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%.     

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.     

基于神经网络逆系统的超临界流体色谱系统控制

针对超临界流体色谱系统具有多变量、非线性、强耦合的特点,提出一种基于神经网络逆系统的超临界流体色谱系统控制方案。通过RBF神经网络在线逆辨识建立了超临界流体色谱系统的神经网络逆系统模型,并将辨识得到的逆模型作为控制器模型与超临界流体色谱系统进行串联,构成一个伪线性复合系统。并将本方案应用于SFC-SEP600超临界流体色谱系统上进行了梯度洗脱流量控制实验,实验结果表明该模型梯度流量控制精度完全符合技术指标要求,实验结果验证了方案的有效性和可行性。     

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.     

无轴承异步电机径向位置的动态解耦控制

针对无轴承异步电机转子径向两自由度悬浮系统的相互耦合情况,采用神经网络逆系统方法进行了动态解耦控制研究。在介绍无轴承异步电机工作原理的基础上,建立了无轴承异步电机径向悬浮力的数学模型,对该模型进行可逆性分析,证明该系统可逆,应用神经网络逆系统方法将原来多变量、强耦合的非线性系统,动态解耦成2个位置彼此无耦合的线性子系统,并对解耦后的线性子系统进行了闭环设计。最后利用Matlab/Simulink工具箱对该控制系统作了仿真研究。仿真试验结果显示,神经网络逆系统方法可保证无轴承异步电机在径向两自由度上实现独立控制,且闭环系统具有良好的动、静态性能。     

二自由度交流主动磁轴承最小二乘支持向量机解耦控制

采用最小二乘支持向量机(LS–SVM)理论, 研究了二自由度交流主动磁轴承这一多变量、非线性、强耦合的控制对象的动态解耦问题. 根据主动磁轴承的基本结构, 利用等效磁路法推导了悬浮力模型, 建立了系统的状态方程, 并对其进行可逆性分析; 应用LS–SVM辨识原理推导出系统的逆模型; 将逆模型与原系统串联, 从而将原非线性耦合系统解耦成伪线性系统, 并设计了附加控制器; 采用MATLAB软件平台构建了磁轴承仿真系统, 对系统进行了拟合、起浮、干扰及解耦仿真试验并进行了分析; 最后构建了交流主动磁轴承实验平台, 对转子起浮和解耦性能进行了实验. 研究表明: 采用LS–SVM逆解耦控制策略, 能够实现交流主动磁轴承的动态解耦, 系统具有良好的动静态性能.     

基于支持向量机的非线性内模解耦控制

针对非线性内模控制在应用于多变量系统时逆模型难以建立的问题, 提出了支持向量机α阶逆系统的内模解耦控制方法. 该方法利用支持向量机辨识非线性系统的逆模型, 并将其串连在原系统之前, 运用逆系统方法的思想, 将一个多变量、非线性、强耦合的复杂系统通过反馈线性化解耦成多个相互独立的单输入单输出的伪线性复合子系统. 对求得的伪线性系统采用内模控制方法进行控制. 仿真试验表明该方法不需要系统精确的数学模型, 较一般的逆系统方法鲁棒稳定性好, 设计简单, 跟踪精度高, 是解决多变量非线性系统控制的一种可行的理论方法.     

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。     

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。     

Decoupling control based on terminal sliding mode and wavelet network for the speed and tension system of reversible cold strip rolling mill

To weaken the nonlinear coupling influences among the variables in the speed and tension system of reversible cold strip rolling mill, a novel dynamic decoupling control strategy is proposed based on nonsingular fast terminal sliding mode (NFTSM) and wavelet neural network (WNN). First, nonlinear disturbance observers are developed to counteract the mismatched uncertainties, and then input/output dynamic decoupling and linearisation for the speed and tension nonlinear coupling system are realised by utilising the inverse system theory. Second, nonsingular fast terminal sliding mode controller (NFTSMC) for each pseudo linear subsystem is presented based on backstepping and two-power reaching law, so as to improve the global convergence speed and robust stability of the system. Third, adaptive WNNs are used to approximate the uncertain items of the system, so as to improve the control precision of the speed and tension of reversible cold strip rolling mill. Theoretical analyses show that the NFTSMs satisfy reachability condition, the system error variables can converge to equilibrium point in finite time, and the resulting closed-loop system is globally asymptotically stable. Finally, simulation research is carried out on the speed and tension system of a 1422 mm reversible cold strip rolling mill by using the actual data, and results show the superiority of the proposed control strategy in comparison with the strategies of cascade PI, linear sliding mode control and internal model control.     

强制循环蒸发系统的非线性自适应解耦PID控制

本文结合现场的实际过程数据,首先应用能量平衡建立了强制循环蒸发过程的动态模型.针对该过程的多变量、非线性以及强耦合特性,在常规增量式PID控制器的基础上提出基于神经网络与多模型切换的非线性自适应解耦PID控制策略.该控制器是由线性自适应解耦PID控制器和基于神经网络的非线性自适应解耦PID控制器以及切换机构组成.其中线性自适应解耦PID控制器可以保证系统的稳定,而基于神经网络的非线性自适应解耦PID控制器则可以有效地提高系统的性能.上述过程的PID参数是通过广义预测的方法得到,最后通过仿真表明,上述控制方法不仅消除了回路间的耦合,在稳定生产的同时提高了蒸发的效率.     

基于逆系统的三自由度直升机内模控制设计

三自由度直升机模型系统是一个典型的非线性、高阶次、多变量、强耦合的多入多出系统,通过数学推导很难获得其逆模型,利用神经网络对任意连续函数很强的逼近能力与逆系统的思想相结合的方法获取三自由度直升机模型系统的逆模型,同时也将一个多入多出、强耦合的非线性系统转化为几个相对独立的单入单出的线性系统。采用内模控制的方法设计控制器,实现对高度角和横侧角的跟踪控制,MATLAB仿真结果表明该方法具有较好的控制效果,半实物仿真也说明该方法的可行性。     

感应电动机定子磁链与转矩的逆解耦及存在性

对于具有多变量、非线性、强耦合特征的异步电动机调速系统,实现定子磁链与电磁转矩的动态解祸控制足提高系统性能的关键.本文从异步电动机的5阶模犁及其固有的电磁特性出发,证明了其系数矩阵的非奇异性,进而结合逆系统理论证明定子磁链与电磁转矩的逆解耦在任何状态下都是存在的.在此基础上设计了一种通过非线性状态反馈的逆解耦控制方案,将复杂系统解耦成电磁转矩与定子磁链的两个独立线性回路,然后利用线性系统理论分别对转矩与磁链调节器进行综合设计.仿真实验结果验证逆解耦的存在性与解耦控制方案的有效性.     

基于定转子电阻误差补偿的感应电动机自适应逆解耦控制研究

对于具有多变量、非线性、强耦合、慢时变等特征的异步电动机调速系统, 实现定子磁链与电磁转矩的高精度动态解耦是提高系统性能的关键. 首先通过非线性状态反馈建立感应电动机的积分逆模型, 并在此基础上提出了一个基于定、转子电阻误差补偿的感应电动机自适应逆解耦控制方法, 将补偿后的积分逆模型串联到对象的输入端建立广义被控对象. 复杂的感应电动机调速系统被解耦成电磁转矩与定子磁链的两个独立回路, 利用线性系统理论分别对独立回路进行综合设计, 实现定子磁链和电磁转矩对各自给定值的渐近跟踪. 利用Matlab进行了仿真实验, 实验结果验证了建议方案的有效性和可行性.     

热风炉燃烧系统最优控制

热风炉燃烧系统是复杂多变量系统,基于最优控制策略,对具有耦合作用的多变量热风炉燃烧系统进行解耦.通过引入神经网络环节,将强耦合多变量系统转化成多个独立的单变量系统,对每个单变量系统进行预测函数控制,实现热风炉燃料流量的最优控制和拱顶温度及废气温度的平稳控制.解耦控制采用前馈补偿器解耦,解耦补偿器采用BP神经网络结构.现场实际应用结果表明,该控制策略具有较好的动态跟踪特性,能满足复杂多变量控制系统的实时控制要求.     

Decoupling control for wastewater treatment process based on recurrent fuzzy neural network

Due to the characteristics of strong coupling and high nonlinearity in the control process, an intelligent decoupling control strategy based on recurrent fuzzy neural network (RFNN) is proposed in this paper to control the wastewater treatment process (WWTP). Firstly, the architecture of the RFNN controller is designed with a mechanism analysis of WWTP. Secondly, a decoupling strategy in combination with a gradient descent search algorithm is used to decouple the control loop of dissolved oxygen (D_O) concentration and nitrate nitrogen (S_NO) concentration. Finally, stability analysis based on a Lyapunov function is investigated. The proposed approach has been applied to the WWTP simulation model. Compared to model predictive control, echo state network‐based HDP (E‐HDP), conventional RFNN, and neural network on‐line modelling and controlling methods, the proposed method has better control performance.