基于CAFSA-FNN的扭矩加载系统控制研究*

针对磁粉制动器扭矩加载系统的非线性和滞后性,提出了一种基于混沌人工鱼群-模糊神经网络(CAFSA-FNN)PID控制器。该控制器采用基于Mamdani模型的模糊神经网络来整定PID控制器的控制参数,并结合混沌人工鱼群算法离线粗调和BP算法在线细调来学习和调整模糊神经网络的参数。利用Matlab进行离线仿真优化,在此基础上使用PID控制器、模糊神经网络控制器、人工鱼群-模糊神经网络控制器以及本文设计的控制器进行磁粉制动器扭矩加载实验,实验结果证明了该控制器的稳定性、快速性和有效性,能够解决滞后性问题。     

一种基于AFSA的神经网络投影寻踪耦合回归模型

人工鱼群算法是通过模仿鱼群的觅食、聚群和追尾等行为寻找最佳觅食水域从而实现全局寻优的优化算法。应用神经网络的投影寻踪耦合回归模型存在优化问题,学习过程中运用人工鱼群算法进行优化,进而获得最佳的投影方向、阈值和正交Hermite多项式系数。本文描述了应用人工鱼群算法优化的神经网络投影寻踪耦合回归模型算法。仿真实验结果表明,该算法可以获得满意的预测效果。     

人工鱼群算法优化的PID神经网络解耦控制

针对多变量系统解耦控制的要求和特点,传统的PID神经网络在选取初始权值难以确定,往往是随机得到,容易导致采用的BP学习算法陷入局部极值.提出了一种人工鱼群算法优化PID神经网络初始权值.通过对多变量控制对象的mat-lab仿真验证,把人工鱼群算法优化得到的最优初始权值带入PID神经网络,结果显示加快了PID神经网络的收敛速度,使控制量迅速地接近控制目标,保证了系统稳定性,取得了满意的控制效果.     

基于改进人工鱼群算法与RBF神经网络的股票价格预测

股票价格受多种因素影响,这对股票价格预测造成了巨大挑战。近年来,机器学习方法被广泛用于股票价格预测的研究中,然而,现有方法存在相对误差较大、时间复杂度高等缺点。对此,提出基于引力搜索的改进人工鱼群算法AFSA＿GS。该算法将引力搜索中计算质量和加速度的策略分别用于调节人工鱼的视野和步长,从而提高了人工鱼群算法在优化过程中的自适应能力;AFSA＿GS算法还优化了RBF神经网络的相关参数,并使用优化后的网络预测股票价格。在多家上市公司股票数据上进行了实验,实验结果表明,相对于传统的优化算法,采用AFSA＿GS算法优化的RBF神经网络,可以获得更好的股票预测性能。     

人工鱼群神经网络速度辨识器及应用

为实现无速度传感器直接转矩控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解.将人工鱼群算法和BP算法结合,采用人工鱼群算法优化神经网络的结构及网络初始权值,再利用BP算法对网络权值进行精确调节;将人工鱼群算法与BP算法相结合的AFSA BP算法,实现了人工鱼群算法的全局搜索能力与BP算法的局部寻优性能的互补结合.将所设计的神经网络转速辨识器运用到直接转矩控制系统当中.利用MAT-LAB/SIMULINk实现无速度传感器控制系统的仿真实验结果表明,该算法具有良好辨识效果.     

改进蚁群神经网络及其在滞后系统中的应用

针对热连轧监控AGC系统具有多变量、强耦合、非线性、大滞后及参数时变的特点,提出了一种改进蚁群神经网络,采用动态局部信息素更新和自适应调节信息素挥发的全局信息素更新相结合的方式对蚁群算法进行了改进。并利用改进后的蚁群算法对神经网络权值和阈值进行优化,利用优化后的神经网络对PID控制器参数进行整定。改进的蚁群算法稳定性好,寻优效率高,避免了神经网络参数陷入局部极小等问题,从而实现大滞后系统的优化控制。仿真结果表明,在监控AGC系统中,在对象的滞后时间发生变化的情况下,基于改进蚁群神经网络的优化控制系统具有动态响应速度较快,对外部扰动具有良好的鲁棒性,使控制品质得到很大的提高。     

基于Lbest PSO和NNs的电液伺服系统输出力PID控制研究

为了实现电液伺服系统输出力的稳定控制,结合局部最优粒子群优化算法和神经网络模型,提出一种PID控制器设计方法。该方法将神经网络模型(NNS)与PID控制器耦合,得到基于神经网络的PID控制器参数整定结构;再采用局部最优粒子群优化算法(Lbest PSO)确定神经网络的权重,从而得到基于局部最优粒子群优化算法和神经网络的PID控制算法;最后将提出的PID控制算法用于控制虚拟的电液伺服加载系统,以进行仿真实验。仿真结果表明,由该PID控制器控制的电液伺服系统的输出力平稳地收敛于给定力,从而提高了系统的稳定性。     

基于人工鱼群优化BPNN的AUV目标识别方法

为了削弱复杂恶劣的环境对水下成像造成的不利影响及满足水下机器人目标识别任务实时性的需求,提出了基于人工鱼群算法(AFSA)优化BP神经网络的水下目标识别算法,通过构造组合不变矩对水下目标进行特征提取,提高了目标的聚类性能.引入具有全局寻优能力的AFSA,其在增加单纯神经网络收敛速度的同时避免算法陷入局部最优,进而建立了完整的基于人工鱼群神经网络的水下目标识别系统.在不同的水下目标中对该系统进行实验,通过比较提取的不同的目标图像,结果表明所建立系统具有较优的聚类性能和较高的识别精度.该方法用于水下目标识别是可行的、有效的.     

基于人工鱼群优化支持向量机水文预报系统模型*

在深入分析比较各种水文预报方法的基础上,利用人工鱼群算法对支持向量机训练算法进行了改进,提出了基于人工鱼群优化的支持向量机算法。实验结果表明,基于人工鱼群优化的训练算法的训练速度优于标准的支持向量机的训练速度,能够为水文预报提供更快捷的技术支持。     

基于人工鱼群的PID神经网络非线性系统控制

研究造纸工业中的流浆箱非线性系统优化控制问题。流浆箱系统是工业过程中常见的一类非线性系统,存在着非线性、强耦合等特性。针对流浆箱要求动态响应好、精度高的特点,提出并设计了人工鱼群算法训练的PID神网络控制器。人工鱼群算法克服了PID神经网络采用BP算法训练权值时,初始权值难以确定,易陷入局部最优的缺点,实现对流浆箱的有效控制。在MATLAB环境下,对流浆箱系统进行了控制仿真。仿真结果表明,人工鱼群算法训练的PID神经网络在动态性、稳定性和精确性等方面均优于BP算法,明显改善了流浆箱这类非线性系统的控制性能,具有很好的应用效果。     

基于免疫算法的模糊神经网络在板厚板形控制中的应用

本文设计了一种基于免疫算法(IA)的模糊神经网络板厚板形综合控制系统，用IA算法优化具有全局性的隶属函数参数后，再用梯度下降法在线调节和优化网络的局部性参数．在应用于二机架可逆冷连轧板厚板形综合控制中的仿真实验表明，该系统有较强的抗干扰性和较好的收敛性．     

基于IGA的板形板厚神经网络分散解耦PID控制

针对板带材轧制是一个复杂的非线性过程，板形控制(AFC)和板厚控制(AGC)又是相互耦合的一个综合系统等特点．该文首先采用神经网络分散解耦方法，对此板形板厚多变量耦合系统进行解耦，而后再应用基于免疫遗传算法的PID控制对解耦后的已近似成为两个独立的SISO系统的广义对象进行控制。从而建立了基于免疫遗传算法的板形板厚神经网络分散解耦PID控制系统。仿真结果证明了此AFC—AGC控制系统具有良好的自适应跟随和抗扰性能，其控制效果优于传统的解耦PID控制。     

基于耦合反步法的轧机垂扭耦合振动控制策略研究

针对轧机机电液垂扭耦合系统存在耦合振动问题, 提出一种基于耦合反步法的轧机垂扭耦合振动抑制控制策略. 首先考虑轧机传动系统、液压系统与辊系机械间的相互影响, 根据动力学定理, 建立轧机机电液垂扭耦合振动数学模型. 其次考虑到轧机耦合垂振系统和耦合扭振系统间存在状态耦合关系, 利用耦合反步法, 解决了振动控制器设计中存在的相互嵌套问题. 针对耦合系统输出性能受限问题, 借助于障碍李雅普诺夫函数方法, 同时利用神经网络来逼近未知非线性函数, 设计自适应神经网络振动抑制控制策略. 基于李雅普诺夫稳定理论严格证明了本文设计的控制方法能够保证系统输出满足所要求的暂稳态性能指标. 最后, 根据650 mm轧机的实际数据进行仿真, 验证了本文设计控制策略的有效性与优越性.     

虚拟仪器技术在电液伺服系统在线状态监测中的应用

AGC液压压下设备是热轧工艺中核心设备之一,其设备状态直接影响到产品的产量和质量。以冶金行业的热轧精轧机AGC压下电液伺服系统为状态监测对象,通过分析研究AGC液压压下设备的控制模型和状态信息,设定有效的状态特征量参数,研制了基于虚拟仪器技术的实时在线监测平台和面向设备对象的网络化数据分析、处理软件系统,实现了本地和远程的热轧精轧机组AGC液压压下设备的状态监测和故障诊断,为确保设备安全,维持正常的生产秩序提供了有效的保障。     

线控转向汽车传动比智能控制策略的研究

以线控转向汽车的传动比控制为重点进行研究,提出了传动比智能控制策略,旨在进一步改善系统的转向性能。针对转向系统的不确定性、非线性的特点,在原有基于模型控制方法的基础上,研究了模糊控制和模糊神经网络在传动比控制中的应用;首先利用模糊控制技术设计传动比控制器,然后研究了模糊神经网络的结构和算法,利用模糊神经网络对理想传动比控制进行改进,实现了输入变量隶属函数中心值和宽度的在线调节,进而对传动比进行优化;从仿真结果可以看出基于模糊神经网络的控制方法比单模糊控制扩大了传动比变化的车速范围,更加符合理想传动比的要求,表明基于模糊神经网络控制方法更具有可行性和有效性。     

基于递阶遗传算法的RBF神经元网络板形板厚综合控制

该文首先用递阶遗传算法（HGA）设计RBF神经网络，不仅可以同时确定网络参数（连接权、隐节点中心和宽度），而且解决了网络拓扑结构的优化训练问题，而后针对板带材轧制是一个复杂的非线性过程，板形控制（AFC）和板厚控制（AGC）又是相互耦合的一个综合系统等特点，建立了基于过程最优的权值在线自学习算法的RBF神经元网络的板形板厚多变量综合控制系统，仿真结果证明了此AFC－AGC控制系统具有良好的自适应跟随和抗扰性能，其控制效果优于传统的解耦PID控制。     

基于GA的模糊控制器在弯辊控制中的应用

UC轧机中间辊弯辊控制回路的数学模型具有很强的时变性和不确定性,为实现其精确控制,设计了一种基于遗传算法的模糊控制器并将其应用于该控制回路中。系统利用遗传算法来优化模糊控制器的隶属函数及量化因子和比例因子的初值,并且根据模糊控制查询表的输出来在线调整量化因子和比例因子。仿真结果表明,用该方法设计的模糊控制器具有一定的自适应能力,将该控制器应用于UC轧机中间辊弯辊控制回路可以使二次型板形缺陷得到快速有效的控制,具有良好的控制性能。     

模糊PID在冷轧机厚度控制系统上的应用

为解决现有轧机液压AGC系统响应慢、精度不高和工作效率低的问题,将现有液压PID控制系统改进成模糊PID自整定控制系统。首先在分析轧制过程中的变形确定轧制阻力,以及控制环节的传递关系的基础上,建立了工作装置和液压控制系统联合仿真模型,并且在轧机厚度控制系统的数学模型基础上进行了参数优化,利用AMESim和Mat]lab/Simulink联合仿真得出了轧件入出口板厚曲线,并对液压缸PID控制系统和模糊PID自整定控制系统进行对比分析。经研究表明:普通PID控制系统无法对出口板厚进行有效实时调整,而模糊PID自整定控制系统除对板厚能实时调整外,其控制精度大大提高,最大板厚误差仅为0.1 mm,改进后的系统响应快,响应时间为0.4 s。     

基于遗传算法优化的BP网络速度观测器的研究

根据三相异步电机的数学模型,提出了一种基于智能算法优化的速度观测器,以实现无速度传感器在直接转矩控制系统中的速度闭环控制。在通过BP神经网络训练得到的DTC系统的速度观测器的基础上,针对BP神经网络寻优参数多、易陷于局部极值以及初始设置对训练结果影响大等的不足,采用遗传算法对其进行优化设计。由仿真结果可知,用遗传算法优化后的BP神经网络较单纯的BP神经网络速度观测器具有更高的精度。