Smith自适应辨识控制系统设计与仿真

以具有时滞特性的暖通空调为被控对象,将Smith预估控制算法与自适应算法结合,以李雅普诺夫稳定性理论为基础推导自适应律,设计出Smith自适应辨识器,从而实现控制器参数的自整定,并解决了控制过程中的参数时变问题,控制效果得以优化。实验仿真结果表明,Smith自适应辨识器控制算法优于常规Smith预估控制算法。     

非线性系统中自调整模糊神经网络控制方法的应用研究

针对难以解决的纯滞后非线性系统控制,提出一种基于自调整模糊神经网络控制的辨识Smith预估方法,采用模糊神经网络与PID控制动态复合,保持了模糊控制较强的鲁棒性和神经网络可以任意逼近非线性系统的能力以及PID调解器消除静态误差的优点.同时利用神经网络进行参数在线辨识以构成Smith预估器,适应了被控对象的实时变化.在热连轧中的仿真结果证明了该方法的有效性.     

基于Smith预估的神经网络循环流化床锅炉床温控制

料床温度是循环流化床锅炉正常运行的一个重要指标,它影响着锅炉的燃烧效率和污染物排放速率。在燃烧过程中,它具有时变性、大惯性和大滞后的特点。针对这一问题,将BP-Smith预估控制算法应用于循环流化床锅炉床温控制,该算法基于BP整定的PID控制,提高对被控对象参数变化的自适应能力和Smith预估控制能够克服对象的大迟延特性,并对BP-Smith预估控制进行了仿真。仿真结果表明,所设计的控制系统性能均优于常规PID控制和Smith预估补偿PID控制系统。     

时滞大惯性对象随动性能的改善

以时滞大惯性加热炉为被控对象,通过试验建模得到对象模型参数,应用Siemenss7-300自整定调节器和结构控制语言SCL构建Smith预估控制系统。研究常规单回路系统、常规Smith预估系统以及增益自适应Smith预估系统在时滞大惯性时象情况下的随动响应性能。实际运行表明,增益自适应Smith预估系统控制质量明显提高,尤其在对象参数与预估器参数失配后,能够有效地改善系统的随动响应和鲁棒性。     

基于Smith预估器的单神经元PSD自适应主汽温控制

针对电厂中主汽温控制系统具有大滞后、非线性的特点,提出了一种新的基于 Smith 预估器的单神经元 PSD 自适应控制算法,即由 Smith 预估器和单神经元 PSD 自适应控制器组合的复合控制。并且利用Lyapunov 稳定性理论证明了单神经元自适应控制器的稳定性。实验结果表明,这种控制方式具有较好的自适应性和鲁棒性。     

增益和相位补偿的双模Smith预估控制算法

针对具有大滞后和大惯性的难控对象,在常规Smith预估控制的基础上加入了P-PID双模控制来提高系统的初期响应速度和减小过大的超调,并提出了带增益和相位补偿的双模Smith预估控制算法.仿真结果表明:当对象模型失配时,该算法能有效改进Smith预估控制的效果,提高系统的自适应能力.     

增益和相位补偿的双模Smith预估控制算法

针对具有大滞后和大惯性的难控对象,在常规Smith预估控制的基础上加入了p-PID双模控制来提高系统的初期响应速度和减小过大的超调,并提出了带增益和相位补偿的双模Smith预沾控制算法．仿真结果表明：当对象模型失配时,该算法能有效改进Smith预估控制的效果,提高系统的自适应能力．     

一种Fuzzy-Smith控制器的设计

针对具有大时滞环节的被控对象难以实现优化控制的问题,设计了一种Fuzzy-Smith控制器.该控制器可充分发挥Smith预估器和模糊控制器的优势,利用模糊控制对参数变化不敏感和鲁棒性强的特点,借助Smith预估器对模糊控制进行有效补偿,以实现对大时滞系统的优化控制.以二阶纯滞后环节为对象进行了仿真分析.仿真研究结果表明：该控制器对大滞后被控对象有较好的补偿作用,对被控对象参数的变化有较强的适应能力,改进的Fuzzy-Smith控制器具有较强的鲁棒性和良好的控制品质.     

Fuzzy-Smith控制器在烧结制粒湿度控制中的研究

针对烧结制粒湿度控制系统具有纯滞后、模型参数时变的特性,在常规史密斯控制的基础上,结合模糊控制理论,设计了Fuzzy-Smith控制器.该算法利用Smith预估控制克服系统纯滞后的影响,利用模糊控制对模型参数要求的不精确性和不适应性.仿真结构表明,该控制算法具有较强的鲁棒性、有效地抑制了大纯滞后、时变的影响,对参数变化具有很强的适应性,对烧结制粒湿度控制能取得良好的控制效果.     

自适应控制在火电厂主蒸汽温度控制中的应用

火电厂主蒸汽温度具有大迟延、大惯性和时变性。自适应Smith预估控制及自适应内模控制均能根据对象状态的改变随时整定控制器参数。将这两种方法应用于火电厂主蒸汽温度控制系统中,可提高控制系统的鲁棒性。     

基于神经网络的时变大滞后系统的Smith预估控制

针对大滞后不确定系统提出了一种基于人工神经网络的改进型 smith 预估控制方案,设计了一个基于神经网络的补偿器来克服不确定的大延迟对控制性能的不利影响,解决了传统 Smith 预估控制鲁棒性差及需要预先知道受控对象精确数学模型的问题.数字仿真结果表明,此方案可以在被控对象数学模型未知的情况下对时滞对象进行控制,特别是当时滞对象的特性发生变化时,具有较好的适应性,控制效果远远优于普通 Smith 预估控制.     

基于神经网络的时变大滞后系统的Smith预估控制

针对大滞后不确定系统提出了一种基于人工神经网络的改进型smith预估控制方案，设计了一个基于神经网络的补偿器来克服不确定的大延迟对控制性能的不利影响，解决了传统smith预估控制鲁棒性差及需要预先知道受控对象精确数学模型的问题。数字仿真结果表明，此方案可以在被控对象数学模型未知的情况下对时滞对象进行控制，特别是当时滞对象的特性发生变化时，具有较好的适应性，控制效果远远优于普通Smith预估控制。     

基于BP网络的典型工业过程自适应预测区域控制

针对一类具有分数传输滞后、参数时变的典型工业过程开环参数与广义预测控制器参数之间的内在联系 ,通过在目标函数中引入开环增益 ,并利用BP网络的非线性映射能力得到了自适应广义预测控制的一种直接算法。在该算法中 ,先用一个辨识器辨识过程开环参数 ,然后由一个已训练好的BP网络根据辨识结果和加权因子的值直接计算出控制器的参数 ,得到控制律。该方法不依赖于过程的精确模型 ,极大地简化了在线计算负担。同时 ,把区域控制的思想引入到预测控制之中 ,给出了两种区域预测控制方案。在一个二元精馏塔模型上与常规广义预测控制方案的对比仿真结果验证了文中所示方法的可行性     

蒸汽炉温度的一种自适应预测控制

对具有滞后和惯性时变对象,提出了一种自适应预测控制方案,对对象参数进行预测,利用最小方差控制方法进行控制,确保系统在对象参数变化时仍保持优良的控制性能,根据本文提出的方法,对蒸汽炉系统蒸汽温度控制进行了仿真,取得了较满意的控制效果。     

Application of Improved Neural Adaptive PSD Algorithm in Temperature Control of INS

A neural adaptive proportion sum differential (PSD) algorithm with errors prediction is researched. It is applied in inertial navigation system(INS) temperature control. The algorithm do not need the process‘s precise mathematical model and can adapt to the process parameters changing, and can deal with the process with nonlinearity. According to the Smith predictor, author developed a method that takes the predicted process error and error change as neural adaptive PSD algorithm‘s input. The method is effective to the system with long dead time.The results of compute simulation show that this system has characters of quickly reactiorr, low overshoot and good stability. It can meet the requirements of temperature control of INS.     

基于模型预测的神经网络非线性时滞系统的辨识和控制

大纯时延、媒种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因.本文提出了非线性延迟系统的延迟时间参数的神经网络辨识方法,即改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间.将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合,可以用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制.仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快,鲁棒性能好等优点.     

大时滞过程的控制方法

时滞系统的控制是控制领域中的研究热点之一.介绍了大时滞系统的特点,全面总结了PID控制、Smith预估控制、达林算法、内模控制、预测控制、智能控制等各种控制方法,分析了各种控制方法的特点、改进方向,以及在大时滞控制系统的应用.最后指出高级控制技术和传统控制方法的结合是未来时滞过程控制的发展方向.     

基于神经网络的智能下肢假肢自适应控制

下肢假肢的膝关节是一种具有高度非线性、时变、强耦合的阻尼系统,传统控制方法很难达到良好控制效果.针对这一问题,提出将神经网络(NN)应用于下肢假肢控制.以学习矢量量化(LVQ)神经网络为基础,提出神经网络模型参考自适应控制方法.该方法通过选择适当的参考模型和自适应算法,利用参考模型输出与实际系统输出之间的误差信号,由自适应算法计算当前的控制量以控制智能下肢假肢,达到自适应控制的目的.该方法不需要进行性能指标的变换,容易实现且自适应速度快,仿真结果表明了该方法的有效性.     

基于参考模型神经网络的锅炉燃烧系统控制

大纯时延、煤种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。本文作者提出了改变神经网络输入样本区间，利用网络输出期望值与输出实际值之间的误差平方和产生的突变，辨识出非线性对象的延迟时间的方法，将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合，可用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制，同时，以10t／h链条炉作为研究对象进行仿真，仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快，鲁棒性能好等优点。     

多模型预测控制及其在火电厂过热汽温控制中的应用

针对火电厂存在的过热汽温问题,设计了多模型预测控制系统.根据若干建模工况点,离线训练局部人工神经网络模型,利用贝叶斯估计的方法在线计算每个局部神经网络模型概率,加权计算出模型预测输出值.根据预测控制的原理,利用Newton-Raphson迭代法得到控制信号,从而得到了仅含一个控制器的多模型预测控制系统.仿真结果表明,在负荷大范围变化的工况下仍能保持良好的控制性能,具有较强的鲁棒性.