基于神经网络和多模型的非线性自适应PID控制及应用

针对一类未知的单输入单输出离散非线性系统,提出了基于神经网络和多模型的非线性自适应PID控制方法。该方法由线性自适应PID控制器、神经网络非线性自适应PID控制器以及切换机构组成。采用线性自适应PID控制器可保证闭环系统所有信号有界;采用神经网络非线性自适应PID控制器可改善系统性能;通过引入合理的切换机制,能够在保证闭环系统稳定的同时,提高系统性能。理论分析表明,该方法能够保证闭环系统所有信号有界,如果适当地选择神经网络的结构和参数,系统的跟踪误差将收敛于任意给定的紧集。将所提出的方法应用于连续搅拌反应釜,仿真结果验证了所提出方法的有效性。由于该方法基于增量式数字PID控制器,在工业过程中有着广阔的应用前景。     

基于模糊神经网络PID控制的污水处理应用研究

针对活性污泥污水处理系统具有复杂的非线性和时变性,传统的控制方法存在着精度不高,自适应能力差等缺点,提出一种模糊神经网络PID控制方法,将模糊神经网络与PID相结合,既发挥了PID控制的优势,又增加了模糊神经网络自学习和处理定量数据的能力,并且其中采用了动态递归神经网络对污水处理系统进行模型辨识。该控制方法能够快速、有效地使曝气池中溶解氧浓度达到期望值,并且具有较好的控制效果与控制精度。仿真结果验证了该控制方法的有效性和正确性。     

非线性多变量系统的多模型广义预测解耦控制

针对实际工业过程中多变量系统存在着非线性、工况范围广、耦合强的特点,提出基于设定值观测器的非线性多模型广义预测解耦控制算法。该方法由线性广义预测控制器、一种新的设定值观测器和切换机构组成。理论分析和仿真结果表明,该控制策略不但可以保证闭环系统B IBO稳定和渐近收敛,而且能够得到很好的控制效果。     

基于参数优化的自适应模糊神经网络控制在污水处理中的应用

针对活性污泥污水处理系统的机理模型具有复杂的非线性,传统的控制方法存在着精度不高,自适应能力差等缺点,提出一种优化的自适应模糊神经网络控制方法,分析了控制模型参数对系统的影响,并经过数据训练得到控制器各参数的寻优方法,获得系统的最优化参数。该控制方法能够快速、有效地使曝气池中溶解氧浓度达到期望值,并且具有较高的控制效果与控制精度。与传统控制方法相比,该控制方法更具有鲁棒性。仿真结果验证了该控制方法的有效性和正确性。     

基于神经网络的热敏电阻测温系统非线性校正

从系统逆模型补偿出发,基于神经网络提出一种更加完备的热敏电阻测温系统非线性校正方法。与传统的热敏电阻非线性校正方法相比,该方法不仅补偿了热敏电阻自身的非线性,而且同时实现了系统误差校准,能够确保系统最终的测量精度。实际应用表明,这一系统校准方法简化了温度采集的数据处理过程,提高了数据处理效率和精度。     

基于神经网络的pH中和过程非线性预测控制

针对pH中和过程这一化工过程系统中的典型非线性对象特点,应用神经网络建模思想和模型预测控制方法,并结合Hammerstein模型特点,研究pH中和过程非线性系统的两种新型模型预测控制手段,分别建立基于神经网络的非线性预测控制系统整体求解策略和基于Hammerstein模型的两步法预测控制策略,并用MATLAB对其进行仿真。控制仿真结果表明,建立的神经网络预测控制策略和非线性Hammerstein模型预测控制均优于传统PID控制方法,具有良好的设定值跟踪效果和抗干扰控制响应,说明这两种控制策略是非线性过程的有效控制方法。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

基于神经网络的pH中和过程非线性预测控制

针对pH中和过程这一化工过程系统中的典型非线性对象特点，应用神经网络建模思想和模型预测控制方法，并结合Hammerstein模型特点，研究pH中和过程非线性系统的两种新型模型预测控制手段，分别建立基于神经网络的非线性预测控制系统整体求解策略和基于Hammerstein模型的两步法预测控制策略，并用MATLAB对其进行仿真。控制仿真结果表明，建立的神经网络预测控制策略和非线性Hammerstein模型预测控制均优于传统PID控制方法，具有良好的设定值跟踪效果和抗干扰控制响应，说明这两种控制策略是非线性过程的有效控制方法。     

燃料电池基于改进遗传算法的多层前向神经网络控制

通过对熔碳酸盐燃料电池（MCFC）温度动态模型的分析,根据控制对象的非线性和参分布的特点,提出了基于遗传算法的反馈型多层向神经网络对顺流型MCFC温度进行控制的方案,通过对传统遗传算法的分析,提出了改进的遗传算法,用该算法对神经网络的权值进行优化,并给出了具体的学习算法,最后结合前人的MCFC模型动特性分析方面的工作和实验数据进行了仿真,结果表明这种控制方法是合理和用效的。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

The control of MSF desalination plants based on inverse model control by neural network

In this paper, a nonlinear inverse model control strategy based on neural network is proposed for MSF desalination plant. Artificial neural networks (ANNs) can handle complex and nonlinear process relationships, and are robust to noisy data. The designed neural networks consist of three layers identified from input–output data and trained with a descent gradient algorithm. The set point tracking performance of the proposed method was studied when the disturbance is present in the MSF system. Three controllers are designed for controlling the top brine temperature, the level of last stage and salinity. These results show that a neural network inverse model control strategy (NNINVMC) is robust and highly promising to be implemented in such nonlinear systems. Also the comparison between the top brine temperature of the proposed model and NN predicted data from the literature supports the accuracy of the model.     

Nonlinear adaptive switching control for a class of non-affine nonlinear systems

An improved nonlinear adaptive switching control method is presented to relax the assumption on the higher order nonlinear terms of a class of discrete-time non-affine nonlinear systems. The proposed control strategy is composed of a linear adaptive controller, a neural network (NN) based nonlinear adaptive controller and a switching mechanism. An incremental model is derived to represent the considered system and an improved robust adaptive law is chosen to update the parameters of the linear adaptive controller. A new performance criterion of the switching mechanism is designed to select the proper controller. Using this control scheme, all the signals in the system are proved to be bounded. Numerical examples verify the effectiveness of the proposed algorithm.     

基于递归模糊神经网络的污水处理控制方法

针对污水处理过程具有非线性、大时变等问题,提出了一种基于递归模糊神经网络的多变量控制方法。该方法通过递归模糊神经网络控制器自适应地获得对操作变量的控制精度,控制器在常规BP学习算法的基础上采用学习率自适应学习算法且引入了动量项来训练网络参数,避免网络陷入局部最优,提高了网络对系统的控制精度。最后,基于仿真基准模型(BSM1)平台对第五分区中的溶解氧和第二分区中的硝态氮控制进行动态仿真实验,结果表明,与PID、前馈神经网络和常规递归神经网络相比,该方法能有效提高系统的自适应控制精度。     

A NONLINEAR OBSERVER BASED ON HYBRID MODELLING OF CHEMICAL REACTORS

The successful design of an observer for inferring the outlet composition from a chemical reactor heavily relies on the goodness of the adopted kinetic rate model (Baratti et al., 1993). On the other hand, often, it is difficult to dispose of a simple, but, exhaustive kinetic model because of the complexity of the reaction scheme one has to deal with.

In this work, we explore the possibility to represent global (lumped) reaction rate laws by the use of neural network models. The aim is to develop a nonlinear observer (extended Kalman filter, EKF) of an heterogeneous gas-solid reactor that relies on a grey model where the “neural reaction rate” law is integrated within a first principles model. The procedure is outlined for the case of the catalytic oxidation of carbon monoxide over Pt-alumina catalyst. The results show that neural networks (NN) can be effectively used in representing lumped reaction rates since NN are able to capture the essential characteristics of the functional relationship relating the state variables.     

利用离散正交多项式组合神经网络建立聚合物分子量分布灰箱模型

聚合物分子量分布（MWD）是反映产品性能最重要的指标之一,它是典型的二元建模对象,聚合物分子量分布（MWD）是反映产品性能最重要的指标之一,它是典型的二元建模对象,采用组合神经网络对MWD的空间和时间变量进行分解建模。首先利用离散正交多项式神经网络在链长空间上建立分布与链长的模型,然后将MWD与时间变量的关系转换为网络权向量与输入变量之间的函数,利用递归神经网络建立两者之间的模型,最后组合两个网络达到建模目标。分布函数的模型表达式可写成状态方程形式,为进一步设计控制策略提供了基础。在链长空间上建立模型时,实现了神经网络的权向量与MWD相应阶次矩值之间的等价关系,网络权向量由单纯的拟合数据转变为有意义的物理量,实现了神经网络模型的灰箱化,为精确预测网络隐层节点数问题提供了解决途径。提出的方法应用于实验室规模的苯乙烯聚合过程,证明了建模方法的可行性,同时网络权值与矩值的等价关系也得到验证。     

NEURAL NETWORK-BASED PREDICTIVE CONTROL FOR MULTIVARIABLE PROCESSES

In this paper, the systematic derivations of setting up a nonlinear model predictive control based on the neural network are presented. This extends our previous work (Chen, 1998) into a multivariable system to explore the characteristics of the design. There are two stages for the development of nonlinear neural network predictive control: a neural network model and a control design. In the neural network model design, a parallel multiple-input, single-output neural network autoregressive with a model of exogenous inputs (NNARX) is proposed for multistep ahead predictions. In control design, the controller with extended control horizon is developed. The Levenberg-Marquardt algorithm is applied to training the NNARX model. Also, the sequential quadratic programming is used to search for the optimal manipulated inputs. The gradient of the objective function and constraints that require computation of Jacobian matrices are completely derived for optimization calculation. To demonstrate the control ability of MIMO cases, the proposed method is applied through two nonlinear simulation problems.     

Neural network-based predictive control for multivariable processes

In this paper, the systematic derivations of setting up a nonlinear model predictive control based on the neural network are presented. This extends our previous work (Chen, 1998) into a multivariable system to explore the characteristics of the design. There are two stages for the development of nonlinear neural network predictive control: a neural network model and a control design. In the neural network model design, a parallel multiple-input, single-output neural network autoregressive with a model of exogenous inputs (NNARX) is proposed for multistep ahead predictions. In control design, the controller with extended control horizon is developed. The Levenberg-Marquardt algorithm is applied to training the NNARX model. Also, the sequential quadratic programming is used to search for the optimal manipulated inputs. The gradient of the objective function and constraints that require computation of Jacobian matrices are completely derived for optimization calculation. To demonstrate the control ability of MIMO cases, the proposed method is applied through two nonlinear simulation problems.     

基于神经网络算法的LVDT传感器非线性补偿方法设计

针对线性可变差动变压器式传感器(Linear Variable Differential Transformer,LVDT)存在非线性缺陷,提出了一种新的级联补偿方法。它是一种基于传感系统的以函数连接型人工神经网络FLANN模型为线性变量的自适应非线性补偿方法,FLANN复杂度不高却拥有高精度的优点。首先分析了LVDT传感器产生非线性的原因,然后利用神经网络算法进行非线性校正,经过实验分析与结果比对,证明了该方法具有较强的可行性、有效性,达到了理想的实验要求。     

基于协同量子粒子算法的透平蒸汽流量软测量

透平蒸汽流量是分析透平运行效率的重要参数,由于现场大量缺乏检测信息,且针对传统测量方法存在可靠性差,非接触式测量成本高、安装困难等问题,提出了一种协同量子粒子算法(CQGAPSO),同时优化神经网络(NN)结构和参数的透平蒸汽流量的软测量建模方法。该方法利用节点间的连接开关,有效消除冗余连接对神经网络逼近能力的影响,引入量子概率幅编码和协同机制来提高神经网络的学习效率、逼近精度和泛化能力。透平蒸汽流量软测量的仿真结果表明:相比全连接神经网络和其他模型,所述方法具有更好的预测精度和鲁棒性。     

利用输出反馈方法实现聚合物分子量分布的控制

利用正交多项式组合神经网络对聚合反应分子量分布(MWD)进行建模,MWD被解构为若干矩值组成的矩向量函数,由此二元MWD控制问题可被转换为一元分布矩控制问题。以矩向量为直接被控对象,通过对矩的控制实现MWD的跟踪。为便于求解这类非仿射非线性多变量系统的控制策略,提出了改进型非线性自回归正交多项式网络结构,建立模型输出与U(k)之间的线性映射关系;针对高维被控矩向量,证明了矩向量中独立变量与分布函数参变量间的数量对等关系,给出了矩向量降维准则,将高维输出控制转化为低维问题。基于改进的神经网络模型,利用输出反馈方法对MWD矩向量进行控制,实现了对MWD的形状跟踪,仿真实验证明了方法的有效性。所提出的方法为非线性多变量系统的建模控制问题提供了新思路。