基于神经网络与多模型的非线性自适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法.该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成.线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能.切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能.同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析.最后,通过仿真实例验证了该方法的有效性.     

基于神经网络与多模型的非线性白适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法．该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成．线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能．切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能．同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析．最后,通过仿真实例验证了该方法的有效性．     

一类非线性系统的多模型神经网络解耦控制器

针对多变量非线性离散时间系统设计多模型神经网络解耦控制器，在每个平衡点处用一神经网络离线辨识非线性系统的线性部分，利用另一神经网络在线辨识非线性部分，将非线性部分视为可测干扰并采用前馈的方法予以消除，所有平衡点处得到的系统模型汇集起来构成多模型集，在每一采样时刻基于切换指标选出最优模型作为当前模型，并据此设计解耦控制器实现控制，仿真结果表明系统在多个平衡点处仍然可以得到较好的控制效果。     

一类非线性多变量系统的多模型自适应解耦控制

针对一类多变量离散时间非线性动态系统。分别设计线性鲁棒自适应解耦控制律和神经网络非线性自适应解耦控制律．根据指定的性能指标,通过它们之间的切换对系统进行控制．理论分析和仿真结果表明,该控制策略不但可以保证闭环系统BIBO稳定,而且能够改善系统的性能．     

能对多变量解耦的一种神经网络

针对具有多个子系统，多种不确定因素的多变量系统，基于ＢＰ神经网络的学习规划，提出了一种能消除多变量耦合引起的随机现象的神经网络。     

神经网络α阶逆系统控制方法在机器人解耦控制中的应用

本文利用神经网络α阶逆系统线性化解耦能力,将严重耦合的多自由度机械手 解耦成多个二阶积分子系统,进一步采用线性系统设计方法对已解耦系统设计闭环控制器, 成功地实现了位置快速跟踪．该控制方法不需要知道机器人系统的精确数学模型,并且结构 简单,易于工程实现．     

基于数据驱动的感应电机多模型逆自适应解耦控制

提出一种基于数据驱动的感应电机多模型逆自适应解耦控制方法. 首先, 利用仿射聚类法(AP) 对电机系统的输入输出数据进行聚类, 再基于聚类结果和隶属度函数建立相应的神经网络多模型逆, 以实现解耦控制. 针对电机系统运行过程中电机参数变化问题, 采用粒子群优化算法(PSO) 在线调节子模型权值, 以改善逆模型失匹造成解耦控制性能下降的问题. 仿真实验表明, 所提出的方法能对电机的转速和磁链实现良好的解耦控制, 且对电机系统工况参数变化具有良好的自适应能力.

     

多电机同步系统的解耦控制

以多变量非线性强耦合的多电机同步控制系统为研究对象，针对电流跟踪型SPWM变频器供电的感应电机系统，在磁场定向控制的d-q坐标系下，建立了两台电机系统的统一数学模型，采用非线性状态反馈控制方法，实现多电机同步系统的转子转速和皮带张力的解耦控制，利用线性系统理论分别设计了控制器，仿真结果证明了控制策略的有效性。     

一种多变量系统的内模解耦控制设计方法

针对多变量强耦合的被控系统，提出了一种简化的内模解耦控制设计方法。其宗旨是首先根据对象的名义模型，设计常数阵预补偿器，对其进行对角优势化，进而利用补偿后的主对角线元素作为内模控制设计的内部模型，并基于此内部模型设计多通道内模控制器，同时设计了对角形滤波器。对某加热炉温度控制系统的仿真研究结果表明了该方法的有效性，控制系统具有很好的解耦能力和较强的鲁棒性。算法简单，易于实现，具有较好的工程应用价值。     

基于T-S逆模型的航空发动机解耦控制

为了解决发动机控制系统中存在的耦合现象,以自适应逆控制原理为基础,提出了一种基于T-S逆模型的解耦控制器;该方法利用模糊T-S模型来辨识发动机的逆模型,从而得到实现解耦效果的伪线性化模型,再运用神经网络PID控制器的在线整定功能提高系统的动态性能和鲁棒性,使系统综合性能最优;仿真结果表明,该控制器具有理想的解耦效果,在发动机工作包线范围内具有良好的自适应能力.     

一种新型神经网络广义逆系统

提出一种新型带有反馈环节的广义逆系统方法,并给出了其存在性的证明．该方法首先利用神经网络构造被控对象的α 阶逆系统,通过改变反馈环节参数可随时任意配置复合系统极点,无需重新构造广义逆系统．分别对ＳＩＳＯ 和ＭＩＭＯ 非线性系统进行仿真研究．仿真结果表明,在配置极点变换时,利用该方法构造的广义逆系统仍可对原系统实现有效的线性化和解耦．     

感应电动机调速系统的自适应逆控制

针对电压源型逆变器供电的感应电动机调速系统,提出了一种自适应逆控制方法,实现了电磁转矩和定子磁链的解耦控制．应用得到的逆系统将多变量、非线性、强耦合的感应电动机调速系统解耦为电磁转矩和定子磁链两个一阶线性子系统,从而简化了各个闭环线性调节器的设计难度．为了提高系统的鲁棒性,利用递推最小二乘算法实时辨识电动机参数,降低了参数变化对系统性能的影响．使用MATLAB软件进行了仿真实验,实验结果验证了理论分析的正确性和控制方案的可行性．     

基于小波神经网络的板形板厚系统解耦预测控制

带材轧制是一个复杂的非线性过程, 板形控制和板厚控制又是强耦合、非线性、含时延环节的复杂系统. 提出了一种基于小波神经网络的解耦预测控制方案; 利用小波神经网络来辨识原系统的α阶时延逆系统, 将该逆系统与原系统串联后形成一个伪线性复合系统, 从而把多变量系统控制转化为多个单变量系统的控制实现了系统解耦, 并对解耦后的系统采用闭环预测控制. 仿真表明该控制方法具有结构简单、易于实现, 且有较强的抗扰性和鲁棒性.     

多自由度伺服系统的非线性解耦控制

多自由度伺服系统各轴之间存在的非线性耦合,是影响系统控制性能的一个重要因素,为了提高系统控制性能,本文研究了多自由度伺服系统的解耦控制．首先建立了多自由度伺服系统的一般化耦合数学模型;然后根据Singh法求出逆系统;最后结合期望的标称线性传递函数,算出解耦控制规律．本算法避开微分几何理论,直接对矩阵进行运算,易于理解．文章给出了应用此方法对3轴仿真转台进行解耦控制的例子．     

Multiple models and neural networks based decoupling control of ball mill coal-pulverizing systems

Using a ball mill coal-pulverizing system as a motivating/application example, a class of complex industrial processes is investigated in this paper, which has strong couplings among loops, high nonlinearities and time-varying dynamics under different operation conditions. Focusing on such processes, an intelligent decoupling control method is developed, where the effects of nonlinearities are dealt with by neural network compensations and coupling effects are handled by specifically designed decoupling compensators, while the effect of time-varying dynamics is treated by a switching mechanism among multiple models. The stability and convergence of the closed-loop system are analyzed. The proposed method has been applied to the ball mill coal-pulverizing systems of 200 MW units in a heat power plant in China. Application results show that the system outputs are maintained in desired scopes, the electric energy consumption per unit coal has been reduced by 10.3%, and the production rate has been increased by 8%.     

并联混合有源滤波器逆系统解耦控制

针对并联混合有源滤波器(SHAPF)这一强耦合非线性系统的控制问题,提出了一种基于逆系统方法的SHAPF反馈线性化解耦控制策略.首先根据SHAPF非线性数学模型,采用逆系统方法生成其α阶积分逆系统,进而构造出解耦的伪线性系统,然后利用极点配置方法对伪线性系统进行综合,设计了系统的闭环控制器,并给出了系统零动态的镇定条件,保证了闭环控制系统的稳定性.最后仿真实验表明该控制策略能够有效消除电网中的谐波电流,并且与传统线性反馈-前馈控制策略相比,该控制策略具有更好的动静态性能.     

感应电动机定子磁链与转矩的逆解耦及存在性

对于具有多变量、非线性、强耦合特征的异步电动机调速系统,实现定子磁链与电磁转矩的动态解祸控制足提高系统性能的关键.本文从异步电动机的5阶模犁及其固有的电磁特性出发,证明了其系数矩阵的非奇异性,进而结合逆系统理论证明定子磁链与电磁转矩的逆解耦在任何状态下都是存在的.在此基础上设计了一种通过非线性状态反馈的逆解耦控制方案,将复杂系统解耦成电磁转矩与定子磁链的两个独立线性回路,然后利用线性系统理论分别对转矩与磁链调节器进行综合设计.仿真实验结果验证逆解耦的存在性与解耦控制方案的有效性.     

Nonlinear system compound inverse control method

A compound neural network is utilized to identify the dynamic nonlinear system. This network is composed of two parts： one is a linear neural network, and the other is a recurrent neural network. Based on the inverse theory a compound inverse control method is proposed. The controller has also two parts： a linear controller and a nonlinear neural network controller. The stability condition of the closed-loop neural network-based compound inverse control system is demonstrated .based on the Lyapunov theory. Simulation studies have shown that this scheme is simple and has good control accuracy and robustness.     

Nonlinear system compound inverse control method

A compound neural network is utilized to identify the dynamic nonlinear system.This network is composed of two parts: one is a linear neural network,and the other is a recurrent neural network.Based on the inverse theory a compound inverse control method is proposed.The controller has also two parts:a linear controller and a nonlinear neural network controller.The stability condition of the closed-loop neural network-based compound inverse control system is demonstrated based on the Lyapunov theory.Simulation studies have shown that this scheme is simple and has good control accuracy and robustness.