基于ELM的一类不确定性纯反馈非线性系统的Backstepping自适应控制

针对一类不确定性纯反馈非线性动力学系统,在中值定理、Backstepping控制的基础上,提出一种基于极限学习机(ELM)的自适应神经控制方法。ELM随机确定单隐层前馈网络(SLFNs)的隐含层参数,仅需调整网络的输出权值,能以极快的学习速度获得良好的推广性。在每一步的Backstepping设计中,应用ELM网络对子系统的未知非线性项进行在线逼近,通过Lyapunov稳定性分析设计的权值参数自适应调节律,可以保证闭环非线性系统所有信号半全局最终一致有界,系统的输出收敛于期望轨迹的很小邻域内。将所设计的控制方法应用于化工过程中的连续搅拌反应釜(CSTR)非线性系统实例中,仿真结果表明了控制方法的有效性。     

一种基于VRFT的全格式无模型自适应控制

针对无模型自适应控制中的时变参数拟梯度向量估计值信息没得到充分利用的问题,提出一种基于VRFT（虚拟参考反馈调整方法）的无模型自适应控制方法.该方法利用VRFT中的参考模型思想,首先将非线性系统经全格式线性化后的线性模型与无模型自适应控制器构成的闭环传递函数作为参考模型,再以参考模型的输出与系统期望输出的误差作为控制器的输入,从而将拟梯度向量在过去时刻的估计值引入到无模型自适应控制设计中,提高了伪偏导数估计值信息利用率.同时消去控制律中的权重因子,避免因人为赋值而影响控制效果.     

水煤浆锅炉的神经网络参考模型自适应控制

采用神经网络模型参考自适应控制方法对水煤浆锅炉的燃烧系统进行了有效控制。针对水煤浆锅炉的高度非线性、大惯性和多输入多输出的特点设计了一个神经网络辨识器（NNI）与神经网络控制器（NNC）,并对训练步骤和算法进行了详述。仿真结果表明,对水煤浆锅炉的燃烧采用神经网络间接模型参考自适应控制是行之有效的。     

基于自适应模糊神经网络的非线性系统模型预测控制

针对非线性动态系统的控制问题,提出了一种基于自适应模糊神经网络(adaptive fuzzy neural network,AFNN)的模型预测控制(model predictive control, MPC)方法。首先,在离线建模阶段,AFNN采用规则自分裂技术产生初始模糊规则,采用改进的自适应LM学习算法优化网络参数;然后,在实时控制过程,AFNN根据系统输出和预测输出之间的误差调整网络参数,从而为MPC提供一个精确的预测模型;进一步,AFNN-MPC利用带有自适应学习率的梯度下降寻优算法求解优化问题,在线获取非线性控制量,并将其作用到动态系统实施控制。此外,给出了AFNN-MPC的收敛性和稳定性证明,以保证其在实际工程中的成功应用。最后,利用数值仿真和双CSTR过程进行实验验证。结果表明,AFNN-MPC能够取得优越的控制性能。     

基于神经网络的电子节气门系统模型参考自适应控制

使用多层感知器神经网络模型来识别和控制非线性电子节气门系统。首先,神经网络模型在不同运行条件下辨识,它代表非线性节气门伺服系统的动态特性。其次,使用油门辨识器网络模型来设计和训练神经网络控制器模型,从而使节气门系统的追踪控制位置遵循参考模型。油门辨识器网络模型用于辅助以离线模式训练的神经网络控制器。神经网络控制器使用相同的输入来进行训练,这些输入被反馈到实际的节气门系统以产生相同的输出。通过调整神经网络控制器的权重和偏差参数,使用自适应算法来减小输出之间的差异。对使用神经网络控制器的节气门控制系统的跟踪控制性能与使用经典自适应PID控制器进行比较。仿真结果表明:采用神经网络控制器可实现跟踪控制,满足控制性能的所有需求。     

连续搅拌反应釜系统的非线性鲁棒控制

基于非线性鲁棒控制理论,针对一类单输入单输出连续搅拌反应釜（CSTR）模型设计了具有高增益观测器的非线性鲁棒控制器（ONRC）,并提出了一种简单的控制器参数整定方法。与非线性鲁棒控制器（NRC）和滑模控制方法（SMC）的仿真结果比较表明,ONRC对系统不确定性和干扰具有更好的抑制作用,通过Monte-Carlo试验检验显示,ONRC在模型参数摄动时具有更好的性能鲁棒性。     

基于神经网络和多模型的非线性自适应PID控制及应用

针对一类未知的单输入单输出离散非线性系统,提出了基于神经网络和多模型的非线性自适应PID控制方法。该方法由线性自适应PID控制器、神经网络非线性自适应PID控制器以及切换机构组成。采用线性自适应PID控制器可保证闭环系统所有信号有界;采用神经网络非线性自适应PID控制器可改善系统性能;通过引入合理的切换机制,能够在保证闭环系统稳定的同时,提高系统性能。理论分析表明,该方法能够保证闭环系统所有信号有界,如果适当地选择神经网络的结构和参数,系统的跟踪误差将收敛于任意给定的紧集。将所提出的方法应用于连续搅拌反应釜,仿真结果验证了所提出方法的有效性。由于该方法基于增量式数字PID控制器,在工业过程中有着广阔的应用前景。     

ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机（ELM）不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机（ASOS-ELM）综合建模的方法。该方法利用改进的共生生物搜索（ASOS）算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差（RMSE）作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归（SVR）模型、改进的粒子群算法（PSO）和基本的共生生物搜索算法（SOS）优化的ELM作对比。结果表明,ASOS-ELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。     

自来水厂待滤水浊度的智能控制研究

水厂加药絮凝过程是一个大惯性、大时滞、非线性和时变的难控过程,常规的控制系统难以取得理想的控制效果。而无模型自适应控制器具有良好的输出跟踪性能,有很强的自适应能力和鲁棒性。能有效地控制复杂过程。将无模型自适应控制器（MFA）应用到广东省佛山市某水厂的中试装置的加药絮凝过程的自动控制系统中,进行了大量的控制实验。实验结果表明MFA控制系统可以有效克服流量波动以及原水浊度变化对出水浊度的影响,取得了良好的控制效果。     

塑料挤出机的温度自适应滑模控制系统

作为塑料挤出过程的关键参数,塑料挤出机的温度在实际操作中存在非线性和滞后性,严重影响了温度控制的稳定性和控制精度。基于塑料挤出机的整体式料筒建模,并设计了自适应滑模温度控制系统。由于滑模控制器对参数变化和外界干扰不敏感、控制器结构相对简单而被广泛应用于工程实践。自适应滑模控制在普通滑模控制的基础上,进一步采用自适应律以自动适应实际系统参数的变化,具有更高的控制精度和系统鲁棒性。研究采用自适应滑模算法对整体式料筒温度设计相应控制器,并通过仿真实验验证了控制器的控制精度和鲁棒性。     

基于多分类概率极限学习机的污水处理过程操作工况识别

污水处理过程复杂多变的运行工况以及系统脆弱的抗负荷冲击能力,常常导致污水处理厂运行目标难以实现,有效识别污水操作工况的变化对污水处理过程安全运行和操作优化十分重要。为增强未知样本分类可靠性,在概率极限学习机二分类基础上,将其扩展到多分类概率极限学习机方法(extreme learning machine)。该方法首先采用极限学习机建立污水处理过程实时变量和污水处理过程工况编码之间的预报模型,然后根据类别的输出预报值分别建立每个类训练样本潜在函数的均值,确定所有类的条件概率密度函数,非线性最小二乘辨识条件概率密度函数参数,最后根据贝叶斯原理计算所有类的后验概率,由后验概率最大值判别样本所属类别。以辽宁某城市污水处理厂实时数据为背景进行验证,实验结果表明多分类概率极限学习机分类的可靠性和准确性优于极限学习机分类方法。     

基于FEEMD-AE与反馈极限学习机组合模型预测研究与应用

针对现有工业过程非平稳时间序列中的特征提取及预测问题,提出了基于快速集合经验模态分解（fast ensemble empirical mode decomposition,FEEMD）、近似熵（approximate entropy,AE）和反馈极限学习机（feedback extreme learning machine,FELM）的组合模型。首先,针对复杂非平稳时序数据,采用FEEMD方法将其分解为从高频到低频的相对平稳的本征模态函数分量和余项;其次,为解决经过FEEMD分解出来的分量复杂度问题,运用近似熵（AE）计算分量复杂度并进行特征重构,以降低分量复杂性;然后,基于传统ELM结构,通过引入反馈机制,在输出层与隐含层之间增加反馈层用来记忆隐含层输出数据,并计算数据趋势变化率动态更新反馈层输出,形成反馈极限学习机（FELM）,对非线性动态系统的下一时刻输出进行预测;最后,将所提出的组合预测模型通过UCI标准数据集与精对苯二甲酸（PTA）溶剂系统进行建模仿真,仿真结果表明,提出的组合模型预测方法能够得到较高的预测精度,为实际生产操作优化提供了一定的指导。     

A soft sensor for industrial melt index prediction based on evolutionary extreme learning machine

In propylene polymerization (PP) process, the melt index (MI) is one of the most important quality variables for determining different brands of products and different grades of product quality. Accurate prediction of MI is essential for efficient and professional monitoring and control of practical PP processes. This paper presents a novel soft sensor based on extreme learning machine (ELM) and modified gravitational search algorithm (MGSA) to estimate MI from real PP process variables, where the MGSA algorithm is developed to find the best parameters of input weights and hidden biases for ELM. As the comparative basis, the models of ELM, APSO-ELM and GSAELM are also developed respectively. Based on the data from a real PP production plant, a detailed comparison of the models is carried out. The research results show the accuracy and universality of the proposed model and it can be a powerful tool for online MI prediction.     

基于极差分析法与GA-ELM的电器连接器壳体注射成型工艺优化

以某电器连接壳体为例,借助Moldflow软件对正交试验方案组合进行模拟,对正交试验模拟结果进行极差分析,得到各工艺参数对塑件翘曲变形量的影响程度为:保压时间>模具温度>注射时间>熔体温度>保压压力.极差分析得到的最优工艺参数组合对应的翘曲变形量与正交试验方案中最小翘曲变形量相比降低了6.7％.关键点采用遗传算法优化后...     

自适应鲁棒迭代学习控制在陶瓷机械手中的应用

针对一类不确定非线性系统,结合自适应鲁棒控制和迭代学习控制方法,提出了自适应鲁棒迭代学习混合控制策略。学习控制策略用于处理周期性不确定,自适应鲁棒控制策略用于处理具有未知上界的非周期性不确定。所提出的控制方案保证跟踪误差在有限的迭代步骤内收敛到任意指定的误差区域。最后将此控制策略应用于陶瓷机械手的控制,仿真结果表明此方法的有效性。     

Modelling nitrogen oxide emission trends from the municipal solid waste incineration process using an adaptive bi-directional long and short-term memory network

Accurately predicting trends in NOx emission is essential for effectively controlling pollution in municipal solid waste incineration (MSWI) power plants. However, the MSWI process exhibits notable dynamic nonlinearity, time series characteristics, and fluctuations that are distinct from those present in fossil fuel combustion processes. Therefore, the model must possess excellent capabilities in handling time series and nonlinear features while achieving adaptive updates to account for complex working conditions. To address these issues, we have developed a robust prediction model for NOx emission trends using the bi-directional long short-term memory (Bi-LSTM) deep learning algorithm. This model encompasses maximum information coefficient and expert experience for input variables selection, parameter optimization using the linear inertial weight particle swarm algorithm (LDWPSO), and an adaptive update strategy based on probabilistic statistics. The prediction performance of this model was compared to that of the traditional and widely used backpropagation neural network (BPNN), extreme learning machine (ELM), and LSTM. Furthermore, we verified the adaptive update effect of the proposed model using additional data. The results demonstrate that the proposed model exhibits robust prediction and adaptive capabilities. This study's originality is presenting a satisfactory trend prediction for NOx emission from the MSWI process using an adaptive LDWPSO-(Bi-LSTM) model. It will be essential for the optimization and control of NOx emissions from the MSWI process.     

Optimization of nonlinear process based on sequential extreme learning machine

In this paper, a new approach to the optimal control with constraints is proposed to achieve a desired end product quality for nonlinear processes based on new kernel extreme learning machine (KELM). The contributions of the paper are as follows: (1) In existing ILC algorithm, the model was built only between manipulated input variables U and output variables Y without considering the state variables. However, the states variables X_state are important in the industrial processes, which are usually constrained. In this paper, the variables are divided into state variables X_state, manipulated input variables U and output Y in the process of modeling. Then ΔU can be obtained by batch-to-batch iterative learning control separately. Kernel algorithm is added to ELM. (2) Constraints of state variables X_state and the input variables U are considered in the current version. PSO is used to solve the optimization problem. (3) Kernel trick is introduced to improve accuracy of ELM modeling. New KELM algorithm is proposed in the current version. The input trajectory for the next batch is accommodated by searching for the optimal value through the error feedback at a minimum cost. The particle swarm optimization algorithm is used to search for the optimal value based on the iterative learning control (ILC). The proposed approach has been shown to be effective and feasible by applying bulk polymerization of the styrene batch process and fused magnesium furnace.     

基于递归模糊神经网络的污水处理控制方法

针对污水处理过程具有非线性、大时变等问题,提出了一种基于递归模糊神经网络的多变量控制方法。该方法通过递归模糊神经网络控制器自适应地获得对操作变量的控制精度,控制器在常规BP学习算法的基础上采用学习率自适应学习算法且引入了动量项来训练网络参数,避免网络陷入局部最优,提高了网络对系统的控制精度。最后,基于仿真基准模型(BSM1)平台对第五分区中的溶解氧和第二分区中的硝态氮控制进行动态仿真实验,结果表明,与PID、前馈神经网络和常规递归神经网络相比,该方法能有效提高系统的自适应控制精度。     

自适应模糊滑模控制在化工过程中的应用

为有效处理多变量、非线性及非最小相位系统的复杂化工过程,提出了一种新型的自适应模糊滑模控制,该方法针对滑模控制鲁棒性好但存在抖振的问题,采用模糊控制柔化控制信号,而与滑模控制的结合可以充分利用系统信息,简化模糊控制;在此基础上提出一种新的自适应调整比例因子来进行模糊变论域,柔化了控制信号并减小了滑模控制器输出的抖振。并给出模糊滑模控制的算法和稳定性分析,得到简化后的通用模糊规则库,可通过比例因子在线调节输入量的论域,使构成的控制系统具有很强的鲁棒性、较好的自适应能力和较高的控制精度。最后对于非线性单输入单输出(SISO)和多输入多输出(MIMO)化工模型进行仿真研究,结果表明即使工况点发生大的变化或受到较大干扰时,仍具有良好的抗扰动能力和很强的鲁棒性。