基于ANN模型的非线性自校正预测控制器

采用局部建模和线性化方法,提出了一种基于人工神经网络(Artificial Neural Network --ANN)模型的非线性自校正预测控制算法.仿真实例表明,所提控制策略可有效地 控制某些未知多变量非线性动态系统.     

广义离散随机线性系统最优滤波·预报和平滑估计的统一格式

本文运用新息和射影的方法研究了广义离散线性系统最优状态估计，将状态估计转化为输出预报估计和白噪声估计，提出了广义离散随机线性系统最优滤波、预报、平滑估计的统一格式。     

具有超稳定结构的鲁棒自适应控制器

针对结构和参数未知的非线性系统,提出了一种具有神经网络的超稳定鲁棒自适应 控制器.控制器基于一阶线性模型,采用Popov超稳定理论设计,其建模误差由BP网在线辨 识,辨识结果在前馈补偿器中加以补偿,有效地实现了鲁棒自适应控制.文中还给出了仿真 结果.     

一种新的多变量自适应解耦控制器及其在二元精馏塔上的应用

本文提出了一种新的多变量自适应解耦控制器.该控制器将解耦补偿器与最小方差技术相结合,可以对闭环系统实现动静态解耦.应用本文提出的自适应解耦控制器和常规 PI 控制器分别在某二元试验精馏塔上进行了组分控制实验.实验结果表明,本文提出的自适应解耦控制器的控制性能明显优越于 PI 控制器.     

未建模动态增量补偿驱动的非线性PID控制及应用

针对一类具有强非线性、机理不清且动态特性随不同运行条件而变化的复杂过程, 将基于数据的建模技术与基于模型的控制策略相结合, 提出了未建模动态及其未知增量补偿驱动的非线性PID控制方法. 所提的算法将一步超前最优控制策略应用于PID控制器的参数设计, 并结合非线性补偿技术进行综合设计, 从理论上给出了PID控制器参数以及非线性补偿器设计的一般原则和方法, 为解决传统PID控制器参数难于整定的问题提供了方法和途径. 在此基础上, 分析了闭环系统的稳定性和收敛性. 最后, 将所提的控制算法进行数值仿真实验以及Pendubot系统平衡控制的对比实验, 实验结果表明, 在Pendubot的精确摩擦力模型未知的情况下, 所提算法能有效地消除系统未知时变不确定性的影响, 并尽可能地减少Pendubot摆角的波动, 将摆角控制在规定的目标值范围内.     

基于区间二型模糊摩擦补偿的鲁棒自适应控制

针对不确定机械系统中普遍存在的摩擦力,由于其非线性和不确定性,传统基于摩擦模型的补偿控制方法难以达到满意的系统性能要求.本文提出基于自适应区间二型（Type-2）模糊逻辑系统对系统摩擦进行补偿建模,并在该摩擦补偿方法的基础上设计出鲁棒自适应控制器,保证系统输出精度,且对摩擦环境的变化具有较强自适应性.区间二型模糊逻辑系统相对于传统一型模糊逻辑系统具有较强的处理不确定性问题的能力,在本文中使用自适应区间二型模糊逻辑系统不断逼近摩擦力,根据李雅普诺夫稳定性理论求出自适应律并证明系统跟踪误差的有界性.在不同摩擦环境下的仿真结果验证了本文所提摩擦建模方法与控制策略的有效性与实用性.     

数据与模型驱动的水泥生料分解率软测量模型

水泥生料在分解炉内分解过程的质量指标是生料分解率（Raw meal decomposition ratio,RMDR）,由于生料边界条件频繁变化且人工离线检测周期为2小时,致使产品质量指标合格率低且极易造成预热器C5下料管堵塞.为了解决上述问题,本文提出了基于数据与模型驱动的水泥生料分解率软测量模型,由基于Kullback-Leibler（KL）散度密度比的异常值检测、基于机理模型的生料分解率模型、基于层级Sigmoid（S）核函数的生料分解率模型、生料分解率离线检测模型和基于模糊模型的协调因子组成.实际应用结果表明,所提出的模型能够根据当前工况的变化选择正确的子模型,并且使生产远离故障工况.     

基于参考点预测的动态多目标优化算法

为了快速跟踪动态多目标优化问题变化的Pareto前沿,本文提出一种基于参考点预测策略的动态多目标优化算法（PDMOP）.该算法对关联到相同参考点的个体建立时间序列,并对这些时间序列通过线性回归模型预测新环境下种群.同时,将历史时刻的预测误差反馈到当前预测中来提高预测的准确性,并在每个预测的个体上加入扰动来增加初始种群多样性,从而能够加快算法在新环境下的收敛速度.通过4个标准测试函数对该算法测试,并和两个现有算法对比分析,结果表明所提算法在处理动态多目标优化问题时能够保持良好的性能.     

基于虚拟样本生成技术的多组分机械信号建模

采用具有多组分、非平稳、非线性等特性的机械振动/振声信号构建数据驱动软测量模型,是目前工业界测量高能耗旋转机械设备内部难以检测过程参数的常用手段.针对机械信号产生机理的复杂性导致模型解释性弱,以及工业过程连续不间断运行和机械设备旋转封闭的特殊性导致获取完备训练样本的经济性差和周期性长等问题,本文提出一种基于虚拟样本生成（Virtual sample generation,VSG）技术的多组分机械信号建模方法.首先,将机械信号自适应分解为具有不同时间尺度的平稳子信号并变换为多尺度谱数据;接着,采用适合于小样本高维数据建模的改进选择性集成核偏最小二乘（Selective ensemble kernel partial least squares,SENKPLS）算法构建面向真实训练样本的基于可行性的规划（Feasibility-based programming,FBP）模型,提出一种综合先验知识和FBP模型等手段面向高维谱数据的VSG技术,用以弥补真实训练样本的短缺问题;然后,基于互信息（Mutual information,MI）对由真实和虚拟训练样本组成的混合建模数据进行自适应特征选择;最后,基于约简的混合训练样本采用SENKPLS构建软测量模型.以近红外谱数据和磨矿过程实验球磨机的筒体振动/振声信号验证所提VSG技术和面向多组分机械信号建模方法的合理性和有效性.