一类基于Smith预估器的神经元控制器的实现研究

本文提出一种基于Smith预估器的神经元控制器的实现方法,该神经元控制器的控制算法是不完全微分先行PID控制.利用MATLAB仿真软件对该控制器在电加热炉中的应用进行仿真研究.仿真结果表明,该控制器具有Smith预估控制和神经元控制的优点.     

基于神经网络Smith预估器的预测控制

针对非线性系统时滞问题,给出了一种新型的单神经元Smith预测控制算法.神经网络的预测控制器由不完全微分的单神经元自适应PID控制器和神经网络的Smith预估器组成.预估器对输出进行多步预测,控制器超前动作以消除时滞对系统的影响.不完全微分的单神经元自适应PID控制器通过改进的Hebb学习规则实现其权值调节,通过权系数的在线调整实现自适应控制.仿真实验证明了该方法具有较快的响应速度和较好的响应性能.     

基于神经网络的Smith预估PID控制器设计与仿真

针对大时滞非线性受控对象,将数字Smith预估控制原理和神经网络（NN）控制器参数的自适应调整方法相结合,根据系统出现的不同特点适时调节控制器参数,以适应对象特性的变化。将其应用于加热炉温度控制系统中,并与常规PID控制器和Smith预估补偿PID控制器进行比较,仿真研究表明,该控制器各项性能均优于上述两种,且在被控对象参数改变或出现干扰时系统的控制性能也得到了较好的改善,具有良好的控制品质。     

基于RBF神经网络的智能PID控制算法

针对工业中的纯滞后现象提出一种智能控制方法,在常规的PID控制器中引入Smith预估器,对纯滞后时间τ所产生的特性进行预估补偿,同时利用RBF神经网络对PID的参数进行自整定,在一定程度上增强了系统的鲁棒性和稳定性。实验证明,此控制方法对纯滞后工业对象进行控制可以得到良好的效果。     

基于Smith预估补偿的地下水位模型参考自适应控制器的设计

针对地下水位控制的纯滞后性和特殊性,本文给出了一种将模型参考自适应控制与Smith-Fuzzy控制器相结合的控制策略,通过对模糊PID参数和Smith预估器滤波时间常数的在线整定与仿真,获得了比普通模糊PID控制和Smith预估器控制更好的控制效果与性能。     

基于BP神经网络Smith预估器的HAGC系统的仿真

针对液压自动厚度控制的测厚仪与轧机机架间有一定距离,监控AGC具有滞后、非线性的特点,提出了一种基于改进BP神经网络PID控制算法的Smith预估器,即由Smith预估器和改进BP神经网络PID控制组合的复合控制.通过仿真表明具有很强的快速性和自适应性.     

智能控制与复合控制在二阶时变纯滞后对象的应用研究

针对二阶时变纯滞后对象难以控制的问题,提出了采用改进Smith预估器提高系统的稳定性和鲁棒性;采用CMAC和PID并行控制的算法来提高动态性能;以CMAC神经网络作为一个前馈控制器,通过对PID控制器输出的学习,实现二阶变时滞系统的自适应稳定控制。仿真实验表明,这种复合控制方法保留了Smith算法与CMAC神经网络和PID算法的各自特长,具有学习速度快,适应能力强、动态性能好的优点,具有良好的稳定性控制效果。     

自校正预估PID控制器

本文将Clarke和Gawthrop提出的自校正k步前向预估器代替Smith预估控制器,导出自校正预估PID控制器算法,并通过仿真验证了算法的有效性。     

一种模糊PID-Smith污水处理的控制方法

针对污水处理控制系统的大惯性、大时滞及时变等特点,在分析常规PID控制和模糊控制不足的基础上,以溶解氧DO为控制对象,建立了一种Smith预估器+模糊PID组合控制器.该组合模型中的模糊控制部分以误差和误差变化率作为输入,通过模糊推理实现对PID的3个参数,即比例常数、积分常数和微分常数的自整定,以满足被控对象DO的不同误差和误差变化率对控制器参数的要求:采用Smith预估器实现对被控制对象的时间滞后的修正.该模型集成了模糊控制器鲁棒性高、PID静态控制,及Smith预估器可以补偿时滞的优点.通过对SBR污水处理系统的控制仿真,并与常规PID和模糊PID控制效果比较,超调量和调节时间明显降低,证实了组合控制器的优越性,从而为解决大滞后大惯性系统提供一种有效途径.     

冷连轧AGC 系统的自适应Smith 广义预测控制

针对冷连轧AGC 系统存在较大的时间滞后以及对象模型参数时变的特点,提出了一种自适应Smith 广义预测控制算法. 该算法用Smith 预估器来克服滞后的影响,利用激光测速仪间接测量AGC 系统的滞后时间以修 正Smith 预估器的时滞部分模型,使用渐消记忆递推最小二乘算法在线辨识对象参数来修正Smith 预估器的非时滞 部分的模型,并根据辨识得到的对象参数设计自适应广义预测控制器代替传统Smith 预估算法中的PID 控制器. 仿 真研究表明,在模型失配及干扰的情况下,该控制算法仍然具有良好的控制性能和鲁棒稳定性能.