BP神经网络模型预测控制算法的仿真研究

为克服被控对象参数变化导致控制精度降低的问题,研究了一种BP神经网络模型预测控制算法。借助最小二乘递推算法在线预测系统模型参数,利用BP神经网络在线预测PID参数以控制被控对象。该算法基于模型预测,首先在线性系统中验证其控制效果,然后将非线性问题作线性处理,采用BP神经网络模型预测PID控制器予以实现控制非线性系统。仿真曲线显示BP神经网络PID控制器用于线性系统可达到高精度控制要求;对于非线性系统有自适应及逼近任意函数的能力。仿真研究表明,该算法与传统BP神经网络PID控制器相比,其自适应能力更强,稳定性更好,控制精度更高。     

水处理过程的RBF和BP神经网络建模

针对水处理过程非线性、时变和大滞后的特点，本文采用RBF和BP神经网络分别建立了水处理过程模型，利用水厂实际运行数据对两个模型分别进行了训练和检验。与BP神经网络模型相比，RBF神经网络模型具有逼近能力强、收敛速度快等优点。该模型可以实现对水处理过程的在线辨识，并可进一步用于该过程的神经网络预测控制。     

基于BP网络模型的非线性预测控制策略研究

提出了一种基于神经网络模型的非线性多步预测控制策略。预测器和控制器由一个BP网络构成。在整个过程中，首先利用一个BP网络构造一个非线性多步预测模型，根据被控对象输出与网络实际输出之间的误差采用改进的BP算法修改网络权值，以逐步建立合理的多步预测模型。然后，根据网络的多步预测输出序列与设定值序列的偏差构造性能指标函数，根据性能指标函数采用自适应变步长梯度法修改控制律。仿真结果表明了该策略的有效性。     

基于混合神经网络的非线性预测函数控制

针对基本预测函数控制只能用于线性对象的控制这一不足,提出了基于混合神经网络的非线性预测函数控制.混合神经网络由BP网络和线性神经网络串连组成.采用混合神经网络对可用Hammerstein模型描述的非线性对象进行有效的辨识.其中,BP网络反映了非线性静态增益,线性神经网络反映了线性动态子系统.利用BP网络求出非线性静态增益的逆并与非线性对象串联,抵消非线性对象中的非线性静态增益部分,将非线性对象的控制问题转化为对线性对象的控制问题,实现了对非线性对象的预测函数控制.当被控对象的特性发生变化时,可对混合神经网络权值及时进行修正并调整控制器参数使控制系统始终保持良好的控制性能.仿真结果表明,此控制系统具有良好的控制效果.     

基于BP神经网络的自适应补偿控制方法

研究工业过程控制系统补偿问题,对于一类模型未知的SISO非线性系统,传统的控制方法不能获得被控系统的精确数学模型,因而在系统稳定性和鲁棒性上存在缺馅,控制效果不佳。为了提高被控非线性系统的稳定性和鲁棒性,提出了一种基于BP神经网络的自适应补偿控制方法。首先,通过逆系统理推导了被控系统输出和伪控制量之间的误差,然后误差进行在线自适应BP神经网络补偿,从而实现对被控系统的BP神经网络自适应补偿控制,且采用Lyapunov理论证明BP神经而网络的收敛性和闭环系统的稳定性。计算机仿真表明所提方法明显提高了非线性系统的鲁棒控制性能。     

一种频率依赖性迟滞的神经网络内模控制

针对压电陶瓷等智能材料存在的依赖输入频率的迟滞非线性问题,采用BP神经网络对迟滞非线性进行辨识,并通过内模控制方案来对其进行控制.在迟滞的建模上,构建了一种静态迟滞非线性环节串联一个对输入频率敏感的线性动态环节组成的Hammerstein模型.在此基础上,得出Hammerstein模型的逆模型,并通过构造的正、逆模型进行内模控制.实验结果说明,提出的建模方法与内模控制方案是有效的.     

非线性系统的无模型误差控制

针对未知非线性系统提出了一种具有输出变化量加速度比例因子的无模型自学习控制方案，主要思想是利用BP网络对系统输入输出量进行辨识，同时构造误差控制器，通过辨识学习器向误差控制器动态传递更新权阵，以实现对未知非线性系统的无模型误差自适应控制。Maflab7．0平台下的仿真结果表明，控制效果良好。     

基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制（GPC）相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络“黑箱”的功能达到对非线性系统的预测控制。以机器人为控制对象进行仿真,取得了较好的控制效果。     

基于遗传算法的动态神经网络的建模与应用

本文分析了改进的ELMAN网络的结构，并讨论了神经网络的学习算法，针对BP算法的缺陷，提出了用遗传算法修正网络权值的学习算法。另外，将采用遗传算法进行训练的改进ELMAN网络应用于非线性系统的辨识和建模。通过仿真和在汽车磷化加热系统建模中的应用进一步说明了该方法用于高阶次非线性系统建模的可行性。     

预测控制在工业锅炉汽包水位中的应用研究

根据工业锅炉汽包水位的动态特点,提出了汽包水位预测控制方案,采用一种基于BP神经网络预报的动态矩阵预测控制新算法,在该算法中,先用BP神经网络辨识对象模型,同时预测对象的未来输出。该方法解决了非线性、时变对象难以建模及控制的问题,仿真结果验证了这一算法的可行性。     

液体温度双模态控制系统设计

阐述了一种以自调整模糊控制算法为核心的液体温度双模态控制系统。该系统采用了两种控制模式,能够对液体温度进行高精度的实时控制,通过软件的参数设定,可以按既定的控制曲线实现匀速降温、升温和恒温等多种温度控制要求。根据不同的控温阶段,采取不同的控温模式:在控温精度要求低的阶段,采用开关控制模式,以节省控制时间;在控温精度要求高的阶段,采用自调整模糊控制模式,以得到很高的控制精度。应用本系统构建高精度的测试环境,取得了很好的效果,且具有一定的通用性。     

神经元网络在VD温度预报模型中的应用

在对冶金生产过程中的现场实际情况进行详细分析的基础上,采用神经元网络技术建立和开发了一个真空脱气炉（VD）钢水温度的预报模型.该模型从基础自动化系统和L2过程控制系统中获得所需的数据,并通过设计的输入数据对神经网络进行了训练、检验和性能评价.该模型通过L2过程计算机,以网络方式向操作人员预报并指示VD开盖温度,经过实际运行,该模型可以准确预报VD终点温度,实现了对VD终点温度的精确控制,对于保证生产的顺利进行和节约能源有着重要的意义.     

瞬态表面温度传感器动态建模方法研究

测量瞬态高温时,由于传感器自身的热惯性,测量结果与真实结果之间存在很大的动态误差.动态补偿或动态误差修正对于改善测温系统动态特性,减小动态误差有重要意义,而建立温度传感器动态数学模型则是进行动态补偿或动态误差修正的前提.本文首先设计了瞬态表面温度传感器动态校准系统;然后,利用系统所测得输入输出数据,采用系统辨识方法建立了测温系统的动态数学模型;最后,利用交叉检验法验证该模型的正确性.经检验该方法可以达到理想的辨识效果,从而为系统反滤波动态误差修正奠定了基础.     

深度确定性策略梯度与模糊PID的协同温度控制

针对现有温度控制系统控温时间长、误差大的问题, 本文提出了一种基于深度确定性策略梯度(DDPG)和模糊自整定PID的协同温度控制. 首先, 模糊PID在控制大滞后系统时, 控制器不能立刻对产生的干扰起抑制作用, 且无法保证大滞后系统的稳定性等问题, 本文建立了模糊PID和DDPG算法相结合的温度控制模型, 该模型将模糊PID作为主控制器, DDPG算法作为辅助控制, 利用双控制器模型实现温度协同控制. 接着, 利用遗传算法对模糊PID的隶属函数和模糊规则进行寻优, 获得模型参数最优解. 最后, 在仿真实验中验证所提方法的有效性. 仿真实验结果表明, 本文提出的算法可有效减少噪声干扰, 减小控制系统的响应时间、误差和超调量.     

气候环境实验室建模及温度控制系统仿真

气候环境实验室是一个复杂的热力系统,室内温度参数受多种因素的影响.通过分析气候环境实验室仓体、空调系统热交换器、温度传感器和调节阀的特性,推导出它们的传递函数,利用Matlab/Simu-link建立环境室温度控制系统的模型,根据临界比例度法整定PID参数,并对常规PID控制器和积分分离PID控制器的控制效果进行仿真比较.仿真结果表明该模型和温度控制系统在理论研究和工程实践中具有实际的指导意义和应用价值.     

嵌入式线圈温度预测控制系统研究与实现

针对常用温度测量均需要复杂的外围硬件设备而提高硬件成本的问题,研究实现一种具有温度预测功能的嵌入式系统;该系统利用温度预测模型算法间接地测量控制线圈的温度变化,这不仅提高了温度测量的灵活性,而且降低了系统硬件电路的制造成本;结果表明,该系统有效地测量出线圈的温度,运行稳定可靠,对线圈的耐温性诊断具有一定的实用性和推广价值。     

Comparison of fuzzy control systems for hypothermal brain temperature regulation

The automatic control system for brain tissue temperature is studied theoretically for brain hypothermia treatment. In order to realize a human-friendly control mechanism, an automatic temperature regulation system is constructed to simulate brain hypothermia treatment by introducing a fuzzy algorithm for possible characteristic changes in patients. The brain temperature model is successfully realized to follow the desired temperature course automatically. The model reference fuzzy control of brain temperature based on water-cooling blankets is verified for clinical application to brain hypothermia treatments through various kinds of simulation experiment. Partly presented at the 16th IFAC World Congress, Prague, July 2005     

钢球磨煤机制粉过程的混合智能建模

钢球磨煤机制粉系统是一个具有多变量强耦合性、强非线性、大时滞特性的对象,很难建立它的精确数学模型.针对该问题,提出钢球磨煤机制粉系统的混合智能建模策略.通过机理建模方式建立钢球磨煤机制粉系统的入口负压、磨机差压、出口温度的模型.针对机理模型输出的出口温度与现场实际误差大的问题,增加了出口温度的补偿模型.为更好反映磨机负荷,建立磨音的神经网络模型.通过与现场实验数据的对比验证了模型的有效性.     

基于时序分析的阀冷进阀温度预测方法

电网在运行过程中,换流阀等关键设备会不断产生热量,当设备的热量不断聚集温度不断上升,会影响设备的稳定性和安全性,保证换流阀等关键设备稳定运行就显得至关重要.阀冷系统作为冷却系统的关键设备,以热导性较高的水为介质,将设备的热能带出,达到降低设备温度的目的.可以通过监控冷却水的温度、压力技术指标来确保换流阀安全、稳定运行.选取阀冷系统中的进阀温度为主要预测指标,对系统的历史数据进行充分的挖掘和分析,达到对电网运行状态预估的目的.将传统时序模型与机器学习结合提出ARIMA-SVM的混合模型,并与传统的ARIMA模型、SVM模型和GRU神经网络模型对中国南方电网的真实阀冷数据进行时序分析预测并进行对比实验.实验结果表明,ARIMA模型、SVM模型、GRU神经网络模型和ARIMA-SVM混合模型都可以较好地预测进阀温度的变化趋势,但ARIMA-SVM混合模型在均方根误差、均方误差和平均绝对误差3个评价指标上表现均更优于其他3个模型,能够进一步提升进阀温度预测的精度.     

基于改进型ANFIS的磁致伸缩液位传感器温度补偿

考虑到磁致伸缩液位传感器在温差变化大的环境中温漂现象严重,且产生温漂的多种因素与温漂的程度呈非线性关系,难以用数学模型表达等问题,建立基于改进型ANFIS的温度补偿系统。该系统采用附加动量算法不断修正ANFIS中的前题参数以避免采用梯度下降算法时易陷入局部极小,训练速度较慢等缺点,提高系统的忽略网络中微小变化的能力。为了验证该温度补偿系统的性能,将其与基于PSO-LSSVM模型和基于BP神经网络的温度补偿系统相比较。分析与实验结果表明,改进型ANFIS模型的温度补偿的最大误差为0.88%,平均误差为0.65%,远小于另外两种补偿方法。使用了改进型ANFIS的温度补偿方法具有较强的泛化能力,能够有效消除温度对磁致伸缩液位传感器的影响。