基于神经网络Smith预估器的预测控制

针对非线性系统时滞问题,给出了一种新型的单神经元Smith预测控制算法.神经网络的预测控制器由不完全微分的单神经元自适应PID控制器和神经网络的Smith预估器组成.预估器对输出进行多步预测,控制器超前动作以消除时滞对系统的影响.不完全微分的单神经元自适应PID控制器通过改进的Hebb学习规则实现其权值调节,通过权系数的在线调整实现自适应控制.仿真实验证明了该方法具有较快的响应速度和较好的响应性能.     

冷连轧AGC 系统的自适应Smith 广义预测控制

针对冷连轧AGC 系统存在较大的时间滞后以及对象模型参数时变的特点,提出了一种自适应Smith 广义预测控制算法. 该算法用Smith 预估器来克服滞后的影响,利用激光测速仪间接测量AGC 系统的滞后时间以修 正Smith 预估器的时滞部分模型,使用渐消记忆递推最小二乘算法在线辨识对象参数来修正Smith 预估器的非时滞 部分的模型,并根据辨识得到的对象参数设计自适应广义预测控制器代替传统Smith 预估算法中的PID 控制器. 仿 真研究表明,在模型失配及干扰的情况下,该控制算法仍然具有良好的控制性能和鲁棒稳定性能.     

一种基于DMC的新型预测PID控制器及其整定(英文)

本文提出一种基于动态矩阵控制(DMC)算法预测特性的新型PID控制方法.在考虑将来的输出期望偏差罚函数最小的前提下,由DMC计算出控制变量的值.继而构造基于DMC的预估器用以预测将来时刻的系统输出.根据将来时刻的多步预测偏差,PID控制器产生当前时刻的实际控制增量.文中也给出了基于DMC的预估器及PID控制器的参数整定方法.仿真结果表明,与常规的PID控制和DMC控制相比,所提方法具有良好的控制性能,扰动抑制尤其优良.     

基于BP神经网络的火电厂水质调节自适应控制的仿真研究

针对火电厂锅炉水质调节过程的大时滞时变特性,常规控制算法控制效果不好的问题,本文提出了基于BP神经网络的Smith-PID鲁棒自适应控制算法,利用BP神经网络的任意非线性表达能力和很强的自学习能力,在线自学习整定PID参数,被控对象不需要精确辩识,控制器参数跟踪被控对象自适应调整,克服了常规PID算法不适用于大时滞过程控制和常规Smith预估补偿控制对模型不确定性敏感的缺陷.MATLAB仿真表明,本文控制算法的静态特性、动态品质良好,鲁棒性强.     

一种时滞系统的改进无模型自适应预测控制

时滞现象广泛存在于工业过程系统中,常规控制器无法对难以获取精确模型的时滞系统进行有效控制.针对这类系统,结合跟踪-微分器获取微分信息的能力,利用Smith预估器预测未来时刻输出,提出了一种改进的无模型自适应预测控制(IMFAPC)方法,并对提出算法的收敛性和稳定性进行了分析.该算法不需要被控系统的模型信息,仅需要实时的...     

大滞后系统模糊自适应PI-Smith控制

工业过程中普遍存在大时滞对象,为了解决大时滞系统控制中超调量大和调节时间长等问题,将史密斯(Smith)预估控制原理和模糊PI控制器参数的自适应调整方法结合起来,在Smith预估控制系统中,用模糊PI控制器代替传统的PID控制器,根据模糊控制原理对PI的2个参数进行在线整定,提出一种大时滞系统的模糊自适应PI-Smith控制方法.通过对电加热炉的仿真研究,结果表明该方法具有调节时间短、无超调量、控制精度高、无稳态偏差的优点,同时对系统模型变化具有良好的适应性.     

大时滞网络自适应主动队列管理新算法

针对PID控制器无法严格处理主动队列管理（AQM）中的大时滞情况,且不能随着变化的网络环境在线调节参数,提出了一种基于增益自适应Smith预估控制和模糊控制的大时滞网络的自适应PID主动队列管理（GAS-FPID）算法。引入增益自适应Smith预估控制器实现滞后补偿,模糊控制器来实现PID参数动态网络环境的在线调整;NS2仿真表明,所提出算法能克服滞后的影响,能快速的适应动态网络环境,具有很好的稳定性和鲁棒性。     

采用Brent优化的核学习单步预测控制算法

针对非线性SISO系统, 提出一种基于核学习辨识模型的单步预测控制算法(kernel learning one-step-ahead predictive control, KLOPC). 通过KL辨识模型得到系统的一步超前预报值, 并引入输出反馈和偏差校正以克服模型失配等因素引起的预测误差, 以此构造一步加权预测控制性能指标, 然后采用Brent一维搜索方法求取控制律. 该方法无需任何相关的导数信息, 需调整的参数少, 求解效率高. 在一非线性液位系统的仿真研究表明了KLOPC优于整定的PID和其它基于KL模型的控制方法, 对噪声和扰动等均具有更好的鲁棒性和自适应性.     

基于灰色线性回归模型的预测控制

针对大滞后线性时不变控制系统,将Smith预估控制方法和灰色线性回归预测方法相结合,提出一种改进型预测控制方法.该方法设计一种灰色线性回归预测器,将其置于反馈回路,预测下一时刻的输出值,达到超前控制的效果.同时根据预测精度来选择控制方案,达到精度要求时,在Smith预估控制中加入灰色线性回归预测控制器,否则就只采用Smith预估控制.仿真结果表明该方法有效地克服了大滞后对控制系统性能的影响,提高了控制精度.     

迭代模型Smith预估控制:算法和稳定性

为了解决Smith预估控制算法建立模型不精确的问题,并针对一类可重复运行的时滞过程,在模糊相轨迹模型Smith预估控制算法的基础上提出迭代模型Smith预估控制。该算法在不设计自适应的前提下,可以自适应得到精确的预估模型,同时辨识过程的时滞时间。证明指出只要原系统闭环稳定则迭代预估模型Smith预估控制系统稳定,且给出了算法的收敛性判据。仿真表明,所提方法不需要已知过程的模型,通过一定次数的"迭代"即可得到精确的预估模型,从而克服了常规算法控制品质依赖精确数学模型的缺陷。同时该算法具有较强的鲁棒性。     

Hybrid control of a pneumatic artificial muscle (PAM) robot arm using an inverse NARX fuzzy model

We investigated the possibility of applying a hybrid feed-forward inverse nonlinear autoregressive with exogenous input (NARX) fuzzy model-PID controller to a nonlinear pneumatic artificial muscle (PAM) robot arm to improve its joint angle position output performance. The proposed hybrid inverse NARX fuzzy-PID controller is implemented to control a PAM robot arm that is subjected to nonlinear systematic features and load variations in real time. First the inverse NARX fuzzy model is modeled and identified by a modified genetic algorithm (MGA) based on input/output training data gathered experimentally from the PAM system. Second the performance of the optimized inverse NARX fuzzy model is experimentally demonstrated in a novel hybrid inverse NARX fuzzy-PID position controller of the PAM robot arm. The results of these experiments demonstrate the feasibility and benefits of the proposed control approach compared to traditional PID control strategies. Consequently, the good performance of the MGA-based inverse NARX fuzzy model in the proposed hybrid inverse NARX fuzzy-PID position control of the PAM robot arm is demonstrated. These results are also applied to model and to control other highly nonlinear systems.     

自适应神经模糊推理结合PID控制的并联机器人控制方法

针对6自由度液压驱动并联机器人的精确控制问题,提出一种结合自适应神经模糊推理系统(ANFIS)和比例积分微分(PID)控制的机器人控制方法。首先,利用浮动坐标系描述法(FFRF)来模拟机器人柔性组件,并构建并联机器人的拉格朗日动力学模型。然后,根据模糊推理中的模糊规则来自适应调整PID控制器参数。最后,利用神经自适应学习算法使模糊逻辑能计算隶属度函数参数,从而使模糊推理系统能追踪给定的输入和输出数据。将该控制器与传统PID控制器、模糊PID控制器进行比较,结果表明,ANFIS自整定PID控制器大大减小了末端器位移误差,能很好的控制并联机器人末端机械手的运动。     

基于专家PID的带臂四旋翼无人机控制方法

相较于未带臂的无人机,带臂无人机（UAV）的飞行轨迹会出现较大偏差,更难以稳定控制。为了解决带臂UAV的精确轨迹控制问题,提出基于专家PID的带臂四旋翼无人机控制方法。首先,将机械臂搭载于UAV上把它们作为整体,并通过拉格朗日方程建立了带臂UAV的运动学和动力学系统模型;其次,设计专家PID控制器用于对系统的稳定控制;然后利用五次多项式对带臂UAV的机械臂进行轨迹规划;最后,通过仿真验证专家PID控制方法对带臂UAV稳定控制的有效性。实验结果表明,相较于常规PID控制,所提基于专家PID的控制方法提高了系统的响应速度,且能够有效地抑制外部扰动;该方法对于动作情况下的机械臂能够稳定地跟踪其轨迹,且具有很好的抗扰性和鲁棒性。     

针对气动肌肉仿生肘关节抖振现象的Kalman-PID控制

本文为了抑制气动人工肌肉(PAM)抖振现象,首先利用PID控制律近似代替其数学模型,求得其离散状态方程并代入到离散卡尔曼递推公式中,进而提出基于PID控制参数的卡尔曼PID(Kalman-PID,KPID)控制算法.为了验证算法的有效性,以3自由度PAM仿生肘关节为控制对象,分别利用PID及KPID控制器对其进行位姿控制.由实验结果可知,该算法相较PID控制器拥有更高的控制精度,提升了系统的鲁棒性,能够有效抑制由系统过程误差及测量误差所引起的PAM抖振现象,从而使仿生肘关节运动更加平稳.此外,不同于传统卡尔曼滤波算法与控制算法相结合的方式,KPID控制算法无需事先知道被控对象精准的数学模型及噪音特性的先验知识,从而避免复杂的数学建模过程,扩大了卡尔曼滤波算法的应用范围.     

基于遗传算法改进的一阶滞后滤波和长短期记忆网络的蓝藻水华预测方法

河湖藻类水华形成过程中所具有的突发性和不确定性,导致对藻类水华爆发预测准确性不高。为解决此问题,以叶绿素a的浓度值作为蓝藻水华演化过程表征指标,提出基于长短期记忆（LSTM）循环神经网络（RNN）蓝藻水华预测模型。首先,用遗传算法改进的一阶滞后滤波（GF）优化算法对数据进行平滑滤波处理;然后,搭建GF-LSTM网络的蓝藻水华预测模型,实现对水华发生的精准预测;最后,以太湖水域梅梁湖区域的采样数据为样本,对预测模型进行检验,并与传统的RNN和LSTM网络进行对比。仿真结果表明,提出的GF-LSTM网络模型平均相对误差控制在16%~18%,而RNN模型的预测平均相对误差为28%~32%,LSTM网络模型的平均相对误差为19%~22%,对采用数据的平滑性处理效果较好,预测精度更高,对样本具有更好的适应性,克服了传统RNN模型在长期训练时出现的梯度消失与梯度爆炸缺点。     

Fuzzy PID control of space manipulator for both ground alignment and space applications

Considering gravity change from ground alignment to space applications, a fuzzy proportional-integral-differential (PID) control strategy is proposed to make the space manipulator track the desired trajectories in different gravity environments. The fuzzy PID controller is developed by combining the fuzzy approach with the PID control method, and the parameters of the PID controller can be adjusted on line based on the ability of the fuzzy controller. Simulations using the dynamic model of the space manipulator have shown the effectiveness of the algorithm in the trajectory tracking problem. Compared with the results of conventional PID control, the control performance of the fuzzy PID is more effective for manipulator trajectory control.     

梯格形自适应控制

本文讨论并解决了具有d步时延的多变量系统的梯格形自适应控制问题.为此,把自适 应控制下的闭环系统嵌入到ARMA模型中,采用梯格算法进行预报;用简捷方法推导了d步 梯格预报公式,并给出了控制量的确定方法.采用梯格自适应控制可方便地调节模型阶次,从 而可以克服对象阶次不准引起的自适应控制失效问题.     

Design of Adaptive Robot Control System Using Recurrent Neural Network

The use of a new Recurrent Neural Network (RNN) for controlling a robot manipulator is presented in this paper. The RNN is a modification of Elman network. In order to solve load uncertainties, a fast-load adaptive identification is also employed in a control system. The weight parameters of the network are updated using the standard Back-Propagation (BP) learning algorithm. The proposed control system is consisted of a NN controller, fast-load adaptation and PID-Robust controller. A general feedforward neural network (FNN) and a Diagonal Recurrent Network (DRN) are utilised for comparison with the proposed RNN. A two-link planar robot manipulator is used to evaluate and compare performance of the proposed NN and the control scheme. The convergence and accuracy of the proposed control scheme is proved.     

SOPDT对象的预测PID控制及稳定性分析

提出了基于二阶非振荡及振荡加纯滞后的预测PID控制器的结构形式。这种控制器既具有PID控制器的优点;简单的结构形式、良好的鲁棒性和可靠性,又具有预测的功能;即可以根据以前的控制作用来预测以后的控制作用。通过仿真表明：在干扰、噪音存在和模型失配的情况下,预测PID控制器具有良好的控制性能,特别适合大纯滞后系统的控制。同时运用Monte-Carlo方法分析了其鲁棒稳定性,结果表明：它是一种值得在实际工程中推广应用的新型控制器。