间歇生产过程的R调节学习控制

针对间歇生产过程迭代学习控制难以进行跟踪性能分析的难题,本文提出一种变R调节迭代学习控制算法,借鉴经典控制理论定义有界跟踪和零跟踪概念.以此研究能够让系统输出误差达到零跟踪的迭代学习控制策略,并严格地证明了算法的性能,得出可以通过调节权值R使过程产品质量的误差收敛到与模型精度相关联的有界区域的结论,为相关理论结果实施于实际间歇过程提供了理论依据.     

空调蒸发器的自适应预测控制策略

针对空调蒸发器运行状态,提出一种基于模糊神经模型的自适应单神经元预测控制器,该控制器具有结构简单、易于操作、控制器参数可在线调节的特点.离线建立空调蒸发器的模糊神经模型,再利用模型的梯度信息在线调节单神经元控制器参数,使控制系统较快地趋于稳定.仿真结果表明,提出的自适应单神经元预测控制器具有较好的动态性能和稳态性能,并能够成功地应用到空调蒸发器的控制中.     

一种间歇过程产品质量迭代学习控制策略

针对基于迭代学习控制的间歇过程产品质量优化控制算法难以进行收敛性分析的难题,以数据驱动的神经模糊模型为基础,提出一种新颖间歇过程的产品质量迭代学习控制方法。通过在优化算法中加入了新的约束条件,改变了最优解的搜索空间范围,从而使产品质量在批次轴上收敛,并创新性地对优化问题的收敛性给出了严格的数学证明。在理论研究的基础上,将提出的算法用于间歇连续反应釜的终点质量控制研究,仿真结果验证了本文算法的有效性和实用价值,为间歇过程的优化控制提供了一条新途径。     

基于数据的间歇过程时变神经模糊模型研究

间歇过程的优化控制往往依赖于过程精确的数学模型,快速反应的市场要求使得数据驱动的建模方法被应用到了间歇过程的建模中.但常规的数据驱动建模方法在模型结构中没有考虑间歇过程具有重复性的特性,只是简单地将间歇过程作为一般的非线性结构进行处理.针对该问题,本文提出一种新颖的间歇过程时变神经模糊模型,将时间轴和批次轴的信息统一在...     

间歇过程的全局收敛性神经模糊模型

为了克服难以获得间歇过程的精确数学模型这一难题,本文采用一种具有非线性模糊规则后件的模糊 神经网络建立间歇过程的模型,在此基础上提出一种基于Lyapunov 方法的全局收敛性参数学习算法,并给出了严 格的数学证明．本文提出的算法具有较好的非线性逼近和参数自学习能力,为间歇生产过程的建模提供了一条新途 径．最后,将提出的神经模糊模型用于一个典型间歇过程的建模研究中,仿真结果表明了该算法的有效性,体现了 模型潜在的实用价值．     

基于无约束迭代学习的间歇生产过程优化控制

针对基于迭代学习控制的间歇过程优化控制算法难以进行收敛性分析的难题,本文基于数据驱动的神经模糊模型提出一种新颖的间歇过程无约束迭代学习控制方法,通过调节因子的变化去除了约束条件,使控制轨迹在批次轴上收敛,并创新性地对优化问题的收敛性给出了严格的数学证明。在理论研究的基础上,将本文提出的算法用于间歇连续反应釜的终点质量控制研究,仿真结果验证了本文算法的有效性和实用价值,为间歇过程的优化控制提供了一条新途径。     

基于微粒群优化算法的间歇过程迭代学习

在实际的间歇过程优化控制中面临着模型参数不确定性的问题,并且基于梯度的优化控制技术在处理具有多个局部极值的目标函数时,往往会陷入局部极值点.针对该问题,提出一种基于微粒群优化算法的间歇过程产品质量迭代学习策略.结合间歇过程产品质量控制问题的特点和各种约束条件,利用微粒群优化算法在非线性问题求解及大尺度空间搜索上的优势,...     

基于多信号源的神经模糊Hammerstein-Wiener模型研究

面对复杂工业过程控制的需求, 设计一种结合数据信息的特殊模型结构, 在保证控制系统有效性的前提下通过模型的结构来简化控制器的求解是亟待解决的问题. 为此, 本文提出一种基于多信号源的神经模糊Hammerstein-Wiener模型, 突破传统的迭代分离方法, 通过组合式多信号实现Hammerstein-Wiener模型中神经模糊非线性环节和线性环节的分离, 同时设计了神经模糊模型参数的非迭代优化算法, 将研究结果拓广到分段非线性系统,改善了模型的适用范围. 该算法保证了模型的预测精度,具有逼近较强非线性过程的能力. 在此基础上设计了基于神经模糊Hammerstein-Wiener模型的控制系统, 利用模型的特殊结构将非线性系统的控制问题简化为线性系统的控制问题, 采用简单的PID控制器便能达到较好的控制效果.仿真结果验证了上述方法的有效性.     

一类间歇生产过程的迭代学习控制算法及其收敛性分析

针对基于迭代学习控制的间歇过程产品质量优化控制算法难以进行收敛性分析的难题,并且考虑到实际生产中存在外部干扰和不确定因素的影响,本文对间歇过程模型参数动态更新问题进行了分析,建立了间歇生产过程产品质量的神经模糊(NF)预测模型,提出了一种新颖的批次轴参数自适应调节算法。在此基础上,构造了一种基于数据驱动的间歇生产过程产品质量迭代学习控制算法,并对优化问题的收敛性给出了严格的数学证明。最后,将本文提出的算法用于一类典型的间歇过程终点质量控制研究,仿真结果验证了本文算法的有效性和实用价值,为间歇过程的优化控制提供了一条新途径。     

基于建模误差PDF形状的间歇过程数据驱动模型

间歇过程的优化控制依赖于过程精确的数学模型,数据驱动的建模方法是目前间歇过程模型研究中的热点问题.突破传统数据驱动建模方法中采用均方差(mean squared error,MSE)作为准则函数的思想,提出一种新颖的间歇过程数据驱动建模方法,引入了概率密度函数(probability density function,PDF)控制的概念,构造间歇过程模型误差控制系统,将模型的可调参数作为控制系统的输入,模型误差PDF的形状作为控制系统的输出,从而把开环模型参数辨识问题转化为模型误差PDF形状的闭环控制问题.通过可调参数控制模型误差PDF的空间分布状态,不仅能够保障模型精度,还可控制模型误差的空间分布状态,从而消除模型中的有色噪声.仿真实验表明,基于模型误差PDF形状的间歇过程数据驱动模型具有较好的建模精度、鲁棒性和泛化能力,为间歇过程的数据驱动建模提供了一条新途径.