基于并行自学习的神经网络内模控制及其应用研究

基于在线并行自学习的神经网络内模控制,该方法是借助于神经网络对复杂系统的辩识能力对被控对象进行正模型及逆模型的辩识,用NNM辩识对象的正模型,通过一个并行自学习系统训练的NNC辩识对象的逆模型,然后用做内模控制器去控制对象。将该种控制策略应用于火电厂热工对象中具有大迟延、大惯性和时变等特性的主汽温对象,仿真研究表明,该控制方案适应对象参数的变化并表现出良好的控制特性,具有较强的鲁棒性和自适应能力。在实际应用中具有一定的实用价值。     

基于铅轧实验宽展公式中的名义摩擦因数

在低辊径?厚度比下,研究摩擦因数在宽展公式中的作用,摩擦因数对展宽的作用主要体现在接触面的粗糙程度。经过5组不同的铅轧实验,获得不同等级的摩擦因数。随着宽厚比、压下率和辊径?厚度比的改变,可以得到不同的名义摩擦因数并应用在相应的公式中。随后提出一个拟合公式,通过与232次实验结果进行比较,验证拟合得到的名义摩擦因数的误差低于12%。通过一定次数的自学习修正,该误差减少至2%以下。最终实现通过可以变化的名义摩擦因数对宽展进行更加精确的预测。在真正的工作环境下使用名义摩擦因数,得到的宽展预测误差也小于2%。在实际生产中验证,得到了一个能够对宽展公式中摩擦因数进行设置的参考和解决方法,从而满足工业生产的应用。     

径流式电站前池水位自学习PID控制策略

提出一种基于神经网络实现的自学习ＰＩＤ控制策略．该控制策略不需要被控对象的精确模型，对于被控系统的非线性和大惯性具有强的适应性和鲁棒性．本策略应用于淡水电站前池水位实时控制中，取得满意控制性能．     

Job-shop问题基于RBF网络的自学习算法

通过对Job-shop问题分析,在逐步添加约束到有向图模型来获取可行调度方案基础上,提出一种具备自动学习功能智能算法.设计了可互换工序对4种选取函数,并以此作为网络输入构建了基于RBF的神经网络以实现对可互换工序对选取.利用最小均方算法对网络权重进行训练,经过对更新过的样本进行再学习后,网络选取可互换工序对的准确度得以提高,使算法具备自学习能力.数值仿真结果表明所提算法对于大规模Job-shop问题求解存在较好效果,具较好的应用价值.     

基于某铝厂的氧化铝磨矿过程的优化控制

流程工业是对生产过程为连续或半连续的工业企业的总称,氧化铝生产是连续过程,属典型的流程工业,它不仅对流程中各工序本身有实现自动控制的需求,而且与其上下游工序的物流在质与量等方面都有直接的关联,必须从整个生产流程的全局出发,对各工序的控制需求和信息交换需求进行优化。氧化铝生产过程比较长,包含原矿、溶出、沉降、分解、蒸发、焙烧几个工序,需要从各个工序逐步突破,该优化控制系统以模糊控制及神经元网络为核心,在无需建立精确数学模型的情况下,实现性能优异的自适应和人工智能。通过数据相关性分析,结合生产工艺,运用模糊控制、规则自学习等技术,解决工艺过程工况复杂、非线性、变时滞性、多变量耦合等问题,对产品产量、粒度等关键工艺指标进行优化控制。该系统可以有效保证工艺稳定运行以及各工段生产质量指标合格的前提下有效提高流程的工作效率、节约能源损耗、减少操作人员数量和工作强度。尤其在提高台时处理量、减少现场异常停车、磨机涨肚、旋流器跑粗、拉稀等异常工况的发生效果显著。     

电弧炉炼钢过程终点自适应预报及专家操作指导系统

本文基于炼钢过程的正常生产数据,建立了终点自适应预报及带有知识库的预测操作指导系统。该方法的应用有助于克服炼钢过程中的盲目性,使操作策略规格化和科学化,既可降低能耗又可提高终点目标命中率。该系统可推广到过程特别复杂、变化缓慢的工业对象中。     

基于远程通信和学习功能的电厂火检监控系统

介绍了一个已经成功运行的基于远程通信和学习功能的火检监控系统。该系统结合通信技术、计算机技术、自动控制技术以及信息处理技术，将原来现场检测环节中较为庞大的信号线路简化到只有2根通信线缆，并增加了自学习和远程编程监控功能，不仅优化了集散控制系统（DCS），提高了数据的准确度和整个系统的可靠度，也使现场检测设备的维护更加容易和简便。     

程潮铁矿的矿岩稳定性分级分区

本文针对地下工程的设计、施工和矿山生产的实际需要,提出矿岩稳定性分级分区的概念和智能化方法。将人工智能、神经网络、岩石力学与CAD技术相结合,探讨了分区过程中诸如分区参数的神经网络最优辩识、地质结构面评价、粗略分级分区和详细分级分区的启发式推理方法、具有多内部不规则边界的离散数据点网络自动生成等核心问题,给出了实现分级分区的智能CAD系统。程潮铁矿的实际应用表明,该方法及其智能系统科学、实用。     

模糊基函数神经网络在线跟踪自学习算法研究

提出了一种用于分类的模糊基函数（FBF）神经网络在线跟踪自学习算法,通过带有遗忘因子的样本均值和样本协方差矩阵,保存了原始样本所包含的类可能性分布信息,并在此基础上产生新增样本的目标输出用于训练FBF网络,以实现分类边界的在线跟踪;给出了带有遗忘因子的样本均值和样本协方差矩阵的递推算法,以克服传统方法需要保存大量以往训练样本带来的困难。所提出的方法用于旋转机械的故障识别,结果表明是可行的和有效的。     

基于神经网络的巷道支护决策

提出了巷道支护设计与决策的新方法－基于神经网络的自学习和模式自适应识别的方法，建立人工神经元网络系统以实际支护方案为基础，从工程实例中学习支护决策的知识，在工程岩体地质特征与支护方案之间建立起智能推理网络，然后将其推广，类比出新开掘巷道的支护方案，推理结果表明，该网络在工程地质特征与支护方案柯以建立良好的推理关系。方法实用价值高，决策结果与实际相吻合。