基于混沌变量的LQR控制器权矩阵优化设计

针对线性二次最优控制中加权矩阵难以确定的问题,引入一种系统瞬态响应这一具有直接工程意义的品质指标,提出基于logistic混沌变量的LQR权矩阵优化设计方法,为改善混沌变量大范围寻优效果不明显的不足,引入了混沌局部细搜索,找出全局最优值.根据该方法确定加权阵设计的最优控制器,可实现闭环系统具有所期望的动态特性,能保证闭环系统的渐进稳定性,且具有较大的稳定裕度.最后,通过一个SISO三阶系统的仿真实列,表明了该方法的可行性和优越性.     

基于最近邻聚类的多模型LSSVM逆控制系统

针对逆系统中非线性逆模型辨识困难以及大规模数据采用单模型回归存在精度差和计算量较大的问题,提出了一种基于最近邻聚类的多模型最小二乘支持向量机（LSSVM）逆模型辨识及控制方法。该方法首先使用最近邻聚类算法对数据集做出聚类划分,然后针对每个聚类做最小二乘支持向量回归估计,实现了对系统逆动力学模型的动态辨识。最后将辨识模型作为摔制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题,仿真结果表明基于最近邻聚类的多模型LSSVM逆控制系统辨识能力强,比单模型LSSVM逆摔制系统具有更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。     

基于最近邻聚类支持向量机辨识的电弧炉电极逆控制

基于核函数的支持向量机(support-vector-machines, SVM)与三层神经网络等价关系, 构造基于SVM的多变量阶时延逆系统实现对原系统的伪线性化解耦, 提出最近邻聚类的SVM模型辨识算法, 设计了一种带前馈的参数自适应PD调节器和SVM逆控制相结合的控制策略. 通过对典型的MIMO离散非线性可逆系统和电弧炉电极系统的仿真研究, 表明该控制策略对于数学模型未知的不确定系统, 只需要一定量的输入输出数据作为样本学习, 就可实现对系统逆模型的高精度逼近, 控制系统具有良好的动态响应和跟踪精度. 当模型严重不确定、参数摄动、有外界干扰时, 系统具有很好的抗干扰能力和鲁棒性.     

基于改进粒子群算法电力系统多目标无功优化

在传统的电力系统无功优化问题的基础上,建立了同时兼顾电力系统有功网损最小和电压偏移最小的多目标无功优化模型,并且针对多目标优化问题,提出了一种改进的多目标粒子群算法,该算法利用计算非支配排序和拥挤距离方式更新粒子的个体最优值和全局最优值并保留每一次迭代后的一部分精英解集,最终结果在精英集合中找寻所需的Pareto前端;引入变异算子和动态权重算子,增强了寻优能力,降低了结果早熟和陷入局部最小值的可能,最后将该算法应用于IEEE 14节点系统进行测试,结果表明该算法不仅实现了系统经济运行同时也提高了电网的电压稳定,并且为用户提供了多样化的解集,方便用户根据实际情况灵活选择.     

基于WinAC的LF炉电极智能控制系统的设计与应用

以LF炉电极系统为对象,采用SIEMENS基于PC的控制器WinAC RTX实现电极系统的智能复合控制,利用开发工具WinAC ODK开发接口程序;运用工业以态网和现场总线技术,确保了系统的实时性.实际应用表明基于WinAC的电极智能复合控制系统具有可靠性高、易维护、可扩充、性价比高等特点,具备一定的推广和参考价值.     

基于改进最近邻聚类的机械手神经网络逆控制

机械手具有非线性时变、多变量、强耦合的特性,在机械手系统可逆的基础上,设计一种机械手的神经网络逆控制方案。通过神经网络逆辨识建立机械手的神经网络逆模型,把神经网络逆模型作为控制器模型与原机械手串联,构成一个伪线性动态模型,把非线性问题转化为线性问题。其中,辨识器和控制器均采用RBF神经网络结构,网络学习采用具有在线学习功能的最近邻聚类学习算法。仿真结果验证了本方案的有效性和可行性。     

基于正则化RBF神经网络的钢包精炼炉电极系统智能建模

通过RBF神经网络和模糊推理系统的比较，得出正则化RBF神经网络的输出特性，在此基础上利用改进的最近邻聚类算法确定网络的隐层节点个数和高斯函数中心，并估计输出层权值。仿真结果表明了所提方案的有效性。     

钢包精炼炉的电极系统智能建模及控制

针对钢包精炼炉电极控制系统具有非线性、时变、模型不确定、大滞后、多输入多输出耦合的特点,提出一种基于神经网络实时在线辩识的内模控制方案.控制器采用神经网络解耦,将混沌机制引入到BP算法中,用以加快学习的收敛速度.仿真结果证实了控制策略的有效性.     

8098单片机控制的SPWM变频器硬件设计与调试

本文介绍了一种未采用ＳＰＷＭ专用芯片,而采用８０９８单片机实现的全数字式ＳＰＷＭ变频器硬件设计方案,重点论述了该变频器硬件调试过程中遇到的问题及解决办法。