基于DRNN的非线性模型预测控制研究

针对飞机液压系统某地面试验装置具有非线性、慢时变的特征,常规的控制算法难于实现精确控制。为了提高系统的实时性和精度,提出了基于DRNN神经网络的非线性模型预测控制算法。控制算法应用对角递归神经网络DRNN作为非线性系统的预测模型,同时采用了具有全局优化能力的启发式遗传算法作为滚动优化工具。将这一控制算法进行仿真试验,仿真试验结果表明,基于DRNN的NMPC对于装置具有自适应能力,控制精度较传统的PID控制有明显的提高。     

步进梁加热炉神经网络模型预测控制

针对步进梁式连续加热炉燃烧过程控制的温度分布非线性和滞后性,提出了一种基于非线性优化技术的神经网络模型预测控制算法。神经网络具有强大的自学习和非线性映射能力,把神经网络预测模型和非线性优化器整合为一个温度控制器,通过神经网络预测模型描述温度控制对象的动态行为,根据加热炉当前温度和出钢温度预测未来时刻的温度输出值,实现加热炉温度控制。实验结果表明,通过对网络模型进行大样本训练和对模型预测控制参数的优化,加热炉温度控制系统能快速达到控制要求,具有良好的抗干扰能力和温度跟随性能。     

模糊神经网络预测控制在配料系统中的应用

针对水泥生产过程中皮带配料系统的惯性、滞后、非线性及现场干扰频繁等特点,设计一种模糊神经网络预测控制算法,将模糊控制、神经网络与预测控制相结合,增强算法的自学习、跟踪与抗干扰能力,神经网络预测模型有效地补偿了传统预测控制基于线性模型的局限性.将该控制算法用于皮带配料控制系统中,仿真结果表明,物料流量控制效果优于传统的P...     

基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制（GPC）相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络“黑箱”的功能达到对非线性系统的预测控制。以机器人为控制对象进行仿真,取得了较好的控制效果。     

基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制(GPC)相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络"黑箱"的功能达到对非线性系统的预测控制.以机器人为控制对象进行仿真,取得了较好的控制效果.     

基于RBF神经网络的改进多变量预测控制

针对一类多输入多输出非线性被控对象,提出一种基于单神经网络的预测控制算法,应用RBF神经网络对非线性系统进行辨识,并计算被控系统多步预测输出值.该方法通过对传统预测目标函数加以改进,给出一种带微分项的多步预测目标函数,通过迭代寻优实时给出优化控制量.该方法实时性好,简化了传统预测控制算法,加快了滚动寻优的速度,有效地抑制了系统惯性和输入时滞所带来的超调,减小了模型误差、干扰及不确定性对控制器的影响.仿真及应用结果表明了该方法的有效性.     

微分改进RBF网络线性预测控制算法的研究

针对现有非线性系统辨识超调较大和预测控制计算量繁琐等问题,提出了改进的RBF神经网络线性预测控制算法.该方法通过在传统性能指标函数中增加误差微分项,以优化跟踪效果;利用辨识模型作为预测模型,对输出设定值进行线性逼近的反向优化,并实时给出优化控制量.该方法简化了传统预测控制算法,在加快寻优速度的同时,有效地抑制了超调.通过非线性系统仿真实例,验证了该方法的可行性和有效性.     

基于神经网络模型的最小预测误差非线性自适应控制器

主要研究基于神经网络模型的最小预测误差非线性自适应控制算法.利用神经网 络激励函数的分段局部线性近似,将基于神经网络的非线性系统一步前向预测控制转化为一 系列局部的线性预测控制问题.利用线性系统参数估计方法获得神经网络预测模型的参数估 计.在此基础上利用并联线性系统的预测控制方法设计全局收敛的非线性系统预测控制器.     

煤矿瓦斯涌出量预测及仿真研究

瓦斯涌出量受很多随机性因素的影响,传统的预测方法精度低,使得瓦斯事故频频发生。针对瓦斯涌出量系统的高度非线性和复杂性,为了提高瓦斯涌出量的预测精度,提出了基于自学习模糊神经网络的一种控制算法。用遗传算法离线训练该控制算法的参数,由于BP神经网络具有很强的局部搜索能力和对对象的适应能力,用BP网络在线学习参数,建立了基于自学习模糊神经网络控制算法的瓦斯涌出量动态系统的预测模型。对同煤某矿采集样本数据并进行预处理,建立了具有优化参数的网络结构。最后,将该控制算法的预测结果与实际值和常规模糊神经网络模型进行比较,说明了该控制算法降低了预测误差,具有更高的预测精度,为解决瓦斯预测问题提供了一条新的理论支持。     

神经网络预测及电力主变室多参数优化控制

针对变压器室通风散热这类多变量、非线性和时变的复杂控制系统,采用神经网络作为优化反馈控制器求解优化反馈解;利用预测控制的滚动优化具有克服室外温度干扰和不确定性影响的优势,通过滚动优化算法训练神经网络模型,同时对控制系统中负荷电流变化也采用神经网络进行预测,以实现被控对象的实时预测;利用该方法对变压器室通风散热系统进行理论分析和仿真,仿真结果表明系统具有较强的鲁棒性;最后应用于变压器室智能通风散热系统实际工程中,获得较好降温的效果。     

采用遗传算法训练对角递归神经网络预测控制器

本文提出了一种基于广义预测控制的神经网络预测控制方案．预测控制器由对角递归 神经网络预测控制器和前向神经网络静态补偿器组成．两种神经网络均采用遗传算法进行训 练．仿真实验表明,对于带纯时延的非线性被控对象,采用遗传算法设计的对角递归神经网 络预测控制器具有令人满意的控制性能．     

基于神经网络的自治水下机器人广义预测控制

针对自治式水下机器人高度非线性和时变性的特点,提出了一种基于神经网络的水下机器人广义预测控制策略．利用改进型Elman网络作为多步预测模型,在对网络学习算法进行改进的基础上,实现了Elman网络的在线学习,并提出了用于求解神经广义预测控制律的灵敏度公式．进行了具有神经网络在线学习功能和不具有在线学习功能的水下机器人的速度控制实验,并就预测控制效果进行了对比分析．实验结果表明,具有自适应学习功能的水下机器人速度控制法的精度要优于不具有在线学习功能的速度控制法,且当水下机器人动态特性发生变化时具有较强的自适应能力．     

基于混沌优化的非线性预测控制器

针对非线性系统的控制问题,本文将神经网络辨识、混沌优化和预测控制思想有机结合,提出了一种新型非线性预测控制器.该控制器以神经网络作为预测模型,混沌优化算法作为滚动优化策略,避免了非线性预测控制中复杂的梯度计算和矩阵求逆问题.另外在训练神经网络过程中,采用了带混沌机制的自适应学习率的BP算法,以提高神经网络的收敛能力和收敛速度.仿真研究说明了该非线性预测控制器的有效性及实时性.     

多步预测性能指标函数下的神经网络逆动态控制方法

将预测控制与神经网络逆动态控制相结合,提出了多步预测性能指标函数下的神经网络逆动态控制方法。该方法用多步预测性能指标函数训练神经网络逆动态控制器的权值,使整个系统具有预测控制的特点,有比通常的神经网络逆动态控制快得多的响应速度和更好的响应性能。     

基于广义投影神经网络优化的模型预测控制*

为降低模型预测控制优化问题的计算复杂度,以时滞系统的模型预测控制问题作为研究对象,利用神经网络动态平衡点与优化问题解相对应的特点,提出一种基于广义投影神经网络的模型预测控制优化算法。首先,将模型预测控制优化问题描述为一个带约束的二次规划问题,进一步,通过广义投影神经网络模型进行在线优化。该方法充分发挥了神经网络并行、结构简单的优点,通过具体实例仿真,验证了本文算法的有效性与优越性。     

动态定量称重系统神经网络预测PID控制器研究

采用神经网络预测与PID控制理论相结合,为动态定量称重系统设计了一种神经网络预测PID控制器。该控制器算法简单,通过自学习、记忆功能在线调整PID控制参数KP、Kl、KD。建立了动态定量称重系统的仿真模型,将神经网络预测的PID控制与常规PID进行对比分析,神经网络预测PID控制器具有很好的控制效果。     

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.     

Predictive neuro-control of uncertain systems: design and use of a neuro-optimizer

We consider the problem of predictive control of uncertain stochastic discrete I/O systems. Given a model identification procedure able to give accurate output system estimates, e.g. a neural network approximation, we use another feedforward neural network to generate at each time step a constrained optimal control. Dynamic backpropagation is used to improve when necessary the controller network parameters. Both system and controller neural structures are first selected off-line by a statistical Bayesian procedure in order to make the predictive control minimizing process more efficient. The issue of stochastic stability of the closed-loop is considered. We developed this approach for the tracking control of such uncertain systems as biotechnological processes. Actual and simulated predictive neuro-control case studies in this field of application are proposed as illustrations. A comparison with a more classic quasi-Newton-based approach is also proposed, showing the interest of this neuro-control approach.     

采用自适应自回归小波神经网络的单步预测控制

针对非线性系统的控制问题,提出一种基于神经网络辨识的单步预测控制算法。算法在自回归小波神经网络的基础上,利用混沌机制消除了神经网络易陷入局部极值的缺点．采用自适应性学习率,提高神经网络的收敛能力和速度．以该神经网络为预测模型,引入输出反馈和偏差校正克服预测误差,以此构造一步加权预测控制性能指标。然后采用Brent一维搜索方法求取控制律,Brent法无需任何相关的导数信息,需调整的参数少,使得Brent法适合实时控制．仿真研究说明了该非线性预测控制器的有效性。