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．     

基于神经网络与多模型的非线性自适应广义预测控制

针对一类不确定非线性离散时间动态系统, 提出了基于神经网络与多模型的非线性广义预测自适应控制方法. 该自适应控制方法由线性鲁棒广义预测自适应控制器, 神经网络非线性广义预测自适应控制器和切换机制三部分构成. 线性鲁棒广义预测自适应控制器保证闭环系统的输入输出信号有界, 神经网络非线性广义预测自适应控制器能够改善系统的性能. 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. 给出了所提自适应方法的稳定性和收敛性分析. 最后通过仿真实例验证了所提方法的有效性.     

基于多模型的非线性系统广义预测控制

对于复杂的离散时间非线性系统，提出一种基于多模型的广义预测控制方法．通过在平衡点附近建立线性模型，并用径向基函数神经网络来补偿匹配误差，形成了非线性系统的多模型表示，然后采用模糊识别方法作为切换法则，并结合广义预测控制构成了多模型广义预测控制器．通过对连续发酵过程的计算机仿真，表明了该方法的有效性．     

基于神经网络的多变量非线性自适应解耦控制研究

提出神经网络前馈自适应解耦控制算法．该算法将多变量非线性系统在平衡点处利用Taylor公式展开．分为线性部分和高阶非线性部分。这样．将高阶非线性部分的影响视为可测干扰，采用前馈补偿的方法加以消除．就可以借助多变量线性系统的自适应解耦控制算法．实现多变量非线性系统的自适应解耦控制．这种方法可以取消被解耦系统为最小相位的限制。     

基于神经网络的广义非线性预测PID控制

针对一些复杂的非线性系统用基于线性模型的预测控制器控制效果不理想的问题，本文提出在利用前馈网络对非线性系统建模的基础上，对系统输出实现递推多步预测，并且结合非线性PID，用另一前馈神经网络作为控制器，实现对非线性系统的控制。经网络的在线辨识采用梯度法，仿真实验验证了方法的有效性。     

基于CARMA模型的广义预测控制解耦设计

针对CARMA模型描述的双输入双输出多变量强耦合系统,首先将系统分解为两个双输入单输出系统,在各系统中分别将另一输入量暂视为一种干扰,并用广义预测控制原理设计控制器。通过再次引入丢番图方程并求解二元一次矩阵方程组,实现了多步预测的解耦控制,新的方法对各预测时域和控制时域可针对不同通道间的不同响应特性而具体选择,参数调整更加灵活,活算量相对减少。     

一类非线性系统的多模型神经网络解耦控制器

针对多变量非线性离散时间系统设计多模型神经网络解耦控制器，在每个平衡点处用一神经网络离线辨识非线性系统的线性部分，利用另一神经网络在线辨识非线性部分，将非线性部分视为可测干扰并采用前馈的方法予以消除，所有平衡点处得到的系统模型汇集起来构成多模型集，在每一采样时刻基于切换指标选出最优模型作为当前模型，并据此设计解耦控制器实现控制，仿真结果表明系统在多个平衡点处仍然可以得到较好的控制效果。     

基于神经网络的时滞非线性系统的广义预测控制

针对一类时滞非线性被控对象,提出一种基于RBF神经网络的广义预测自校正控制方案,在广义预测控制中,采用RBF神经网络建立被控对象的多步预测模型,并不断修正预测输出,提高预测输出的精度.控制器则采用GPC隐式修正算法,不用辨识对象的模型参数,大大减少了计算量.经过仿真研究,与常规的PID自适应控制方法相比较,证明了该方法的优越性,预测控制误差小,实时性好,动态响应快.     

基于神经网络的非线性多模型自适应控制

针对一类非线性离散动态系统,设计了一个自适应控制方案。为了保证在任意时刻均能为被控的动态系统选择最好的控制器,方案基于输入输出数据为系统定义一个线性预测模型,并在此基础上设计能够保证闭环系统所有信号有界的线性鲁棒自适应控制器,同时定义一个非线性预测模型,再基于径向基神经网络设计一个旨在提高系统控制性能的非线性自适应控制器。通过比较2个控制器预测的系统输出性能,设计合理的开关切换规则。控制方案能将系统稳定性控制和性能优化的控制分离并单独实现,使得系统能在保证稳定性前提下,借助神经网络控制器良好的追踪能力有效提高自适应控制效果。最后通过仿真例子说明了系统稳定和提高输出追踪效果可以同时得到保证。     

基于神经网络模型的非线性多步预测学习控制器

构造出一种建模网络,通过对它的学习来辨识过程动态,通过对广义预测控制目标函数的在线优化求得控制律.仿真结果验证了该算法的有效性.     

采用自适应自回归小波神经网络的单步预测控制

针对非线性系统的控制问题,提出一种基于神经网络辨识的单步预测控制算法。算法在自回归小波神经网络的基础上,利用混沌机制消除了神经网络易陷入局部极值的缺点．采用自适应性学习率,提高神经网络的收敛能力和速度．以该神经网络为预测模型,引入输出反馈和偏差校正克服预测误差,以此构造一步加权预测控制性能指标。然后采用Brent一维搜索方法求取控制律,Brent法无需任何相关的导数信息,需调整的参数少,使得Brent法适合实时控制．仿真研究说明了该非线性预测控制器的有效性。     

Generalized predictive control based on neural networks

This paper presents the Generalized Predictive Control (GPC) strategy based on Artificial Neural Network (ANN) plant model. To obtain the step and the free process responses which are needed in the generalized predictive control strategy we iteratively use a multilayer feedforward ANN as a one-step-ahead predictor. A bioprocess was chosen as a realistic nonlinear SISO system to demonstrate the feasibility and the performance of this control scheme. A comparison was made between our approach and the adaptive GPC (AGPC).     

Nonlinear multivariable adaptive control using multiple models and neural networks

In this paper, a multivariable adaptive control approach is proposed for a class of unknown nonlinear multivariable discrete-time dynamical systems. By introducing a k-difference operator, the nonlinear terms of the system are not required to be globally bounded. The proposed adaptive control scheme is composed of a linear adaptive controller, a neural-network-based nonlinear adaptive controller and a switching mechanism. The linear controller can assure boundedness of the input and output signals, and the neural network nonlinear controller can improve performance of the system. By using the switching scheme between the linear and nonlinear controllers, it is demonstrated that improved performance and stability can be achieved simultaneously. Theory analysis and simulation results are presented to show the effectiveness of the proposed method.     

神经网络非线性多步预测逆控制方法研究*

提出了基于多步预测控制方法的多变量非线性神经网络逆控制方案。利用预测模型对系统动态特性进行预测,使用一个带有时延因子的前馈神经网络作为控制器,利用多步预测性能指标对其在线训练,实现神经网络逆系统;在多步预测过程中还对每一步的预测误差进行预测,以实现预测误差补偿。将所提出的控制算法用于锅炉这种大滞后非线性对象的控制,仿真实验证明,该控制策略具有良好的解耦和动态跟踪性能。     

基于小波神经网络的板形板厚系统解耦预测控制

带材轧制是一个复杂的非线性过程, 板形控制和板厚控制又是强耦合、非线性、含时延环节的复杂系统. 提出了一种基于小波神经网络的解耦预测控制方案; 利用小波神经网络来辨识原系统的α阶时延逆系统, 将该逆系统与原系统串联后形成一个伪线性复合系统, 从而把多变量系统控制转化为多个单变量系统的控制实现了系统解耦, 并对解耦后的系统采用闭环预测控制. 仿真表明该控制方法具有结构简单、易于实现, 且有较强的抗扰性和鲁棒性.     

四容水箱的小波神经网络广义预测控制

针对四容水箱系统的多变量、大时滞、非线性及强耦合等特性,采用了小波神经网络广义预测控制（WNNGPC）策略。利用小波神经网络良好的函数逼近能力,对系统被控对象进行辨识,得到控制系统的预测模型,再结合广义预测控制良好的控制性能,达到对四容水箱系统的稳定控制。在系统辨识的过程中,采用的是改进的BP学习算法,这一算法能够快速平稳地修正网络权值和阈值,使预测输出平滑地趋近期望输出。在解决系统的耦合问题上,利用了模糊控制的通用逼近性,设计了模糊前馈补偿解耦。基于模糊补偿解耦的WNNGPC对四容水箱进行控制实验,并对比分析实验结果。结果表明,这一控制策略对四容水箱进行控制时取得了较好的控制效果。     

Constrained multi-variable generalized predictive control using a dual neural network

Multi-variable generalized predictive control algorithm has obtained great success in process industries. However, it suffers from a high computational cost because the multi-stage optimization approach in the algorithm is time-consuming when constraints of the control system are considered. In this paper, a dual neural network is employed to deal with the multi-stage optimization problem, and bounded constraints on the input and output signals of the control system are taken into account. The dual neural network has many favorable features such as simple structure, rapid execution, and easy implementation. Therefore, the computation efficiency, in comparison with the consecutive executions of numerical algorithms on digital computers, is increased dramatically. In addition, the dual network model can yield the exact optimum values of future control signals while many other neural networks only obtain the approximate optimal solutions. Hence the multi-variable generalized predictive control algorithm based on the dual neural network is suitable for industrial applications with the real-time computation requirement. Simulation examples are given to demonstrate the efficiency of the proposed approach.     

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.     

多模型预测控制在苯乙烯聚合反应中的应用

针对苯乙烯聚合反应过程的非线性特性,将预测控制方法与多模型建模和控制原理结合起来,提出了一种基于性能指标的切换多模型非线性预测控制方法,针对聚合反应过程进行的仿真实验结果表明,该方法对类似非线性对象具有适用性,控制性能相比较普通预测控制算法也有了很明显的改进和提高.