管式加热炉多模型神经网络预测控制

管式加热炉具有典型的非线性、多变量、大时滞、强耦合和时变特性,传统的控制策略很难获得理想的控制性能。为此,提出了基于一类多模型的自适应神经网络预测控制方法,首先基于不同负荷下加热炉的运行情况建立多个自适应神经网络模型,预测变负荷、大扰动时的加热炉输入输出状况,然后通过自适应调整神经网络模型的结构和参数跟踪加热炉由于参数时变或其他干扰引起的系统漂移,最后应用粒子群算法对基于多模型自适应神经网络进行滚动优化,获得加热炉操作变量的次优控制律。此方法可以有效地跟踪多路进料、多燃烧器加热炉的控制指标,提高了加热炉的整体热效率,并且能够节约燃料,减少温室气体排放。所开发的控制系统成功应用于某炼厂常减压加热炉装置,取得了良好的效果。     

基于卷取温度预测的层流冷却优化控制模型

卷取温度对带钢的金相组织影响很大,是决定成品带钢加工性能、力学性能、物理性能的重要工艺参数之一;层流冷却过程具有强非线性、不确定性、时变的特点,采用传统的基于传热机理和统计分析的建模方式难以满足卷取温度优化控制要求;针对某钢铁企业热轧板厂卷取温度控制过程中存在的问题,建立了基于神经网络的卷取温度预测模型,综合考虑多种因素对卷取温度的影响,将该模型预测值与目标卷取温度值的偏差作为原有前馈模型的输入,以提高前馈补偿的控制精度;仿真结果表明,模型预测精度高,具有在线应用前景.     

基于GA 的SVM R 预测控制研究

研究高精度、有效、简单的信息预测模型是目前非线性预测控制需要解决的重要问题．SVMR建模方法简单、理论基础完备,所反映的是系统的非线性特征,在建立非线性模型中与神经网络等非线性回归方法相比具有许多独特的优点．为此,提出一种SVMR预测控制结构,利用SVMR建立非线性系统模型,利用GA进行滚动优化．实验证明,这种预测控制具有良好的非线性控制效果．     

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。     

基于神经网络非线性模型的多级工作点阶跃响应扩展DMC预测控制

利用前馈神经网络建立对象的非线性预测模型,在不同工作点做阶跃响应,建立其局部线性模型,用隶属函数将局部线性模型加权得到全局线性模型,全局线性模型用于滚动优化,非线性模型用于预测系统输出和校正线性模型,实现非线性预测控制,仿真结果表明该方法控制效果良好,可满足实时要求。     

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.     

基于混沌优化的非线性预测控制器

针对非线性系统的控制问题,本文将神经网络辨识、混沌优化和预测控制思想有机结合,提出了一种新型非线性预测控制器.该控制器以神经网络作为预测模型,混沌优化算法作为滚动优化策略,避免了非线性预测控制中复杂的梯度计算和矩阵求逆问题.另外在训练神经网络过程中,采用了带混沌机制的自适应学习率的BP算法,以提高神经网络的收敛能力和收敛速度.仿真研究说明了该非线性预测控制器的有效性及实时性.     

基于DRNN的非线性模型预测控制研究

针对飞机液压系统某地面试验装置具有非线性、慢时变的特征,常规的控制算法难于实现精确控制。为了提高系统的实时性和精度,提出了基于DRNN神经网络的非线性模型预测控制算法。控制算法应用对角递归神经网络DRNN作为非线性系统的预测模型,同时采用了具有全局优化能力的启发式遗传算法作为滚动优化工具。将这一控制算法进行仿真试验,仿真试验结果表明,基于DRNN的NMPC对于装置具有自适应能力,控制精度较传统的PID控制有明显的提高。     

基于并行支持向量机的多变量非线性模型预测控制

提出一种基于并行支持向量机的多变量系统非线性模型预测控制算法．首先,通过考虑输入、输出间的耦合,建立基于并行支持向量机的多步预测模型;然后,将该模型用于非线性预测控制,提出新的适用于并行预测模型的反馈校正策略,得到最优控制律．连续搅拌槽式反应器（CSTR）的控制仿真结果表明,该算法的性能优于基于并行神经网络的非线性模型预测控制和基于集成模型的非线性模型预测控制．     

基于预测控制方法的非线性神经网络逆控制

针对一类多输入多输出非线性被控对象,利用前向神经网络逼近原系统的逆系统,将其作为控制器,采用预测滚动优化性能指标训练该神经网络逆控制器,以克服干扰和不确定性影响,实现对多变量非线性对象的解耦控制。对某微型锅炉对象进行了控制算法仿真,结果表明,所提出的控制方法能够克服模型误差的影响,实现稳定解耦控制,且易于实现。在仿真过程中通过实验方法建立该锅炉对象的神经网络预测模型,并注意采用泛化方法采集训练样本数据和训练神经网络,以提高神经网络模型的泛化能力。     

Control of polystyrene batch reactors using neural network based model predictive control (NNMPC): An experimental investigation

Controlling batch polymerization reactors imposes great operational difficulties due to the complex reaction kinetics, inherent process nonlinearities and the continuous demand for running these reactors at varying operating conditions needed to produce different polymer grades. Model predictive control (MPC) has become the leading technology of advanced nonlinear control adopted for such chemical process industries. The usual practice for operating polymerization reactors is to optimize the reactor temperature profile since the end use properties of the product polymer depend highly on temperature. This is because the end use properties of the product polymer depend highly on temperature. The reactor is then run to track the optimized temperature set-point profile. In this work, a neural network-model predictive control (NN-MPC) algorithm was implemented to control the temperature of a polystyrene (PS) batch reactors and the controller set-point tracking and load rejection performance was investigated. In this approach, a neural network model is trained to predict the future process response over the specified horizon. The predictions are passed to a numerical optimization routine which attempts to minimize a specified cost function to calculate a suitable control signal at each sample instant. The performance results of the NN-MPC were compared with a conventional PID controller. Based on the experimental results, it is concluded that the NN-MPC performance is superior to the conventional PID controller especially during process startup. The NN-MPC resulted in smoother controller moves and less variability.     

Nonlinear model predictive control of a continuous slab reheating furnace

A nonlinear model predictive controller is designed for a continuous reheating furnace for steel slabs. Based on a first-principles mathematical model, the controller defines local furnace temperatures so that the slabs reach their desired final temperatures. The controller is suitable for non-steady-state operating situations and reaching user-defined desired slab temperature profiles. In the control algorithm, a nonlinear unconstrained dynamic optimization problem is solved by the quasi-Newton method. The design of the controller exploits the fact that the considered slab reheating furnace is a continuous production process. Long-term measurement results from an industrial application of the controller demonstrate its reliability and accuracy.     

一种新型的神经网络在工业加热炉中的应用

针对工业控制过程中较为常见的一种控制过程—电加热炉的炉温控制,采用了一种基于模糊基函数的模糊神经网络控制器,并给出了应用于此模糊神经网络的自学习算法。最后,将该模糊神经网络控制器应用于实际的工业加热炉炉温控制系统中。应用结果表明,该控制方案可改善具有时变及大滞后的炉温控制系统,特别是对于一些缺乏先验知识的实际工业控制过程,该控制策略具有良好的控制效果。     

板坯加热炉的递阶计算机控制

本文以作者开发的板坯加热炉离散状态空间模型为基础提出了以启发式搜索方法求解加 热炉炉温设定值最优化问题的原理,并介绍了基于上述原理的加热炉递阶计算机控制系统的 设计与实施.该系统经过一年多连续运行表明其控制准确、性能可靠,降低能耗9%,明显提 高钢坯的加热质量,直接经济效益可达100万元/年以上.     

LF炉电极控制器设计及其应用

针对LF钢包精炼炉电极控制系统具有非线性、时变、模型不确定、多输入多输出强耦合的特点，提出一种基于RBF神经网络实时在线辨识和神经网络解耦的模糊自适应控制方案，并进行了控制器设计。应用结果证实了此控制方案的有效性。     

基于自适应模糊神经网络控制器的网络控制系统

网络控制系统中存在着时延、丢包、网络干扰等问题。针对网络控制系统中存在恶化系统的控制性能,甚至导致系统不稳定的因素,提出了一种基于自适应模糊神经网络控制器的网络控制系统,它能根据系统的实际输出与期望输出误差,利用自适应模糊控制和神经网络自学习的原理进行控制参数的自行调整,以符合控制系统的实际要求,同时,分析了网络延时,丢包率及网络干扰因素对系统性能的影响。利用TrueTime工具箱建立了包含自适应模糊神经网络控制器的网络控制系统的仿真模型,并将其分别与基于常规PID控制器的网络控制系统和基于模糊参数PID控制器的网络控制系统进行了比较。实验结果表明,在相同的网络环境下,基于自适应模糊神经网络控制器的网络控制系统的控制效果比基于常规的PID控制器和基于模糊参数PID控制器的要好,且具有较好的抗干扰能力和鲁棒性能。     

基于分离方法的加热炉模糊专家控制策略

对某轧钢加热炉燃烧过程控制中存在的问题,提出了一种基于分离方法的模糊专家控制策略;根据炉温偏差和偏差变化率获得燃气流量的设定值,在温度偏差较小时使用模糊控制,保证较好的控制精度,在温度偏差较大时采用专家控制,保证快速的升温和降温效果,同时按照生产率模型调节空气流量,克服了传统控制策略中无法解决的燃气热值波动时空气燃料比难以自动修正的缺陷;实际应用表明,文章提出的控制策略获得了较好的控制效果。     

板坯加热炉的递阶计算机控制

本文以作者开发的板坯加热炉离散状态空间模型为基础提出了以启发式搜索方法求解加热炉炉温设定值最优化问题的原理,并介绍了基于上述原理的加热炉递阶计算机控制系统的设计与实施.该系统经过一年多连续运行表明其控制准确、性能可靠,降低能耗9％,明显提高钢坯的加热质量,直接经济效益可达100万元/年以上.     

基于分散推理结构的加热炉钢坯温度分布模糊控制

针对钢坯加热炉系统所具有的典型分布参数特点,提出了一种基于分散推理结构的钢坯温度分布模糊控制方案．首先,将炉内钢坯温度偏差分布作为模糊推理系统的输入信息;然后,对于每一个炉温调整点,通过一组二维模糊控制器,产生一组与钢坯温度偏差分布对应的炉温补偿控制分量;最后,综合各控制分量获得各调整点处的炉温补偿量．仿真算例表明,该方案能够有效地保证钢坯按理想加热曲线完成加热过程．     

燃烧温度自动控制在蓄热式加热炉中的实现

主要介绍了蓄热式加热炉燃烧温度自动调节控制的实现,以位置式PID为基础,结合多种方式实现智能温度调节。该技术的应用提高了调节的稳定性,降低干扰的影响,实现了厚板加热炉的温度自动调节。