神经网络在线自学习跟踪控制及其在伺服系统中的应用

针对传统自适应和自校正控制中存在的问题，提出一种基于神经网络的在线自学习控制方法，既做到了对象模型的在线辨识和控制器的在线设计，又避免了神经网络控制方法通常存在的实时控制的困难，使复杂系统的在线学习控制成为可能。仿真表明该方法具有良好的鲁棒性和控制精度。     

电液伺服结构加载系统的神经网络直接自适应输出跟踪控制

本文利用神经网络的学习能力和非线性映射能力研究了电液加载系统的神经网络直接自适应输出跟踪控制方法，控制器是由一个具有反馈动力学的多层前馈神经网络及其学习算法组成。该控制器不需要被控对象的先验知识，也不依赖于被控对象的辨识模型，能快速跟踪对象的动力学行为，具有良好的自适应性和动态输出跟踪响应性能。     

神经网络在线学习模糊自适应控制及其应用

基于反馈误差学习法,提出了一种神经网络在线学习模糊自适应控制结构。利用模糊推理机产生的分目标学习误差训练神经网络,避免了控制器的输出产生振荡或进入饱和状态。工程应用表明,该方法将模糊推理引入神经网络学习中,可有效地提高系统的控制品质。     

电液伺服协调加载系统的神经网络自学习PSD控制

从电液伺服协调加载系统的特点出发，提出一种基于神经网络在线自学习ＰＳＤ控制方法。该方法简单，实用，便于在线实现。控制器无须事先训练，参数选取极具一般性，适用范围广，控制精度高且鲁棒性强，采用这一方法实现了对某大型电液伺服结构试验装置的协调加载控制，控制品质优良。     

电液伺服结构试验系统的神经网络快速鲁棒跟踪控制*

针对结构试验系统的非线性和不确定性特性,提出一种神经网络并行自学习跟踪控制器,在满足试验系统实时性要求的条件下,通过神经网络在线建模和虚拟学习做到了控制器的在线自适应设计,并解决了实时训练样本不足的问题,实例仿真表明设计的控制系统具有良好的波形再现能力     

翻车机智能在线状态检修技术

翻车机智能在线状态检修系统是在翻车机原系统下位机程序、上位机画面的基础上增加了故障处理提示、重要故障捕捉、故障筛选定位、故障历史记录、模拟量趋势记录、重要数据的自动存盘、流程实时演示等功能。试验结果表明:该系统提高了设备可靠性和检修效率,降低了翻车机系统故障率和现场运行检修工人的劳动强度,对同类电厂同类设备的生产、检修具有借鉴和指导意义。     

低压电网无功全量程补偿方法

本文通过对传统无功补偿方法的分析,提出了一种新的无功全量程补偿方法,改变了传统的功率因数补偿方法,有效地解决了低压电网无功全量程自动补偿问题,对电网的无功损耗实现了最优控制。     

电液伺服结构试验系统的神经神经网络快速鲁棒跟踪控制

针对结构试验系统的非线性和不确定性特性,提出一种神经网络并行自学习跟踪控制器,在满足试验系统实时性的条件下线建模和虚拟学习做到了控制器的在线自适应设计,并解决了实时训练样本不足的问题,实例仿真表明设计的控制系统具有 滤形再现能力。