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。     

基于RBF-PID的水轮发电机组控制系统

研究水轮发电机组稳定性控制优化问题,水轮发电机组是一个非线性、时变的复杂控制系统,很难建立精确模型。采用常规PID控制策略难以较高的控制精度,超调量大。为提高水轮发电机组控制精度,将自学习较强的RBF神经网络与常规PID相结合,提出一种基于RBF-PID组合的水轮发电机组控制算法。采用RBF神经网络对水轮发电机组控制系统的Jacobian矩阵信息进行在线辨识,实现RBF-PID参数在线自整定。仿真结果表明:RBF-PID组合控制器不仅提高控制系统的精度,而且超调量小、抗扰动能力强,能够很好实现水轮发电机组的稳定性优化控制。     

基于RBF神经网络逆系统的机械手解耦控制策略

针对机械手系统具有非线性时变、多变量、强耦合的特点,提出一种基于RBF神经网络逆系统的机械手解耦控制策略。首先证明了系统的可逆性,进一步通过神经网络在线逆辨识建立机械手的神经网络逆系统模型,并将辨识得到的逆模型作为控制器模型与机械手系统串联,构成伪线性复合系统,实现了将具有强耦合特性的多变量输入/输出机械手系统解耦成单个独立的伪线性对象。最后以两关节机械手为仿真对象进行了仿真,仿真结果验证了本方案的有效性和可行性。     

非线性离散系统的贝叶斯-高斯神经网络逆模型设计

针对非线性系统逆模型的学习问题,提出一种基于贝叶斯-高斯神经网络(BGNN)的设计方法.BGNN模型的训练分为两个步骤,首先利用群智能优化算法进行BGNN的离线结构训练:然后用训练好的BGNN模型在线整合历史数据,进行非线性系统逆模型的获取.对水轮发电机组非线性系统进行了BGNN逆模型的仿真,结果表明了BGNN逆模型设计方法具有结构简单、在线辨识效果好等优点,适于非线性离散系统的逆模型设计.     

基于神经网络逆系统的超临界流体色谱系统控制

针对超临界流体色谱系统具有多变量、非线性、强耦合的特点,提出一种基于神经网络逆系统的超临界流体色谱系统控制方案。通过RBF神经网络在线逆辨识建立了超临界流体色谱系统的神经网络逆系统模型,并将辨识得到的逆模型作为控制器模型与超临界流体色谱系统进行串联,构成一个伪线性复合系统。并将本方案应用于SFC-SEP600超临界流体色谱系统上进行了梯度洗脱流量控制实验,实验结果表明该模型梯度流量控制精度完全符合技术指标要求,实验结果验证了方案的有效性和可行性。     

基于神经网络的动态系统逆模型辨识及闭环控制

本文提出一种动态线性或非线性系统的神经网络逆模型辨识结构，并引出两种ＰＩＤ与神经网络逆模型相结合的自适应控制方案，神经网络模型采用基于Ｕ－Ｄ分解卡尔曼滤波学习算法（ＵＤＫ）的动态前向多层网、仿真结果表明了所述辨识方案的有效性及特点 。     

一类模型未知系统的辨识和混沌化控制

对于一类模型未知的非混沌系统采用模糊神经网络辨识其动力学特性, 将得到的模糊神经网络辨识模型应用于逆系统方法中, 实现了一类模型未知非混沌系统的混沌化控制. 该方法不依赖于被控对象的数学模型, 就可以进行有效控制. 研究了模糊神经网络辨识误差对控制精度的影响, 证明了适当设计参数可以使由辨识误差引起的控制误差小于辨识误差. 针对连续和离散两类系统的仿真研究证明了该方法的有效性.     

多输入多输出非线性系统的最小二乘支持向量机广义逆控制

针对神经网络逆控制存在的不足, 对一类模型未知且某些状态量较难测得的多输入多输出(MIMO)非线性系统, 在状态软测量函数存在的前提下, 提出一种最小二乘支持向量机(LSSVM)广义逆辨识控制策略. 通过广义逆将原被控系统转化为伪线性复合系统, 并可使其极点任意配置, 采用LSSVM代替神经网络拟合广义逆系统中的静态非线性映射. 将系统的状态量辨识与LSSVM逆模型辨识结合, 通过LSSVM训练拟合同时实现软测量功能. 最后以双电机变频调速系统为对象, 采用该控制策略进行仿真研究, 结果验证了本文算法的有效性.     

基于动态函数连接神经网络的自适应逆控制系统辨识研究

自适应逆控制将系统扰动消除和动态响应性能独立分开控制,其性能的优劣取决于系统对象、逆对象及逆控制器模型辨识精度的高低。文中提出用动态函数连接神经网络来实现自适应逆控制系统对象、逆对象的同时在线建模和逆控制器的离线建模,并将模型参数的辨识转化为空间参数寻优。针对混沌初始化对已收敛种群结构的破坏性,提出用变参数混沌粒子群优化算法对神经网络权值进行全局寻优,通过仿真实验可以看出基于动态函数连接神经网络的建模误差小,辨识精度高;与当前的参考模型自适应控制方法进行对比分析,所提方法能取得较好的扰动消除效果,并能使系统的跟踪响应性能得到提高,从而验证了方法的有效性、可行性。     

基于Hammerstein 模型的感应电机变频器调速系统神经网络控制

针对感应电机变频器调速系统的非线性特点,提出一种基于Hammerstein模型的神经网络控制方法。 Hammerstein模型由静态非线性模块和动态线性模块组成。首先,利用ARMA模型实现对感应电机变频器调速系统的线性动态模块辨识;然后,基于该辨识模型,实现调速系统非线性静态模块神经网络逆模型辨识与系统直接逆控制;最后,针对控制过程中存在的电机负载扰动问题,设计了神经网络直接逆控制器在线学习与控制策略。仿真实验表明,所提出的控制策略可以获得满意的控制效果。     

人工神经网络在机械手动力学辨识和位置控制中的应用

本文提出了用人工神经网络近似机械手的逆动力学模型,实现基于模型的非线性控制方案,并以实际的两臂液压机械手为对象给出了仿真结果,整个方案的实现不需要任何关于系统模型的知识.仿真结果表明所研究的位置控制系统具有良好的跟踪性能,并且展示了人工神经网络解决非线性系统辨识和控制问题的潜力.     

水轮机调节系统的模糊神经网络控制*

将模糊神经网络与自适应控制相结合,设计出一种能对水轮机调节系统进行有效控制的基于模糊神经网络的自适应PID控制算法.对改进后的调节系统特性进行测试和仿真,并与常规的水轮机进行比较,验证了模糊神经网络控制方案的可行性.仿真结果表明,该算法实现了调节系统的在线自适应调整,更精确反映调节系统的动态变化过程.与其他方法相比,该算法具有更快的响应速度和更好的控制效果.     

基于LabVIEW的神经网络自适应逆控制系统

目前基于人工神经网络的非线性自适应逆控制研究主要集中在Matlab仿真研究方面,无法直接推广为实际应用。为此,采用基于LabVIEW的动态神经网络非线性自适应逆控制方法,首先在LabVIEW中建立动态神经网络结构及在线学习算法,并依此建立非线性对象的辨识器和逆控制器等模型;然后构建完整的非线性对象自适应逆控制系统,并在LabVIEW环境中通过仿真验证了系统性能。通过配置相应的数据采集设备,该系统可以直接推广为实际应用。     

Identification of shaft orbit for hydraulic generator unit using chain code and probability neural network

Shaft orbit identification plays an important role in the hydraulic generator unit fault diagnosis. In this paper, a novel shaft orbit identification method based on chain code and probability neural network (PNN) is proposed. For this approach, firstly, a modified chain code histogram and shape numbers are used to represent the feature of the shaft orbit contour. It has properties of less data, easy to calculate, and invariance to rotation, scaling and translation. Then, the feature vectors are input to PNN to identify various kinds of shaft orbit for hydraulic generator unit. In comparison with previous methods, the experimental results show the proposed method is effective and training the network is faster, and identifying the shaft orbit achieves satisfactory accuracy.     

Discrete-time inverse optimal neural control for synchronous generators

This paper presents a robust inverse optimal neural control approach for stabilization of discrete-time uncertain nonlinear systems, which simultaneously minimizes a meaningful cost functional. A neural identifier scheme is used to model the uncertain system, and based on this neural model and an appropriate control Lyapunov function, then the robust inverse optimal neural controller is synthesized. Applicability of the proposed scheme is illustrated via simulation results for a synchronous generator model.     

人工鱼群算法的汽轮发电机故障诊断仿真研究

研究汽轮发电机故障准确诊断问题,由于汽轮发电机组故障特征与故障状态间呈现较强的非线性关系,传统的数学模型很难正确识别汽轮发电机的各种故障状态,诊断精度不高。RBF神经网络具有自学习、非线性处理等优,为了提高汽轮发电机故障诊断正确率,建立了一种人工鱼群优化RBF神经网络的汽轮发电机故障模型,充分利用人工鱼的聚群、追尾和觅食行为,对RBF神经网络的参数进行了优化,然后采用优化RBF神经网络对故障进行诊断。仿真结果表明,RBF神经网络可提高汽轮发电机故障诊断准确率。     

基于新型转子磁链辨识方法的多电机系统同步控制

磁链观测是多电机闭环控制系统性能的重要环节,而电机参数的变动通常使磁链观测的精度难以满足要求.针对3台异步电机和3台逆变器组成的三电机同步系统,提出了局部模型网络磁链辨识方法.将电机参数变化当作干扰项来处理,解决了因电机参数变动影响磁链准确观测的难题.在此基础上,采用神经网络逆构建由速度、磁链、张力子系统组成的伪线性复合系统,实现了三电机同步系统中速度、磁链和张力的解耦.分别对各子系统设计线性闭环控制器,实现了三电机系统的同步控制.仿真结果验证了磁链辨识的准确性和控制系统良好的动静态性能.