SIMATIC PCS7在净水厂中的应用

介绍西门子PCS 7在大连松树山净水厂中的应用,重点阐述PCS7系统的网络配置、硬件配置、程序结构。     

模糊控制和PID控制结合的净水厂投药控制系统

本文分析了当前混凝投药控制系统存在的问题 ,针对混凝投药过程的工艺特点 ,提出了采用模糊控制和传统PID控制相结合的混凝投药控制系统 ,改善了混凝投药的控制效果。     

SIMATIC PCS7在净水厂的应用

自来水厂的控制是环境保护工作的一个重要方面。介绍了ＳＩＭＡＴＩＣ ＰＣＳ７过程控制系统在净水处理中的应用,具体介绍了系统的配置、功能及其应用效果。     

小波神经网络在粮食产量预测中的应用

文章提出一种基于小波神经网络的粮食产量预测模型。给出具体的网络学习算法,并结合算法对我国粮食产量进行预测。为验证模型有效性,进行了对比测试。分析结果表明,小波神经网络模型比传统的BP神经网络模型具有收敛速度快,预测精度高的特点。     

模糊控制在水厂混凝投药过程中的应用

水厂混凝投药过程具有非线性、时滞性等特点,并且影响投药后混凝效果的因素很多,目前很难准确地建立反应过程的数学模型。模糊控制是以控制人员的经验为基础的,它不需要用精确的数学模型来描述系统的动态过程,而且能够方便的加入人的控制经验,极为近似的反映人的控制行为。因此,本文针对混凝投药过程的特点,提出了应用模糊控制来实现混凝剂的最佳投加,该模糊控制器以原水流量和原水浊度作为输入变量,加矾流量作为输出变量,并用某水厂的实际数据完成了仿真研究。最后的仿真结果表明了该方法是有效可行的。     

基于模糊算法的多小脑神经网络在混凝投药系统中的应用

净水工艺中的混凝投药是一个受多变量影响的非线性系统,无法建立准确的数学模型,且滞后时间较长。为了将混凝投药后的出水浊度控制在设定的范围内,并且有效地减少投药量,通过对混凝投药过程的分析,设计一种基于模糊算法的多小脑神经网络(CMAC神经网络)前馈控制器,并设计控制器离线建模和在线学习的方法。最后使用MATLAB进行仿真验证,结果表明,该前馈控制器能够在原水浊度和原水温度变化的情况下,有效地将浊度控制在设定的范围内,并且能够实现投药量的优化。     

LM-BP神经网络在大坝变形预测中的应用

为了对大坝进行切实有效的监控,需要建立一个良好的大坝预测模型。针对传统BP(Back-Propagation)神经网络存在的收敛速度慢和泛化能力弱等缺陷,利用LM-BP(Levenberg Marquardt Back Propagation)算法对大坝变形进行预测,并根据丹江口大坝1996和1997两年的变形观测数据,对大坝挠度预测结果进行分析。结果表明,所建立的LM-BP神经网络的预测精度和收敛速度明显提高。     

数字滤波在混凝投药控制系统中的应用

在南京自来水公司城北水厂混凝投药控制系统的设计中,针对其采样数据的特点,成功地将复合数字滤波技术应用于系统的信号处理.     

广义预测控制和PID控制在混凝投药中的应用

针对水处理过程中混凝投药的非线性和时滞特点,分析了其混凝投药的工作原理,采用传统的控制方法难以实现很好的控制效果.提出了一个混凝投药的方案,把广义预测控制算法和PID (proportion-integralderivative)控制算法结合起来,通过预测被控系统的若干个时刻的未来输出值,得到一个新的性能优化函数,通过实时优化被控对象的控制参数,计算出一个合理的混凝投药量.最后,采用Visual Basic软件编程完成该控制方案,并通过对混凝投药自动化控制的现场实验,得到较好的输出控制结果,从而验证了该控制方案的可行性.     

应用模糊神经网络预测油田产量

为了研究受多变量、时变和不确定因素影响的油田产量预测问题,将模糊逻辑推理技术与人工神经网络相结合,构建具有模糊逻辑推理和学习功能的模糊神经网络(FNN)系统。该系统基于现有的油田开发历史数据,建立相应的规则集,使用神经网络的训练方法(如梯度下降学习算法),在训练过程中调整参数,并自适应增加规则,以使系统的输出最佳地逼近于目标样本。通过对某油田的实际开发历史数据的拟合与测试,结果表明该模糊神经网络能够较精确地预测未来的油产量,与常规的BP神经网络相比,其预测精度更高、训练速度更快。因此,基于模糊神经网络(FNN)的油田产量预测方法研究具有较好的实际应用价值。     

一种采用神经网络进行系统辨识的新方法

0 引言 系统辨识就是由测试数据直接求取模型的方法.系统的数学模型是对了解系统的内部结构和特性、对系统进行深入的理论分析的首要前提.因此,要想全面了解系统就必须通过各种途径来获得数学模型.目前系统建模的方法主要有机理建模和实验建模.机理建模是从过程对象的机理和生产设备的具体结构出发,通过物料平衡和能量平衡关系,推导出对象的数学模型.这种方法虽然具有较大的普遍性,但是,由于很多工业对象内部的工艺过程复杂,对某些物理、化学过程尚不完全清楚,所以,对于复杂的数学模型较难建立;另外,工业对象大多存在非线性因素,在推导中往往需要做一些近似和假设,这就使由此方法建立的模型不能完全反映实际情况,这就可能会对进一步深入的理论分析产生影响.因此,在实际中,由于过程系统的复杂性,往往采用实验建模的方法,特别是当推导不出对象数学模型时,更需要通过实验方法来求得.采用实验的方法对系统进行辨识的方法主要有:常规方法(包括阶跃响应曲线法和脉冲响应曲线法)、闭环振荡辨识法(包括等幅振荡法和衰减振荡法)、最小二乘参数估计法、相关系数法等.这里采用神经网络来对固定模型的系统进行辨识,其本质上还是基于系统的阶跃响应曲线,它是通过找出模型参数与其阶跃曲线之间的对应关系获得一组数据,来对神经网络进行训练,使其具有模型的结构,然后再反过来对具有这类模型结构的系统进行辨识.     

神经网络预测控制在中央空调水系统控制中的应用

针对中央空调水系统的非线性、大迟延、大惯性等特点,分析了现有的控制方法在中央空调水系统控制中存在的问题;文章将神经网络与预测控制相结合直接应用于非线性大延迟的中央空调控制系统,该控制方法克服了单纯PID控制对大迟延大惯性对象调节品质差、抗干扰性弱的缺点,神经网络预测控制还有效地补偿了传统预测控制基于线性模型的局限性;工程实例表明,该算法具有优良的控制性能,有利于工程实现。     

采用多通道浅层CNN构建的多降噪器最优组合模型

现有的一致性神经网络(Consensus neural network, CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合), 以获得更好的降噪效果, 但该优化模型在降噪效果和执行效率方面仍有较大改进空间. 为此, 提出一种基于轻量型多通道浅层卷积神经网络(Multi-channel shallow convolutional neural network, MSCNN)构建的多降噪器最优组合(Optimal combination of image denoisers, OCID)模型. 该模型采用多通道输入结构直接接收由多个降噪器输出的降噪图像, 并利用残差学习技术合并完成图像融合和图像质量提升两项任务. 具体使用时, 对于给定的一张噪声图像, 先用多个降噪器对其降噪, 并将降噪后图像输入OCID模型获得残差图像, 然后将多个降噪图像的均值图像与残差图像相减, 所得到图像作为优化组合后的降噪图像. 实验结果表明, 与CsNet组合模型相比, 网络结构更为简单的OCID模型以更小的计算代价获得了图像质量更高的降噪图像.     

Fixed-Final-Time-Constrained Optimal Control of Nonlinear Systems Using Neural Network HJB Approach

In this paper, fixed-final time-constrained optimal control laws using neural networks (NNS) to solve Hamilton-Jacobi-Bellman (HJB) equations for general affine in the constrained nonlinear systems are proposed. An NN is used to approximate the time-varying cost function using the method of least squares on a predefined region. The result is an NN nearly -constrained feedback controller that has time-varying coefficients found by a priori offline tuning. Convergence results are shown. The results of this paper are demonstrated in two examples, including a nonholonomic system.     

基于神经网络的网络时延预测

本文提出了利用RBF神经网络和Elman神经网络预测网络传输时延,运用Matlab软件对其预测进行仿真,结果证明RBF神经网络和Elman神经网络都能很好的预测网络时延,通过对比仿真结果分析,得出各自进行时延预测的适用条件.     

醇解度预测的神经网络模型研究

针对聚乙烯醇生产过程的醇解度预测问题,建立神经网络模型;对醇解度的影响因素进行了研究,讨论了输入层、输出层、隐含层等神经元的设置及网络训练的参数,比较了梯度下降BP算法、动量-自适应学习速率调整算法、Levenberg-Marquardt BP算法三种不同的训练算法在本问题上的优劣,并与RBF网络相比较,综合考虑训练时间、训练精度、泛化能力等条件,动量一自适应学习速率调整算法是最适合醇解度预测的,并基于动量-自适应学习速率调整算法建立了神经网络模型;将模型应用于醇解度预测系统,系统实际运行情况表明,利用神经网络模型预测醇解度是可行有效的.     

Bagging Neural Networks for Predicting Water Consumption

Neural network ensembles can improve the generalization and stabilization ability of learning systems effectively through aggregating numbers of neural networks. It is considered as a promising kind of engineering neural computing technology. In this paper, we construct a learning model based on bagged neural network ensembles by bagging BP（Back Propagation） networks. Through analyzing the historical data of civic water consumption, the model can predict water consumptions efficiently for various kinds of users and several of periods of time. Our experiments and practical applications show that the model has high predicting precision, good stabilization as well as feasibility.     

Optimal Process Control Using Neural Networks

Infinite time optimal controllers have been designed for a dispersion type tubular reactor model by using the framework of adaptive critic optimal control design. For the reactor control problem, which is governed by two coupled nonlinear partial differential equations, an optimal controller synthesis is presented through two sets of neural networks. One set of neural networks captures the relationship between the states and the control, whereas the other set of networks captures the relationship between the states and the costates. This innovative approach embeds the solutions to the optimal control problem for a large number of initial conditions in the domain of interest. Although the main aim of this paper is to solve a process control problem, the methodology presented here can be viewed as a practical computational tool for many problems associated with nonlinear distributed parameter systems. Numerical results demonstrate the viability of the proposed method.     

A Neural Network Approach to Predicting Airspeed in Helicopters

A helicopter’s airspeed and sideslip angle is difficult to measure at speeds below 50 knots. This paper describes the application of Artificial Neural Network (ANN) techniques to the helicopter low air-speed problem. Three ANN methods were applied to the problem: a linear network, a Radial Basis Function (RBF) network, and a Multi-Layer Perceptron (MLP), trained using an implementation of the Levenberg–Marquardt (L–M) algorithm. Internally available measurements, such as control positions and body attitudes and rates, were generated using a realistic simulation model of a Lynx helicopter. These measurements formed the inputs to the ANN methods. The MLP was found to be the superior method. Further testing, including a Tagu-chi analysis, indicated the validity of the method. It is concluded that ANN techniques present a promising solution to the helicopter low airspeed problem.