基于PLC的混凝剂投加控制系统设计

详细介绍了一种基于PLC的混凝剂投加控制系统的原理、控制策略、硬件构成和软件设计。该控制系统以透光率脉动检测值作为控制因子,采用双PID控制器的串级控制方式实现了混凝剂最佳投加量的控制,并引入流量比例前馈控制,保证了系统出水浊度的稳定。     

制水混凝加药控制的模糊PID算法研究

混凝是水处理最重要的环节之一,主要通过添加混凝剂来实现对原水的预处理。混凝剂的投放量对水厂成本和出水水质影响很大,而目前的混凝剂投加量在大多数情况下都难以满足实际的过程处理需求,水处理效率低和水质不达标的现象频繁发生。因此,本文针对混凝过程的非线性、大时滞等特点,提出了一种基于模糊PID算法的混凝剂添加量计算方法,提出了智能加药控制器控制系统结构,建立PID参数自调整的推理规则,实现混凝过程药剂添加的稳定控制。仿真实验结果表明本文设计的智能控制器具有较好的控制性能。     

模糊控制在水厂混凝投药系统中的应用

针对给水厂混凝剂投加控制系统中存在的非线性、时滞性和模糊性等问题，结合工程实例提出了模糊控制的思想，介绍了混凝模糊控制系统的组成，说明了混凝模糊控制器的设计方法。     

基于高斯势函数网络的智能温度控制器

本文提出一种基于高斯函数网络的模糊温度控制器，给出了模糊神经网络控制模型和学习算法。通过自学习不断修正模糊控制器规则，使模糊控制器具有自学习和自适应能力。计算机仿真及温控结果表明，这种智能控制器具有良好的控制性能。     

神经元PID控制器及改进算法的仿真研究

针对常规PID控制器有着对过程的数学模型过于依赖的局限性,导致许多过程控制效果不理想的问题,根据人工神经元的自学习功能构造了基于神经元的PID控制器,对其学习算法加以改进。选取二阶惯性环节加纯滞后为控制对象,建立了数学模型,并进行计算机仿真及对这几种控制方法的控制效果加以比较。仿真结果表明,该控制器将神经网络和PID控制规律融为一体,既具有常规肿控制器结构简单、参数物理意义明确的优点,又具有神经网络自学习、自适应的能力,取得比常规PID控制器更好的控制品质。     

基于S7-1200PLC的加药系统模糊控制器设计

为了实现矿井水净化处理工艺过程中混凝剂的准确投加,提出采用前馈控制加反馈控制的方法来实现加药量的控制,其中前馈控制利用统计原理形成的表格模型,反馈控制利用专家知识库形成的模糊控制规则,详细介绍了模糊控制系统的基本原理和构成,给出了模糊控制器的具体设计过程,并利用PLC程序来完成具体的模糊控制算法,最终实现了水处理过程中药剂的准确投加.应用结果表明,该控制系统很好的提高了加药系统的可靠性和稳定性,很大程度上节约了水处理成本.     

模糊控制在水厂混凝投药过程中的应用

水厂混凝投药过程具有非线性、时滞性等特点,并且影响投药后混凝效果的因素很多,目前很难准确地建立反应过程的数学模型。模糊控制是以控制人员的经验为基础的,它不需要用精确的数学模型来描述系统的动态过程,而且能够方便的加入人的控制经验,极为近似的反映人的控制行为。因此,本文针对混凝投药过程的特点,提出了应用模糊控制来实现混凝剂的最佳投加,该模糊控制器以原水流量和原水浊度作为输入变量,加矾流量作为输出变量,并用某水厂的实际数据完成了仿真研究。最后的仿真结果表明了该方法是有效可行的。     

倒立摆系统的自摆起和稳定控制

为了实现一级倒立摆系统自摆起和稳定控制，该文采用了最优控制与PID控制相结合的控制方法。首先，采用Bang—Bang控制理论设计开环时间最优控制器，实现倒立摆的平稳快速摆起，同时设计经典PID控制器控制小车位置；然后采取线性二次型最优控制理论设计LQR控制器，将倒立摆稳定在平衡位置。计算机仿真和倒立摆系统实时仿真表明，文中提出的控制策略和控制算法得到了很好的验证，取得了满意的效果。     

分层模糊控制器在水厂混凝投药过程中的应用

水厂混凝投药过程在给水处理中占有重要的地位,直接关系到出水水质;而这一过程具有非线性、大滞后、多变量等特点,针对这一情况,提出了运用分层模糊控制器来实现混凝剂的最佳投加;论述了分层模糊控制器的设计原理和设计方法,并将其应用于水厂混凝投药这一具体过程;通过Matlab软件对水厂实际数据进行了仿真,结果表明这一方法不但有效可行,而且能避开复杂的数学模型,节约内存资源和计算时间,还能降低劳动强度,减少人为的操作失误,提高控制水平.     

污水脱磷模糊控制系统的模糊学习机制

文章系统地介绍了具有模糊学习机制的污水脱磷模糊控制器的设计与实现，提出了模糊学习的概念、原理和方法，给出了基于模糊控制表（查询表）的学习算法。控制器结构简单，易于工程实现，满足实时要求，在保证控制效果的前提下,能充分发挥生物脱磷效果，有效避免过量投加化学药品。     

Modeling and control of carbon monoxide concentration using aneuro-fuzzy technique

Modeling and control of carbon monoxide (CO) concentration using a neuro-fuzzy technique are discussed. A self-organizing fuzzy identification algorithm (SOFIA) for identifying complex systems such as CO concentration is proposed. The main purpose of SOFIA is to reduce the computational requirement for identifying a fuzzy model. In particular, the authors simplify a procedure for finding the optimal structure of fuzzy partition. The δ rule, which is a basic learning method in neural networks, is used for parameter identification of a fuzzy model. SOFIA consists of four stages which effectively realize structure identification and parameter identification. The procedure of SOFIA is concretely demonstrated by a simple example which has been used in some modeling exercises. The identification result shows effectiveness of SOFIA. Next, the authors apply SOFIA to a prediction problem for CO concentration in the air at the busiest traffic intersection in a large city of Japan. Prediction results show that the fuzzy model is much better than a linear model. Furthermore, the authors simulate a control system for keeping CO concentration at a constant level by using the identified fuzzy model. A self-learning method for adaptively modifying controller parameters by δ rule is introduced because the dynamics of real CO concentration system changes gradually over a long period of time. Two self-learning controllers are designed in this simulation. One is a self-learning linear PI controller. The other is a self-learning fuzzy PI controller. The authors investigate robustness and adaptability of this control system for disturbance and parameter perturbation of the CO concentration model. Simulation results show that the self-learning fuzzy controller is more robust and adaptive     

模糊自适应整定PID在航空发动机中的应用研究

模糊控制对于解决模型不确定性问题具有较好的优势。对于航空发动机这样复杂的系统,其数学模型具有较大的不确定性,经典的PID算法难以对其实现良好控制。因此,运用模糊控制理论就具有较好的实践意义。该文将模糊控制与自适应控制理论相结合,运用模糊推理方法,实现了对PID参数的在线最佳调整。最后,通过数字仿真,对比了经典PID控制和运用模糊自适应控制的PID,证明了其在航空发动机控制中应用的可能性。     

支持向量机-模糊推理自学习控制器设计

常规的模糊推理系统大多由专家经验建立模糊规则,自学习能力不强.提出了一种支持向量机-模糊推理系统,由支持向量机实现模糊推理系统的自学习,并设计了一种支持向量机-模糊推理自学习控制器.文章给出了自学习控制器的结构和学习算法,对比研究了变尺度梯度优化和混沌优化两种学习算法.针对非线性对象的仿真实验验证了该控制器的优良性能,控制效果比模糊逻辑控制器更好.     

基于改进遗传算法的模糊控制器设计

针对模糊控制器的隶属度函数和模糊控制规则的选取及优化缺乏自学习能力与知识采集的手段,以及遗传算法具有自适应、启发式、概率性、迭代式全局收敛的特点,该文章将遗传算法与模糊控制相结合,给出了一种基于改进遗传算法的模糊控制器设计策略.改进算法引入了分裂算子来避免遗传算法在寻优过程中陷入局部最优解,同时对编码方式、选择算子、交叉算子以及变异算子做了相应的调整与改进.并将此改进算法用于优化模糊控制器的隶属度函数与模糊控制规则.仿真结果表明用该改进算法优化后的模糊控制器较用普通遗传算法优化后的模糊控制器具有更好的控制性能.     

基于自适应模糊神经网络控制器的网络控制系统

网络控制系统中存在着时延、丢包、网络干扰等问题。针对网络控制系统中存在恶化系统的控制性能,甚至导致系统不稳定的因素,提出了一种基于自适应模糊神经网络控制器的网络控制系统,它能根据系统的实际输出与期望输出误差,利用自适应模糊控制和神经网络自学习的原理进行控制参数的自行调整,以符合控制系统的实际要求,同时,分析了网络延时,丢包率及网络干扰因素对系统性能的影响。利用TrueTime工具箱建立了包含自适应模糊神经网络控制器的网络控制系统的仿真模型,并将其分别与基于常规PID控制器的网络控制系统和基于模糊参数PID控制器的网络控制系统进行了比较。实验结果表明,在相同的网络环境下,基于自适应模糊神经网络控制器的网络控制系统的控制效果比基于常规的PID控制器和基于模糊参数PID控制器的要好,且具有较好的抗干扰能力和鲁棒性能。     

A STABLE SELF-LEARNING OPTIMAL FUZZY CONTROL SYSTEM

The issue of developing a stable self-learning optimal fuzzy control system is discussed in this paper. Three chief objectives are accomplished: 1) To develop a self-learning fuzzy controller based on genetic algorithms. In the proposed methodology, the concept of a fuzzy sliding mode is introduced to specify the system response, to simplify the fuzzy rules and to shorten the chromosome length. The speed of fuzzy inference and genetic evolution of the proposed strategy, consequently, is higher than that of the conventional fuzzy logic control. 2) To guarantee the stability of the learning control system. A hitting controller is designed to achieve this requirement. It works as an auxiliary controller and supports the self-learning fuzzy controller in the following manner. When the learning controller works well enough to allow the system state to lie inside a pre-defined boundary layer, the hitting controller is disabled. On the other hand, if the system tends to diverge, the hitting controller is turned on to pull the state back. The system is therefore stable in the sense that the state is bounded by the boundary layer. 3) To explore a fuzzy rule-base that can minimize a standard quadratic cost function. Based on the fuzzy sliding regime, the problem of minimizing the quadratic cost function can be transformed into that of deriving an optimal sliding surface. Consequently, the proposed learning scheme is directly applied to extract the optimal fuzzy rulebase. That is, the faster the hitting time a controller has and the shorter the distance from the sliding surface the higher fitness it possesses. The superiority of the proposed approach is verified through simulations.     

Self-learning of a fuzzy controller using cell mapping in the sense of a quadratic optimum

A self-learning method based on the concept of cell mapping is presented to design automatically a fuzzy controller in the sense of a quadratic optimum for an unknown system. The construction of the system's cell mapping is directly obtained from experimental data instread of numerical calculations from system equations. The continuous state and control spaces of the system are first divided into many discrete fuzzy cells. A series of learning signals is applied to excite the system for training, and then all the states and control signals are gathered in a data buffer. Then, the real-valued data in the buffer are transformed to the fuzzy-valued cell chains which consist of the next state cell, initial control cell, quadratic cost and degree for optimization. A fuzzy control table is created to store these fuzzy cell chains with less cost and higher degree and is optimized through accumulated learning experience. Finally, the well learned fuzzy control table is used as an optimal fuzzy controller to transfer globally the system from any initial state cell to the target state cell. Once the state reaches the target state cell, the controller is switched from the fuzzy controller to a state feedback controller to the system within the target state cell.     

一种多变量模糊神经网络解耦控制器的设计

为提高多变量、非线性和强耦合系统的动态特性和解耦能力,根据解耦原理和神经网络思想,提出一种两级串联结构的自适应模糊神经网络解耦控制器.前级是基于智能权函数规则的自调整模糊控制器,后级是基于动态耦合特性的自适应神经网络解耦控制器.同时从理论上证明了学习算法的收敛性.仿真实例表明,所提出的解耦控制器具有良好的鲁棒性和自适应解耦能力,是解决多变量、非线性和强耦合问题的一种简便有效的控制算法.     

一种新型自学习模糊控制器

本文设计了一种新的自学习模糊控制器,其模 糊规则与隶属函数分别由整数编码遗传算法与混沌优化算法在线学习,仿真结果验证了设计 的合理性与有效性．     

水平连铸计算机控制系统中的Smith-Fuzzy控制器

介绍了一种可补偿纯滞后的模型参考自学习模糊控制器 ,改善了普通Fuzzy控制器对大滞后工业过程的控制效果 ,通过模糊逆模型修改控制表 ,表现了较高的智能。以水平连铸控制系统为对象 ,进行了仿真研究 ,结果表明这种方法是可行的和有效的 ,具有很好的鲁棒性。