基于T-S模糊神经网络的Hammerstein模型预测控制

针对化工生产过程中强非线性、大滞后、时变特点的复杂特性,提出了一种基于T-S模糊神经网络的Hammerstein模型动态矩阵预测控制方法。采用非线性控制分离策略,应用动态矩阵控制算法计算该模型动态线性部分的中间变量,作为T-S模糊神经网络的输入,进而通过T-S模糊神经网络逆映射出控制量,以实现基于T-S模糊神经网络的Hammerstein模型预测控制。pH中和过程的仿真控制实验表明,所提方法明显优于传统的PID控制方法,具有良好的设定值跟踪及抗干扰效果。     

加热炉炉温的模糊广义预测控制仿真研究

针对加热炉炉温的大惯性、大滞后及非线性等特点,提出一种基于T-S模糊模型的模糊广义预测控制策略。T-S模糊模型的前件和后件参数分别采用粒子群优化的模糊C-均值算法和递推最小二乘法辨识,根据输入变量更新模型隶属度并将T-S模糊模型等价转换为线性模型,以此作为预测模型应用于广义预测控制。仿真结果表明:该方法在不同工况下均具有较短的调节时间,在扰动作用下有很强的鲁棒性。     

基于人工鱼群优化的锅炉汽包水位模糊预测

介绍火电厂锅炉汽包水位在实际生产中的工作特点,将人工鱼群优化滚动、优化策略的广义预测控制算法和T-S模糊模型应用于汽包水位建模中,并将其作为广义预测控制的预测模型,研究基于模糊T-S模型的广义预测控制算法在汽包液位控制系统中的应用。在MATLAB仿真环境下对其控制效果和性能进行分析。     

基于FGPC的单元机组协调控制系统研究

针对单元机组的大迟延、强耦合、参数时变且不确定性的特点,将T—s模糊模型引入预测控制中,作为预测模型。首先,用改进的模糊c一均值聚类算法和随机牛顿法辨识得到非线性系统的T-s模型;然后基于线性化后的系统模型设计模糊广义预测控制器,并对非线性对象进行在线控制。仿真结果表明：FGPC对于时变的非线性系统具有很好的控制效果。     

基于因果分析的烧结生产状态预测模型

烧结是高炉炼铁系统中的重要生产单元,其生产水平高低直接关系炼铁企业的生产效益。烧结过程具有时滞性和非线性特征,为了实现对烧结生产状态的准确预测,本文综合自相关分析、收敛交叉映射和误差反向传播神经网络等方法,融合因果性机理和黑箱模型,建立了基于因果分析的烧结生产状态预测模型。该模型通过因果分析层选取解释变量集、自相关窗口和因果性窗口,并通过神经网络层实现对6个烧结生产状态关键变量的准确预测。经过工业数据测试,该模型预测平均误差控制在0.5%～3.1%之间,能够有效辅助工厂进行烧结状态调整。     

基于T-S模糊模型的间歇过程的迭代学习容错控制

间歇过程不仅具有强非线性,同时还会受到诸如执行器等故障影响,研究非线性间歇过程在具有故障的情况下依然稳定运行至关重要。针对执行器增益故障及系统所具有的强非线性,提出一种新的基于间歇过程的T-S模糊模型的复合迭代学习容错控制方法。首先根据间歇过程的非线性模型,利用扇区非线性方法建立其T-S模糊故障模型,再利用间歇过程的二维特性与重复特性,在2D系统理论框架内,设计2D复合ILC容错控制器,进而构建此T-S模糊模型的等价二维Rosser模型,接着利用Lyapunov方法给出系统稳定充分条件并求解控制器增益。针对强非线性的连续搅拌釜进行仿真,结果表明所提出方法具有可行性与有效性。     

基于T-S模糊模型的间歇过程的迭代学习容错控制

间歇过程不仅具有强非线性,同时还会受到诸如执行器等故障影响,研究非线性间歇过程在具有故障的情况下依然稳定运行至关重要。针对执行器增益故障及系统所具有的强非线性,提出一种新的基于间歇过程的T-S模糊模型的复合迭代学习容错控制方法。首先根据间歇过程的非线性模型,利用扇区非线性方法建立其T-S模糊故障模型,再利用间歇过程的二维特性与重复特性,在2D系统理论框架内,设计2D复合ILC容错控制器,进而构建此T-S模糊模型的等价二维Rosser模型,接着利用Lyapunov方法给出系统稳定充分条件并求解控制器增益。针对强非线性的连续搅拌釜进行仿真,结果表明所提出方法具有可行性与有效性。     

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。     

化工过程强非线性系统的变模型自适应预测控制

提出一种变模型自适应预测控制算法 ;基于非线性状态空间模型 ,通过每步在当前工作点 (非平衡点 )线性化获得线性化子模型 ,以此进行状态反馈预测控制 ,线性化子模型随工作点变化 ,且不限于平衡点。通过pH值控制的对比仿真实验 ,证明其对强非线性过程的控制效果优于传统的多模型预测控制。最后分析讨论了该控制算法存在的几个重要问题 ,并指出与之相关的未来研究方向     

递归T-S模糊模型的神经网络

在常规T-S模糊神经网络的基础上加入动态递归元件,提出了递归T-S模糊模型的神经网络。在系统辨识中采用无监督聚类算法和动态反向传播算法训练该递归神经网络的参数,给出了该递归网络的逼近性证明。辨识效果与常规T-S模糊模型作比较,说明递归T-S模糊模型的神经网络在非线性系统辨识中表现出更好的性能。     

基于优先级的烧结过程协调优化控制系统

烧结过程是一个复杂的物理、化学反应过程,存在大滞后性、强非线性、多目标、多约束条件等控制难点。为了实现铁矿石烧结过程中混合料料槽料位和烧结终点这两个关键参数的综合控制,提出了一种基于优先级的协调优化控制方法。首先,通过综合运用神经网络预测和模糊控制,建立烧结终点的智能控制模型;同时,为了稳定混合料料槽料位,分析影响料槽料位的主要因素,基于专家知识建立了混合料料槽料位专家控制模型;然后,通过构造基于优先级的协调优化控制模型,在优先级控制的基础上采用软切换控制,将两个控制器相结合,获得最适宜的速比以及台车速度增量,实现烧结生产过程的协调优化控制。最后,针对该协调控制策略,设计了其工厂实现方案。     

基于模糊满意度的烧结过程多目标优化控制

为实现铁矿石烧结过程中烧结终点和混合料槽料位两个关键参数的综合优化,提出了一种基于模糊满意度的多目标优化控制方法。首先,通过综合运用模糊控制、预测控制的切换控制技术,建立烧结终点的智能优化控制模型;其次,为稳定混合料槽料位,基于专家知识,建立了混合料槽料位专家控制模型;最后通过构造求解多目标优化问题的系统满意度函数,将多目标优化问题转化为单目标优化问题,求取系统的满意解,实现烧结过程多目标优化控制。仿真结果和实际运行结果表明提出的方法是可行而有效的。     

基于T-S模糊模型与粒子群优化的非线性预测控制

引言模型预测控制属于一种基于模型的多变量的控制算法,发展至今已在化工过程控制方面得到了广泛的应用[1-5]。状态反馈预测控制[6-8]是模型预测控制技术的一种,基于状态空间模型,采用实测状态     

Neural‐Networks‐Based Feedback Linearization versus Model Predictive Control of Continuous Alcoholic Fermentation Process

In this work advanced nonlinear neural networks based control system design algorithms are adopted to control a mechanistic model for an ethanol fermentation process. The process model equations for such systems are highly nonlinear. A neural network strategy has been implemented in this work for capturing the dynamics of the mechanistic model for the fermentation process. The neural network achieved has been validated against the mechanistic model. Two neural network based nonlinear control strategies have also been adopted using the model identified. The performance of the feedback linearization technique was compared to neural network model predictive control in terms of stability and set point tracking capabilities. Under servo conditions, the feedback linearization algorithm gave comparable tracking and stability. The feedback linearization controller achieved the control target faster than the model predictive one but with vigorous and sudden controller moves.     

APPLICATION OF FUZZY ADAPTIVE CONTROLLER IN NONLINEAR PROCESS CONTROL

In general, physical processes are usually nonlinear and control system design based on the linearization technique cannot control the process well for a wide range of operation. Use of the variable transformation method may not always solve the problem. In this paper, a fuzzy adaptive controller is proposed to control the nonlinear process. The CSTR control problem has also been considered. The results are compared with the method of nonlinear model predictive control (NMPC) with constrained and unconstrained control variables. A fuzzy model-following control system scheme is also proposed. The results show that the proposed controller is a feasible control structure for a nonlinear or parameter-variations process control.     

先进控制条件下化工过程操作裕量与控制性能分析

引言化工过程的设计裕量可以定义为考虑过程不确定参数(包括工艺条件、设备条件、外来扰动)发生变化时为满足生产和操作要求需要在正常操作的标称设计值上增加的量。设计裕量根据其属性可以     

基于模型预测控制及智能寻优的水泥粉磨优化控制

本文提出一种基于运行状态软测量和成本软约束的多变量模型预测控制(MPC)。MPC控制与传统的专家经验控制和模糊控制相比,通过模型对系统工艺参数的预测,不断地学习更新模型,更符合水泥粉磨大时延、多工况的特性。应用中通过对水泥粉磨装置的阶跃响应实验,建立多变量预测控制模型,解决水泥粉磨系统生产过程的不确定性。在此基础上,通过增量学习和机器学习找到最优运行参数,使水泥粉磨的MPC控制一直保持在最优工况。     

Adaptive and Predictive Control of Liquid‐Liquid Extractors Using Neural‐Based Instantaneous Linearization Technique

Nonlinearity of the extraction process is addressed via the application of instantaneous linearization to control the extract and raffinate concentrations. Two feed‐forward neural networks with delayed inputs and outputs were trained and validated to capture the dynamics of the extraction process. These nonlinear models were then adopted in an instantaneous linearization algorithm into two control algorithms. The self‐tuning adaptive control strategy was compared to an approximate model predictive control in terms of set point tracking capability, efficiency and stability. For the case of large, abrupt set point changes, the performance of the self‐tuning algorithm was poor, especially for the raffinate control. The approximate model predictive control strategy was superior to the self‐tuning control in terms of its ability to force the output to following the set point trajectory efficiently with smooth controller moves.