基于模糊RBF神经网络的主汽温控制系统

本文主要研究应用模糊神经网络实现主汽温控制系统,采用神经网络的学习能力来优化权值,在不同负荷下都取得了较好的控制效果.     

基于神经网络补偿的主汽温多模型控制

针对过热汽温对象的特性参数随机组运行工况的变化而有较大变化的特点,设计了基于神经网络补偿的多模型切换的串级控制系统．基于不同工况点设计的固定控制器可根据运行工况进行切换,补偿控制器在此基础上补偿控制作用的不足．仿真结果表明,这种控制方案实现了系统全工况运行的满意控制．     

DMC-PID串级主汽温控制系统

将动态矩阵控制算法与串级控制相结合,提出了一种新的火电厂锅炉主汽温控制方案。它既克服了单纯PID鲁棒性差的缺点,又克服了单纯DMC由于单层结构而带来的抗内扰能力弱的问题。针对火电厂中大惯性、大延迟的主汽温对象,充分发挥PID抗干扰性强和DMC对惯性、延迟适应能力强的优点,设计了DMC-PID串级控制系统。仿真研究表明:这种方案使控制系统具有较强的鲁棒性及良好的调节性能,提高了系统的动静态性能指标。     

基于状态变量-多模型的主汽温控制系统

在现代火力发电厂控制中,锅炉出口过热蒸汽温度(主汽温)是锅炉的主要参数之一,对电厂的安全经济运行有着重大的影响。针对主汽温系统大惯性、非线性的特点,提出了基于状态变量-多模型的控制方案,即先采用状态反馈补偿主汽温的惯性,以PID作为控制器对补偿后的广义被控对象进行控制;再针对不同工况下对象特性的变化,对各工况控制子系统进行模态综合,实现大范围的控制。对主汽温系统的仿真结果表明,该方案可以较好地解决系统的大惯性和非线性问题。     

基于模糊自适应PID的主汽温控制系统

为了改善传统串级PID主汽温度控制系统的控制效果,提出了采用模糊自适应控制器的串级主汽温控方案.主调节器采用模糊自适应PID控制器,副调节器采用传统PID调节器.利用模糊规则,主调节器PID参数可根据误差信号动态调整.仿真结果表明,该系统在机组负荷较大范围变化时,其控制品质优于传统PID串级控制系统.     

电厂过热汽温神经PID控制系统的仿真研究

针对火电厂主汽温被控对象的大迟延、模型不确定性，设计了基于RBF神经网络的神经PID汽温控制系统，并对控制系统进行仿真试验，其仿真结果表明了设计的控制器具有良好的位置跟随性、抗干扰性和鲁棒性．     

多模型过热汽温控制系统

提出了多模型双回路超临界 ６００ ＭＷ直流锅炉过热汽温控制方法。该方案在采用导前信号的双回路控制系统的基础上,选择合适的多模型特征参数,划分合理的工作子空间,建立模态调度规则,实现准确的模态切换。仿真结果表明,用这种方法建立的过热汽温控制系统,具有较好的控制品质和较强的自适应能力。     

基于FUZZY-PID的主汽温控制

基于ＳＴＡＮ－９０火电机组全仿真机系统平台，选用全论域范围内带自调整因子的模糊控制器与ＰＩ控制器相结合的复合控制方案设计过热器减温控制系统：编程建立相关模糊控制算法并组态实现了控制系统功能．动态试验结果表明，与常现ＰＩＤ串级控制系统相比该系统达到了更好的动、静态性能。     

基于参考模型神经网络的锅炉燃烧系统控制

大纯时延、煤种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。本文作者提出了改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,辨识出非线性对象的延迟时间的方法,将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合,可用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制,同时,以10t／h链条炉作为研究对象进行仿真,仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快,鲁棒性能好等优点。     

基于小波神经网络预测的退火炉温控制

目的 通过对退火炉炉温控制系统的设计,使得控制系统的控制性能和控制精度提高、抗干扰性增强.方法 针对被控对象一退火炉本身的非线性、大滞后性、时变性等特点,采用把小波函数引入神经网络预测模型对退火炉温进行预测,再把此预测模型与BP神经网络控制器相结合对退火炉的脉冲燃烧器进行控制,进而控制炉温.结果 由小波神经网络预测模型组成的控制系统,综合了小波分析和传统神经网络的优点,且具有不断吸收环境新信息的函数学习能力和推广能力.从仿真曲线上看,此控制方法 相比较传统控制的方法 具有收敛速度快,预测精度高的特点.结论 实现了对具有大干扰、大滞后性和不确定随机干扰因素的炉温控制系统进行精确控制,具有良好的动态和稳态性能.     

基于神经网络PID炉温控制系统设计

将BP神经网络控制策略引入炉温控制系统,通过神经网络模拟实现PID控制器参数在线调整。在电阻炉炉温控制系统模型的基础上,详细介绍了神经网络PID控制器的算法,并对经典PID参数选取进行了分析。最后将神经网络PID与经典PID控制效果进行了仿真比较。     

基于模糊神经网络的汽车安全控制系统

针对国内汽车安全控制系统水平相对落后的现状,提出了一种模糊神经网络的汽车安全控制系统,采用基于标准模型的模糊神经网络作为控制器,包括输入层,模糊化层,规则层,归范化处理和输出层,应用多层前馈网络的反向传播算法网络作为学习算法,运用动态BP网络作为神经网络预测器。MATLAB仿真结果表明：该控制系统具有较好的快速性、稳定性、稳态性能以及鲁棒性。     

基于PID神经元的温度控制系统研究

应用神经网络控制理论和方法，对传统温度控制系统进行控制，可以得到无静差，无超调的优良性能，这对于传统工业改造具有实际意义。     

基于T—S模型模糊神经网络预测的退火炉温度控制

目的提出一种能够提高退火炉温度控制系统的性能和精度的具体方案,增强控制系统的鲁棒性．方法针对退火炉温度控制系统具有多变量,非线性和不确定性的特点,将T—S模糊神经网络与预测控制相结合,在线建立被控对象的数学模型,并用BP神经网络控制器对所得到的信息在线修正,进而控制退火炉炉温．并通过仿真与传统的模糊PID控制方案进行对比分析．结果T—S模糊神经网络预测控制方案具有较强的控制精度和动态性能,预测精度高、容错性好、收敛速度快,基本无超调等特点．结论T—S模糊神经网络预测控制能够提高产品退火质量、节能环保,可以应用于退火炉炉温的优化控制．     

具有重构功能的基于RBF神经网络直接自适应飞控系统

反馈线性化方法鲁棒性研究一直是近些年来的研究热点。针对基于反馈线性化方法的鲁棒控制，提出了一种将反馈线性化和RBF神经网络直接自适应控制相结合的综合控制方法，利用李亚普诺夫稳定性定理推导了神经网络权值的自适应规律，保证了闭环系统的稳定性。该方法应用于某型号飞机舵面故障状态仿真，结果表明RBF神经网络自适应控制方法补偿作用显著，相当于系统具有一定的重构功能。     

汽车半主动悬架的神经网络控制及仿真

基于 1 /2汽车非线性模型和对角回归神经网络模型 ,应用模型参考自适应控制对半主动悬架系统进行了离线辨识 ,构成了非线性神经网络控制器 ,在线训练了神经网络控制器 ,并对半主动悬架进行了控制仿真 ,对仿真结果进行了分析、总结。     

三容系统的解耦神经网络PID控制

三容水箱是常见的非线性强耦合系统,利用一种非线性动态解耦的方法对其进行解耦(其特点是能利用非线性补偿的方式将该类系统各回路输入与输出之间完全解耦),然后采用基于BP神经网络的PID控制策略对其进行控制,并利用MATLAB进行仿真。仿真结果证明解耦的有效性,表明了BP神经网络的PID算法比传统的数字PID具有更强的抗扰动性。