基于神经网络逆系统的循环流化床内模控制

在循环流化床锅炉(Circulating Fluidized Bed Boiler,CFBB)燃烧控制系统中,维持正常的床温和主蒸汽压力是循环流化床锅炉稳定、经济运行的关键.笔者针对这两个变量的强耦合特性,引入神经网络逆系统方法,实现系统的线性化解耦,并针对线性化解耦的非理想性以及参数、干扰等不确定因素对系统的影响,采用具有较好稳定性和抗干扰能力的内模控制策略对系统进行闭环控制.仿真结果表明,基于神经网络逆系统的内模控制方法不仅能够实现系统解耦,获得优良的静、动态特性,且具有良好的鲁棒稳定性和抑制扰动的能力.     

对角递归神经网络在非线性内模控制中的应用

提出一种基于对角递归神经网络的非线性内模控制方案,其内部模型和内模控制器的建立均由对角递归神经网络来实现,同时改进神经网络控制器的训练函数。仿真结果表明,改进的内模控制系统与基本BP神经网络内模控制系统相比,具有跟踪速度快,超调量小,以及对对象参数摄动具有较好的适应性。     

基于人工神经网络的内模控制

提出了一种神经网络的内模控制系统，给出了有效的基于前馈神经网络的模型辨识及逆模型辨识方法，经领导具实验表明，这类控制器可用于难以建立数学模型的控制系统。     

对角递归神经网络在非线性内模控制中的应用

提出一种基于对角递归神经网络的非线性内模控制方案，其内部模型和内模控制器的建立均由对角递归神经网络来实现，同时改进神经网络控制器的训练函数。仿真结果表明，改进的内模控制系统与基本BP神经网络内模控制系统相比。具有跟踪速度快，超调量小，以及对对象参数摄动具有较好的适应性。     

基于神经网络内模的非线性控制系统

从某类可以被多层BP神经网络建模的非线性系统出发，给出一种控制方法，PID控制器和IMC控制相结合，仿真结果表明BP网络用作IMC控制器扔效性，此类方法比传统的控制器有更快更好的跟踪性能。     

非线性系统的多内模控制

任何一个实际系统均具有一定程度的非线性，由于非线性对象的复杂性，目前还没有统一的控制器设计方法，用传统的线性系统理论来设计，当工作点大范围变化时，很难保证其性能及稳定性。本文提出了基于多模型的内模控制方法，它对非线性过程的控制具有良好的性能。在该方法中，非线性对象的内模是通过在不同工况辨识得到多模型。仿真结果表明，该控制策略比常规的单内模控制在大范围具有更好的控制品质。     

基于神经网络内模的逆变系统控制器设计

针对逆变系统负载适应性能不强、动静态性能不佳的特点,设计出一种基于神经网络内模原理的逆变系统控制方法。通过对该方案的理论分析,得出了控制系统的实现方法。通过相应的仿真研究对其策略特性进行分析和比较。与传统控制方式相比较,这种智能控制不依赖于被控对象。由神经网络实现对系统的智能控制,提高了系统的逆变波形质量和负载适应性,使系统获得了较好的动态和稳态性能。     

神经网络内模控制及其在大迟延系统中的应用

针对大迟延非线性系统,设计了一种基于神经网络和内模控制理论的控制系统。系统结构为串级,内回路采用常规比例控制;外回路采用神经网络内模控制。辨识器和控制器均采用3层BP网络实现,并用加入动量项的BP算法来训练网络。以电厂主汽温对象为例对系统进行多种负荷下的仿真验证,结果表明,所设计的系统在模型变化时具有较好的控制品质和鲁棒性及抗干扰性,明显优于常规主汽温控制系统。     

线性时滞系统内模控制的研究

内模控制是近年来发展起来的一种新型控制方法,分析它的原理对于工程应用和理论研究具有重要的意义。从IMC结构分析人手揭示了内模控制的本质,证明了该系统可实现对阶跃信号的无差跟踪及在阶跃信号扰动下可实现无差控制,给出了时滞线性系统内模控制器和内模滤波器的设计方法。并基于MATLAB仿真研究表明,线性时滞过程的内模控制具有较好的鲁棒性,有一定的应用价值。     

基于BP算法的神经网络内模控制器

文章针对一类非线性系统,采用加入阻尼项的权值调整BP算法,设计了基于BP算法的神经网络内模控制器,并进行了仿真,结果显示该控制器对阶跃信号和扰动均无稳态误差,对非线性环节有较好的控制效果。     

基于改进最近邻聚类的机械手神经网络逆控制

机械手具有非线性时变、多变量、强耦合的特性,在机械手系统可逆的基础上,设计一种机械手的神经网络逆控制方案。通过神经网络逆辨识建立机械手的神经网络逆模型,把神经网络逆模型作为控制器模型与原机械手串联,构成一个伪线性动态模型,把非线性问题转化为线性问题。其中,辨识器和控制器均采用RBF神经网络结构,网络学习采用具有在线学习功能的最近邻聚类学习算法。仿真结果验证了本方案的有效性和可行性。     

基于广义预测的非线性神经网络控制器

广义预测控制(GPC)是针对线性系统提出的一种控制方法,而神经网络具有对一般非线性函数的逼近能力。首先介绍基于GPC的神经网络控制系统的组成,进而提出采用两层线性神经网络构造预测器,采用E lamn型动态递归网络构造控制器,从而实现对非线性对象的快速控制,仿真结果说明了该算法的有效性。     

神经网络自适应逆控制的仿真研究

将神经网络引入逆控制,提出了一种基于神经网络的自适应逆控制。该控制结构主要有两个子神经网络组成,其中一个用于对系统进行辨识,另一个子网络实现对模型的逆作为控制器,从而构成自适应的逆控制。将其应用于热工系统中并进行大量仿真研究,结果表明针对不同的热工对象,该控制系统都能有效的克服扰动,适应环境及参数的变化,表现出良好的鲁棒性和控制精度。     

基于RBF神经网络的拟滑模控制

将一种拟滑模控制算法与径向基函数神经网络相结合,利用神经网络的网络权值具有自适应学习的能力,使拟滑模控制器的相关参数具有自适应性,从而优化控制信号,削弱系统抖振. 并给出了具体的设计方案,仿真结果表明,所给出方案是有效、可行的.     

基于神经网络内模控制的毛细管流变仪温控系统设计

为了提高毛细管流变仪加热腔温度控制效果，在研究以多变量、交叉耦合为特征的控制对象的基础上，给出了一种神经网络内模控制算法。以通过学习得到的动态神经网络作为内部模型，将直接逆系统学习法得到的神经网络作为控制器，构造了MIMO控制系统。介绍了毛细管流变仪温度控制系统软、硬件的开发。实际运行结果表明，该系统控制精度高，鲁棒性好，可靠性高。     

基于RBF神经网络的交通生成预测模型

针对交通生成预测中传统集计预测模型缺少行为基础这一重要数据源,以及普通离散模型建立对数学推导依赖性高和预测中存在多个预测值,导致预测结果精度不理想的问题,建立了基于RBF神经网络的交通生成预测模型,该模型将以行为基础为前提的离散数据作为数据源,模型的建立不需要进行数学推导,利用输入和输出数据自动建立,再结合RBF神经网络收敛速度快和具有唯一最佳逼近点的特点,对交通生成进行预测。通过实例进行仿真和分析,结果表明,该模型最终获得的交通生成预测结果与实际值误差在允许范围内,RBF神经网络交通生成预测效果好,能在实际中应用。     

基于RBF神经网络二级倒立摆系统的PID控制

针对二级倒立摆系统,提出一种基于RBF神经网络的PID控制方法。该方法采用RBF神经网络对PID控制器的参数进行优化修正,从而使控制器处于最优状态,实现二级倒立摆的稳定控制。仿真结果表明,该方法的控制精度较高,响应迅速,超调量较小。对于多变量、非线性、不稳定的快速系统,具有较好的控制效果。