排序方式: 共有45条查询结果,搜索用时 27 毫秒
1.
针对阳离子聚合反应器的温度分布建模与控制问题,提出了一种基于B样条神经网络的广义PI控制方法.首先采用B样条复合网络建立分布函数的动态和静态模型,并基于该模型,将分布函数的跟踪问题等效为动态权值向量的时间域跟踪问题.最后给出一种新型的广义PI控制方法,实现对给定温度分布的跟踪控制.同时,为了更好地抑制未知干扰、参数摄动以及模型不匹配等问题,模型权值状态、模型输出与实测温度分布所对应的权值误差都被引入到反馈控制回路,因此能够大大增强系统的鲁棒性与抗干扰能力.仿真结果表明该方法的可行性. 相似文献
2.
针对时滞多变量耦合系统,研究了带有多时滞的多变量稳定过程的解耦内模控制,根据开环系统的时滞给出了一种时滞系统多变量解耦方法,由于理想的多变量时滞系统内模控制器设计复杂,且根据内模控制理论设计的控制器一般是高阶的,因此采用模糊控制方法设计模糊内模控制器。其宗旨是首先根据过程对象的模型,设计多变量时滞解耦的预补偿器,对其进行对角优势化,利用补偿后的主对角元素作为内模控制的预估模型,设计了多通道模糊内模控制器。仿真结果表明,该方法具有很好的解耦能力,鲁棒性强;方法简单,易于实现。具有工程应用价值。 相似文献
3.
针对结构部分已知且参数未知的一类工业反应过程的建模问题,以苯乙烯聚合反应过程为背景展开研究。在该反应过程中,反应机理已知,包含链引发反应、链增长反应、链转移反应以及链终止反应等,而其中各基元反应中的反应速率方程的结构及参数不甚明了。针对此类问题,提出将已知的机理部分构建白箱模型,将未知的反应速率部分构建神经网络黑箱模型,并将黑箱模型与白箱模型连接构成整个反应过程的灰箱模型。该方法通过实验的验证,证明了其实用性及有效性。 相似文献
4.
随着间歇过程越来越受重视,其过程监控和故障诊断技术也成为研究热点。以核Fisher判别分析为基础,提出了基于核Fisher的正常工况与故障包络面模型,给出了基于该模型的在线故障诊断流程。此方法利用了Fisher判别分析对类别的划分特点,分别针对正常工况数据和各故障类型数据建立包络曲面模型。与多向Fisher判别分析相比,该方法按批次方向将数据展开,能够解决生产周期不一致问题,在线故障诊断时也不需要预报完整的生产轨迹,并且加入核函数来处理复杂的非线性。最后在青霉素发酵过程的仿真平台上对该方法进行测试,与改进多向Fisher判别分析方法进行对比,该方法获得了满意的诊断效果:能够及早诊断出故障的发生,并在有效识别已有故障的同时还具有对新故障的自学习能力。 相似文献
5.
聚合物微观质量控制系统中的人工神经元网络 总被引:2,自引:0,他引:2
曹柳林 《北京化工学院学报》1994,21(1):60-64
文中分析了聚合物微观质量控制系统对模式识别模块提出的任务与要求,并在此基础上确定了人工神经元网络的结构。作者阐述了利用采集的系统数据对神经元网络进行训练和难的过程,及首次应用人工神经元网络实现聚合物微观质量控制系统中模式识别的功能。 相似文献
6.
针对非线性系统自适应逆控制的不完善,本文引入逆系统方法将非线性系统转化为伪线性系统,然后使用最小二乘支持向量机(LS-SVM)建立了逆系统模型,最后利用成熟的线性系统自适应逆控制理论实现非线性系统的自适应逆控制。引入逆系统方法后实现了两大功能:其一,消除了非线性系统的干扰,而且不需要设计逆对象模型:其二,实现了多变量(n维变量)之间的解耦,而且节省了3n(n-1)个线性滤波器的设计。本文针对一个典型多变量二阶系统实现了非线性系统的自适应逆控制,仿真试验表明该方法不但能够很好地消除非线性系统的干扰,而且还实现多变量的解耦控制。 相似文献
7.
8.
多目标遗传算法在RBF网络中的应用 总被引:2,自引:1,他引:1
以石油化学工业中某一典型环节的建模过程为例,通过比较SOGA(单目标遗传算法)与MOGA(多目标遗传算法)设计网络的性能,验证MOGA解决这一问题的优势。 相似文献
9.
在网络化控制系统中,网络的介入带来了一些不利于系统控制的问题,如数据传输中普遍存在的随机时变延时,数据丢失和数据时序颠倒等。在预测控制思想的基础上,针对前馈通道和反馈通道同时存在网络传输环节的情况,采用asNMPC(advanced-step nonlinear model predictive control)方法实现了对于非线性网络化控制系统中上述问题的补偿控制。模型失配情况下与DMC(dynamic matrix control)进行比较,仿真结果表明了asNMPC方法对于非线性网络化控制系统的有效性。 相似文献
10.
聚酯工业分子量分布的计算机控制 总被引:6,自引:2,他引:4
基于模型预估、模式识别与在线专家系统,在涤纶工业首次实现了聚酯过程分子量分布的计算机控制,取得了明显的技术经济效果。 相似文献