基于RBF神经网络和BP神经网络的燃煤锅炉NO_x排放预测

基于某超超临界660 MW机组燃煤锅炉现场热态实验数据,利用MATLAB智能工具箱,分别采用径向基(RBF)神经网络和BP神经网络对该锅炉NOx排放特性进行建模,采用交替梯度算法对RBF神经网络预测模型进行输出层权值及RBF函数的中心与标准偏差值优化,对BP神经网络采用动量法进行改进。2种模型的仿真和预测结果对比分析表明:参数优化后的RBF神经网络预测模型预测结果的最大误差为3.0%,平均误差为1.75%;改进后的BP神经网络预测模型预测结果最大误差为6.6%,平均误差为4.5%;2种建模方法均具有较好的准确性和泛化能力,其中RBF神经网络模型的计算速度快,拟合和泛化能力更强。     

基于模糊RBF神经网络自学习的不确定机器人模糊自适应控制

针对机器人系统的不确定、非线性特点，设计了模糊RBF神经网络控制器学习机器人系统的不确定性上界，并利用模糊推理机产生的分目标学习误差进行训练，避免了采用系统直接输出反馈误差进行训练所存在的权值饱和与过调整问题。此外，在反馈回路还设计了固定比例增益控制器FC，起着监督的作用，对系统实施渐近稳定的控制。仿真结果表明这种控制方案实现了对机器人系统的高精度控制。     

基于SA-BP神经网络算法的电池SOH预测

针对传统BP神经网络在线估算锂离子电池健康状态(state of health,SOH)容易使权值陷入局部最优解,导致SOH预测不精确。结合模拟退火(simulate anneal,SA)算法能有效收敛于全局最优的特点,提出一种基于SA算法优化BP神经网络的锂离子电池SOH在线预测方法。以锂离子电池为研究对象,分析了微分电压、欧姆内阻、循环次数与电池SOH的关系,并以此作为电池的健康状态因子(health indicator,HI)输入至BP神经网络。利用SA算法优化BP神经网络的权值,使预测模型得到最优解。实验结果表明:利用优化算法对电池SOH进行预测,其最大误差仅为1.98%,平均误差为1.09%。相较于传统BP神经网络,优化算法预测最大误差降低了5.62%,平均误差降低2.33%。从而验证了基于SA算法优化BP神经网络能够获取全局最优值并提高电池SOH估算精度是有效的。     

液压伺服位置系统的神经网络backstepping控制

针对液压伺服位置系统存在的参数不确定性、外部干扰和输入饱和的问题,提出了一种神经网络backstepping控制算法。设计了神经网络辅助状态观测系统,并根据辅助状态观测误差来调节神经网络的权值,进而实现对系统复合干扰的在线观测。把该复合干扰的观测值引入到backstepping控制设计中,使得控制器能够对系统的复合干扰进行有效补偿;在backstepping设计过程中采用二阶滑模滤波器以避免微分项爆炸问题,简化了控制器的设计。通过Lyapunov稳定性理论证明了闭环系统所有信号一致最终有界。仿真结果表明,所设计的控制器能够有效地削弱参数不确定性、外部干扰和输入饱和对系统的影响,增强了系统的鲁棒性,实现了系统输出对期望位置的准确跟踪。     

基于径向基神经网络的爬壁机器人姿态调节控制方法

爬壁机器人姿态调节受其运动状态的影响，控制中心难以实时纠正爬壁机器人方向与角度，存在机器人运动失衡的问题，为此设计基于径向基神经网络的爬壁机器人姿态调节控制方法。建立机器人运动方程与静力学方程，判断机器人运动失衡状态，采用径向基神经网络对爬壁机器人姿态进行纠偏控制，并通过控制中心传输指令，实现基于径向基神经网络的爬壁机器人姿态调节控制。实验结果表明，应用所提方法后爬壁机器人偏航角、俯仰角误差与滚转角的误差平均值分别为0.20×10³、0.15×10³、0.45×10³ rad,在无干扰和有干扰的情况下，所提方法控制后到达的位置与目标位置的最大误差分别为2及10 m,体现了爬壁机器人姿态调节控制的优异性能。     

基于BP神经网络的高压电能计量装置误差校正研究

由于传统方法忽略了对高压电能计量装置比例系数、积分系数及微分系数关系的调整,导致误差校正耗时长、校正效果差,为解决该问题,提出了基于BP神经网络的高压电能计量装置误差校正方法。采集高压电能计量装置运行数据,根据采集数据对高压电能计量装置比例系数、积分系数及微分系数进行调整,使三者可以相互匹配且能相互约束,在相互约束条件下,从非线性组合中寻找高压电能计量装置误差校正的最佳权值。采用递阶遗传优化方式进行BP神经网络结构优化,设计权值学习过程,利用优化后的BP神经网络对权值不断调整,实现高压电能计量装置误差校正。仿真实验表明,研究方法的误差校正效果好、耗时短,具有可靠性。     

扭矩输入有界的机器人模糊PD轨迹跟踪

针对轨迹跟踪控制中机器人关节驱动器输出扭矩受限的问题,提出一种基于模糊自适应PD的输入有界轨迹跟踪控制算法。不同于以往的控制策略,该算法在控制律中引入具有饱和特性的改进反正切函数,以确保扭矩控制输入的有界性,并结合模糊自适应原理实现PD增益的在线自整定,以改善系统的动态特性。通过对位置跟踪误差进行线性滤波得到速度跟踪误差替代信号,使得整个系统的闭环控制仅需位置输出反馈。利用奇异摄动理论对系统进行了稳定性分析,证明在一定约束下的PD增益自整定过程中,仍能保证系统稳定。仿真和比较结果表明,该算法能够在严格保证控制输入有界的前提下,减小超调量,缩短系统调整时间,具有更优的轨迹跟踪性能。     

一种基于神经网络的BUCK变换器

提出一种BUCK变换器拓扑结构,变换器在不同状态下采用不同的控制策略,使开关变换器的输出电压在电源干扰下实现零稳态误差,在负载扰动的情况下具有较好的动态响应。新结构在设计的单反馈神经网络BUCK变换器基础上增加了一个滤波电感,通过输出电压的误差反馈值控制滤波电感的接通方式,使变换器的输出电压在受干扰超出允许波动范围时迅速恢复稳态。     

基于BP神经网络的光伏并网逆变器控制方法研究

以光伏并网逆变器为研究对象,为解决非线性可变负载并网时动态响应慢、电压波动大等问题,基于BP神经网络提出了一种逆变器控制方法。详细论述了光伏并网逆变器主电路结构以及数学模型。针对并网电流内环控制,设计了一种BP神经网络的控制器。在保证输出误差最小的前提下,采用梯度下降法寻找PID参数最优值,实现PID参数的实时调整。通过调整网络权值和学习率消除负载变化造成的不利影响,加快系统响应。仿真结果表明:在BP-PID控制策略下,并网电流跟踪速度更快、效果更好,可基本确保电流误差稳定在零附近,较好地完成了并网电流跟踪,验证了该控制策略的可靠性。     

基于神经网络补偿的机器人力／位置控制

考虑摩擦及外界干扰的情况下,针对具有不确定性的机器人系统,提出了一种新的基于神经网络补偿的智能力／位置控制方案。该控制器通过神经网络补偿机器人模型的未建模动力学部分等非参数不确定性带来的影响,NN的输出信号加在参考输入上而不是在关节力矩或控制输入上,同时在力控制回路采用灰色预测模糊调节,以提高系统的动态性能和稳态精度。仿真研究表明所设计的控制器具有良好的动态性能和较强的鲁棒性。     

基于BP神经网络的多孔介质减振器隔振效果分析

针对磁性液体多孔介质减振器的隔振系数难以精确快速计算的问题,提出使用BP神经网络计算该种减振器的隔振系数,并利用BP神经网络对振动情况进行反馈。使用一款自主设计的磁性液体多孔介质减振器,它能够单独改变影响隔振系数的四种物理量:磁性液体被吸附体积V、外磁场磁感应强度大小B、振动频率f和振动平均速度v。当四个物理量变化范围分别在1~2.4ml,0.22~0.4T,2.8~3.35Hz,0.02~0.27m/s时,测量四个物理量单独对隔振系数的影响,并将实验数据输入到BP神经网络中建立起有效的映射网络,最后通过实验分析BP神经网络在计算隔振系数上的误差以及它在控制减振效果中的可行性。最终得出BP神经网络能准确快速计算减振器隔振系数、能精确输出反馈信号的结论。     

基于神经网络内模控制在机械手中的研究

将内模控制与神经网络相结合的方法来解决机械手的控制问题,使机械手沿着一定的期望轨迹运行。神经网络对机械手建模作为内模控制中的模型,训练方法采用前向网络的BP学习算法。单个神经元使用静态模型,输入神经元之间的延迟引入系统的动态。仿真结果表明,该方法具有有效性和实用性。     

移动机器人测程法定位误差分析与校正

里程计的安装误差和凹凸不平或者光滑地面的环境是影响机器人测程法定位精度的主要原因,针对这一问题,首先利用UMBmark校核算法定义了系统误差模型;然后基于陀螺仪的测量数据,提出了机器人直线移动时发生非系统误差的辨识算法,利用所给定的控制信号(输入)与里程计数据(输出)建立模糊神经网络模型,校正机器人自定位因为非系统误差而导致的严重位置误差和方向误差。最后采用上海大学自强队机器人平台验证所提出方法的有效性。     

基于旋转坐标变换交流电子负载模拟实验研究

针对传统交流电子负载基于内环电流PI控制动态响应较差,且易受网侧波动干扰,以双PWM变换器为电路基础,参考三相PWM整流器通过旋转坐标变换分别控制有功与无功电流来消除稳态误差的模型,提出单相PWM整流器(VSR)旋转坐标变换模型.通过构建正交虚拟电流与前馈解耦并结合基于BP神经网络的自调整PI控制,在稳定直流母线电压的...     

机器人的神经网络鲁棒轨迹跟踪控制

考虑了一类具有外界扰动和参数不确定性机器人系统的轨迹跟踪鲁棒控制问题。提出了两种控制方法：第一种应用输入输出线性化方法以及Lyapunov函数法,推导出鲁棒输出跟踪控制器。所获得的控制器可确保系统输出按指数规律跟踪期望输出,同时相应闭环系统的状态一致最终有界。第二种方法在第一种控制方法的基础上,利用一个RBF神经网络自适应学习系统不确定性的未知上界,有效的克服了系统不确定性的影响,提高了控制精度。     

电液伺服系统的神经网络在线自学习自适应控制

针对电流伺服系统的复杂非线性和不确定性特性,提出了一种基于神经网络的在线自学习自适应控制策略,引入的神经网络模型可跟踪学习系统的时为动力学,控制器的设计依赖于系统的先验知识,控制参数的调整是基于被控过程的测量信息利用反馈误差学习算法实现的,该系统已应用大于型电液伺服结构试验机的控制,显示了优良的控制品质。     

Neural adaptive robust output feedback control of wheeled mobile robots with saturating actuators

This paper addresses the output feedback tracking control problem of electrically driven wheeled mobile robots subjected to actuator constraints. The main drawback of previously proposed controllers is the actuator saturation problem, which degrades the transient performance of the closed‐loop control system. In order to alleviate this problem, a saturated tracking controller has been proposed using the hyperbolic tangent function. A new nonlinear observer is introduced in order to leave out the velocity sensors in the robot system to decrease the cost and weight of the system for practical applications. A dynamic surface control strategy is effectively used to reduce the design complexity when considering actuator dynamics. In addition, neural network approximation capabilities and adaptive robust techniques are also adopted to improve the tracking performance in the presence of uncertain nonlinearities and unknown parameters. Semi‐global stability of the closed‐loop system is presented using direct Lyapunov method. Simulation results are provided to illustrate the effectiveness of the proposed control system for a differential drive mobile robot in practice. Copyright © 2014 John Wiley & Sons, Ltd.     

基于BP神经网络的城网供电可靠性预测方法

传统的供电可靠性评估方法是以准确的配电网结构和多年的元件可靠性历史数据为基础的,难以实现城市复杂配电网远期供电可靠性指标的预测。为此文章提出一种基于BP神经网络的城市电网供电可靠性预测方法,首先找出影响供电可靠性指标的几个主要特征量,包括最大负荷、架空线平均长度、线上平均分段开关台数、线上平均联络开关台数、线路平均配变台数和线路平均配变容量,将这些特征量的历史数据作为输入样本对人工神经网络进行训练,利用训练好的网络就可以预测规划目标年的城市电网供电可靠性指标。对某城市电网的应用结果表明该方法是有效的,所采用的BP神经网络具有较好的收敛性。通过对影响供电可靠性的相关因素进行灵敏度分析还可以获得对供电可靠性指标较敏感的相关特征量,供电企业可以据此制定提高可靠性的相关措施。     

Adaptive neural control for nonstrict‐feedback stochastic nonlinear time‐delay systems with input and output constraints

This paper investigates an adaptive neural tracking control for a class of nonstrict‐feedback stochastic nonlinear time‐delay systems with input saturation and output constraint. First, the Gaussian error function is used to represent a continuous differentiable asymmetric saturation model. Second, the appropriate Lyapunov‐Krasovskii functional and the property of hyperbolic tangent functions are used to compensate the time‐delay effects, the neural network is used to approximate the unknown nonlinearities, and a barrier Lyapunov function is designed to ensure that the output parameters are restricted. At last, based on Lyapunov stability theory, a robust adaptive neural control method is proposed, and the designed controller decreases the number of learning parameters and thus reduces the computational burden. It is shown that the designed neural controller can ensure that all the signals in the closed‐loop system are 4‐Moment (or 2 Moment) semi‐globally uniformly ultimately bounded and the tracking error converges to a small neighborhood of the origin. Two examples are given to further verify the effectiveness of the proposed approach.