步进梁加热炉神经网络模型预测控制

针对步进梁式连续加热炉燃烧过程控制的温度分布非线性和滞后性,提出了一种基于非线性优化技术的神经网络模型预测控制算法。神经网络具有强大的自学习和非线性映射能力,把神经网络预测模型和非线性优化器整合为一个温度控制器,通过神经网络预测模型描述温度控制对象的动态行为,根据加热炉当前温度和出钢温度预测未来时刻的温度输出值,实现加热炉温度控制。实验结果表明,通过对网络模型进行大样本训练和对模型预测控制参数的优化,加热炉温度控制系统能快速达到控制要求,具有良好的抗干扰能力和温度跟随性能。     

基于神经网络与多模型的非线性自适应广义预测控制

针对一类不确定非线性离散时间动态系统, 提出了基于神经网络与多模型的非线性广义预测自适应控制方法. 该自适应控制方法由线性鲁棒广义预测自适应控制器, 神经网络非线性广义预测自适应控制器和切换机制三部分构成. 线性鲁棒广义预测自适应控制器保证闭环系统的输入输出信号有界, 神经网络非线性广义预测自适应控制器能够改善系统的性能. 切换策略通过对上述两种控制器的切换, 保证系统稳定的同时, 改善系统性能. 给出了所提自适应方法的稳定性和收敛性分析. 最后通过仿真实例验证了所提方法的有效性.     

基于神经网络的加热炉烟气含氧量预测及控制

文中提出一种加热炉烟气含氧量的神经网络预测方法,并将预测结果用于加热炉空燃比设定补偿,从而实现了加热炉烟气含氧量的空燃比预测补偿控制。仿真结果和实践表明,该预测控制方案是可行的,具有很好的控制效果。     

自适应模糊神经网络控制在电阻加热炉中的应用

提出一种自适应模糊神经网络控制器,着重讨论了自适应模糊神经网络的混合学习算法和自适应动量解耦的最速下降。人出了适于非线性时滞、基于径向基函数网络和自适模糊神经网络控制器的控制方案,并把它用在电阻加热炉中。实际应用表明,模糊神经网络控制器 具有良好的控制效果。     

神经网络控制在加热炉燃烧系统中的应用

分析了加热炉的特点和工艺,介绍了计算机控制系统的结构和功能,阐述了将神经网络的控制理论应用于加热炉燃烧过程控制.实时控制结果表明,控制效果很好.     

一种模糊神经网络自适应预测控制方案的研究

提出了一种模糊神经网络自适应预测控制方案,对学习公式进行了理论推导,并结合误差补偿以提高预测控制的精度。仿真实验表明,该算法可实现模糊控制和神经网络的优势互补,对非线性复杂系统具备良好的控制性能     

油田加热炉燃烧过程的神经网络模型辨识与自校正控制

加热炉在油田集输系统中有着广泛的应用。因运行时间长,其经济燃烧指标的高低直接影响着油田的生产成本。为实现加热炉出口参数的最佳调节及其经济燃烧,针对加热炉多变量、非线性、大滞后等特点,采用神经网络模型辨识的方法,建立了以加热炉为被控对象的神经网络正、逆模型,并且构成了神经网络内模自校正控制仿真系统。仿真研究表明,只要恰当地选择神经网络正、逆模型的结构和辨识数据的长度等参数,实现加热炉神经网络内模自校正控制的结果是令人满意的。     

基于神经网络的迭代优化预测控制

针对时变的非线性系统,提出一种基于神经网络的迭代优化预测控制。它将传统的预测控制策略与神经网络逼近任息非线性函数的能力结合,预测系统未来输出,然后用迭代学习方法优化预测控制器,即通过一阶泰勒展开的方法,把非线性优化问题转化为线性优化问题。不仅简化计算,同时避免用神经网络优化控制器时,由于调节参数过多、涮前速度慢而导致系统闭环稳定性和鲁棒性差的问题。仿真结果表明,该控制方案具有良好的控制品质,并适应对象参数的变化,具有较强的鲁棒性和自适应性。     

基于神经网络模型的直接优化预测控制

针对具有时延的非线性系统提出了一种基于神经网络模型直接优于的预测控制。     

基于神经网络的非线性模型预测控制

该文提出了一种基于神经网络的模型预测控制结构 ,并使用一个新的随机搜索优化算法来求解预测控制律 ,计算机仿真证明了所设计的控制算法的正确性和有效性     

基于神经网络的非线性多模型自适应控制

针对一类非线性离散动态系统,设计了一个自适应控制方案。为了保证在任意时刻均能为被控的动态系统选择最好的控制器,方案基于输入输出数据为系统定义一个线性预测模型,并在此基础上设计能够保证闭环系统所有信号有界的线性鲁棒自适应控制器,同时定义一个非线性预测模型,再基于径向基神经网络设计一个旨在提高系统控制性能的非线性自适应控制器。通过比较2个控制器预测的系统输出性能,设计合理的开关切换规则。控制方案能将系统稳定性控制和性能优化的控制分离并单独实现,使得系统能在保证稳定性前提下,借助神经网络控制器良好的追踪能力有效提高自适应控制效果。最后通过仿真例子说明了系统稳定和提高输出追踪效果可以同时得到保证。     

Simple Recurrent Neural Network‐Based Adaptive Predictive Control for Nonlinear Systems

Making use of the neural network universal approximation ability, a nonlinear predictive control scheme is studied in this paper. On the basis of a uniform structure of simple recurrent neural networks, a one‐step neural predictive controller (OSNPC) is designed. The whole closed‐loop system's asymptotic stability and passivity are discussed, and stable conditions for the learning rate are determined based on the Lyapunov stability theory for the whole neural system. The effectiveness of OSNPC is verified via exhaustive simulations.     

基于预测控制方法的非线性神经网络逆控制

针对一类多输入多输出非线性被控对象,利用前向神经网络逼近原系统的逆系统,将其作为控制器,采用预测滚动优化性能指标训练该神经网络逆控制器,以克服干扰和不确定性影响,实现对多变量非线性对象的解耦控制。对某微型锅炉对象进行了控制算法仿真,结果表明,所提出的控制方法能够克服模型误差的影响,实现稳定解耦控制,且易于实现。在仿真过程中通过实验方法建立该锅炉对象的神经网络预测模型,并注意采用泛化方法采集训练样本数据和训练神经网络,以提高神经网络模型的泛化能力。     

一种基于PSO的自适应神经网络预测控制

针对非线性系统,提出了一种基于微粒群优化(PSO)的自适应神经网络预测控制方法.采用对角递归网络(DRNN)对非线性系统进行建模,并利用扩展卡尔曼滤波(EKF)递推估计算法在线计算网络模型参数的Jacobian矩阵以实现模型参数的自适应.利用PSO算法在线优化求解非线性系统的预测控制律,以克服传统基于梯度法的非线性规划方法求解预测控制律时对初始条件非常敏感的缺点.生化发酵过程的仿真结果表明,所提出的控制方法具有良好的跟踪能力和抗干扰能力.     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素,而难以建立精确的数学模型的情况,提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器,模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点,该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明,该方案可以实现模糊控制和神经网络的优势互补,对不确定非线性系统具有很好的控制效果。     

基于神经网络的非线性自适应控制*

本文对非线性自适应控制的一个新领域－基于神经网络的非线性自适应控制（以下简称ＮＮＢＮＡＣ）的研究进展进行了综述，讨论了这一领域中存在的几个重要问题，然后指出了与这些问题相关的未来的研究方向。     

基本积分型李亚普诺夫函数的直接自适应神经网络控制

针对一类具有下三角形函数控制增益矩阵的非线性系统,基于滑模控制原理,并利用多层神经网络的逼近能力,提出了一种直接自适应神经网络控制器设计的新方案.通过引入积分型李亚普诺夫函数及残差与逼近误差和的上界函数的自适应补偿项,证明了闭环系统是全局稳定的,跟踪误差收敛到零.