基于自组织模糊神经网络的污水处理过程溶解氧控制

针对活性污泥污水处理过程溶解氧浓度控制问题,提出一种基于自组织模糊神经网络(SOFNN)的控制方法。该神经网络控制器依据激活强度和互信息理论在线动态增长和修剪规则层神经元,以满足实际工况的动态变化。同时,采用梯度下降算法在线优化隶属函数层中心、宽度和输出权值,以保证SOFNN的收敛性。进一步通过Lyapunov稳定性理论对SOFNN学习率进行分析,给出控制系统稳定性证明。最后在国际基准仿真平台BSM1上进行实验验证。实验结果显示,与PID、模糊逻辑控制(FLC)和固定结构FNN等控制策略相比,SOFNN在跟踪精度、控制平稳性和自适应能力上更具有优势。     

基于模糊递归神经网络的污泥容积指数预测模型

污泥容积指数（SVI）,一个关键的污泥沉降性能评价指标。针对污水处理过程中污泥膨胀关键水质参数污泥容积指数难以准确在线测量,且实验室取样测量方法时间久、精度低,提出了一种改进型的模糊递归神经网络（HRFNN）用来预测污泥容积指数的变化,通过在网络第三层加入含有内部变量的反馈连接来实现输出信息的反馈。实验结果表明,与其他模糊神经网络相比,该网络的规模小、精度高,处理动态信息的能力明显加强。     

双螺杆挤出机温度控制系统设计

双螺杆挤出机温度控制系统通常存在大扰动、非线性以及滞后性等特点,拥有固定参数的传统PID控制策略控制效果并不理想,为此提出了一种基于模糊神经网络PID控制的温度控制方法,对于现场无法充分预估的情况,该控制方法能够根据具体情况对PID参数做出适当调整。首先介绍了双螺杆挤出机温度采集与控制系统组成,将模糊控制理论、神经网络控制与传统PID控制相结合,利用模糊控制和神经网络对PID参数实现在线实时调整。最后,将模糊神经网络PID控制与常规PID和模糊PID控制进行仿真对比,模糊神经网络PID控制对螺杆机温度控制效果更佳,采用该控制方法可以大大提高产品合格率。     

基于模糊神经网络的位置控制器设计

针对传统HD控制方法的不足,提出了一种TSK型模糊神经网络控制器的设计方法,并用于永磁直流无刷电机伺服控制系统的位置控制.该方法中使用了一种TSI(型递归模糊神经网络,可同时动态在线进行结构学习和参数学习,以提高位置控制静态精度和动态跟踪性能,仿真结果表明,所设计的TSK型模糊神经网络位置控制器响应速度快,跟踪性能好,输出精度高,动、静态特性优于传统PID.     

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...     

注塑机料筒温度的模糊神经网络控制研究

以精密注射成型中的料筒温度控制为研究对象,应用现代人工智能控制理论,将模糊控制和人工神经网络控制二者有机结合,创建了注塑机料筒温度模糊神经网络控制的基本结构及其算法模型;运用Matlab软件编写模糊神经网络代码,对3段料筒温度的模糊神经网络控制进行了仿真,获得了比较满意的控制效果。仿真表明,提出的新型控制策略,对于提高精密注塑机料筒的温度控制精度,具有重要的参考价值。     

智能自整定注射机电液比例控制系统设计

介绍了注射机注射过程工作原理,在传统PID控制算法中,引入了神经网络控制方法,通过神经网络控制器对PID控制器中的三个参数进行在线自适应优化,由在线辨识器获取控制器参数,最后对该控制方法进行了仿真实验。仿真结果表明:与传统PID控制方法相比,该控制方法超量小、调节速度快,大大提高了系统的控制性能。     

基于DRNN神经网络的石油钻机自动送钻系统智能控制研究

针对钻井过程的非线性、不确定性和实时性要求,采用基于对角神经网络(DRNN)的控制方案,能在线自适应的调整P ID控制器的3项参数。以自动送钻实验系统模型为被控系统进行仿真实验,仿真结果表明可以达到较为理想的控制结果,基于DRNN神经网络控制器结构简单,易于实现,效果明显优于传统的P ID控制器。     

基于SOTSFNN的溶解氧浓度控制方法

针对污水处理过程溶解氧浓度难以控制的问题,提出了一种基于自组织T-S模糊神经网络的控制方法。其实质是采用模糊规则层激活强度的方法,根据实际环境自适应的对神经元进行调整,构造合适的控制结构,从而提高控制精度。同时采用梯度下降法对控制器的各个参数进行实时调整。该控制器运用在污水处理基准仿真模型中进行实验,结果表明,提出的SO-TSFNN控制方法能够较好地实现对溶解氧浓度的控制,具有较好的自适应性。     

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。     

基于DSP的pH过程FNNC-PI控制器研究

提出一种模糊神经网络控制与传统PI相结合的控制方法,即pH过程的FNNC PI控制方案,将模糊控制具有的较强逻辑推理功能、神经网络的自学习能力以及传统PI控制的优点融为一体,能很好地处理pH过程的非线性和滞后性,具有较强的鲁棒性和抗干扰能力。为了满足控制运算实时性的要求,采用TMS320VC33高速数字信号处理器(DSP)作为控制与运算单元,成功地完成了模糊神经网络控制器的DSP实现。     

基于模糊神经网络的污水处理生化除磷过程控制

针对污水处理生化除磷过程中出水总磷难以实时达标的问题,提出了一种基于模糊神经网络(fuzzy neural network,FNN)的出水总磷控制方法。首先,通过分析污水处理生化除磷机理,确定了控制器的操作变量为生化反应池第五分区外部碳源(external carbon, EC)与溶解氧(dissolved oxygen, DO)传递系数。其次,设计了一种基于FNN的出水总磷控制器,采用梯度下降算法更新控制器参数;最后,将基于FNN的出水总磷控制器应用于污水处理过程基准仿真平台(benchmark simulation model No.1,BSM1),实验结果表明,基于FNN的出水总磷控制器能够保证出水总磷的达标排放,具有较好的控制效果。     

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.     

基于模糊RBF神经网络的乙烯装置生产能力预测

针对传统的径向基函数(RBF)神经网络隐藏层节点的不确定和初始中心敏感性、收敛速度过慢等问题,提出一种基于模糊C均值的RBF神经网络(FCM-RBF)模型,通过模糊C均值聚类(FCM)得到各聚类中心,基于误差反传的梯度下降法训练隐藏层到输出层之间的权值,克服传统RBF模型对数据中心的敏感性,优化确定RBF神经网络隐藏层的节点数,提高网络训练速度和精度。最后将其用于乙烯装置生产能力预测中,分析预测不同技术、不同规模乙烯装置生产情况,指导乙烯生产,提高生产效率,结果验证了所提出算法的有效性和实用性。     

基于递归神经网络的多变量非线性PID解耦控制

A nonlinear proportional-integral-derivative (PID) controller is constructed based on recurrent neural networks. In the control process of nonlinear multivariable systems, several nonlinear PID controllers have been adopted in parallel. Under the decoupling cost function, a decoupling control strategy is proposed. Then the stability condition of the controller is presented based on the Lyapunov theory. Simulation examples are given to show effectiveness of the proposed decoupling control.     

基于自适应模糊神经网络的非线性系统模型预测控制

针对非线性动态系统的控制问题,提出了一种基于自适应模糊神经网络(adaptive fuzzy neural network, AFNN)的模型预测控制(model predictive control, MPC)方法。首先,在离线建模阶段,AFNN采用规则自分裂技术产生初始模糊规则,采用改进的自适应LM学习算法优化网络参数;然后,在实时控制过程,AFNN根据系统输出和预测输出之间的误差调整网络参数,从而为MPC提供一个精确的预测模型;进一步,AFNN-MPC利用带有自适应学习率的梯度下降寻优算法求解优化问题,在线获取非线性控制量,并将其作用到动态系统实施控制。此外,给出了AFNN-MPC的收敛性和稳定性证明,以保证其在实际工程中的成功应用。最后,利用数值仿真和双CSTR过程进行实验验证。结果表明,AFNN-MPC能够取得优越的控制性能。     

Multivariable Nonlinear Proportional-Integral-Derivative Decoupling Control Based on Recurrent Neural Networks

A nonlinear proportional-integral-derivative (PID) controller is constructed based on recurrent neural networks. In the control process of nonlinear multivariable systems, several nonlinear PID controllers have been adopted in parallel. Under the decoupling cost function, a decoupling control strategy is proposed. Then the stability condition of the controller is presented based on the Lyapunov theory. Simulation examples are given to show effectiveness of the proposed decoupling control.     

In‐line viscosity fuzzy control

A fuzzy control strategy on viscosity of a polymeric melt during the extruding processes is proposed to ensure producing the quality‐consistent end products. Because the viscosity model in the control system varies with respect to different conditions of the system command (e.g., screw speed), we focus on using a fuzzy controller accomplished with a fuzzy modeling technique to solve the model‐variant viscosity control system. Also, system stability analysis is presented. According to the simulation and the implementation results, better performances and a suitable using method are concluded. © 2000 John Wiley & Sons, Inc. J Appl Polym Sci 79: 1249–1255, 2001     

基于C-R模型的非线性系统模糊内模控制算法研究

针对大多数非线性系统的内模控制难以建立精确的对象模型和逆模型的问题,引入了基于C-R模型的非线性系统建模方法,并在此基础上研究基于C-R模型的非线性系统的模糊内模控制设计。由C-R模型的辨识递推算法获得对象模型和逆模型,并建立模糊内模控制算法。通过对连续搅拌反应釜控制系统的仿真表明,该控制方法有效、可行,具有良好的控制品质。