空调系统神经模糊控制器-仿真和优化

以恒温空调系统为控制对象，对神经模糊控制器、常规模糊控制器和PID控制器进行了数字仿真，并用单纯形法对控制比例因子进行了参数寻优，获得了最优参数和动态响应曲线；通过对神经模糊控制器的优化学习，大大提高了神经模糊控制器的控制精度和稳定性，其性能优于最优化的PID控制器和最优化的常规模糊控制器，能有效地满足温度控制要求，并具有较好的鲁棒性；由于神经模糊控制器具有模糊控制和神经网络的智能，经过优化学习后，它具有艮好的控制性能和自适应能力。     

无菌包装预热系统温度控制方法研究

目的为了提高无菌砖包设备预热系统温度控制精度,设计一种温度控制器。方法基于模糊神经网络算法设计一种温度控制器。在预热系统硬件结构的基础上,建立被控对象数学模型。利用模糊控制的良好收敛性和对模糊量的运算优势,以及神经网络自学习、自适应的特性,将常规PID控制与模糊控制、神经网络结合起来,提出一种基于模糊神经网络的PID控制策略,以实现对PID参数的实时在线整定。结果试验结果表明,与其他方法相比,所述控制方法能够将温度超调从2.6℃减小到0.9℃,稳态偏差从±1℃减小到±0.4℃。结论该方法能够满足预热系统温度控制需求。     

模糊神经网络在高层建筑横风向振动控制中的应用研究

提出了模糊神经网络方法控制高层建筑横风向风振反应。通过观测部分楼层加速度和控制力输出，建立了模糊神经网络控制器，解决了传统控制中有限的传感器数目对系统振动状态估计的困难．利用模糊神经网络控制器预测结构的控制行为，消除了闭环控制系统中存在的时滞。利用模糊神经网络控制器的自学习能力来确定模糊规则和语言变量隶属函数，解决了土木工程复杂结构模糊控制中，难于依据专家的主观经验来确定模糊控制规则和语言变量隶属函数等困难。模糊神经网络方法的优势在于算法自身的鲁棒性，处理结构非线性、参数不确定性及时变等问题的能力。通过对基准建筑的刚度不确定性分析，讨论了模糊神经网络控制器的鲁棒性。仿真分析表明，模糊神经网络控制策略能有效地抑制高层建筑的横风向风振反应，控制效果略优于LQG控制，而拥有LQG控制不具备的诸多优点。     

一类自适应模糊神经解耦混合控制器的研究

将模糊神经网络与PI控制技术相结合构成一种模糊神经解耦混合控制器。新控制器在控制过程中借助模糊神经网络的自学习算法实现控制参数的在线调整。仿真结果表明,该控制方法对非线性时变系统有较好的控制效果。将该算法应用于电控天然气发动机空燃比控制中,利用宽域空燃比传感技术,通过调整喷射脉宽控制发动机的空燃比,取得了良好的控制效果。     

高频真空木材干燥的模糊神经网络控制方法研究

高频真空木材干燥是一种干燥速度快、能源消耗低、环境污染小的新型联合干燥技术。在木材高频真空联合干燥过程的理论分析基础上,针对神经网络方法建立的木材干燥模型,设计了木材干燥模糊控制器和模糊神经网络控制器。对模糊控制和模糊神经网络两种控制方法进行了仿真实验,结果表明模糊神经网络方法控制效果更好,如温度上升快,控制精度高,稳定性好。模糊神经网络控制方法对实现木材干燥过程的全自动控制具有重要研究意义。     

基于小波神经网络辨识器的模糊神经自适应控制在VAV空调系统中的应用

针对空调温度控制的大惯性、大滞后、非线性等特点,提出采用基于小波神经网络辨识器的模糊神经自适应控制的中央空调房间温度控制器的设计方案。由于小波神经网络的非线性映射能力比一般神经网络要强,所以基于小波神经网络的辨识器可以获得很高的辨识精度。而且,模糊神经自适应控制器随着系统动态特性的改变可以在线改变其控制规则,从而进行客观准确的控制。与普通模糊控制方法相比较,仿真试验说明系统设计的有效性。     

一种汽车主动悬架系统模糊控制器设计及试验

设计了一种在线可调整的模糊控制器，其模糊控制规则表可以用解析的方法进行计算。不仅体现了模糊控制算法对非线性系统具有的明显优势，而且利用LMS自适应模块调整模糊控制器的修正因子，改善单一模糊控制算法对专家先期经验的依赖缺陷。针对简化的汽车模型，在以单频信号作为激励源的仿真研究过程中，该算法对悬架系统的振动控制收到了较好的效果。在两自由度的悬架系统试验台架上进行了试验研究，结果进一步证明该算法的有效性。     

浅谈模糊控制器的基本工作原理

模糊控制是建立在模糊推理基础上的一种非线性控制策略。它通过模糊语言表达了人们的操作经验以及常识推理规则。采用这种控制策略的控制器就叫模糊控制器，它是一种语言型控制器。模糊控制器是以模糊集理论为基础发展起来的，并已成为把人的控制经验及推理纳人自动控制策略之中的一条简洁的途径。     

模糊控制与神经网络的研究与应用

模糊控制和神经网络在系统辨识与控制、模式识别、信号处理等各个领域中都获得广泛的应用,尤其在工业控制领域方面获得更加有效的应用。结合模糊控制和神经网络各自的优点,将模糊技术与神经网络技术进行有机结合,从而构造出一种可自动处理模糊信息的神经网络或自适应模糊系统。     

基于自适应模糊PID控制的四旋翼飞行器的自主跟踪

为了提高四旋翼飞行器控制系统的动态性能和工作效率,研究了自适应模糊PID控制。目前在实际应用中,四旋翼的控制算法主要采用经典PID算法和模糊控制算法,然而经典PID算法,系统容易超调,动态性能较差;模糊控制算法,系统的稳态误差难以消除,工作效率不高。为此采用了经典PID与模糊控制的分段策略,提出了一种新的控制算法:当误差较大时,为提高系统的动态性能,控制器选取模糊控制算法;当误差较小时,为减小稳态误差,提高工作效率,选取经典PID算法。完成了悬停飞行实验,对自适应模糊PID、模糊控制和经典PID三种控制算法进行性能对比,结果表明自适应模糊PID算法能有效解决上述问题。采用自适应模糊PID算法完成了自主跟踪实验,将该算法成功应用到导航制导领域。     

基于模糊神经网络的包装机械臂定位方法研究

目的 为提高包装机械臂的抓取精度,文中基于模糊神经网络设计一种包装机械臂定位方法。方法 将激光测距仪与工业相机融合,可实现目标点的初步定位并得到位姿偏差。以机械臂末端位置误差补偿为例,设计一种模糊神经网络控制器,可实现PID控制关键参数的在线调整以提高误差补偿精度。进一步地,采用果蝇优化算法实现神经网络控制器初始值的优化,可提高控制系统性能。最后,进行实验研究。结果 实验结果表明,机械臂定位算法可使最大绝对误差从7.704 9 mm下降到1.424 2 mm;平均绝对定位误差降低约82.5%;机械臂执行效率与对照组相当。结论 该定位方法可以大幅度提高包装机械臂定位精度,可满足包装、化工、食品等相关行业要求。     

气辅注塑成型注气压力的模糊神经网络控制研究

针对气辅注塑成形的注气压力精确控制要求,设计了具有５层结构的模糊神经网络控制器和控制算 法,利用神经网络的学习能力实现对模糊逻辑规则的优化,改善了系统的适应性。对系统３段压力控制的仿真 分析,验证了模糊神经网络控制模型的可行性,控制效果良好。     

基于自适应模糊神经网络的DMFC温度建模和控制

针对DMFC电堆的实时控制要求，应用自适应模糊神经网络技术对DMFC电堆的工作温度进行辨识建模和控制。在温度控制过程中，将训练好的网络模型作为DMFC电堆控制系统的参考模型，并对控制模型的参数进行在线自适应调整。仿真结果表明所设计的自适应模糊神经控制器性能优越。     

基于高斯基模糊神经网络的漂浮基柔性空间机械臂自学习控制

讨论了载体位置不受控、姿态受控情况下,自由漂浮柔性空间机械臂的高斯基模糊神经网络自学习控制问题。利用拉格朗日方程和模态综合法可建立柔性空间机械臂的动力学模型,但由于此类空间机器人系统严格遵守动量守恒,其动力学方程表现出强烈的非线性性质。结合神经网络和模糊控制,即利用神经网络来实现模糊推理可使模糊控制具有自学习能力,在此基础上,设计了柔性空间机械臂关节空间的高斯基模糊神经网络自学习控制方案。由于将动量守恒定理耦合到系统动力学方程的推导过程中,所提出的控制方案具有不需要测量、反馈载体位置、移动速度和移动加速度的显著优点。系统的数值仿真,证实了方法的有效性。     

基于模糊神经网络的液体灌装自校正控制系统

目的为提高微量液体灌装精度,以补灌工序为研究对象,设计一种自校正控制系统。方法介绍灌装机的基本结构、工艺流程以及自动补灌基本原理。基于模糊RBF神经网络设计一种二次补灌控制器,阐述神经网络结构和学习算法。基于PLC和ARM搭建相应控制系统,其中PLC为主控制器负责传感器信号检测以及各工序执行,ARM为从控制器负责二次补灌控制,最后进行试验研究。结果对比结果表明,在自校正补灌的条件下,灌装精度得到明显提高,误差占比可控制在1%以下。结论所述控制系统可最大程度地减小生产过程误差,满足灌装工艺要求。     

基于智能算法的高层建筑非线性地震反应的MR阻尼器半主动控制

研究了第三阶段结构振动控制的Benchmark问题;设计了基于模糊神经网络的控制器模型;采用磁流变(MR)阻尼器作为控制装置,对一座20层Benchmark建筑结构进行了非线性地震反应的数值仿真分析。首先,通过神经网络对足尺MR阻尼器进行了动力特性的辨识;其次,在设计模糊神经网络控制器时,提出了分区控制的设计思路。将智能控制器半主动控制下的仿真结果与样本LQG控制进行了对比分析。结果表明:提出的智能控制器能有效抑制高层建筑结构的非线性地震反应;与样本LQG控制相比,由于智能控制器的内在鲁棒性和对结构非线性反应控制的稳定性,在非线性结构的振动控制中有很大的应用潜力。     

一种粗模糊神经分类器

介绍一种新的粗集编码模糊神经分类器。基于粗集理论的概念，讨论了知识编码、属性简化、分类系统简化的方法；并利用模糊隶属度函数将输入精确信息映射为模糊变量信息，解决分类中病态定义的数据问题和提高系统非线性映射的分类能力；提出了结合系统参数的重要性因子的网络的模糊推理方法和粗模糊神经分类器的网络结构以及有导师的最小平方误差学习训练算法。实现的粗集编码模糊神经分类器具有网络结构空间维数低、学习算法简单、网络训练时间短、非线性特性丰富等优点。     

基于模糊RBF神经网络的水下机械臂控制研究

针对水下复杂工作环境下机械臂控制性能易受影响,而传统控制方法效果不佳的问题,提出了一种基于模糊RBF（radial basis function,径向基函数）神经网络的智能控制器,用于精确、稳定地控制水下机械臂。考虑到在水扰动环境下,机械臂通常受到附加质量力、水阻力和浮力的影响,运用拉格朗日法和Morison方程,建立包含水动力项的二杆机械臂动力学模型,通过模糊RBF神经网络对水下机械臂动力学方程中的水动力不确定项进行总体识别并拟合,利用模糊系统启发式搜索和RBF神经网络推理速度较快的优点,使水下机械臂系统具有较高的控制精度和较强的自适应性。考虑到水动力项,采用Lyapunov稳定性理论验证了水下机械臂系统的稳定性。最后利用MATLAB对二杆机械臂进行轨迹跟踪控制仿真实验,并对比模糊RBF神经网络与常规RBF神经网络识别方法和传统模糊控制方法的控制效果。仿真结果表明：与常规RBF神经网络识别方法相比,模糊RBF神经网络控制下二杆机械臂关节1的响应时间缩短了91%,相对误差减小了88%,关节2的响应时间缩短了92%,相对误差降低了77%;与传统模糊控制方法相比,关节1的相对误差减小了65%,关节2的相对误差减小了10%。研究结果表明模糊RBF神经网络的控制效果优于常规RBF神经网络识别方法和传统模糊控制方法,可为水下机械臂的控制提供一种精度较高、较有效的方法。