NSG水位神经自适应PID控制与仿真研究

核动力蒸汽发生器(NSG)是一个高度复杂的非线性时变系统。由于蒸汽发生器在瞬态、启动和低功率下的“收缩”与“膨胀”现象引起的逆动力学效应,使蒸汽发生器的水位控制变得复杂。本文针对传统的核动力蒸汽发生器水位PID控制方法存在的缺点,将神经网络方法与PID控制的结构结合起来,提出了核动力蒸汽发生器水位神经自适应PID控制方法。采用BP学习算法调整控制器神经网络的连接权值,实现了控制器参数的在线整定。仿真研究表明,所设计的控制器具有良好的控制性能,且结构简单,易于实现。     

核电站蒸汽发生器水位控制系统的仿真研究

研究核电站蒸发器水位控制优化问题,由于蒸汽发生器是核电站中最重要设备之一,水位控制对核电站的安全运行起着决定性的作用,并要求系统稳定运行,快速响应。针对蒸汽发生器是一个高度复杂、非线性、时变的系统,传统的串级PID控制等控制方法难以取得满意的控制效果,把自抗扰控制方法引入蒸汽发生器水位的串级控制系统中,解决传统PID快速性和超调的矛盾,且能够动态补偿对象模型的内扰和外扰。另外,自抗扰控制器的参数较多且参数难以整定,采用混沌搜索的粒子群混合优化算法来对优化选择参数进行仿真。仿真结果表明,改进方法的鲁棒性和控制品质优于传统的串级PID控制方法,方法的可行性和有效性。     

基于神经网络逆控制的水轮机调节系统

根据神经网络对非线性系统模型的辨识能力,将其与自适应逆控制相结合,对水轮发电机组的逆模型进行建模,构建一种新的水轮机调节系统。该方案以逆系统以及系统辨识理论为基础,以水轮发电机组作为被控对象,分别针对其频率和负荷扰动,建立神经网络在线逆控制器,对系统进行调控,并将仿真结果与传统PID控制进行比较。从仿真结果可以看出,所提的控制方案能够实现对水轮发电机组的有效控制,使系统具有较好的动态性能和鲁棒性。     

核电站蒸汽发生器水位模糊预测控制

在核电站运行过程中,U形管蒸汽发生器的水位作为重要参数需维持在安全的范围内.U形管蒸汽发生器结构复杂、系统逆动态、大范围变工况下具有强非线性,尤其在低负荷下,采用常规控制难以取得良好效果.本文建立了蒸汽发生器水位模糊模型,提出了能够满足系统输入输出约束的基于模糊模型的准–最小–最大预测控制方法.为了减轻在线运算负担,通过线性矩阵不等式离线计算椭圆不变集合及其对应的反馈控制律,然后依据系统的状态,二等分搜索对应的椭圆不变集参数,将在线计算简化为一个简单的优化问题.针对水位设定值跟踪和负荷变化的仿真结果表明了本文所提出控制策略的有效性.     

辅助给水系统神经网络模型预测控制方案设计

为优化“华龙一号”核电机组辅助给水系统控制性能,对辅助给水控制方案进行了研究,设计了一种基于长短时记忆（LSTM）网络的辅助给水系统神经网络模型预测控制方案。通过仿真验证平台进行数据采集后,利用LSTM神经网络训练出蒸汽发生器液位预测器,以反应控制过程的动态特性。应用模型预测控制方案,根据蒸汽发生器液位估计值实时优化控制变量。验证结果表明,与手动控制/核电厂自动控制方案相比,模型预测控制方案可实现更快、更准确的设定点跟踪功能,同时需要的控制工作量更少,可达到有效减少对系统部件的磨损、延长系统部件使用寿命的作用。此外,所提方案可被应用于其他需要精确和有效控制的复杂工业过程。     

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.     

高精度伺服系统的模糊CMAC补偿控制

针对伺服系统存在非线性和参数不确定性,PID等常规控制器几乎无法获得高精度控制性能的问题,提出了一种基于FCMAC的补偿控制器,将其应用于伺服系统的速度闭环控制.FCMAC补偿控制器能够实时在线学习系统的非线性,对参数变化及扰动等因素进行实时补偿.将FCMAC补偿控制器与模型参考跟踪控制结合,能有效地改善伺服系统的鲁棒性.仿真结果进一步表明,该控制策略能降低系统时参数变化和外界扰动等不确定性的灵敏度,即使在持续正弦信号干扰下也具有良好的性能.     

基于神经网络的带钢跑偏电液伺服系统研究

带钢跑偏电液伺服控制系统的非线性和时变性使得传统的PID控制很难达到理想的控制效果,将神经网络与普通PID控制相结合形成神经网络自适应PID控制策略,应用于该系统实现其良好控制.为提高系统的动态响应速度及性能,采用RBF神经网络对系统进行辨识预测.首先建立带钢跑偏电液伺服系统数学模型,然后利用AMESim和Simulink软件对传统PID控制和神经网络自适应PID控制进行联合仿真.结果表明,神经网络自适应PID控制系统响应速度快、超调量小、鲁棒性强,并具有良好的稳定性和控制精度.     

基于神经网络的雷达天线稳定平台控制设计

为了提高稳定平台的抗干扰能力,使雷达天线指向稳定保证成像清晰,该文提出一种神经网络PID控制方案,此方案是利用神经网络的非线性映射能力和自学习自适应能力,找到最优的PID三个控制参数,使稳定平台这种非线性系统具有良好的控制效果。通过MATLAB仿真实验证明,神经网络PID控制方案的超调量仅有1.05%,稳态时间只有0.61 s。远远小于PID控制,而其对扰动的响应幅值仅为PID控制的18.6%,与传统的PID控制相比,神经网络PID控制具有更优秀的抗干扰能力,这种控制方案更加适合在复杂环境下工作的稳定平台,有效保证其精度和稳定性。     

基于ANN逆模型补偿的复合控制系统仿真

为对复杂非线性系统进行辨识建模和实施有效控制,分析了基于神经网络的非线性系统逆模型的辨识和控制原理,研究了基于神经网络的非线性系统逆模型补偿的复合控制方法。基于复合控制思想,时常规PID控制器＋前馈神经网络逆模型补偿的复合控制结构方案进行了仿真。仿真结果表明,基于神经网络的非线性系统逆模型补偿的复合控制结构方案是有效的、相对简单的网络结构,可提高逆模型的泛化能力和非线性系统的控制精度。     

非线性系统的蚁群优化预测PID控制

针对非线性、时变及大惯性系统的控制问题,提出了一种基于蚁群算法的预测PID控制算法。该算法以神经网络作为预测模型,将预测控制和PID控制相结合,并用蚁群算法在线优化控制器参数,其中以常规的Ziegler-N ichols方法整定的控制器参数为基础,选取蚁群优化变量的动态搜索区间。该算法考虑了控制能量受限情况下,非线性系统的预测控制问题。计算机仿真结果表明,该非线性控制方案具有较好的鲁棒性,相对传统PID控制策略还表现出了良好的动态性能,能够满足对再热汽温对象的控制要求。     

基于MATLAB的新型CMAC控制器的设计与仿真

在小脑神经网络(CMAC)与PID并行控制的基础上,提出了一种新型的CMAC控制器,即FCMAC控制器。这种把小脑神经网络与模糊控制(Fuzzy)结合起来的控制方法,具有两种控制方法的优点。本文中以某交流伺服电机作为控制对象,用MATLAB进行了仿真。仿真结果表明,FCMAC控制器具有较高的控制精度、良好的自适应特性。     

基于PID神经元网络的水面舰艇减摇方法

文章研究水面舰艇减摇问题,采用PID神经元网络控制方法.舰艇在大风浪条件下产生剧烈横摇,减摇鳍是目前应用最为广泛的减摇装置之一.鳍角与升力矩的水动力特性主要依靠静态实验获取,实际使用中,鳍控制力矩与鳍角呈复杂非线性关系,使水动力特性存在较大误差.为解决升力系数及航速等反馈中的重要参数不确定性而导致鳍角产生的力矩难以确定...     

基于BP神经网络的PID控制方法的研究

本文提出了一种基于BP神经网络的PID控制方法,充分利用BP神经网络算法逼近任意连续有界非线性函数的能力,这种PID控制方法能学习和适应严重不确定系统的动态特性。文中采用三层前向网络,动态BP算法,达到了在线实时控制的目的,显示了BP神经网络的PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的潜能。计算机仿真结果表明,基于BP神经网络的PID控制较常规的PID控制具有更好的鲁棒性和自适应性,能取得良好的控制效果。     

硫化氢燃烧的神经网络PID控制及其仿真

讨论了传统的PID控制和基于神经网络的PID控制，给出了带有神经网络PID控制的系统控制方案和神经网络PID控制器算法设计，并将其应用于硫化氢制酸中的硫化氢燃烧。运行结果表明，神经网络PID控制比传统的PID控制表现出良好的动态和静态性能。     

锅炉汽包水位模糊控制系统的仿真与设计

锅炉汽包水位是一种非线性、时变大、强耦合的多变量系统。在建立了锅炉汽包水位为调节对象的数学模型基础上,应用MATLAB simulink软件对汽包水位控制系统进行验证和仿真,给出了传统PID控制和模糊PID控制的比较结果,同时采用PLC进行模糊控制,明显地改善了汽包水位控制系统的静、动态特性,从而实现了对锅炉汽包水位的最佳实时控制。     

核动力装置蒸汽发生器水位的分层模糊自适应控制

针对压水堆核动力装置蒸汽发生器的水位控制提出一种分层模糊自适应控制方案，该方案中2个模糊控制器分层连接，每个模糊控制均采用典型模糊控制单元，使得模糊规则个数和可调参数个数大大减少，便于在线学习和实时控制，给出了分层模糊控制器的解析表达式及可调参数的在线学习方法，在快速加负荷和突然甩负荷的仿真实验中，该方案的控制效果明显优于已有的变参数PID控制，验证了该方案的有效性。