;再应用DRFNN网络所具有的自学习,自适应能力以及对任意非线性的逼近能力,对该模型进行了...     

基于预测控制方法的非线性神经网络逆控制

针对一类多输入多输出非线性被控对象,利用前向神经网络逼近原系统的逆系统,将其作为控制器,采用预测滚动优化性能指标训练该神经网络逆控制器,以克服干扰和不确定性影响,实现对多变量非线性对象的解耦控制。对某微型锅炉对象进行了控制算法仿真,结果表明,所提出的控制方法能够克服模型误差的影响,实现稳定解耦控制,且易于实现。在仿真过程中通过实验方法建立该锅炉对象的神经网络预测模型,并注意采用泛化方法采集训练样本数据和训练神经网络,以提高神经网络模型的泛化能力。     

一类模型未知系统的辨识和混沌化控制

对于一类模型未知的非混沌系统采用模糊神经网络辨识其动力学特性, 将得到的模糊神经网络辨识模型应用于逆系统方法中, 实现了一类模型未知非混沌系统的混沌化控制. 该方法不依赖于被控对象的数学模型, 就可以进行有效控制. 研究了模糊神经网络辨识误差对控制精度的影响, 证明了适当设计参数可以使由辨识误差引起的控制误差小于辨识误差. 针对连续和离散两类系统的仿真研究证明了该方法的有效性.     

一种基于模糊神经网络的双足机器人混杂控制

针对双足机器人控制问题,提出了一种基于模糊神经网络的混杂控制方法.该种方法将模糊神经网络融入了逆系统和H∞控制方法中,一方面将模糊神经网络的构造误差看作系统的干扰,利用H∞控制对干扰进行抑制.另一方面利用模糊神经网络对系统模型进行逼近,为逆系统的构建和H∞控制率的设计提供了有效的系统信息.本文分析了闭环系统的稳定性问题,证明了在采用本文提出的模糊神经网络和自适应算法后可以抑制L2增益.     

多变量发酵过程的神经网络在线解耦控制

为提高多变量系统解耦控制的性能,提出了一种基于参考模型的神经网络在线解耦控制方法.构造神经网络实现前馈解耦,通过参考模型的输出与被控系统输出估计耦合作用对被控量的影响,由此设计神经网络权值参数学习算法,在线调整网络参数使多变量耦合系统实现解耦;对解耦后的子系统分别设计闭环控制器,以达到优良的控制性能.仿真实验结果表明,提出的解耦控制方法是简单有效的.     

基于模糊神经网络的5连杆双足机器人混杂控制

针对双足机器人单脚支撑期控制问题, 提出了一种新型的模糊神经网络混杂控制方法. 该种方法结合了模糊神经网络、H_∞ 控制及逆系统方法的优点. 应用了一种新的多层模糊CMAC神经网络对系统进行逼近, 一方面将模糊神经网络的构造误差看作系统的干扰, 利用H_∞ 控制对干扰进行抑制. 另一方面利用模糊神经网络对系统模型进行逼近, 为逆系统的构建和H_∞ 控制率的设计提供了有效的系统信息. 并证明了在采用本文提出的模糊神经网络和自适应算法后可以抑制 L₂ 增益.     

基于RBFN逆控制策略的多变量非线性系统的解耦控制

基于逆动力学控制的思想,提出一种带前馈的RBFN逆模型控制策略,并将该控制策略对多变量非线性系统进行了在线解耦与控制;采用3个RBF神经网络分别对被控对象的3个输入进行逆辨识,每相神经网络逆辨识模型反向作为逆控制器模型与每相串联,从而构成3个已解耦的独立的伪线性对象,进而针对3个独立的伪线性对象进行线性控制,从而实现了对三相耦合系统的精确控制;经过实验室模拟调试的实测三相电流波形表明,在电流设定值为2100A时,升温速率为5.3℃/min,电流波动范围≤±10%.     

三电机驱动系统的神经网络模糊自整定解耦控制

多电机驱动系统是一种多输入多输出、非线性、强耦合的系统.它广泛应用在许多需要高精度协调控制的驱动领域,比如电动汽车驱动、城市轨道交通以及印刷业等.本文提出了一种新的方法用于三电机驱动系统的速度与张力的解耦控制,其核心由模糊自整定控制与BP神经网络广义逆组成.首先,由神经网络广义逆与原系统串联实现复合伪线性系统;其次,在该伪线性系统中采用模糊自整定方法.仿真结果表明:所提方法能有效实现速度与张力间的解耦,将三电机驱动系统转化为多个具有开环稳定性的单输入单输出线性子系统,同时系统的响应速度快、超调量小、瞬态时间较短,具有良好的跟踪性能,这有助于改善系统的启动特性,降低系统振荡.     

神经网络α阶逆系统控制方法在机器人解耦控制中的应用

本文利用神经网络α阶逆系统线性化解耦能力,将严重耦合的多自由度机械手 解耦成多个二阶积分子系统,进一步采用线性系统设计方法对已解耦系统设计闭环控制器, 成功地实现了位置快速跟踪．该控制方法不需要知道机器人系统的精确数学模型,并且结构 简单,易于工程实现．