基于T-S模糊神经网络的Hammerstein模型预测控制

针对化工生产过程中强非线性、大滞后、时变特点的复杂特性,提出了一种基于T-S模糊神经网络的Hammerstein模型动态矩阵预测控制方法。采用非线性控制分离策略,应用动态矩阵控制算法计算该模型动态线性部分的中间变量,作为T-S模糊神经网络的输入,进而通过T-S模糊神经网络逆映射出控制量,以实现基于T-S模糊神经网络的Hammerstein模型预测控制。pH中和过程的仿真控制实验表明,所提方法明显优于传统的PID控制方法,具有良好的设定值跟踪及抗干扰效果。     

基于改进GA的FNNC在水泥回转窑温度控制中的应用

神经网络和模糊控制在解决复杂的对象方面有独特优势,将模糊理论的知识表达容易和神经网络较强的学习能力这两个优势有机结合起来,用以提高系统的学习能力和表达能力.模糊神经网络(FNN)是近几年的研究热点,但由于采用对神经网络进行训练的BP算法是梯度算法,容易陷入局部极小.本文提出把动态的交叉率、变异率与在传统的遗传算法(GA)中加入动态学习的BP算子结合起来改良传统的遗传算法,即在遗传操作中,利用动态交叉率和变异率来改善全局样本的收敛速度:而在BP运算中加入动态学习率得到最大的优化收敛,不仅发挥了神经网络的泛化的映射能力,采用的遗传算法也极大地提高网络的学习速度和控制性能.     

基于神经网络的间歇反应釜控制器设计

对影响苯乙腈合成过程的反应釜温度进行了分析,通过建立模型,提出了一种复合式控制方案——神经网络模糊PID控制算法。该控制方案用于反应釜温度的控制,具有较强的适应性和鲁棒性,且系统控制精度达到±1℃。     

基于多目标的模糊神经网络及在pH控制过程中的应用

设计了一种基于多目标的动态模糊递归神经网络（FRNN）建模方法,用于pH中和过程的广义预测控制。所设计的多目标优化算法以提高拟合精度和简化网络结构为原则,同时优化模糊神经网络中的模糊规则数、隶属度函数中心点及其宽度,由此得到的FRNN模型可以高精度拟合pH中和过程。依据该动态模型,在控制过程的每一个控制周期得到其局部线性模型,将广义预测控制中复杂的非线性优化问题转化为简单的二次线性规划问题。仿真对比结果验证了所提方法的有效性。     

基于模糊神经网络PID控制的污水处理应用研究

针对活性污泥污水处理系统具有复杂的非线性和时变性,传统的控制方法存在着精度不高,自适应能力差等缺点,提出一种模糊神经网络PID控制方法,将模糊神经网络与PID相结合,既发挥了PID控制的优势,又增加了模糊神经网络自学习和处理定量数据的能力,并且其中采用了动态递归神经网络对污水处理系统进行模型辨识。该控制方法能够快速、有效地使曝气池中溶解氧浓度达到期望值,并且具有较好的控制效果与控制精度。仿真结果验证了该控制方法的有效性和正确性。     

pH值的控制方法研究

介绍了酸碱中和过程pH值的变化特性,并对pH值中和过程的机理模型做了简单描述.然后根据pH值控制的特点重点介绍了几种控制方法,包括常规的PID控制、补偿控制,以及比较先进的模糊神经网络的自适应控制.     

基于神经网络的永磁同步直线电机PI速度控制

针对永磁同步直线电机(PMLSM)模型具有不确定性和扰动性的特点,在对永磁同步直线电机动态模型分析的基础上,利用神经网络与PI进行结合的方法对永磁同步直线电机进行速度调节,并且与传统的PI控制作对比。仿真结果表明,基于神经网络的永磁同步直线电机PI调速系统,有效克服了不确定性和扰动的干扰,具有更优的动态性能,且稳态精度得到明显提高。     

模糊PID控制器在炼油污水节能优化处理中的应用

以炼油污水处理过程中的溶解氧为控制对象,借助仿真运算和溶解氧在线检测等实验手段,对模糊PID控制器与传统PID控制器的溶解氧控制效果进行比较,结果表明:模糊PID控制器既有模糊控制灵活、适应性强的优势,同时又具有传统PID控制精确高的特点。对于污水处理系统这种时变、非线性、大时滞复杂的控制对象,采用模糊PID控制器是一个非常好的选择,既可保证出水水质,又能节约动力消耗。     

模糊神经网络在工业加热炉中的应用

针对工业控制过程中较为常见的一种控制过程——电加热炉的炉温控制,采用了一种基于模糊基函数的模糊神经网络控制器,并给出了应用于此模糊神经网络的自学习算法。最后,将该模糊神经网络控制器应用于实际的工业加热炉炉温控制系统中。应用结果表明,该控制方案可改善具有时变及大滞后的炉温控制系统,特别是对于一些缺乏先验知识的实际工业控制过程,该控制策略具有良好的控制效果。     

双螺杆挤出机温度控制系统设计

双螺杆挤出机温度控制系统通常存在大扰动、非线性以及滞后性等特点,拥有固定参数的传统PID控制策略控制效果并不理想,为此提出了一种基于模糊神经网络PID控制的温度控制方法,对于现场无法充分预估的情况,该控制方法能够根据具体情况对PID参数做出适当调整。首先介绍了双螺杆挤出机温度采集与控制系统组成,将模糊控制理论、神经网络控制与传统PID控制相结合,利用模糊控制和神经网络对PID参数实现在线实时调整。最后,将模糊神经网络PID控制与常规PID和模糊PID控制进行仿真对比,模糊神经网络PID控制对螺杆机温度控制效果更佳,采用该控制方法可以大大提高产品合格率。     

典型大时变时滞系统神经网络模糊PID控制及应用

针对典型大时变时滞系统,设计了一种基于神经网络的模糊PID控制器.该控制器综合模糊逻辑、神经网络与PID调节的各自优点,既具有模糊控制简单和有效的非线性控制作用,又具有神经网络的学习和适应能力,同时还具备PID控制的广泛适应性.该控制器能实现系统参数大范围失配情况下的闭环鲁棒稳定,并使闭环系统达到设定值无静差跟踪及满意的动态性能.     

模糊非线性内模控制算法及其在pH值控制中的应用

pH值控制过程具有较强的非线性,历来是过程控制研究的一大热点,本文针对pH值控制系统提出了一种基于模糊推理网的非线性内模控制算法（FNIMC）。模糊推理网用于辨识对象的模糊模型;FNIMC由一个逆模控制器和具有一个可调参数的鲁棒滤波器组成。仿真结果表明该算法优于非线性PID调节器,且计算效率高。     

基于FCM的模糊神经控制器在水泥回转窑上的应用

针对水泥回转窑生产过程非线性时变特性，在FCM聚类分析的基础上结合神经网络设计一种新型的模糊控制器，与传统的模糊系统相比，减少了规则数目，同时系统具备一定的学习能力和较快的收敛速度。将其应用于水泥回转窑的温度控制，运行结果表明，控制效果良好，能满足生产工艺要求。     

基于模糊神经网络的污水处理生化除磷过程控制

针对污水处理生化除磷过程中出水总磷难以实时达标的问题,提出了一种基于模糊神经网络(fuzzy neural network,FNN)的出水总磷控制方法。首先,通过分析污水处理生化除磷机理,确定了控制器的操作变量为生化反应池第五分区外部碳源(external carbon, EC)与溶解氧(dissolved oxygen, DO)传递系数。其次,设计了一种基于FNN的出水总磷控制器,采用梯度下降算法更新控制器参数;最后,将基于FNN的出水总磷控制器应用于污水处理过程基准仿真平台(benchmark simulation model No.1,BSM1),实验结果表明,基于FNN的出水总磷控制器能够保证出水总磷的达标排放,具有较好的控制效果。     

Adaptive type-2 fuzzy logic control of a bioreactor

Two adaptive type-2 fuzzy logic controllers with minimum number of rules are developed and compared by simulation for control of a bioreactor in which aerobic alcoholic fermentation for the growth of Saccharomyces cerevisiae takes place. The bioreactor model is characterized by nonlinearity and parameter uncertainty. The first adaptive fuzzy controller is a type-2 fuzzy-neuro-predictive controller (T2FNPC) that combines the capability of type-2 fuzzy logic to handle uncertainties, with the ability of predictive control to predict future plant performance making use of a neural network model of the nonlinear system. The second adaptive fuzzy controller is instead a self-tuning type-2 PI controller, where the output scaling factor is adjusted online by fuzzy rules according to the current trend of the controlled process. The performance of a type-2 fuzzy logic controller with 49 rules is used as reference.     

Neural‐Networks‐Based Feedback Linearization versus Model Predictive Control of Continuous Alcoholic Fermentation Process

In this work advanced nonlinear neural networks based control system design algorithms are adopted to control a mechanistic model for an ethanol fermentation process. The process model equations for such systems are highly nonlinear. A neural network strategy has been implemented in this work for capturing the dynamics of the mechanistic model for the fermentation process. The neural network achieved has been validated against the mechanistic model. Two neural network based nonlinear control strategies have also been adopted using the model identified. The performance of the feedback linearization technique was compared to neural network model predictive control in terms of stability and set point tracking capabilities. Under servo conditions, the feedback linearization algorithm gave comparable tracking and stability. The feedback linearization controller achieved the control target faster than the model predictive one but with vigorous and sudden controller moves.     

Control of a Batch Polymerization System Using Hybrid Neural Network ‐ First Principle Model

In this work, the utilization of neural network in hybrid with first principle models for modelling and control of a batch polymerization process was investigated. Following the steps of the methodology, hybrid neural network (HNN) forward models and HNN inverse model of the process were first developed and then the performance of the model in direct inverse control strategy and internal model control (IMC) strategy was investigated. For comparison purposes, the performance of conventional neural network and PID controller in control was compared with the proposed HNN. The results show that HNN is able to control perfectly for both set points tracking and disturbance rejection studies.     

模糊神经网络在热网远程监控系统中的应用

为了使二次管网供水相对均匀、稳定地分配给热网用户,设计了一个模糊神经网络控制器,并以模糊神经网络控制理论为基础制定了热网压力、流量控制规则。仿真结果表明:系统输出流量响应快、超调量小、稳定性高。     

Neural network based adaptive control via temporal pattern recognition

This paper presents a neural network approach to adaptive control through pattern recognition techniques. Two interconnected backpropagation networks are trained to translate error patterns resulting from sustained set point changes into predictions of mismatch between current internal model parameters, model gain and model time constant, and those which restore desired performance. The network predictions are then used to update a model based PI controller. The strategy is demonstrated on two simulations and a pilot scale process which are undergoing severe changes in model gain and time constant. The strategy compares favorably against a more traditional rule based pattern recognition approach.     

Nonlinear internal model control strategy for neural network models

A nonlinear internal model control (NIMC) strategy based on neural network models is proposed for SISO processes. The neural network model is identified from input—output data using a three-layer feedforward network trained with a conjugate gradient algorithm. The NIMC controller consists of a model inverse controller and a robustness filter with a single tuning parameter. The proposed strategy includes time delay compensation in the form of a Smith predictor and ensures offset-free performance. Extensions for measured disturbances are also presented. The NIMC approach is currently restricted to processes with stable inverses. Two alternative implementations of the control law are discussed and simulations results for a continuous stirred tank reactor and pH neutralization process are presented. The results for these two highly-nonlinear processes demonstrate the ability of the new strategy to outperform conventional PID control.