冷连轧AGC 系统的自适应Smith 广义预测控制

针对冷连轧AGC 系统存在较大的时间滞后以及对象模型参数时变的特点,提出了一种自适应Smith 广义预测控制算法. 该算法用Smith 预估器来克服滞后的影响,利用激光测速仪间接测量AGC 系统的滞后时间以修 正Smith 预估器的时滞部分模型,使用渐消记忆递推最小二乘算法在线辨识对象参数来修正Smith 预估器的非时滞 部分的模型,并根据辨识得到的对象参数设计自适应广义预测控制器代替传统Smith 预估算法中的PID 控制器. 仿 真研究表明,在模型失配及干扰的情况下,该控制算法仍然具有良好的控制性能和鲁棒稳定性能.     

基于神经网络的污水处理系统广义预测控制北大核心CSCD

污水处理过程中,由于溶解氧和硝态氮浓度是时变且长滞后的,因此难以精准控制。为解决这一问题,提出基于径向基(radial basis function, RBF)神经网络的多变量解耦比例积分-广义预测控制(proportional integral-generalized predictive control, PI-GPC)算法。首先,基于RBF神经网络分别建立溶解氧浓度和硝态氮浓度非线性模型;然后,在此模型基础上,利用GPC的预测性和传统PI控制器的反馈性,优化溶解氧和硝态氮的浓度控制;最后,利用基准仿真模型No.1(benchmark simulation model No.1, BSM1)数据,通过神经网络辨识系统模型并设计控制器。结果表明,PI-GPC算法相较于传统GPC和PI控制算法,能够获得更快速和更稳定的控制效果。     

基于自适应递归模糊神经网络的污水处理控制

针对污水处理过程中具有的非线性、大时变等特征,提出了一种基于自适应递归模糊神经网络(recurrent fuzzy neural network,RFNN)的污水处理控制方法.该方法利用自适应RFNN识别器建立污水处理过程的非线性动态模型,建立的模型可以为RFNN控制器提供污水处理过程中的状态变量信息,保证了控制器根据系统响应调整操作变量的精确性;并且RFNN辨识器及RFNN控制器基于自适应学习率进行学习,确保了递归模糊神经网络的收敛精度和速度,并通过构造李雅普诺夫函数证明了此算法的收敛性;最后,基于基准仿真模型(benchmark simulation model 1,BSM1)平台进行仿真实验.结果表明,与PID、模型预测控制及前馈神经网络相比,该方法对污水处理中溶解氧浓度和硝态氮浓度的跟踪控制精度具有明显的提升.     

污水处理系统溶解氧的区间预测控制方法

针对污水处理系统溶解氧浓度难以控制和曝气耗能高的问题,提出了一种基于双层优化结构的加权区间预测控制方法。该方法首先通过动态矩阵控制算法建立污水处理过程预测模型,然后设计一种融合溶解氧区间控制和曝气能耗指标的双层目标优化控制策略,同时为减小模型失配和干扰因素对系统的影响,利用模型预测误差进行系统反馈校正。仿真结果表明,与传统PID控制和模型预测控制方法相比,在不同工况下,区间预测控制方法可较好的实现溶解氧浓度的动态稳定控制,具有较强的抗干扰能力与自适应性,且在保证出水水质的前提下能有效降低曝气能耗。     

广义预测自适应控制的双重控制算法

提出了一种基于双重控制思想的广义预测自适应控制算法,该算法在模型辨识和控制的过程中,采用谨慎控制和探测控制相结合的双重控制,充分考虑估计参数的误差,在使系统状态最优地沿预定轨线运动的同时最大限度的积累被估计参数的信息,以便最快地降低系统的不确定性。仿真结果表明,该控制算法比普通的广义预测自适应控制具有更好的控制品质。     

城市污水处理过程自适应滑模控制

针对城市污水处理过程时滞导致难以稳定控制的问题,提出一种自适应滑模控制方法 (Adaptive sliding mode control, ASMC).首先,分析推流时滞对城市污水处理生化反应过程的影响,建立时滞影响下的城市污水处理运行控制模型;其次,设计一种基于模糊神经网络的预估补偿模型,完成滞后变量的准确预测,实现控制模型中变量时刻的统一;最后,设计一种具有自适应开关增益系数的滑模控制器(Sliding mode control, SMC),实现溶解氧和硝态氮的稳定控制.将提出的自适应滑模控制方法应用于城市污水处理过程基准仿真平台,实验结果显示该方法能够实现城市污水处理运行过程稳定控制.     

溶解氧浓度的直接自适应动态神经网络控制方法

针对污水处理过程溶解氧浓度的控制问题,提出一种直接自适应动态神经网络控制方法(direct adaptive dynamic neural network control,DADNNC).构建的控制系统主要包括神经网络控制器和补偿控制器.神经网络控制器由自组织模糊神经网络实现系统状态与控制量之间的映射;提出一种基于规则无用率的结构修剪算法,并给出结构调整后网络收敛的理论证明.同时,为保证系统稳定,设计补偿控制器减小网络逼近误差,参数调整由Layapunov理论给出.国际基准仿真平台上的实验表明,与固定结构神经网络控制器、PID和模型预测控制等已有控制方法相比,DADNNC方法具有更高的控制精度和更强的适应能力.     

基于神经元自适应PID的污水处理溶解氧控制系统

污水处理过程具有非线性、大惯性、大时滞及时变等特点.溶解氧是污水处理过程中的一个重要参数,用常规的PID控制以取得满意的效果;针对污水处理的溶解氧的控制.提出了神经元自适应PID算法;由于神经元自适应PID可以在线调整参数值,当水的水质、水量发生变化时可以通过改变控制参数来实现高性能控制;实验中采用神经元自适应PID算法,通过调节空气流量跟踪溶氧浓度的设定值;结果表明该算法比常规PID控制具有更好的自适应性和鲁棒性.     

基于IGPC的时变大时滞系统自适应控制

针对工业过程中常见的参数时变和大时滞问题,研究了广义预测控制算法在其中的应用问题。为了克服普通广义预测控制算法计算复杂的缺点,采用隐式广义预测控制算法(IGPC)通过直接辩识控制器参数求解最优控制增量,具有计算量小、计算速度快的特点。仿真结果表明,在不需要关于被控对象的先验知识的情况下,隐式广义预测自校正控制器能很好地跟踪设定值的变化,当参数时变时仍具有很好的控制性能,适合于实现时变大时滞系统的自适应控制。     

BP神经网络模型预测控制算法的仿真研究

为克服被控对象参数变化导致控制精度降低的问题,研究了一种BP神经网络模型预测控制算法。借助最小二乘递推算法在线预测系统模型参数,利用BP神经网络在线预测PID参数以控制被控对象。该算法基于模型预测,首先在线性系统中验证其控制效果,然后将非线性问题作线性处理,采用BP神经网络模型预测PID控制器予以实现控制非线性系统。仿真曲线显示BP神经网络PID控制器用于线性系统可达到高精度控制要求;对于非线性系统有自适应及逼近任意函数的能力。仿真研究表明,该算法与传统BP神经网络PID控制器相比,其自适应能力更强,稳定性更好,控制精度更高。