基于模糊神经网络的发电厂自适应配煤控制

根据发电厂灰分控制的时变、滞后和非线性特性,本文提出了一种基于人工神经网络与模糊控制相结合的控制器。利用人工神经网络的自学习、自适应和并行处理的能力,将模糊控制规则转化为神经网络的学习样本,通过FNN的BP学习算法记忆这些规则样本。实验表明该控制器具有响应速度快、精度高和鲁棒性强的特点。     

基于改进BP神经网络的智能控制方法研究

针对典型 ＢＰ神经网络存在的缺陷而提出了一些有效的改进措施。通过采用改进的 ＢＰ神经网络来对控制规则样本采样的学习和训练,使网络记忆控制规则,以达到智能控制的目的。仿真和实验结果证明该方法具有优良的控制特性,满足伺服电机控制的需要。     

基于S7-300 PLC的单神经元PID控制器设计与实现

PID控制器在被控对象具有非线性特性或运行环境发生变化时,PID的固定参数导致控制系统性能下降。针对该问题,本文提出在S7-300 PLC上设计和实现基于Hebb学习规则单神经元PID控制器。首先根据神经元的学习能力,设计了基于Hebb学习规则的单神经元PID控制器,仿真测试表明相对于PID控制器,基于Hebb学习规则的单神经元PID能够自适应调整控制器参数,具有系统响应速度快和超调量小等优点。最后在S7-300 PLC上实现了基于Hebb学习规则的单神经元PID控制算法,对温度对象进行控制。实验结果表明,基于Hebb学习规则的单神经元PID算法简单,在PLC上易于实现,有效改善系统性能。     

模糊神经网络实现的PID参数自调整控制及应用研究

模糊控制学习功能差,神经网络推理功能差,把二者结合可以起到互补作用,保证推理和学习功能的实现。本文用多层ＢＰ神经网络实现了一类模糊推理过程,该网络通过学习记忆ＰＩＤ参数调整的基本规则,实现了ＰＩＤ控制器参数的在线调整。通过对考虑非线性因素的伺服系统控制对象的仿真,说明了该方法的有效性。     

基于改进BP算法神经网络的超声波电动机速度控制

针对超声波电动机没有精确数学模型,输出具有很强的时变性和非线性的特点,提出了一种改进BP神经网络控制器,神经网络由输入层、隶属函数层、规则层和输出层四层节点构成,在传统BP神经网络基础上,加入了模糊偏差单元和关联节点,使规则层不仅接收来自隶属函数层输出的信号,还接收自身的延时输出信号,能够存储过去的输入输出信息,提高控制系统学习记忆的稳定性。将改进BP神经网络控制器应用于行波超声波电动机速度控制,仿真实验验证了该方法的有效性,与传统BP神经网络相比较,控制精度、响应速度都有改善。     

采用BP网络实现电流变传动机构的建模

本文对变负荷的电流变圆盘传动装置的输入角度，控制电压，转矩和输出角度以及转矩进行检测，并采用BP神经网络对数据样本进行学习和训练，从而使网络记忆控制规则。在对多组实验数据进行学习和验证后，建立传动装置的模型。实验结果表明，能满足电流变圆盘传动装置控制的需要。     

事例推理及其应用

介绍了事例推理的基本原理、特点及其各环节的实现策略,并将其引入电力系统短期负荷预测,研究了事例推理技术在短期负荷预测领域中的应用.实际电力系统的数值试验证明事例推理技术知识获取简单方便、具有记忆能力及用户友好性等特点,优于基于规则专家系统及人工神经网络技术.     

单神经元自适应PID控制交流调速系统

针对转子磁场定向矢量控制中转速PI调节器鲁棒性能较差的问题,提出了用单神经元自适应PID控制器代替转速PI控制器,进一步改善了异步电动机矢量控制系统的性能;将无监督的Hebb学习规则与有监督的Delta学习规则相结合,提高了单神经元自适应PID控制器的学习能力,实现了单神经元控制器的参数优化与在线自调.构造了基于单神经元自适应PID控制器和空间矢量脉宽调制(SVPWM)的异步电机矢量控制系统.仿真实验结果表明,该系统不仅具有很好的静、动态性能,而且又具有很强的自适应性和鲁棒性.     

事例推理及其应用

介绍了事例推理的基本原理、特点及其各环节的实现策略，并将其引入电力系统短期负荷预测，研究了事例推理技术在短期负荷预测领域中的应用。实际电力系统的数值试验证明事例推理技术知识获取简单方便、具有记忆能力及用户友好性等特点，优于基于规则专家系统及人工神经网络技术。     

人工神经网络在转子动平衡技术中的应用

在对人工神经网络和转子动平衡技术深入研究的基础上,提出了将神经网络技术应用于转子动平衡领域的方法。文中对网络拓扑技术应用于转子平衡领域的方法。文中对网络拓扑结构的确定以及学习样本数量,样本质量,学习误差等对网络性能的影响等问题作了深入的分析,得到了有实用价值的结论。     

基于粗糙集的自适应模糊神经网络用于循环流化床锅炉床温控制的研究

针对循环流化床(CFB)锅炉床温的非线性、大惯性和大延迟等特性,提出了1种基于粗糙集的自适应模糊神经网络的床温控制方法,并且通过大量已知数据的学习得到模糊规则及其隶属度函数.为了减少规则的数目,提高数据的学习效率,引入了粗糙集,从采集数据中提取最小规则集,从而解决了自适应模糊神经网络中的规则爆炸问题.以CFB锅炉床温为控制对象,对基于粗糙集的自适应模糊神经网络控制器进行仿真比较.结果表明,该控制器控制效果优于常规PID控制器,但稳态误差较常规PID控制器大,其稳态误差小于1.7％,在允许范围内.     

基于组态软件MCGS的锅炉温度智能解耦控制

20世纪80年代中后期以来,国际上以美国、日本为首的工业发达国家,掀起了竞相研究开发神经网络,设计构造神经计算机的热潮。主要应用在模式识别、经济管理、优化控制等方面;同时,人工神经网络在自动控制领域得到了广泛应用,为自学习、自适应模糊控制提供了一种新的有效途径。本文利用人工神经网络的优点,设计出一种神经网络的在线学习方法。通过神经网络的离线训练和在线自学习,使控制器具有自调整和自适应的性能,从而进一步改进实时控制效果,以便应用于温度过程控制中。     

基于模糊神经网络的空间负荷预测小区用地分析

对配电网的空间负荷预测方法进行改进,重点研究小区用地分析的模糊推理模型,把人工神经网络技术与模糊推理系统相结合的方法应用于小区用地分析。该方法采用人工神经网络技术提取模糊规则,形成一类具有学习功能的模糊智能系统,具有自适应能力强、推理效率高及知识表达能力较强等特点。以实例验证了该方法的有效性。     

基于单神经元控制器的异步电动机矢量控制

文中提出了采用单神经元智能控制器代替传统PID控制器以改善异步电动机矢量控制的性能。在分析单神经元控制器结构与控制原理的基础上，为了提高单神经元控制器的学习能力与自适应性，将无监督的Hebb学习规则与有监督的Delta学习规则相结合，运用改进的学习与控制算法，实现单神经元控制器的参数优化与在线自动调整。采用Matlab软件建立单神经元控制器与异步电动机矢量控制模型，进行仿真研究；并将单神经元控制器的控制软件应用于异步电动机矢量系统，进行实验研究。仿真与实验结果表明，单神经元控制器可以改善异步电动机矢量控制的性能，具有较强的自适应性与鲁棒性。     

基于迭代学习控制理论的励磁控制器设计

基于迭代学习控制理论提出了一种设计单机无穷大系统励磁控制器的新方法,克服了迭代学习控制在有限时间区间上实现完全跟踪的限制。将迭代学习控制对输出控制量u(t)的记忆与修正改成对期望控制ud(t)的记忆与修正,采用最小二乘法拟合控制器参数,使设定的控制与期望控制之差达到最小,求得控制律。用Matlab对发电机励磁控制系统进行仿真研究,结果表明所设计的励磁控制器具有较好的动态特性和较强的鲁棒性。     

基于模糊神经网络的空间负荷预测小区用地分析

对配电网的空间负荷预测方法进行改进，重点研究小区用地分析的模糊推理模型，把人工神经网络技术与模糊推理系统相结合的方法应用于小区用地分析。该方法采用人工神经网络技术提取模糊规则，形成一类具有学习功能的模糊智能系统，具有自适应能力强、推理效率高及知识表达能力较强等特点。以实例验证了该方法的有效性。     

异步电机智能空间矢量控制系统的研究

在分析研究空间矢量脉宽调制（SVPWM）原理及应用的基础上,设计了一种基于人工神经网络（ANN）的SVPWM控制器。该控制器充分利用ANN快速并行处理能力、学习能力和容错能力,以减少谐波成分及其损耗,降低电机转矩脉动,提高感应电机矢量控制系统的动稳态性能。通过与传统的SVPWM矢量控制系统的仿真分析比较,表明了基于该控制器的调速系统,具有更低的谐波成分和更好的稳态性能及鲁棒性。     

巨型浮吊船电力系统动态响应的联想记忆识别

巨型浮吊海洋工程船的作业依赖于船舶电力系统的稳定运行。这类船上大功率变频器、大功率交流电机等设备的大量应用,使得控制系统受干扰影响严重,检测到的动态响应常常含有干扰成分,给电力自动化设备的反馈控制带来了困难。联想记忆具有按信息内容检索的功能,可以模仿人脑进行联想,处理缺损和不确定的信息,具有容错功能。根据联想记忆原理,运用Hopfield网络结构,对Hebb学习规则进行了改进,构建了自联想离散Hopfield网络。该网络通过对动态响应标准样本进行学习,得到了稳定模式,在受干扰污染、信息缺损的巨型浮吊船电力系统动态响应的识别中表现出了良好的滤除干扰的能力。     

基于模糊神经网络的温度控制器研制

本文提出一种基于模糊神经网络的智能温度控制器，给出了模糊神经网络模糊帮一种快速的学习算法，并通过自学习砂断修正模糊控制器的隶属函数和权值，实现了模糊逻辑规则的自动更新。     

电主轴伺服系统的单神经元自适应PID控制

电主轴感应电动机伺服系统要求有良好的动静态性能.按转子磁场定向的感应电动机矢量控制中转速PI调节器在控制对象参数和工作环境变化时其性能较差.为了改善电主轴伺服系统的性能,提出了用单神经元自适应PID控制器代替传统PI调节器.为了提高单神经元PID控制器的学习能力,将无监督的Hebb学习规则与有监督的Delta学习规则相结合,实现单神经元控制器的参数优化与在线自调.仿真和实验结果表明,伺服系统不仅具有很好的静、动态性能,而且又具有很强的自适应性和抗扰性.伺服系统可用于航空航天、智能机器人和数控机床等高性能控制系统当中.