过程控制中被控对象神经网络模型的设计

根据控制过程的特点提出了一种新的动态系统辨识方法 将输入、输出信号、滤波后的数据用于训练静态前向神经网络 ,辨识出控制系统工作点处一线性动态模型的参数 ,从而预测过程的输出 文中详细论述了设计方法及算法原理 ,并通过试验对比表明 ,这种模型精度高、计算量少 ,对噪声不敏感 ,特别适用于运行过程复杂、干扰因素多、非线性控制系统的动态辨识     

基于遗传算法的连续系统模型辨识

系统辨识是控制系统设计的基础,传统的系统辨识大都是对离散数学模型的参数估计,发展了以最小二乘法为基础的理论和方法。而连续模型则需经过离散模型的转换方可得到。作者基于遗传算法和系统仿真技术,建立了输出端噪声存在的连续系统模型辨识方法,遗传算法是建立在自然遗传学机理上的参数搜索方法,但常规的遗传算法具有收敛速度慢,因封闭竞争易导致“早熟”等缺点,为此,通过引入自适应适值函数和动态变异因子,采用精英保护策略,加速了寻优过程,改善了遗传算法的全局搜索及局部寻优能力,为连续系统模型辨识提供了新的途径。     

两输入两输出(TITO)系统的基于频域的闭环辨识方法

提出了一种面向工程应用的两输入两输出(TITO)过程的在线闭环辨识方法。该方法首先通过两个设定值阶跃测试估出频率响应,然后再通过在频域中多个点处模型匹配辨识出过程的传递函数矩阵。该辨识方法只需要过程的输入输出响应数据,不需要过程动态特性的先验知识。典型的TITO过程的仿真结果证明了该方法的有效性和实用性。     

基于支持向量机的磁力轴承系统辨识研究

针对磁力轴承控制系统的设计分析,提出了一种基于支持向量机(SVM)的磁力轴承系统辨识方法。首先通过闭环控制使转子稳定悬浮,然后在控制器的输出信号中加入扰动信号,以使系统被充分地激励。在该闭环控制系统的基础上,对控制输入数据和输出数据进行采样,然后用SVM算法对磁力轴承系统进行辨识分析。该辨识系统的输入为控制电流,输出为转子位移。将该方法与BP神经网络进行比较,仿真结果表明,SVM用于磁力轴承系统辨识具有良好的辨识效果,辨识精度高,且训练速度快。     

基于ARX模型的控制系统辨识及稳定性分析

应用系统辨识技术,基于ARX模型,建立了热连轧机液压压下控制系统的动态数学模型.系统的输入和输出数据分别采用轧机压下闭环系统电液伺服阀控制信号和辊缝位移信号;模型的参数估计采用最小二乘估计法(LSCE),模型阶的辨识采用赤池信息准则(AIC).使用数据验证模型3步预测输出数据,并与实际测量数据对比研究了辨识模型的拟合精度,采用残差分析法检验了模型的有效性.仿真分析结果表明:辨识的模型是有效的.建立的轧机压下控制系统的数字化模型是计算机仿真分析的基础,也是控制器优化设计的依据,同时也为研究轧机振动特性提供了重要手段.     

系统辨识在空调房间建模上的应用

指出房间动态数学模型在控制系统中的重要性,简化了建立房间的理论数学模型,通过系统辨识的方法建立房间的模型,最后利用辨识的数学模型对阶跃响应的仿真结果和实测温度进行比较,从中可以选择所需精度的数学模型,进而考虑控制系统的设计和调节器参数的整定。     

神经网络在锅炉燃烧系统辨识中的应用

对典型的多输入多输出、非线性、动态、有时延的供暖锅炉进行了仿真研究,建立了基于动态BP网络和Elman网络的辨识模型,并对辨识结果进行了误差分析,结果表明：神经网络在锅炉燃烧系统具有比较高的辨识精度,有着广阔的应用前景。     

全混合式反应器厌氧消化过程的动态模型

本文把厌氧消化过程表示成单输入-单输出系统,利用质量平衡关系导出了全混合式反应器厌氧消化过程的动态模型,包括状态模型和差分模型两种形式。由于全混合式反应器中的消化过程可以简化成用反应器中基质浓度和活性微生物浓度两个状态变量来描述,本文得出的状态模型是二阶线性模型。在验证该模型满足能控性和能观测性条件后,导出了等价的采样系统差分模型。差分模型的输入-输出形式,便于采用系统辨识方法估计模型参数,也便于构成自校正控制系统,因而有其工程实用价值。     

过水系统时延过程的方波脉冲域辨识

给出了一个利用方波脉冲函数辨识过水系统输入一输出模型的简易数值解法。并通过实例，论证了方波脉冲域传函G(PT)的实际应用方法和理论根据，得到了表征过水系统时延特性的直观图表解，适用于在计算机上利用软件对复杂的非线性动态过渡过程进行描述和处理。     

基于人工智能方法的火电厂热工过程模型辨识

本文分别采用神经网络和粒子群算法这两种人工智能方法去解决火电厂热工过程模型辨识问题.主要介绍了热工过程的辨识特性,BP网络学习算法及网络权值的附加动量调整规则,给出了标准的粒子群辨识算法,并将两种方法引入热工过程模型辨识.仿真研究表明,两种人工智能方法都能取得较好的辨识效果,对解决火电厂中热工控制系统的辨识问题具有重要的实用价值.     

系统辨识在空调房间建模上的应用

指出房间动态数学模型在控制系统中的重要性,简化了建立房间的理论数学模型,通过系统辨识的方法建立房间的模型,最后利用辨识的数学模型对阶跃响应的仿真结果和实测温度进行比较,从中可以选择所需精度的数学模型,进而考虑控制系统的设计和调节器参数的整定.     

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。     

基于神经网络的模糊系统的模型辨识及应用

本文将人工神经网络理论和模糊系统理论结合起来，提出了一类基于人工神经网络的模糊模型辨识方法。该方法能辨识非线性的、复杂系统的模糊模型。仿真表明本文给出的有关模型及算法，能有效地用于多种难以建立精确数学模型的控制系统。     

方块脉冲函数用于动态系统辨识

应用方块脉冲函数系给出了一个动态系统辨识的新方法。所提方法能用到连续的多变量以及单输入单输出的系统中。不仅将动态系统的微分方程转化成计算上方便的代数形式，而且证明了精度以及收敛性。所得算法在计算机上能够实现，而且可用于在线辨识。     

改进的Hammerstein系统及其在增压锅炉中的应用

针对现有Hammerstein模型及其改进模型对双输入单输出系统只能提供有限辨识精度的问题,提出一种归一化的双输入单输出(two-input single-output,TISO)Hammerstein系统模型辨识方法,并将其应用于增压锅炉燃烧辨识.在不同的负荷区域内,影响锅炉燃烧的非线性因素具有不同的非线性强度,对于常规TISO Hammerstein辨识模型,使用一组非线性辨识参数无法在多负荷范围内获得较高的辨识精度,因此提出归一化的TISO Hammerstein辨识模型.辨识结果表明,归一化TISO非线性Hammerstein模型辨识方法能够准确描述两输入变量对系统输出产生的影响,大大提高了辨识精度.并且选取一组局部最佳参数进行辨识就可以在多负荷区域内得到较好的辨识精度,证明了所提方法的有效性.     

无辨识自适应算法的大滞后对象的控制方法

在实际工业生产中 ,由于对象纯滞后的存在 ,降低了控制系统的稳定性 ,使控制品质下降 ,对控制系统极为不利。对大滞后对象 ,Smith预估控制是一种重要方法 ,但常规Smith预估控制对模型的误差 (包括时间延迟的估计误差 )十分敏感 ,不适用于具有时变时延参数的系统。因此 ,常规Smith预估控制策略难以广泛用于工业控制 ,但该方法仍然得到了控制界的广泛认可。无辨识自适应控制是Marsik和Strejc提出的一种无需辨识系统参数的自适应控制算法 ,该算法简单、鲁棒性强 ,只需在线检测过程的实际输出及期望输出便可形成具有较好动态性能指标的自适应控制系统 ,但是该方法不能解决大滞后问题。借鉴无辨识自适应控制的思想和神经网络强的函数逼近能力 ,首先用一个神经网络来构成被控对象的Smith预估模型 ,然后利用无辨识自适应控制算法设计了一种适用于大滞后对象的控制器 ,两者结合 ,提出了一种简单、实用、鲁棒性强的大滞后对象控制的新方法     

一种新的系统盲反向辨识方法

基于系统输出信号过采样原理的系统反向辨识是一种新的盲辨识方法，这种方法不仅适用于最小相位系统，而且也适用于非最小相位系统。通过输出信号的过采样，可以获取未知输入信号和系统更多的信息。文中首先提出了这种解决盲辨识问题的算法，然后利用辨识出的系统模型恢复了源输入信号。这种方法在控制工程领域具有较高的实用价值。     

非线性动态系统辨识的神经网络结构和可行性研究

在讨论各种非线性动态系统辨识模型的基础上，给出相应模型的神经网络实现方案，并首次提出了实现非线性动态系统的回归状态模型的新型神经网络结构－神经网络状态空间辨识模型，从理论上证明了使用神经网络实现这些模型的可行性。     

辅助模型辨识方法(3):输入非线性输出误差自回归系统

输入非线性系统包括输入非线性方程误差类系统和输入非线性输出误差类系统.针对输入非线性输出误差自回归系统,分别基于过参数化模型,基于关键项分离原理,基于数据滤波技术,研究了相应的基于过参数化模型的辅助模型递推辨识方法、基于关键项分离的辅助模型递推辨识方法、基于数据滤波的辅助模型递推辨识方法.这些方法可以推广到其他输入非线性输出误差系统、输出非线性输出误差系统、反馈非线性系统等.并给出了几个典型辨识算法的计算步骤、流程图和计算量.     

输入非线性方程误差系统的多新息辨识方法

针对输入非线性方程误差系统,即输入非线性受控自回归系统,研究了基于过参数化模型的多新息辨识方法和基于过参数化模型的递阶多新息辨识方法;研究了基于关键项分离原理的多新息辨识方法;使用辨识模型分解技术,研究了基于关键项分离原理的两阶段多新息辨识方法和三阶段多新息辨识方法.这些方法可以推广到其他输入非线性方程误差系统、输入非线性输出误差类系统、输出非线性方程误差类系统、输出非线性输出类系统、反馈非线性系统等.同时,给出了几个典型辨识算法的计算量、计算步骤和流程图.