真空烧结炉单片机模糊控制系统

本文针对真空烧结炉的特点,提出了模糊控制算法,给出了以单片机为核心的炉温模糊控制系统,实际运行取得了良好的控制效果。     

基于B样条模糊神经网络的钎焊炉温度控制

针对钎焊炉温度控制系统,设计了一种基于PSO算法优化的B样条模糊神经网络温度控制方案,利用B样条模糊神经网络实现模糊推理,利用微粒群算法对网络的权值进行学习与训练.结果表明,该算法在钎焊炉温度控制方面具有有效性和可行性.     

模糊自适应在真空烧结炉温度控制中的应用

硬质合金真空烧结炉的动态特性具有非线性、时变性和不对称性等特点，采用通用智能温控器控温时效果不尽人意。本文提出一种将PID参数插值自适应控制与模糊控制相结合的自适应控制算法，仿真结果表明，该控制方案简单、有效，满足硬质合金真空烧结炉温度的控制要求。     

基于FCMAC与PID复合温控器在DMK-240真空烧结炉中的应用

针对国内某大型硬质合金企业的DMK-240真空脱蜡烧结一体炉控制系统研发项目,设计出了一种基于PLC和工控机构成的控制系统。该控制系统以温度为主要控制参数,采用基于模糊小脑模型神经网络(FCMAC)与PID控制算法相结合的复合温度控制器对温度进行控制。实际运行结果表明,控制方案控制精度高,动态特性好,满足现代硬质合金生产工艺要求。     

基于模糊神经网络的气流雾化染色机温度控制

本文针对染色过程中温度控制系统具有严重的非线性以及较大的时间滞后性,因此而无法精确建立数学模型的特点,设计出一种模糊神经网络控制算法.该算法能实现对恒温、升温、降温过程的分别控制,以达到提高控制效果的目的.     

现场总线、模糊神经网络在回转窑分解炉温度控制中的应用

该文介绍了现场总线技术，模糊神经网络控制技术在水泥回转窑分解炉温度控制中的成功应用，实际结果表明：系统稳定可靠，控制效果良好，满足生产工艺要求。     

基于模糊神经网络的中频感应加热电源的研究

通过对原有感应加热电源温度控制方法的分析,提出了一种适合于非线性系统基于模糊神经网络的温度控制方法。与传统的控制策略相比,模糊神经网络控制具有不依赖控制对象精确的数学模型,较强的鲁棒性,控制方式简便等优点。实验证明:该加热方法优于常规PID和模糊PID,可获得良好的动态特性,具有稳态精度高,功率调节范围宽,工作稳定可靠的优点。     

基于模糊预测控制的回转窑温度控制

介绍了模糊预测控制技术在水泥回转窑温度控制中的应用。水泥生产的关键环节在于水泥回转窑,其中最重要的就是对回转窑温度的控制。针对热工对象存在的大惯性、大迟延问题,运用T-S模糊模型的离线辨识算法对复杂的热工对象建模,得到了回转窑温度控制系统的线性化模型。     

基于模糊神经网络的规则学习

运用模糊神经网络 ,分别采取两种学习方法来对模糊控制器的规则样本进行学习优化 ,结果表明 ,运用聚类的思想 ,将模糊集合重新分组 ,先粗学后细学的方法比直接学习更先进 ,不仅能大大降低网络的复杂性 ,而且收敛速度更快 ,不易陷入局部极小。因此大大缩短了学习的时间。     

基于模糊PID算法的电锅炉温度控制

针对直热式热水电锅炉的温控特点,设计了一种模糊PID算法来控制电锅炉温度,克服了传统温控系统中不能建立复杂系统数学模型的困难,得到了很强的鲁棒性、良好的动态性能和稳态精度,并运用Matlab软件的Simulink仿真环境,对温度控制系统性能和抗干扰能力进行了仿真分析.     

电厂球磨机的模糊神经网络控制

广泛应用于火电厂的钢球磨煤机制粉系统是一典型的多变量非线性时变系统．各控制量之间存在着严重的耦合．这些因素使得基于常规PID方法设计的控制方案达不到控制作用。本文设计了一个模糊神经控制器并进行了仿真研究。并且用改进的粒子群优化算法对控制器的初值进行离线优化训练、最后的仿真结果表明优化后的模糊神经网络控制器对本文控制对象具有良好的控制性能，该控制方法可用于磨煤机制粉系统这类复杂过程的控制。     

基于改进径向基函数神经网络的激光陀螺温度补偿

传统的径向基神经网络(RBFNN)在激光陀螺零偏的温度补偿过程中会由于随机选取中心不合适而导致算法效率降低和数值病态,故本文提出了一种基于Kohonen网络和正交最小二乘(OLS)算法的RBFNN温度补偿方法。介绍了该方法的原理及建模步骤,设计了常温和变温环境下激光陀螺的数据采集试验及其温度补偿试验。由于结合了Kohonen网络的模式分类能力和OLS的优化选择能力,该方法可以快速、准确地辨识出受温度影响的激光陀螺零偏。利用逐步回归法、RBFNN法及其改进方法对多种温变环境影响的激光陀螺零偏进行了辨识与补偿试验,试验结果表明,在常温环境下,三者的辨识能力相当;随着温变速率的上升,改进RBFNN法不仅节省了时间,其补偿后的零偏也均小于5×10-4(°)/h(1σ),提高精度均能达86%以上。得到的结果表明改进RBFNN法提高了辨识精度且稳定、有效,适用于多种温度变化环境下激光陀螺零偏的温度补偿。     

基于模糊神经网络 PID 的开关磁阻电机控制系统研究

针对开关磁阻电机存在的转矩脉动大、噪声大、速度不稳定等问题,对开关磁阻电机的启动、运行、调速等方面进行了研究,提出了一种基于模糊神经网络PID的控制方法,将模糊控制理论与BP神经网络相结合,构成了模糊BP神经网络,根据系统误差,误差的变化,以及误差变化的变化实时调整PID控制参数,使电机在整个转速范围内获得了最优的PID参数。实验采用DSP作为控制核心,不对称逆变桥作为功率变换器,驱动一台2 k W的开关磁阻电机运行。研究结果表明,该方法大大改善了开关磁阻电机控制系统的动、静态性能,控制精度高、转矩脉动小,对干扰有较高的鲁棒性。     

基于BPNN的玻璃烧结炉控制系统的设计与应用

针对彩色平板玻璃生产工艺的需要,研制开发了一种能18路精确控温的玻璃烧结炉温控系统.该温控系统由PLC、上位机、触摸屏、固态继电器、风机等部分组成.在该系统中设计实现了基于BP神经网络的自适应神经形态自校正PID控制器,利用输出误差,即当前时刻参考值和对象输出的差值,作为学习信号,供BPNN去调节PID控制器的参数.在运行过程中,系统能精确控制窑炉18路温度按照升降温曲线进行变化,从而实现生产工艺的要求.     

一种新的模糊神经网络及在化工过程控制系统的应用研究

本文提出一种新的采用补偿模糊算子的神经网络,它使控制系统具有更强的适应性和鲁棒性。该系统不仅能够自适应地调整隶属度函数。而且能够动态优化模糊规则,将其应用于化学反应器（CSTR）的控制中。仿真实验表明该网络的良好性能。     

基于模糊神经网络的梭式窑自适应控制系统应用研究

针对梭式窑温度控制过程存在非线性、时变性和不确定性等情况,设计了基于模糊神经网络的自适应控制(MRAC)系统并运用于梭式窑中,即采用RBF径向基网络作为梭式窑温度对象的辨识网络,它产生的Jacobin信息与控制误差一起提供给模糊神经网络控制器作为其学习信号,经过MATLAB仿真调整初始参数。最后运用VC++软件结合数据采集卡对燃气梭式窑进行控制。该控制系统能辨识出梭式窑时变性、非线性、长滞后性的对象特性,实时修正控制器参数,以适应对象特性的变化,在实际应用中取得了良好的控制效果。     

模糊神经网络核子秤配料自学习控制系统

提出一种模糊神经网络自学习控制方法，并应用于核子秤配料自动控制系统中。经仿真实验和应用结果表明，该控制方案可改善具有时变及大纯滞后的核子秤配料控制系统，其性能优于一般Fuzzy控制。     

Trajectory control of electro-hydraulic excavator using fuzzy self tuning algorithm with neural network

This paper presents the trajectory control of a 2DOF mini electro-hydraulic excavator by using fuzzy self tuning with neural network algorithm. First, the mathematical model is derived for the 2DOF mini electro-hydraulic excavator. The fuzzy PID and fuzzy self tuning with neural network are designed for circle trajectory following. Its two links are driven by an electric motor controlled pump system. The experimental results demonstrated that the proposed controllers have better control performance than the conventional controller. This paper was recommended for publication in revised form by Associate Editor Kyongsu Yi Le Duc Hanh received the B. S. degree in the department of Mechanical Engineering from Hochiminh City University of Technology in 2006, the M.Sc. degree in Mechanical and Automotive Engineering from University of Ulsan in 2008. His research interests are electro-hydraulic excavator, remote control, intelligent control. Kyoung Kwan Ahn received the B. S. degree in the department of Mechanical Engineering from Seoul National University in 1990, the M. Sc. degree in Mechanical Engineering from Korea Advanced Institute of Science and Technology (KAIST) in 1992 and the Ph.D. degree with the title “A study on the automation of out-door tasks using 2 link electro-hydraulic manipulator from Tokyo Institute of Technology in 1999, respectively. He is currently a Professor in the school of Mechanical and Automotive Engineering, University of Ulsan, Ulsan, Korea. His research interests are hybrid excavator, fluid power control, design and control of smart atuator using smart material, rehabilization robot and active damping control. He is a member of IEEE, ASME, SICE, RSJ, JSME, KSME, KSPE, KSAE, KFPS, and JFPS. Bao Kha Nguyen received the B. S. and M. S. degree from Hochiminh City University of Technology in 2001 and 2003, respectively, all in Automatic Control Engineering and the Ph.D. degree from University of Ulsan in 2006. His research interests focus on intelligent control, modern control theory and their applications, design and control of smart actuator systems. WooKeun Jo received the B.S. degree in the department of Mechanical and Automotive Engineering from University of Ulsan in 2007. And he matriculated M.S. at University of Ulsan. Currently, he’s syudying on it. His research interests focus on fluid control, welfare vehicle, mobile robot