电弧炉电极调节系统的满意度PID控制

电弧炉电极调节系统是具有强非线性及随机扰动的系统。在满意度PID控制方法基础上,对电弧炉电极调节系统进行了基于反馈线性化的满意度PID控制设计研究,并进行了单指标约束和多指标约束情况下满意度PID控制的仿真,验证了此控制方法的适用性,这对电弧炉电极调节系统及同类非线性系统的研究有重要意义。     

基于动态径向基函数神经网络的多变量解耦控制

为提高工业控制领域中多变量、非线性、强耦合系统的解耦能力和动态特性，基于聚类结合算法和神经网络原理，提出了一种改进的基于动态径向基函数（RBF）神经网络的多变量解耦控制方法.采用聚类结合算法优化动态RBF神经网络，更好地描述了控制对象的动态行为，获得了PID参数在线调整信息，实现了多变量非线性系统的解耦控制.仿真结果表明，与基于常规RBF神经网络的PID控制方法相比，该方法具有更高的控制精度、更快的系统响应以及更好的适应性和鲁棒性，是解决多变量、非线性和强耦合问题的一种简便、有效的控制算法.     

电弧炉电极调节系统模糊自适应PID控制器设计

电弧炉炼钢系统是一个非线性、强耦合、多变量的系统,采用传统的PID控制很难取得理想的控制效果。基于恒阻抗控制策略,运用模糊数学的基本理论和方法设计模糊自适应PID控制器,该控制器可实时调整PID参数,使电极调节系统工作在最佳状态。仿真结果表明控制器能够有效地调节电极的升降,将电弧的弧长控制在期望值,可有效降低能耗,提高炼钢产品质量。     

基于CMAC和PID的非线性耦合系统解耦控制研究

为了实现多变量非线性耦合系统的解耦控制,提出了一种基于CMAC与PID的复杂关联自适应解耦控制策略,并给出了详细算法。该控制策略采用PID控制器和CMAC控制器共同构成一个复合控制器,多个复合控制器通过多输入多输出线性神经网络,实施对复杂非线性耦合对象的控制作用。由于神经网络的自适应特性,可使得耦合系统逼近参考模型,实现解耦控制。仿真结果表明,该控制策略实现了耦合系统的解耦控制,并且具有较强的抗干扰能力和鲁棒性。因此采用此控制策略能够实现多变量非线性耦合系统的解耦控制。     

基于神经滑模控制的风机变桨系统控制研究

以风力发电系统为背景,由于风速波动及风机叶片扫掠面积上风资源的不均匀分布,风机叶片的变桨需要根据自身风况单独控制,即实现独立变桨.提出一种基于RBF(径向基函数)神经网络的滑模控制策略,优化了风机变桨距的控制方法,提高了风力发电系统的稳定性.将算法植入10 kW风机缩比模型实验台,控制伺服变桨电机,实验台模拟运行结果表明,RBF神经网络滑模控制策略能够改善变桨控制的效果,提高系统的鲁棒性.     

基于神经网络逆系统的循环流化床内模控制

在循环流化床锅炉(Circulating Fluidized Bed Boiler,CFBB)燃烧控制系统中,维持正常的床温和主蒸汽压力是循环流化床锅炉稳定、经济运行的关键.笔者针对这两个变量的强耦合特性,引入神经网络逆系统方法,实现系统的线性化解耦,并针对线性化解耦的非理想性以及参数、干扰等不确定因素对系统的影响,采用具有较好稳定性和抗干扰能力的内模控制策略对系统进行闭环控制.仿真结果表明,基于神经网络逆系统的内模控制方法不仅能够实现系统解耦,获得优良的静、动态特性,且具有良好的鲁棒稳定性和抑制扰动的能力.     

基于改进最近邻聚类的机械手神经网络逆控制

机械手具有非线性时变、多变量、强耦合的特性,在机械手系统可逆的基础上,设计一种机械手的神经网络逆控制方案。通过神经网络逆辨识建立机械手的神经网络逆模型,把神经网络逆模型作为控制器模型与原机械手串联,构成一个伪线性动态模型,把非线性问题转化为线性问题。其中,辨识器和控制器均采用RBF神经网络结构,网络学习采用具有在线学习功能的最近邻聚类学习算法。仿真结果验证了本方案的有效性和可行性。     

基于RBF的冗余机械手运动学逆解

针对冗余机械手运动学中存在的非线性、强耦合以及时变性的特点,采用了一种基于径向基函数(Radial Basic Function,RBF)网络的非线性拟合和系统辨识的方法,利用RBF神经网络的逼近能力较优、收敛速度快、非线性处理能力强等特点,可以有效地对冗余机械手的运动学逆问题进行求解;同时,运用遗传算法选取RBF网络...     

定量称重包装系统RBF神经网络PID控制研究

针对定量称重包装系统具有惯性、滞后、非线性时变且无法建立精确模型等特点,分析物料动态称量响应过程的动态特性及影响定量称重包装精度的相关因素和误差来源,提出1种基于RBF神经网络PID的定量称重包装控制策略。利用具有任意非线性表达能力及较强自学习能力的RBF神经网络寻求最佳的PID参数,并通过Matlab仿真验证控制策略的有效性。结果表明,与传统的PID控制相比,RBF神经网络PID控制策略具有较强的抗干扰能力,可显著改善定量称重包装系统的控制效果。     

基于WinAC的LF炉电极系统控制策略及实验研究

提出使用RBF神经网络实现被控对象逆动态模型在线辨识,采用SIEMENS基于PC的控制器WinAC构建LF炉电极控制系统,运用工业以态网和现场总线技术,确保了系统的实时性要求.在实验室条件下对LF炉电极系统的在线建模与控制进行了实验研究.实验结果表明基于WinAC的LF炉电极系统控制策略十分有效,实现了预期的控制目标.     

一类非线性系统的神经网络自适应算法研究

讨论了神经网络在非线性系统控制中的应用.针对一类典型的非线性系统,基于波波夫超稳定性理论,推导出了保证系统稳定性的神经网络学习算法,设计了神经网络模型参考自适应控制器,以改善非线性被控对象跟踪参考模型输出的跟踪效果,并以此为依据进行了MATLAB仿真.对电弧炉三相电极调节系统的仿真结果表明,这种神经网络自适应控制系统具...     

基于模糊RBF神经网络的永磁同步电机位置控制

针对比例-积分-微分(PID)控制器参数固定而引起永磁同步电机位置伺服系统控制效果不佳问题,设计了基于平滑切换的模糊PI控制和径向基函数(RBF)神经网络PID控制的位置控制器。暂态时,采用模糊PI控制;稳态时,采用RBF神经网络PID控制,两者中间采用模糊PI-RBF神经网络PID复合控制。该位置控制器既结合了模糊PI控制和RBF神经网络PID控制的优点又克服了各自的缺点。仿真结果表明,当永磁同步电机受到外部扰动时,采用模糊RBF神经网络控制器的永磁同步电机位置系统具有良好的动态性能,能够实现快速响应,做到精确定位,而且当负载变化时具有很强的抗干扰性。     

采用神经网络滑模控制的齿隙摩擦补偿

基于滞环齿隙模型和集合摩擦模型,建立了齿轮传动系统动力学变结构模型。采用径向基函数(RBF)神经网络和滑模控制构成复合控制器,对系统齿隙、摩擦非线性因素进行了补偿。利用RBF神经网络调节滑模控制器的切换项增益,降低了滑模控制的抖振,提高了补偿效果,仿真结果验证了该方法的可行性。     

一种BUCK变换器的滑模-通用模型控制器研究

针对BUCK变换器的复杂性和时变性,提出了采用通用控制器和滑模-通用控制器的控制策略。应用状态空间平均建模法,建立电流连续型(CCM)Buck变换器的仿射非线性模型。利用RBF神经网络和积分器组成动态神经网络结构逼近BUCK变换器的逆模型并由此组成CMC控制器。设计了滑模-通用控制器,进一步改善了系统的鲁棒性。在Matlab/Simulink下进行了系统建模和仿真研究,结果表明该方法在输入电压和负载电阻变化时,能有效减小系统状态误差和提高系统稳定性。      

基于RBF神经网络的PID自适应真空炉温度控制

提出一种基于RBF辨识神经网络算法的神经网络PID控制方案，由RBF网络对系统进行在线辨识．建立其在线参考模型并为PID控制器提供了梯度信息，从而实现控制器参数的在线调整。仿真结果表明，该控制方法应用于真空炉温度控制时控制精度高，动态特性好，收到了良好的效果。     

模糊RBF神经网络在麻醉深度控制系统中的应用

麻醉深度通常用病人的平均动脉压（MAP）值来直接反应和度量。针对平均动脉压的时变、非线性特点,提出了基于模糊RBF神经网络的麻醉深度PID控制系统。通过采用模糊RBF神经网络对检测到的平均动脉压值进行模糊化处理及神经网络辨识,从而在线整定PID控制器各个参数,以获得更好的控制效果。MATLAB仿真结果表明模糊RBF神经网络用于麻醉深度控制具有良好的动态响应性能。     

在线学习自适应模糊控制器在水轮机调节中的应用

针对水轮发电机组系统具有时变非线性,传统的控制方法很难达到最优控制的特性,提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来控制水轮发电机组运行.模糊控制器的比例因子、模糊推理规则和隶属函数由遗传算法在线寻优.由RBF神经网络进行被控对象的动态特性模型辨识,以评价模糊控制器控制性能.仿真实验表明,控制效果良好,特别在变工况和扰动情况下优于最优PID控制.     

基于RBF神经网络二级倒立摆系统的PID控制

针对二级倒立摆系统,提出一种基于RBF神经网络的PID控制方法。该方法采用RBF神经网络对PID控制器的参数进行优化修正,从而使控制器处于最优状态,实现二级倒立摆的稳定控制。仿真结果表明,该方法的控制精度较高,响应迅速,超调量较小。对于多变量、非线性、不稳定的快速系统,具有较好的控制效果。     

基于RBF神经网络的非线性模型预测控制

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.