基于MAS的分布式焦炉集气管压力解耦控制

针对焦炉集气管压力这类多变量非线性耦合系统,提出了一种基于multi-agent system(MAS)的焦炉集气管压力智能协调控制系统方案,给出了agent的分层组织结构和演化机制．在控制agent中,采用TS模糊神经回归网络对被控对象进行分布式建模,运用分布式智能协调解耦算法进行解耦控制,监督学习与强化学习相结合,采用遗传协进化算法对多个agent协调优化．通过agent模态变迁进行模式切换,以适应快速突变环境．工程应用表明,提出的控制策略有效地解决了集气管压力这类复杂对象的过程控制问题．     

多座不对称焦炉集气管压力模糊解耦控制

某钢铁企业多座不对称焦炉具有容量不同、管道布局不同等特点, 使得基于传统解耦控制方法的集气管压力控制效果欠佳. 为此本文提出了一种多座不对称焦炉集气管压力模糊解耦控制方法. 从降低解耦控制器输入维数的角度出发, 采用动态耦合度方法可以实时确定多座不对称焦炉集气管的耦合关系; 并采用模糊解耦控制器对动态耦合度分析后的集气管压力进行实时解耦控制, 该方法从理论意义上证明了模糊控制的解耦原理, 实现了焦炉集 气管压力的解耦. 对于具有不对称特性的被控对象提供了一定的理论和实际应用价值.     

焦炉集气管压力Fuzzy-PID控制系统设计

针对焦炉集气管压力这类多变量非线性系统，提出了一种基于Fuzzy—PID控制的智能分段控制方案．构成了焦炉集气管压力智能控制系统。采用Siemens公司的S7-200PLC进行控制．采用WinCC组态软件实现监控功能。实际应用表明，提出的控制策略有效解决了集气管压力控制过程中的多扰动、强耦合的非线性问题，具有良好的动态和静态特性，系统主要技术指标优于原指标。     

模糊神经网络在解耦控制中的研究

在工业生产过程中,针对纯迟延、时变、强耦合的多输入多输出现象,提出一种基于模糊神经网络解耦和PID控制相结合,对系统进行解耦控制的方法。这种方法不需要建立多变量对象精确的数学模型,通过对大迟延大惯性强耦合的循环流化床锅炉床温一主汽压力对象进行仿真,其结果表明,解耦控制效果很好,具有良好的静态性、动态性及鲁棒性。     

模糊神经网络在解耦控制中的研究

在工业生产过程中,针时纯迟延、时变、强耦合的多输入多输出现象,提出一种基于模糊神经网络解耦和PID控制相结合,对系统进行解耦控制的方法.这种方法不需要建立多变量对象精确的数学模型,通过对大迟延大惯性强耦合的循环流化床锅炉床温-主汽压力对象进行仿真,其结果表明,解耦控制效果很好,具有良好的静态性、动态性及鲁棒性.     

焦炉集气管压力模糊神经网络控制系统

针对焦炉集气管压力这类多变量非线性系统,提出一种基于模糊神经网络的智能协调控制方案。应用遗传算法对模糊神经网络结构和参数进行优化,并采用PLC的逻辑梯形图语言编程实现智能协调运算。工程应用表明了系统设计的有效性。     

可控受限多变量耦合系统的智能控制

针对可控受限多变量耦合系统,提出了一种基于对角递归神经网络(DRNN)整定的PID混合解耦控制。采用对角递归神经网络来辨识系统模型,进而对PID控制器参数进行整定,实现多变量解耦控制。通过对多变量耦合控制系统的设计和实时控制,实际控制结果达到了解耦控制的要求,并具有无超调、响应速度快、控制精度高等特点。     

注塑机料筒多段温度PID神经网络解耦控制系统

注塑机料筒温度是一类多变量、强耦合、大惯性控制对象，本文根据注塑机料筒温度控制的要求，利用PID神经网络构成多变量解耦控制系统。文中分析了注塑机温度控制的特点，给出了网络的结构和算法，对多段温度系统进行了实时仿真，显示了PID神经网络对注塑机料筒温度控制的良好解耦性能和自学习控制特性。     

焦炉集气管压力计算机控制系统

分析了焦炉集气管压力系统非线性模型，归纳整理出１００多条具有自适应能力和多变量解耦功能的控制规则，构成控制算法库     

人工鱼群算法优化的PID神经网络解耦控制

针对多变量系统解耦控制的要求和特点,传统的PID神经网络在选取初始权值难以确定,往往是随机得到,容易导致采用的BP学习算法陷入局部极值.提出了一种人工鱼群算法优化PID神经网络初始权值.通过对多变量控制对象的mat-lab仿真验证,把人工鱼群算法优化得到的最优初始权值带入PID神经网络,结果显示加快了PID神经网络的收敛速度,使控制量迅速地接近控制目标,保证了系统稳定性,取得了满意的控制效果.     

基于PID控制的遗传神经网络在焦炉温度控制中的应用研究

以某焦化厂焦炉温度控制系统的开发为背景，提出了一种基于遗传算法的CMAC(小脑模型关联控制器)与PID复合控制方法来优化焦炉对象的温度控制．用遗传算法优化PID控制器的初始参数，然后再结合CMAC网络进行控制．针对焦炉生产过程的简化模型，在Matlab中对这种控制方法进行了仿真．仿真研究表明该方法应用于焦炉控制是可行的．     

基于模糊RBF神经网络的PID及其应用

针对传统的PID控制器参数固定而导致在控制中效果差的问题,提出一种基于模糊RBF神经网络智能PID控制器的设计方法。该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制与RBF神经网络相结合以在线调整PID控制器参数,整定出一组适合于控制对象的kp, ki, kd参数。将算法运用到电机控制系统的PID参数寻优中,仿真结果表明基于此算法设计的PID控制器改善了电机控制系统的动态性能和稳定性。     

Multi‐Variable Direct Self‐Organizing Fuzzy Neural Network Control for Wastewater Treatment Process

A multi‐variable direct self‐organizing fuzzy neural network control (M‐DSNNC) method is proposed for the multi‐variable control of the wastewater treatment process (WWTP). In this paper, the proposed control system is an essential multi‐variable control method for the WWTP. No exact plant model is required, which avoids the difficulty of establishing the mathematics model of WWTP. The M‐DSNNC system is comprised of a fuzzy neural network controller and a compensation controller. The fuzzy neural network is used for approximating the ideal control law under a general nonlinear system. Moreover, the neural network is designed in a self‐organizing mode to adapt the uncertainty environment. Simulation results, based on the international benchmark simulation model No.1 (BSM1), demonstrate that the control accuracy is improved under the proposed M‐DSNNC method, and the controller has a much stronger decoupling ability.     

基于神经网络的PID控制器

提出了一种新型PID控制器,该控制器利用BP网络实现PID参数的在线调整,采用RBF网络对被控对象在线辨识。仿真结果表明该控制器的控制效果优于传统的PID控制算法和模糊自适应PID控制算法。     

气动油压伺服系统的智能PID控制研究

针对经典的基于对象精确模型的PID控制方法自适应性差,难以适应具有非线性、时变不确定性的被控对象,提出了一种基于RBF神经网络的、结构简单的PID自适应控制方法。将该智能PID控制应用于气动油压伺服系统中,实验结果表明:具有自学习和自适应能力的RBF网络PID控制方法,能够适应被控对象在较大范围内的变化,具有较强的鲁棒性,其控制品质明显优于常规PID控制方法,将其应用于气动油压伺服系统是可行的。     

基于模糊径向基函数神经网络的PID控制算法仿真研究

在传统的PID控制算法基础上,提出了一种基于模糊RBF神经网络的PID控制算法。该算法将RBF神经网络学习能力强与模糊理论的推理能力强的特点结合起来,在线调整比例、积分、微分三个控制参数,仿真结果表明,该算法的控制品质优于常规PID控制,具有较强的自适应能力和鲁棒性。     

基于改进神经网络的PID整定

针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处,提出一种基于模糊RBF神经网络的PID自适应控制方法。首先用改进的模糊K一均值聚类算法初始化RBF神经网络的隐层节点中心和基函数宽度,再采用梯度法优化RBF神经网络自适应地整定PID的三个参数。仿真结果表明该学习算法的实用性和有效性。     

PID神经元网络多变量控制系统分析

PID神经元网络是一种新的多层前向神经元网络,其隐含层单元分别为比例(P)、积 分(I)、微分(D)单元,各层神经元个数、连接方式、连接权初值是按PID控制规律的基本原则 确定的,它可以用于多变量系统的解耦控制.给出了PID神经元网络的结构形式和计算方 法,从理论上证明了PID神经元网络多变量控制系统的收敛件和稳定性,通过计算机仿真证 明了PID神经元网络具有良好的自学习和自适应解耦控制性能.