基于模糊规则的动态矩阵预测控制及其应用

把动态矩阵控制原理应用到模糊系统，提出了一种基于模糊模型的时滞多变量预测控制方法，仿真研究表明，该模糊动态矩阵控制方法适用于工业过程的动态辨认和控制，并能解决有时滞的问题。     

基于啤酒发酵温度多胞模型的鲁棒预测控制器设计

针对具有时滞性和输入输出约束的啤酒发酵系统,建立其多胞模型,并设计了鲁棒预测控制器。在啤酒发酵过程中,用一阶惯性纯滞后模型近似描述控制系统,并离散化。分析模型参数和采样周期的关系,得到发酵系统的多胞不确定时滞模型和约束关系。利用参数估计设计了鲁棒预测控制器。系统仿真表明,啤酒发酵温度能较准确地跟踪工艺曲线,满足工艺需求。     

基于混沌相空间重构参数优化的动态神经网络预测模型研究

针对传统相空间重构参数的选取无统一标准,影响混沌时序相空间重构质量及预测精度问题,提出了相空间重构优化参数动态神经网络预测模型的新方法。该方法在重构相空间的基础上利用动态神经网络模型对混沌时序进行预测,由预测误差综合确定预测模型的参数设置,并反推出重构相空间的最佳嵌入维数和延迟时间。通过对Lorenz混沌系统的仿真,证明文章提出的方法是有效的。     

离散时滞异结构混沌系统的广义投影同步

针对离散时滞异结构混沌系统广义投影同步问题,基于Lyapunov稳定性理论,得到了在选取适当控制律的情况下,离散时滞异结构系统是投影同步的结论,并通过数值算例证明了该方法的有效性．     

不确定离散时滞系统的鲁棒H_∞保成本控制

对一类同时具有状态时滞和输入时滞的不确定离散时滞系统, 基于Lyapunov稳定性理论和线性矩阵不等式(LMI)处理方法, 得到系统H∞保成本状态反馈控制律存在的一个充分条件, 并利用线性矩阵不等式的可行解给出H∞保成本状态反馈控制律的设计方法. 进而, 通过求解凸优化问题解决了系统最优鲁棒H∞保成本控制律的设计问题. 最后, 通过数值算例说明了该设计方法的可行性.     

双线性系统预测控制的探讨

本文从预测控制的一般原理出发,利用双线性Voiterra模型和离散化I/o模型,实现一类非线性系统——双线性系统的预测控制.通过对控制算法和应用问题的理论推导与分析,证明文中所提方案保持了线性预测控制的大多数优点.并具有在线计算简便和控制品质较好的特点.     

基于神经网络的自适应逆控制在CSTR中的应用

针对CSTR系统,提出一种基于神经网络的自适应逆控制方案.该方案将预测思想引入自适应逆控制中,采用Elman网络作为模型辩识器,利用它建立CSTR系统输出的预测模型;采用模糊神经网络作为自适应逆控制器,由预测误差进行参数的在线自适应寻优.仿真结果表明,该方案对于CSTR系统具有很好的跟踪效果和较强的鲁棒性.     

基于DSP与LabVIEW仿生运动机理模型在线切换、离散化系统

仿生运动机理模型在实际的应用过程中,必须针对特定的应用场合和不同的硬件系统选择不同的控制模型和最优参数,使实际效果达到最佳。文章提出了一种基于DSP与LabVIEW。对仿生运动机理模型进行实时在线离散化的方法。该方法实现了控制模型的在线切换、参数的实时修正、模型的在线离散化、LabVIEW和DSP的实时通信。实验结果表明,该系统实时性好、运行可靠。图4参14     

基于BP神经网络的机采原棉品质指标预测模型

为了对脱籽后的机采原棉品质指标进行预测并实现优化控制,设计了用于机采原棉品质指标预测的BP神经网络模型。以南疆地区机采棉为研究对象,以影响原棉品质的主控因素籽棉回潮率和轧花速度为BP神经网络模型的基本特征量,建立了机采原棉品质指标的BP神经网络预测模型。结果表明:该BP神经网络模型能较好表达机采原棉各品质指标与主控因素之间的非线性关系,预测结果与实测值之间误差小,测试样本的网络输出值与网络目标值的相关系数均接近1,模型预测效果较佳。认为:该BP神经网络模型可作为机采原棉品质预测与调控的新方法,也可应用于机采籽棉轧花在线原棉品质监控。     

基于数据驱动的纸浆洗涤过程优化控制

针对纸浆洗涤过程的残碱和黑液波美度不能直接在线测量、控制回路的动态特性难以用数学模型描述的问题,通过研究数据驱动操作模式的优化思想,提出了基于数据驱动的纸浆洗涤过程综合优化的方法。基于PCA-BP神经网络法和多元回归分析建立了残碱和黑液波美度的预测模型及工况综合评价模型。基于大量工业运行数据和工况评价模型对纸浆洗涤过程的操作模式进行优化,构建优化操作模式库。以高产、低成本、低耗为目标对优化模式库寻优,找出最优操作模式。通过实际应用,证实该方法能准确预测残碱和黑液波美度,并在满足洗涤质量的同时,使出浆量提高,清水加入量减少,达到优化生产的效果。     

基于模糊神经网络的PID张力控制系统

由于卷绕张力控制系统是一个复杂、联动、时变、非线性系统,采用传统PID控制不能解决系统的非线性时变和PID参数的在线整定难等问题,为此提出一种控制算法——模糊神经网络PID复合控制方式,可根据系统的偏差及其变化率实时对PID的3个参数进行优化,达到具有最佳组合的PID控制,从而实现PID控制的自适应和智能化性能。通过MatLab软件,进行传统PID控制与模糊神经网络PID控制动态性能的仿真比较,结果表明系统采用模糊神经网络PID控制具有更好的动、静态特性和自适应性。     

神经网络在混沌系统控制中的应用研究进展

神经网络在混沌系统控制中主要用于建模辨识或用作控制器，这2种作用都是以神经网络的任意非线性连续函数逼近能力为基础的。用神经网络进行建模辨识有2种途径：使用神经网络直接构造混沌系统的输入输出模型或通过神经网络构造混沌系统中的特征参量。神经网络应用于混沌系统建模辨识的研究主要集中在如何改进神经网络的学习算法和结构方面；神经网络用作控制器时主要用来解决混沌系统的轨迹跟踪或同步控制问题，其研究主要集中在改进控制结构与方法上，将神经网络应用于混沌系统控制已经取得了一些进展：动态神经网络开始应用于混沌系统辨识和控制；基于神经网络工作原理的函数网络能更容易地实现混沌系统的逼近。神经网络应用于混沌控制也存在一些需要解决的问题，如神经网络选择问题、神经网络结构问题、计算方法问题、硬件实现问题等。     

内模控制在染色工艺过程中的应用

针对纺织染色这类具有典型非线性时滞的对象，利用内模控制原理，设计了适用于染色过程的温度控制器。仿真结果表明，与传统控制方法相比，使用该控制器更容易获得良好的动态响应，同时兼顾系统的控制精度和鲁棒性，在线参数整定简单易行，达到了预期控制要求。     

基于支持向量机的纱线质量预测

针对现有的优化纺纱工艺过程质量预测模型尚无法满足实际生产需要的问题,提出了纱线质量预测的支持向量机方法,并利用网格搜索对该模型的参数进行优化。经毛纱工艺实践表明,在小样本和"噪声"数据环境下,支持向量机模型仍能保持一定的预测精度,同人工神经网络模型相比,更适用于真实纺纱生产过程中的工艺控制。     

带有时滞和脉冲的Markovian跳变神经网络的同步

研究一类带有时滞和脉冲的Markovian跳变神经网络的同步问题,其中跳变参数为连续时间离散状态的Markovian过程。基于Lyapunov-Krasovskii泛函以及线性矩阵不等式方法,得到了带有时滞和脉冲的Markovian跳变神经网络的均方同步条件,并通过数值仿真验证了所得结论。     

基于预测的多模型模糊加权控制

针对快速动态响应过程的控制,提出了一种基于预测的多模型模糊加权控制算法.该算法不需要对被控对象模型进行在线动态识别;可以在线计算各控制器输出的权重,增强了系统克服模型不确定性影响的能力;对模型结构的变化无特别限制,只要模型的变化在模型集所描述的范围之内即可.该算法使得计算周期缩短,对被控对象的变化具有较强的鲁棒性,并且跟踪迅速,具有较强的实用性.     

基于GA-BP神经网络算法的造纸企业能耗预测的研究与应用

针对造纸行业存在耗能高、利用率低、能耗管理不集中的问题,利用西门子B.Data软件开发造纸企业能源管理系统。同时,BP神经网络自身存在缺陷,导致预测模型不精确的问题,利用遗传算法(Genetic algorithm,GA)优化BP神经网络模型权值和阈值,获得优化网络模型。仿真结果表明:GA-BP神经网络模型具有速度快、精度高的优点。该能源管理系统已成功应用于山东某造纸厂,系统具备监控与管理、能耗数据分析与预测、能源网络优化等功能,达到造纸企业能源有效管理和节能效果。     

基于神经网络的织物折皱回复性能预测

探讨了将神经网络理论用于织物折皱回复性能的直接预测。根据研究对象特征,通过选取织物原料组成、经纬密度、抗弯长度、织物厚度及重量等重要影响因子作为神经输入元,将折皱回复角值作为输出目标,比较了径向基函数RBF、BP和广义回归GRNN 3种神经网络对织物折皱回复角的预测结果。试验结果表明,通过神经网络方法对织物的折皱性能预测具有较好的满意结果,且在预测织物的整体折皱回复性能时,BP模型与GRNN网络模型的预测值与实测值之间的相对误差要比RBF的小。利用输入神经元织物参数进行折皱回复性能的预测更有利于工艺与织物结构设计优化与质量控制,通过对输入神经元试验与优化有望达到满意的预测结果。     

基于滑模观测器的PMSM模型预测控制

为满足电动车在驱动过程中对电机的控制精度及快动态响应的要求,在PMSM矢量控制系统框架下,研究基于滑模观测器PMSM模型预测控制方法。结合模型预测控制原理,设计预测速度控制器,提高了电流环跟踪精度和电机启动性能。设计离散滑模扰动观测器,有效地估计了外部扰动并对系统进行前馈补偿,提高了系统的鲁棒性。通过仿真实验验证了方法的有效性。     

提高3C钢腐蚀速度预测准确度的方法研究

针对BP神经网络模型对3C钢腐蚀速度的预测存在精度低问题,建立了基于遗传算法的3C钢神经网络预测模型。该模型采用遗传算法优化BP神经网络的初始权值和阈值。实例对比分析表明:采用遗传神经网络预测3C钢的腐蚀速度,提高了准确率,具有应用可行性。