基于神经网络与多模型的非线性自适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法.该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成.线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能.切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能.同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析.最后,通过仿真实例验证了该方法的有效性.     

基于神经网络与多模型的非线性白适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法．该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成．线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能．切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能．同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析．最后,通过仿真实例验证了该方法的有效性．     

强制循环蒸发系统的非线性自适应解耦PID控制

本文结合现场的实际过程数据,首先应用能量平衡建立了强制循环蒸发过程的动态模型.针对该过程的多变量、非线性以及强耦合特性,在常规增量式PID控制器的基础上提出基于神经网络与多模型切换的非线性自适应解耦PID控制策略.该控制器是由线性自适应解耦PID控制器和基于神经网络的非线性自适应解耦PID控制器以及切换机构组成.其中线性自适应解耦PID控制器可以保证系统的稳定,而基于神经网络的非线性自适应解耦PID控制器则可以有效地提高系统的性能.上述过程的PID参数是通过广义预测的方法得到,最后通过仿真表明,上述控制方法不仅消除了回路间的耦合,在稳定生产的同时提高了蒸发的效率.     

一种多变量模糊神经网络解耦控制器的设计

为提高多变量、非线性和强耦合系统的动态特性和解耦能力,根据解耦原理和神经网络思想,提出一种两级串联结构的自适应模糊神经网络解耦控制器.前级是基于智能权函数规则的自调整模糊控制器,后级是基于动态耦合特性的自适应神经网络解耦控制器.同时从理论上证明了学习算法的收敛性.仿真实例表明,所提出的解耦控制器具有良好的鲁棒性和自适应解耦能力,是解决多变量、非线性和强耦合问题的一种简便有效的控制算法.     

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。     

全方位机器人的重心位置预测与轨迹跟踪控制

针对全方向移动机器人存在非线性动态强耦合、实时重心偏移及难以实现高精度跟踪控制的问题, 本文提 出一种基于长短期记忆(LSTM)神经网络的重心位置在线预测的轨迹跟踪控制法. 首先, 建立考虑重心偏移的动力 学模型并基于LSTM神经网络训练构建其对比模型; 其次, 基于模型对比法实时估计重心偏移参数, 再基于张神经 网络(ZNN)对估计的重心偏移参数进行预测以减小估计过程引起的滞后; 最后, 基于非线性动态反馈解耦法设计数 值加速度控制算法, 且基于离散系统极点配置法分析了系统的稳定性. 仿真结果验证了所提方法相对于数值加速 度控制器与自适应控制器因能在线预测重心偏移参数完成高精度动态解耦实现控制精度的提高. 实际实验中, 所 提控制算法相比数值加速度控制及模型预测控制, 其跟踪精度明显提高, 这表明所提控制算法可显著减小重心偏移 对跟踪控制精度的影响.     

碱赤泥浆流量的非线性智能PID控制

在生料浆配料过程中,碱赤泥浆的流量直接影响着生料浆的各项工艺指标.针对碱赤泥浆流量的非线性和不确定性,本文提出了基于非线性补偿的智能PID控制方法.基于非线性补偿的智能PID控制器由常规PID控制器和非线性动态补偿两部分组成,利用极点配置方法设计常规PID控制器,利用神经网络对碱赤泥浆流量对象中的非线性部分进行逼近并在控制器中进行补偿.设计并开发了碱赤泥浆流量的非线性智能PID控制软件,应用结果表明,碱赤泥浆的流量可以准确、稳定的跟踪设定值,具有良好的控制效果.     

基于模糊神经网络α阶逆系统的发酵过程多变量解耦控制

将逆系统方法与模糊神经网络相结合, 提出一种基于模糊神经网络®阶逆系统的发酵过程解耦控制方法. 在分析了系统可逆性的基础上, 利用模糊神经网络建立发酵过程的非线性逆模型, 然后将得到的模糊神经α阶逆系统与发酵过程串联复合成伪线性系统, 最后设计专家控制器实现高性能闭环解耦控制. 仿真结果表明, 提出的解耦控制方法能够适应发酵过程模型的不确定性和参数的时变性, 具有较强的鲁棒性, 克服了解析逆系统解耦控制方法依赖于过程模型和对模型参数的变化很敏感的缺点, 且结构简单, 易于实现.     

基于观测器的机械手神经网络自适应控制

提出了一种基于观测器的机械手神经网络自适应轨迹跟随控制器设计方法,这里机械手的动力学非线性假设是未知的,并且假设机械手仅有关节角位置测量.文中采用一个线性观测器重构机械手的关节角速度,用神经网络逼近修正的机械手动力学非线性,改进系统的跟随性能.基于观测器的神经网络自适应控制器能够保证机械手角跟随误差和观测误差的一致终结有界性以及神经网络权值的有界性,最后给出了机械手神经网络自适应控制器-观测器设计的主要理论结果,并通过数字仿真验证了所提方法的性能.     

逆变式等离子切割电源控制策略

以逆变式等离子切割电源为研究对象,对其强非线性、时变、多变量耦合的特点及工艺要求,提出基于PID-NN算法的控制策略,从非线性受控对象建模、多工艺参数解耦、控制器加速及精度提高等方面入手,对控制器进行性能优化.通过仿真及切割实验,与传统PID控制器和单一的BP神经网络控制器进行比较,验证了该方案使系统在鲁棒性、响应速度等方面有较大的改善,切割质量得到了明显提高,证明了该控制器在处理离散事件及多变量的解耦问题的优势.     

Control-affine fuzzy neural network approach for nonlinear process control

An internal model control strategy employing a fuzzy neural network is proposed for SISO nonlinear process. The control-affine model is identified from both steady state and transient data using back-propagation. The inverse of the process is obtained through algebraic inversion of the process model. The resulting model is easier to interpret than models obtained from the standard neural network approaches. The proposed approach is applied to the tasks of modelling and control of a continuous stirred tank reactor and a pH neutralization process which are not inherently control-affine. The results show a significant performance improvement over a conventional PID controller. In addition, an additional neural network which models the discrepancy between a control-affine model and real process dynamics is added, and is shown to lead to further improvement in the closed-loop performance.     

变结构神经网络自适应鲁棒控制

针对一类不确定非线性系统, 提出一种变结构神经网络自适应鲁棒控制(Variable structure neural network adaptive robust control, VSNNARC)方法. 其中变结构神经网络用于在线辨识系统未知非线性函数, 该网络利用节点激活与催眠技术进行动态调节, 减小网络规模与计算量; 自适应鲁棒控制用于网络权值学习与系统建模误差及外部扰动补偿. 采用Lyapunov稳定性分析法, 给出网络权值自适应律的形式以及鲁棒控制项的设计方法. 该方法不仅能保证系统的稳定性, 也能保证系统具有很好的瞬态性能. 将该方法应用到转台伺服系统的位置跟踪控制中, 实际运行结果表明, 该方法使系统具有很强的鲁棒性及良好的跟踪效果.     

基于逆系统的三自由度直升机内模控制设计

三自由度直升机模型系统是一个典型的非线性、高阶次、多变量、强耦合的多入多出系统,通过数学推导很难获得其逆模型,利用神经网络对任意连续函数很强的逼近能力与逆系统的思想相结合的方法获取三自由度直升机模型系统的逆模型,同时也将一个多入多出、强耦合的非线性系统转化为几个相对独立的单入单出的线性系统。采用内模控制的方法设计控制器,实现对高度角和横侧角的跟踪控制,MATLAB仿真结果表明该方法具有较好的控制效果,半实物仿真也说明该方法的可行性。     

三氧化二锑生产神经网络辨识应用研究

为了提高三氧化二锑产品的品质,优化生产过程的工艺参数,研究了三氧化二锑火法冶金反应炉前向多层神经网络的模型的建立及其BP算法;利用此网络设计了实时在线辨识器和神经网络控制器;用Matlab对其进行仿真,采用先进的控制技术,解决了生产过程多变量耦合、非线性的系统控制问题,实现了工艺过程的最优化控制。在年产二万吨的生产线上运行的实践证明,将此先进的控制技术应用于锑冶金行业中,取得了良好的效果。     

基于扩展BP神经网络的一类非线性系统自适应控制设计

针对单输入单输出非线性系统的不确定性问题,提出了一种新型的基于扩展反向传播（BP）神经网络的自适应控制方法。首先,采用离线数据来训练BP神经网络的权值向量;然后,通过在线调节伸缩因子和逼近精度估计值的更新律,从而来达到控制整个系统的目的。在控制器的设计过程中,利用李亚普诺夫稳定性分析原理,保证了闭环系统的所有状态一致终极有界（UUB）。相比传统的BP神经网络自适应控制,所提方法能有效地减少在线调节的参数数目、减轻计算负担。仿真结果表明,该方法能够使闭环系统的所有状态都趋于零,即系统达到稳定状态。     

BP神经网络PID控制器在工业控制系统中的研究与仿真

针对实际被控对象的时变性和非线性的特点,本文将基于BP神经网络PID的控制器应用于工业控制系统中,同时设计了三层BP神经网络并对BP神经网络PID控制器的算法进行了分析。仿真结果的分析表明：本文所设计的BP神经网络PID控制器在跟随性能、抗扰性能和鲁棒性能方面表现出了良好的控制效果。     

Bioreactor temperature profile controller using inverse neural network (INN) for production of ethanol

This paper presents the use of inverse neural networks (INN) for temperature control of a biochemical reactor and its effect on ethanol production. The process model is derived indicating the relationship between temperature, pH and dissolved oxygen. Using fundamental model obtained data sets; an inverse neural network has been trained using the back-propagation learning algorithm. Two types of temperature profile are used to compare the performance of the INN and conventional PID controllers. These controllers have been simulated in MATLAB for a quantitative comparison. The results obtained by the neural network based INN controller and by the PID controller are presented and compared. There is an improvement in the performance of INN controller in settling time and dead time and steady state error over the PID controller.     

An RBF neural network-based adaptive control for SISO linearisable nonlinear systems

An RBF neural network-based adaptive control is proposed for Single-Input and Single-Output (SISO) linearisable nonlinear systems in this paper. It is shown that a SISO nonlinear system is first linearised by using the differential geometric approach in the state space, and the linearised nonlinear system is then treated as a partially known system. The known dynamics are used to design a nominal feedback controller to stabilise the nominal system, and an adaptive RBF neural network-based compensator is then designed to compensate for the effects of uncertain dynamics. The main function of the RBF neural network in this work is to adaptively learn the upper bound of the system uncertainty, and the output of the neural network is then used to adaptively adjust the gain of the compensator so that the strong robustness with respect to unknown dynamics can be obtained, and the tracking error between the plant output and the desired reference signal can asymptotically converge to zero. A simulation example is performed in support of the proposed scheme.     

电机温度时滞耦合系统自抗扰控制仿真研究

电机温度过高会造成绝缘性能老化,电机安全性能下降;电机控制系统是典型的非线性系统,电机温度也因此具有时滞性和耦合性的特点,难以建立准确的数学模型;传统的方法对电机温度的控制精度较差,从而导致电机温度失控;为此,提出基于BP神经网络自抗扰控制算法的电机时滞耦合关系下温度控制方法;将BP神经网络与PID控制方法相结合建立电机温度网络自抗扰控制器模型,利用梯度下降法修正电机温度控制器模型的权值系数,从而实现了BP神经网络自抗扰控制器参数的实时调整;实验结果表明,利用BP神经网络自抗扰算法进行电机时滞耦合关系下温度调整,能够有效提高控制的精确度,缩短了控制过程中的时间延时。     

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。