水煤浆锅炉的神经网络参考模型自适应控制

采用神经网络模型参考自适应控制方法对水煤浆锅炉的燃烧系统进行了有效控制。针对水煤浆锅炉的高度非线性、大惯性和多输入多输出的特点设计了一个神经网络辨识器（NNI）与神经网络控制器（NNC）,并对训练步骤和算法进行了详述。仿真结果表明,对水煤浆锅炉的燃烧采用神经网络间接模型参考自适应控制是行之有效的。     

基于通用模型自适应控制的DC/DC变换器控制系统研究

针对DC/DC变换器的强非线性,将平均电流模式控制中的电流环作为被控对象,使用RBF神经网络辩识对象的逆模型,嵌入通用模型控制器中.为了克服对象逆模型的辨识误差,通过引入自适应控制,可以保持系统输出对参考轨迹的有效跟踪.仿真结果表明,该系统具有较强的可实现性,控制效果良好.     

基于神经网络和多模型的非线性自适应PID控制及应用

针对一类未知的单输入单输出离散非线性系统,提出了基于神经网络和多模型的非线性自适应PID控制方法。该方法由线性自适应PID控制器、神经网络非线性自适应PID控制器以及切换机构组成。采用线性自适应PID控制器可保证闭环系统所有信号有界;采用神经网络非线性自适应PID控制器可改善系统性能;通过引入合理的切换机制,能够在保证闭环系统稳定的同时,提高系统性能。理论分析表明,该方法能够保证闭环系统所有信号有界,如果适当地选择神经网络的结构和参数,系统的跟踪误差将收敛于任意给定的紧集。将所提出的方法应用于连续搅拌反应釜,仿真结果验证了所提出方法的有效性。由于该方法基于增量式数字PID控制器,在工业过程中有着广阔的应用前景。     

基于Hammerstein-Wiener模型的连续搅拌反应釜神经网络预测控制

针对化工过程中广泛使用的连续搅拌反应釜(CSTR),提出一种基于神经网络的模型预测控制策略,采用分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法,在此基础上建立线性自回归模式〖DK〗(ARX)结构和高斯径向基神经网络串联的非线性预测控制器。利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现一种基于支持向量机Hammerstein-Wiener辨识模型的非线性神经网络预测控制算法。对CSTR的仿真结果表明,该方法能够更有效地跟踪控制反应物浓度。     

BP网络结构和算法对非线性系统进行辨识

利用MATLAB神经网络工具箱进行了基于BP神经网络的非线性系统辨识仿真研究,针对实际问题选取BP网络结构和BP算法,并对网络输入、输出、隐层节点的个数选取作了探讨,选取一个非线性系统,通过改变隐层节点数和训练函数,找出适当的BP网络结构和算法对非线性系统进行辨识。     

基于神经网络的非线性时变对象自适应控制方法研究

针对工业控制中的非线性、时变和滞后被控对象,将神经网络辨识器和PID控制技术有机结合,构建自适应PID控制器,并引入知识先导学习算法,提高时间效率。仿真分析表明:该自适应PID控制器能够自动辨识被控对象模型、自整定控制参数,在辨识误差、响应时间及超调量等指标上均有良好表现。     

基于递归模糊神经网络的污水处理控制方法

针对污水处理过程具有非线性、大时变等问题,提出了一种基于递归模糊神经网络的多变量控制方法。该方法通过递归模糊神经网络控制器自适应地获得对操作变量的控制精度,控制器在常规BP学习算法的基础上采用学习率自适应学习算法且引入了动量项来训练网络参数,避免网络陷入局部最优,提高了网络对系统的控制精度。最后,基于仿真基准模型(BSM1)平台对第五分区中的溶解氧和第二分区中的硝态氮控制进行动态仿真实验,结果表明,与PID、前馈神经网络和常规递归神经网络相比,该方法能有效提高系统的自适应控制精度。     

基于状态预测的塑料薄膜张力反馈控制器设计

塑料薄膜工业生产过程中,张力控制系统存在明显的非线性和滞后性,严重影响了塑料薄膜产品的质量。为了提高塑料薄膜张力控制系统的控制精度以及动态性能,基于神经网络对系统进行状态预测,并利用预测的系统状态设计了反馈控制器。通过神经网络在线辨识动态非线性模型,构建了神经网络动态辨识器;运用泰勒级数展开法计算预测未来时刻的神经网络权值,并建立状态预测器;根据预测状态设计了塑料薄膜张力系统的反馈控制器;通过对比仿真实验验证了所设计反馈控制器能够明显改善塑料薄膜张力控制系统的控制精度及控制性能。     

一类化工过程多变量系统的自适应非线性预测控制

针对化工过程的一类多变量非线性系统,提出了一种自适应非线性预测控制(ANMPC)算法。在采用递归最小二乘法进行预测模型参数在线辨识的基础上,将系统的静态非线性关系用一个反向传播(BP)神经网络稳态模型来表示,通过稳态模型求得的动态增益来进一步校正预测模型的参数。详述了ANMPC控制器设计步骤,通过在一个多变量pH中和过程中的仿真验证了本算法的可行性和有效性。     

发泡成型机蒸汽压力的神经网络自适应逆控制研究

针对发泡成型机蒸汽压力的非线性系统存在控制精度差和动态性能不佳的问题,设计了基于神经网络的自适应逆控制方法。建立了发泡成型机蒸汽压力的参考模型,利用参考模型的输入输出对训练单层神经网络逆模型作为逆控制器,并采用LMS自适应算法在线调节神经网络权向量。通过与PID控制器进行对比实验,结果表明,所设计的神经网络自适应逆控制方法提高了蒸汽压力的稳定性以及快速响应能力,几乎不存在系统超调。     

三氧化二锑生产神经网络辨识应用研究

研究了三氧化二锑火法冶金反应炉前向多层神经网络的模型建立,及其BP算法,并利用此网络设计实时在线辨识器和神经网络控制器。通过BP算法的学习机构应用于三氧化二锑火法冶金炉,解决了多变量耦合、非线性的系统控制问题。实现了工艺过程的最优化控制。     

智能自整定注射机电液比例控制系统设计

介绍了注射机注射过程工作原理,在传统PID控制算法中,引入了神经网络控制方法,通过神经网络控制器对PID控制器中的三个参数进行在线自适应优化,由在线辨识器获取控制器参数,最后对该控制方法进行了仿真实验。仿真结果表明:与传统PID控制方法相比,该控制方法超量小、调节速度快,大大提高了系统的控制性能。     

三氧化二锑生产神经网络辨识应用研究

研究了三氧化二锑火法冶金反应炉前向多层神经网络的模型建立，及其BP算法，并利用此网络设计实时在线辨识器和神经网络控制器。通过BP算法的学习机构应用于三氧化二锑火法冶金炉，解决了多变量耦合、非线性的系统控制问题。实现了工艺过程的最优化控制。     

神经网络控制器在未建模型的非线性系统中的应用

应用神经网络对未建模型的非线性随机系统进行控制。采用Ｓｐａｌｌ＾「１」提出的同步扰动随机逼近的算法,通过系统的输出误差对神经网络控制器进行训练。因为系统模型未知,本在Ｓｐａｌｌ＾「１」的基础上采用了争层能自动增加的神经网络,通过实时的对神经网络的结构进行控制,可以实现对未建模型的非线笥随机系统的最优控制。     

基于Hammerstein模型的非线性系统辨识方法研究

工业大系统中Hammerstein模型的非线性系统,一般都是多输入多输出系统,具有大滞后、大惯性、时变性和强耦合性的特点,它的数学模型难于精确获得;且传统PID控制器无法使控制效果处于最佳状态的局限性.为了更加快速准确控制,使系统更加地稳定工作在最佳工作状态.利用分散辨识方法对Hammerstein模型的非线性系统进行...     

带变遗忘因子的自适应子空间预测控制器设计

针对实际工业过程具有非线性、时变和多变量的特点,提出一种数据驱动的带有变遗忘因子的自适应子空间预测控制方法。该方法将在线子空间辨识与模型预测控制相结合,同时利用期望输出值与实际输出值的误差实现变遗忘因子的自适应更新,并根据当前变遗忘因子构造了过去与将来的Hankel矩阵,从而实现了预测模型的在线更新,提高了控制器对非线性时变特征的辨识灵敏度和适应能力。最后,利用该控制器对四容水箱对象进行仿真研究,验证了算法的有效性。     

自来水厂待滤水浊度的智能控制研究

水厂加药絮凝过程是一个大惯性、大时滞、非线性和时变的难控过程,常规的控制系统难以取得理想的控制效果。而无模型自适应控制器具有良好的输出跟踪性能,有很强的自适应能力和鲁棒性。能有效地控制复杂过程。将无模型自适应控制器（MFA）应用到广东省佛山市某水厂的中试装置的加药絮凝过程的自动控制系统中,进行了大量的控制实验。实验结果表明MFA控制系统可以有效克服流量波动以及原水浊度变化对出水浊度的影响,取得了良好的控制效果。     

一种基于VRFT的全格式无模型自适应控制

针对无模型自适应控制中的时变参数拟梯度向量估计值信息没得到充分利用的问题,提出一种基于VRFT（虚拟参考反馈调整方法）的无模型自适应控制方法.该方法利用VRFT中的参考模型思想,首先将非线性系统经全格式线性化后的线性模型与无模型自适应控制器构成的闭环传递函数作为参考模型,再以参考模型的输出与系统期望输出的误差作为控制器的输入,从而将拟梯度向量在过去时刻的估计值引入到无模型自适应控制设计中,提高了伪偏导数估计值信息利用率.同时消去控制律中的权重因子,避免因人为赋值而影响控制效果.     

基于DRNN神经网络的石油钻机自动送钻系统智能控制研究

针对钻井过程的非线性、不确定性和实时性要求,采用基于对角神经网络(DRNN)的控制方案,能在线自适应的调整P ID控制器的3项参数。以自动送钻实验系统模型为被控系统进行仿真实验,仿真结果表明可以达到较为理想的控制结果,基于DRNN神经网络控制器结构简单,易于实现,效果明显优于传统的P ID控制器。     

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。