基于神经网络与多模型的非线性自适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法.该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成.线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能.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.同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析.最后,通过仿真实例验证了该方法的有效性.     

基于神经网络与多模型的非线性白适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法．该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成．线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能．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．同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析．最后,通过仿真实例验证了该方法的有效性．     

虚拟未建模动态补偿与数据驱动的非线性广义预测控制

针对一类离散时间非线性动态系统,把常规广义预测控制与数据驱动控制相结合、反馈控制与前馈补偿相结合、信号补偿与调节器原理相结合,提出了一种数据与虚拟未建模动态及其增量补偿的非线性广义预测控制方法.推导了闭环系统的输入输出动态方程,并分析了所提控制算法的性能.对比实验的研究体现出本文所提控制算法的优越性和有效性.     

基于深度学习的非线性广义预测控制

针对一类离散时间单输入-单输出(single-input single-output, SISO)非线性动态系统,将非线性切换控制与基于深度学习的未建模动态估计方法相结合,提出了一种新的非线性广义预测控制方法。该方法针对未建模动态的未知增量,通过使用基于深度学习技术的长短记忆神经网络(long short-term memory, LSTM)进行预估,设计了一种带有未建模动态增量估计的非线性广义预测控制器,增强控制性能。对所提的控制算法进行了稳定性和收敛性分析,最后通过数值仿真实验验证了所提方法的有效性。     

基于未建模动态补偿的非线性自适应切换控制方法

针对一类不确定的离散时间零动态不稳定的单输入-单输出(Single-input single-output, SISO)非线性系统,提出了一种基于未建模动态补偿的非线性控制器. 采用自适应神经模糊推理系统(Adaptive-network-based fuzzy inference system, ANFIS)和一一映射相结合的方法估计未建模动态.在此基础上,提出了由线性自 适应控制器、非线性自适应控制器以及切换机制组成的自适应切换控制方法.该方法通过对上述两种控制器的切换, 保证闭环系统输入输出信号有界的同时,改善系统性能.本文将要求未建模动态全局有界的条件放宽为线性增长, 建立了所提自适应控制方法的稳定性和收敛性分析.通过仿真比较和水箱的液位控制实验,验证了所提方法的有效性.     

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Petri网的非线性多变量系统解耦控制

广义自控网系统是一类弧权值受库所控制的高级Petri网,能够简单有效地建模PID控制规律.借鉴单神经元PID控制原理,在广义自控网系统的基础上加入神经元网络的学习规则,设计基于广义自控网系统的PID控制器,并用于非线性多变量系统解耦控制.所提方法充分利用了自控网系统的特点,所设计的控制器模型能实现系统控制与参数学习的统一.结合双容水箱控制系统实例进行仿真分析,分析结果验证了所提方法的有效性.     

数据与未建模动态驱动的非线性PID切换控制

本文充分利用系统的数据信息和知识,把数据驱动控制、PID控制与一步超前最优控制策略相结合,提出了数据与未建模动态驱动的非线性PID切换控制方法.该方法首先利用被控对象往往运行在工作点附近的特点及系统丰富可测的数据信息,把被控对象表示成低阶控制器设计模型与高阶非线性项(未建模动态)和的形式.与以往方法的本质区别在于,所提的方法直接将未建模动态分解为前一拍数据与未知增量的和,并充分利用未建模动态可测数据信息补偿系统未知的非线性动态特性,设计非线性PID控制器,对未建模动态的未知增量采用自适应神经模糊推理系统(ANFIS)进行估计,从而设计带有未建模动态增量估计的非线性PID控制器.将控制器的跟踪误差引入切换指标,两个控制器通过切换机制协调控制系统,既保证系统的稳定,同时提高系统的性能.为解决PID控制器参数难以选择的问题,采用一步超前最优控制策略进行参数设计,从理论上给出了PID控制器参数选择的一般原则和方法,推导了保证闭环系统输入输出稳定性的条件;最后,通过数值仿真实验以及在水箱液位控制系统的物理对比实验,实验结果验证了所提算法的有效性和实用性.     

可逆冷带轧机速度张力系统的动态滑模解耦控制

为削弱可逆冷带轧机速度张力系统中各变量间的非线性耦合影响,本文提出了一种基于幂指数趋近律的微分几何动态滑模解耦控制方法.首先,应用微分几何理论,通过非线性状态反馈和坐标变换,实现了可逆冷带轧机速度张力非线性耦合系统的输入/输出动态解耦和线性化.其次,针对解耦后得到的各独立线性子系统,综合考虑可逆冷带轧机速度张力系统的负载扰动、参数摄动和未建模动态等不确定部分的影响,基于幂指数趋近律设计了动态滑模控制器.理论分析表明,所提出的控制方法能够保证闭环系统渐近稳定,并能有效削弱系统抖振.最后,对某1422mm可逆冷带轧机速度张力非线性耦合系统进行仿真,并同其他解耦控制方法相比较,结果验证了所提出方法的有效性.     

基于ANN模型的非线性自校正预测控制器

采用局部建模和线性化方法,提出了一种基于人工神经网络(Artificial Neural Network --ANN)模型的非线性自校正预测控制算法.仿真实例表明,所提控制策略可有效地 控制某些未知多变量非线性动态系统.     

Adaptive Decoupling Control of Pulp Levels in Flotation Cells

Control of the pulp levels in flotation cells directly affects the grade of the concentrate and the tailings in a concentration plant. Nevertheless, with strong coupling among cell levels and nonlinearities in the flotation process, conventional control strategies cannot achieve satisfactory control performance. In this paper, a nonlinear multi‐model adaptive decoupling control strategy based on adaptive‐network‐based fuzzy inference systems (ANFIS) is proposed for the flotation process, which includes a linear adaptive decoupling controller, an ANFIS‐based nonlinear adaptive decoupling controller, and a switching mechanism. The proposed method not only improves the transient performance and mitigates effects of the nonlinearities on the system, but also guarantees the input‐output stability of the closed‐loop system. Successful application to the flotation process has been made in a concentration plant in China, and the feasibility and efficiency of the proposed method have been validated.     

Nonlinear Decoupling PID Control Using Neural Networks and Multiple Models

For a class of complex industrial processes with strong nonlinearity, serious coupling and uncertainty, a nonlinear decoupling proportional-integral-differential （PID） controller is proposed, which consists of a traditional PID controller, a decoupling compensator and a feedforward compensator for the unmodeled dynamics. The parameters of such controller is selected based on the generalized minimum variance control law. The unmodeled dynamics is estimated and compensated by neural networks, a switching mechanism is introduced to improve tracking performance, then a nonlinear decoupling PID control algorithm is proposed. All signals in such switching system are globally bounded and the tracking error is convergent. Simulations show effectiveness of the algorithm.     

Nonlinear Decoupling PID Control Using Neural Networks and Multiple Models

For a class of complex industrial processes with strong nonlinearity, serious coupling and uncertainty, a nonlinear decoupling proportional-integral-differential (PID) controller is proposed, which consists of a traditional PID controller, a decoupling compensator and a feedforward compensator for the unmodeled dynamics. The parameters of such controller is selected based on the generalized minimum variance control law. The unmodeled dynamics is estimated and compensated by neural networks, a switching mechanism is introduced to improve tracking performance, then a nonlinear decoupling PID control algorithm is proposed. All signals in such switching system are globally bounded and the tracking error is convergent. Simulations show effectiveness of the algorithm.     

Neural network-based robust adaptive control of nonlinear systems with unmodeled dynamics

A neural network-based robust adaptive control design scheme is developed for a class of nonlinear systems represented by input–output models with an unknown nonlinear function and unmodeled dynamics. By on-line approximating the unknown nonlinear functions and unmodeled dynamics by radial basis function (RBF) networks, the proposed approach does not require the unknown parameters to satisfy the linear dependence condition. It is proved that with the proposed control law, the closed-loop system is stable and the tracking error converges to zero in the presence of unmodeled dynamics and unknown nonlinearity. A simulation example is presented to demonstrate the method.     

Robust adaptive fuzzy-neural control of nonlinear dynamical systemsusing generalized projection update law and variable structurecontroller

In this paper, a robust adaptive fuzzy-neural control scheme for nonlinear dynamical systems is proposed to attenuate the effects caused by unmodeled dynamics, disturbance, and modeling errors. A generalized projection update law, which generalizes the projection algorithm modification and the switching-sigma adaptive law, is used to tune the adjustable parameters for preventing parameter drift and confining states of the system to the specified regions. Moreover, a variable structure control method is incorporated into the control law so that the derived controller is robust with respect to unmodeled dynamics, disturbances, and modeling errors. To demonstrate the effectiveness of the proposed method, several examples are illustrated in this paper.     

强制循环蒸发系统的非线性自适应解耦PID控制

本文结合现场的实际过程数据,首先应用能量平衡建立了强制循环蒸发过程的动态模型.针对该过程的多变量、非线性以及强耦合特性,在常规增量式PID控制器的基础上提出基于神经网络与多模型切换的非线性自适应解耦PID控制策略.该控制器是由线性自适应解耦PID控制器和基于神经网络的非线性自适应解耦PID控制器以及切换机构组成.其中线性自适应解耦PID控制器可以保证系统的稳定,而基于神经网络的非线性自适应解耦PID控制器则可以有效地提高系统的性能.上述过程的PID参数是通过广义预测的方法得到,最后通过仿真表明,上述控制方法不仅消除了回路间的耦合,在稳定生产的同时提高了蒸发的效率.