基于免疫遗传算法-BP神经网络的主汽温控制

针对火电厂主汽温被控对象的不确定性及大延迟、大惯性及非线性等特点,设计一种基于免疫遗传算法、BP神经网络和RBF神经网络的智能PID控制系统.利用免疫遗传算法的全局搜索寻优能力和较好的收敛性优化神经网络的权值,同时利用BP网络对PID参数进行在线调整.仿真结果表明,该系统在控制品质、鲁棒性方面都明显优于常规PID控制系...     

基于模糊神经网络PID的塑料薄膜厚度智能控制

为了提高双向拉伸塑料薄膜厚度控制系统的响应速度,减小系统超调量,提高薄膜厚度控制精度,提出了一种基于模糊神经网络比例积分微分(PID)的厚度智能控制方法,将传统PID控制、模糊控制理论以及神经网络算法结合,通过模糊神经网络实现传统PID参数的自适应在线调整,提高薄膜厚度控制系统的自适应能力。仿真结果表明:基于模糊神经网络PID的塑料薄膜厚度控制系统具有稳定性好、响应速度快等优点,同时具有一定的抗干扰能力。     

分散常规控制系统结构设计的遗传算法求解

化工过程通常为高维大系统,在进行底层常规PID控制系统设计时,难以得到最佳配对方案,迫切需要一种简便且快速的计算机优化算法解决该问题。对此提出了一种基于遗传算法的分散常规控制系统结构设计的优化求解算法。该算法基于遗传算法的思想,对结构矩阵进行字符串形式的编码,将变量配对转换成数组形式,选择合适的遗传算子,通过交叉、变异、选择等遗传操作,解得无约束条件下的最优变量配对方案。其次,结合约束条件对遗传算子适当改进和调整,以无约束条件下的最优配对方案为基础,仅需通过变异和选择算子,就可解得存在约束条件的最优变量配对方案,并且具有较快的计算速度。最后通过包括TE过程在内的实例分析证明了该算法的有效性与准确性。     

基于改进GA的FNNC在水泥回转窑温度控制中的应用

神经网络和模糊控制在解决复杂的对象方面有独特优势,将模糊理论的知识表达容易和神经网络较强的学习能力这两个优势有机结合起来,用以提高系统的学习能力和表达能力.模糊神经网络(FNN)是近几年的研究热点,但由于采用对神经网络进行训练的BP算法是梯度算法,容易陷入局部极小.本文提出把动态的交叉率、变异率与在传统的遗传算法(GA)中加入动态学习的BP算子结合起来改良传统的遗传算法,即在遗传操作中,利用动态交叉率和变异率来改善全局样本的收敛速度:而在BP运算中加入动态学习率得到最大的优化收敛,不仅发挥了神经网络的泛化的映射能力,采用的遗传算法也极大地提高网络的学习速度和控制性能.     

航空发动机磨损趋势预测模型研究

文章讨论了神经网络的BP算法和遗传算法,提出用遗传算法来优化BP神经网络,应用遗传算法训练神经网络权重,实现网络结构的优化,用优化后的BP人工神经网络建立了航空发动机磨损故障趋势预测模型,利用发动机的光谱监测数据作为预测磨损趋势的特征参数,进行了模型的训练和预测试验,并将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较,证明了基于遗传算法的人工神经网络是航空发动机磨损故障趋势预测的一种理想方法。     

基于遗传算法优化神经网络的管道泄漏检测方法研究

介绍了遗传算法的基本思想和操作原理,并对遗传算法优化神经网络的方法进行阐述,重点分析了遗传算法对神经网络的网络连接权和阈值的优化。将遗传算法与神经网络相结合应用于管道泄漏检测中,该算法既有神经网络的学习能力和鲁棒性,又有遗传算法的很强的全局搜索能力,能够快速准确地识别管道泄漏。通过试验进行对比,证明遗传算法优化后的神经网络效果更好。     

文化差分进化算法及其在化工过程建模中的应用

提出了一种新的文化差分进化算法,该算法将差分进化算法作为文化算法的种群空间,在文化算法的信念空间和影响函数设计中提出了基于多种知识源的设计方法,通过多种知识指导差分进化的变异操作和交叉操作,使知识的表达和指导种群进化的能力得到加强。函数测试结果表明,基于知识机制的引入使得文化差分进化算法在寻优性能上比差分进化算法有了较大的提高,而对参数的敏感性却相对较小。将文化差分进化算法用于训练补偿模糊神经网络,建立乙烯精馏塔产品质量软测量模型。通过训练与泛化能力的比较结果表明,基于文化差分进化算法的补偿模糊神经网络软测量模型在建模精度和泛化性能上均优于常规补偿模糊神经网络、模糊神经网络以及采用遗传算法优化的模型,具有更好的应用前景。     

一种综合改进型遗传算法及其在多变量解耦中的应用

针对传统的遗传算法存在的未成熟收敛问题,提出一种综合改进型遗传算法,通过对选择算子、交叉算子、变异算子等方面进行综合设计,能有效改善遗传算法的全局搜索性能.基于该算法提出了一种复杂工业对象多变量系统解耦控制器的设计方法,对实际工业对象的解耦控制器设计结果表明该算法是一种通用高效率的最优化搜索方法.     

燃料电池基于改进遗传算法的多层前向神经网络控制

通过对熔碳酸盐燃料电池（MCFC）温度动态模型的分析,根据控制对象的非线性和参分布的特点,提出了基于遗传算法的反馈型多层向神经网络对顺流型MCFC温度进行控制的方案,通过对传统遗传算法的分析,提出了改进的遗传算法,用该算法对神经网络的权值进行优化,并给出了具体的学习算法,最后结合前人的MCFC模型动特性分析方面的工作和实验数据进行了仿真,结果表明这种控制方法是合理和用效的。     

混合蚁群算法及其在裂解深度建模中的应用

设计了一种新的混合蚁群算法,该算法以一种新的二进制蚁群算法为基础,混合PBIL算法及遗传算法的交叉操作和变异操作,从而大大提高了种群的多样性及算法的收敛速度,改善了全局最优解的搜索能力。通过函数优化测试表明该算法具有良好的收敛速度和稳定性,同时将该算法应用到裂解炉裂解深度的神经网络软测量建模中,取得了很好的应用效果。     

基于递归模糊神经网络的污水处理控制方法

针对污水处理过程具有非线性、大时变等问题,提出了一种基于递归模糊神经网络的多变量控制方法。该方法通过递归模糊神经网络控制器自适应地获得对操作变量的控制精度,控制器在常规BP学习算法的基础上采用学习率自适应学习算法且引入了动量项来训练网络参数,避免网络陷入局部最优,提高了网络对系统的控制精度。最后,基于仿真基准模型(BSM1)平台对第五分区中的溶解氧和第二分区中的硝态氮控制进行动态仿真实验,结果表明,与PID、前馈神经网络和常规递归神经网络相比,该方法能有效提高系统的自适应控制精度。     

Multi-model predictive control of SCR flue gas denitrification system in coal-fired power plant based on kernel fuzzy c-means clustering and integrated model

A multi-model predictive control strategy based on kernel fuzzy c-means (KFCM) clustering and integrated model is proposed for the complex problem of rapid and accurate control of ammonia injection in selective catalytic reduction (SCR) denitrification systems of coal-fired power plants under a wide range of variable load conditions. First, the SCR data samples are clustered using the KFCM clustering algorithm, and the number of clusters is determined by introducing the Xie-Beni index. Second, the prediction model of the SCR denitrification system is established by an integrated modelling approach, and the sub-learners of the integrated model are the genetic algorithm optimized back propagation (GA-BP) neural network model and the least squares support vector machine (LSSVM) model. Third, a multi-model prediction controller based on the particle swarm optimization (PSO) algorithm and the integrated model is designed and developed. To ensure the stability of the system, a model-switching strategy based on the minimum Euclidean distance is proposed. Finally, simulation verification and industrial field application verification are fulfilled by comparing with proportion integral differential (PID) control and single model predictive control (MPC). The results show that the multi-model predictive control method proposed in this paper can obtain higher control accuracy and better control stability and meet the control requirements for the long-term operation of the SCR denitrification system.     

自动化电镀生产线温度总控系统设计

以统一监测、智能调控各镀槽内镀液的温度为原则,设计了自动化电镀生产线温度总控系统。介绍了温度总控系统的硬件构成,电源模块、温度采集模块和电磁阀控制模块的原理和功能,以及温度控制算法。温度总控系统通过总线方式获取各镀槽温度传感器采集的温度信号并将其传送至PC,PC利用基于BP神经网络的PID控制算法,给出动态优化的控制信号,从而实现统一检测、智能调控各镀槽内镀液的温度。     

基于复合神经网络的离散非线性系统建模与控制

An adaptive inverse controller for nonliear discrete-time system is proposed in this paper. A compound neural network is constructed to identify the nonlinear system, which includes a linear part to approximate the nonlinear system and a recurrent neural network to minimize the difference between the linear model and the real nonlinear system. Because the current control input is not included in the input vector of recurrent neural network (RNN), the inverse control law can be calculated directly. This scheme can be used in real-time nonlinear single-input single-output (SISO) and multi-input multi-output (MIMO) system control with less computation work. Simulation studies have shown that this scheme is simple and affects good control accuracy and robustness.     

基于粒子群优化算法的球磨机制粉系统PID-ANN解耦控制器

球团厂钢球磨煤制粉系统是多变量强耦合、时滞、非线性以及生产工况变化大的复杂对象,其自动控制问题一直是控制界关注的热点。基于粒子群算法具有对整个参数空间进行高效并行搜索的特点以及PID神经网络的自调节和自适应特性,设计了具有PID结构的多变量自适应神经网络控制器。PID神经网络解耦控制方法被用来消除回路之间的耦合,神经网络连接权值由粒子群算法进行学习优化。仿真研究表明所建模型和所提控制方法具有较好的控制品质、良好的自适应解耦能力和自学习功能。该控制策略可在大范围内克服系统的非线性和强耦合问题,具有很高的工程实用价值。     

Optimal quality control of baker's yeast drying in large scale batch fluidized bed

Optimal quality control of drying process of baker's yeast in large scale batch fluidized bed dryer is presented using neural network based models and modified genetic algorithm (GA). The objective of this study is to determine optimal conditions to maximize product quality while minimizing energy consumption. For this purpose, the drying process and quality models based on neural network with delay units are combined for predicting the dry matter, product temperature, change in dry matter and the quality loss while minimizing energy consumption and this model is then used for optimal quality control. A stochastic method based optimization structure is designed in order to solve the optimization problem whose the objective function is discontinuous, non-differentiable, complex and highly non-linear. The results obtained by optimal quality control based on modified GA showed that the performance of the existing industrial scale drying process was improved. The constructed optimal quality control structure is very convenient for the production process applications and may be applied without too much modification.     

蚁群算法优化BP神经网络在主汽温控制中的应用

针对火电厂主汽温被控对象的不确定性及大延迟、大惯性及非线性等特点,设计了一种基于蚁群算法、BP神经网络的智能PID串级控制系统.采用蚁群算法对BP神经网络的初始权值进行优化,再利用BP神经网络算法对PID参数进行在线调整,从而实现了对主蒸汽温度的动态控制.仿真结果表明：该系统在控制品质、鲁棒性方面都明显优于常规PID控制系统.     

基于MLP网络的智能控制及应用

讨论了一种基于ＭＬＰ网络的智能控制系统。它利用一个多层感知器（ＭＬＰ）作为被控对象的在线辨识器，而用另一线性神经网络结构构成ＰＩＤ控制器。采用变步长ＢＰ加速算法求得多层感知器的各联接权重与阀值的学习规律与控制器参数的自整定算法。通过化肥厂变换炉控制的仿真研究与一列管换热器温度控制系统的仿真试验，说明该算法是有效的。     

异步电机单神经元自适应智能控制系统

针对传统抽油电机控制器自适应性能较弱的特点,提出一种单神经元模型参考自适应控制方法,此法在模型参考自适应控制基础上,采用单神经元代替复杂神经网络,选择线性函数作为参考模型,并将速度变化考虑进误差函数,采取磁链开环、转速闭环的控制结构建立控制系统,建立基于此控制方法的异步电机控制系统仿真模型,并基于DSP构建实验控制系统,仿真及实验结果表明所述控制器输出平稳,具有参数及负载时变的自适应能力,应用前景广泛。