多变量系统基于回归神经网络的预测控制

以罐式搅拌反应器为例,研究多变量系统基于神经网络的预测控制及改善控制性能的方法。针对复杂多变量系统难以建模的问题,采用多层局部回归神经网络离线建立其预测模型。在反馈校正中,考虑到控制准确性和实时性的要求,采用偏差补偿和模型修正相结合的方式修正神经网络的预测输出。实验中,研究了改善控制性能的方法,得出：对性能指标中的偏差项负指数加权,可大大加快系统的动态响应过程,并在定程度上减少系统超调、仿真结果表明控制算法有效。     

非线性多变量离散自适应控制

为了获得一种结构简单、参数整定方便的控制策略,研究了化工过程的一种非线性自适应控制方法。该方法采用非线性多变量模型来近似化工过程的动态特性,并将一般模型控制算法(GMC)与非线性观测器结合,将被控对象模型直接嵌入到控制中,用非线性观测器来进行参数在线辨识,构成自适应控制系统。该非线性控制系统在控制没有约束的情况下,控制系统为一个线性伪二阶系统。控制器参数整定方便,其中非线性观测器整定参数只有一个。该系统用于压力容器的控制,实时控制表明非线性自适应控制系统性能良好。     

基于CARMA模型的多变量远程预测自适应探测器

本文采用CARMA模型，建立多变量远程预测控制器，并采用状态空间法分析其闭环系统的稳定性。这种控制以远程预测多步滚动优化取代最小方差和广义最小方差控制器中的一步预测化，并引入控制时域的概念，从而可应用于非最小相位和开环不稳定系统；在自适应算法中，对模型验前知识要求少，不需要知道系统的交互矩阵，计算量小。数字仿真结论证实了控制算法的以上特性。     

基于T-S模糊模型的直接自适应预测控制

提出一种基于T-S模糊模型的直接自适应预测控制算法。该算法利用加权递推最小二乘法在线辨识T-S模糊模型的后件参数。用已经辨识好的参数,进行直接迭代计算,直接得到模型的预测输出。此算法很好地解决了非线性预测控制中,建模与优化两大难题,为非线性系统的高精度控制提供了保证。计算机仿真表明,该算法具有较好的跟踪性能。     

基于Laguerre函数模型的多变量广义预测自适应控制

通过对Laguerre函数模型结构的分析，把多变量广义预测自适应控制方法应用于该模型中，利用Laguerre函数模型近似控制对象系统结构，将模型中间参量的辨识和模型的预测输出有效的统一了起来，克服了单纯基于参数化模型预测控制通常需要已知系统的时延和阶次的局限，为适合该类模型的工业对象应用提供一种有参考价值的控制方法。     

基于RBF神经网络的非线性模型预测控制

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.     

基于Tchebycheff正交神经网络的非线性多步预测控制

针对多变量非线性系统 ,提出了一种基于 Tchebycheff正交神经网络的多步预测控制方案 ,采用 Tchebycheff正交神经网络离线建立预测模型 ,并以偏差补偿和模型修正相结合的方式对预测模型进行误差补偿 ,经在线校正用于预测控制。同时对性能指标中的偏差项和控制项加权 ,进一步改善预测控制性能。仿真结果表明了控制算法的有效性     

多变量系统基于回归神经网络的预测控制

以罐式搅拌反应器为例 ,研究多变量系统基于神经网络的预测控制及改善控制性能的方法 .针对复杂多变量系统难以建模的问题 ,采用多层局部回归神经网络离线建立其预测模型 .在反馈校正中 ,考虑到控制准确性和实时性的要求 ,采用偏差补偿和模型修正相结合的方式修正神经网络的预测输出 .实验中 ,研究了改善控制性能的方法 ,得出 :对性能指标中的偏差项负指数加权 ,可大大加快系统的动态响应过程 ,并在一定程度上减少系统超调 .仿真结果表明控制算法有效 .     

多变量系统基于回归神经网络的预测控制

以罐式搅拌反应器为例,研究多变量系统基于神经网络的预测控制及改善控制性能的方法.针对复杂多变量系统难以建模的问题,采用多层局部回归神经网络离线建立其预测模型.在反馈校正中,考虑到控制准确性和实时性的要求,采用偏差补偿和模型修正相结合的方式修正神经网络的预测输出.实验中,研究了改善控制性能的方法,得出:对性能指标中的偏差项负指数加权,可大大加快系统的动态响应过程,并在一定程度上减少系统超调.仿真结果表明控制算法有效.     

基于遗传算法的非线性多变量系统模糊神经网络控制

针对一类非线性多变量系统的解耦控制，提出了采用基于模糊神经网络（FNN）的模型参考模糊控制结构，并且为了提高ENN的收敛速度采用了遗传算法。仿真结果表明了该种控制策略的有效性。     

基于BP神经网络的非线性预测控制

将BP神经网络技术应用于预测控制,并对其控制算法进行研究。采用一个BP神经网络来实现对系统的辨识和多步预测,并将一种新型的非线性混沌映射引入到神经网络的参数学习算法中实现其权值调节,以逐步建立被控对象合理的多步预测模型,并用网络的多步预测输出序列与设定值序列的偏差修改控制律。仿真结果表明了该算法的有效性。     

基于输入设计的多变量广义预测控制

把基于输入设计的广义预测控制 ( GPCID)推广到多变量线性系统中 ,提出了基于输入设计的多变量广义预测控制 ( MGPCID)。该算法占用内存小 ,计算速度快 ,但增强了鲁棒性。仿真结果表明了该算法优于 GPC算法     

焦油蒸馏塔的多变量广义自适应预报控制

焦油蒸馏是煤化工生产过程的第一道关键工序,直接影响工业萘对焦油的产率和后序工段的加工难度、产品质量及能耗,而其操作难度高于炼油蒸馏塔．本文分析了焦油蒸馏塔的生产工艺特点和控制策略,将广义预报控制方法(GPC)推广到M×M多变量系统(M个MISO系统)应用于焦油蒸馏塔控制,并采取了多种鲁棒性策略,使得控制系统运行平稳,各项工艺参数均超过了原设计指标．     

制粉系统球磨机的神经网络预测控制

通过对制粉系统球磨机这一非线性被控对象建立神经网络预测模型,提出了基于神经网络预测控制器的非线性预测控制方法。为了克服大多数非线性系统预测控制在线计算量大的问题,在预测控制性能指标约束下,采用非线性优化求解技术,得到当前工作点的最优预测控制量,用来训练神经网络预测控制器,最终实现非线性系统的神经网络直接预测控制。新的方法大大减少了在线计算量,仿真试验结果证实了所提方法的有效性。     

基于神经网络建模的预测控制

预测控制具有多步预测、滚动优化和在线自适应校正等优点。文中提出了用神经网络方法建立预测模型, 将其应用到了润滑油溶剂脱蜡过程并取得了有效的仿真结果     

禁忌搜索算法在预测控制中的应用

滚动优化是预测控制的核心,探讨了一种寻优能力强的算法--禁忌搜索算法,并将其用于滚动优化中。它将滚动优化中的目标函数值作为禁忌对象,将控制量取值范围进行邻域划分为几个超矩形空间,使用两重准则来判断各点是否被禁忌,并提出相应的特赦准则和终止原则,使滚动优化转化为一般无约束的优化问题。最后通过对三角波和随机信号的跟踪仿真验证了其有效性。     

基于支持向量机建模的多变量过程系统预测控制

基于预测控制原理和支持向量机理论,针对工业中多变量过程系统控制的困难性,提出了一种智能预测控制策略.水泥回转窑煅烧工艺作为水泥生产中最重要的环节,包含了复杂的物理和化学反应过程,具有大惯性、纯滞后、非线性和强耦合的特点.考虑到水泥工业中先进过程控制的需要,主控制系统结构包括了三个控制环:压力控制环、烧成带控制环和尾端温...