电弧炉电极调节系统的嵌入型无模型非参数自适应控制

基于电弧炉电极非线性和时变性的特点,在原有电弧炉电极自适应控制的基础上,提出了电弧炉电极的嵌入型无模型自适应控制(Model-free adaptive control,MFAC).模块化的设计可以不影响原有的自适应控制系统,嵌入型无模型非参数自适应控制方法比单一的有模型或无模型自适应控制方法的跟踪性能更好.仿真结果进一步验证了该方法的有效性.     

矿热电弧炉电极自适应控制系统的研究

研究了电弧炉电极调节系统的自适应控制问题,提出了矿热电弧炉电极调节系统的模型,采用分段化模型自适应算法得出了电弧炉电极调节系统分段线性化的数学模型。在此基础上进行了电弧炉电极调节自适应控制系统的设计,推导出了电弧炉模型参考自适应律,最后在Matlab的Simulink中对该控制系统进行了仿真,取得了较好效果。     

专家系统+神经网络预估补偿智能控制在电弧炉电极控制中的应用

介绍一种基于专家系统+神经网络预估补偿的电弧炉电极自适应控制.在电弧炉调节系统中采用专家系统将各种影响电弧炉运行的各种因素总结成判据和控制规律并对其进行控制,通过神经网络预估控制对象的状态,进而对控制输出补偿并控制实际对象,利用改进的DBD算法动态修改神经网络权值作为自适应方法,使电弧炉电极调节系统较好地适应负荷和外扰的变化,以获得满意的控制效果.     

基于改进遗传算法优化Elman网络的板形识别方法

针对目前的板形缺陷识别方法精度不高、识别速度慢的问题,根据Elman神经网络模型可以反映系统动态特性,而且可以逼近任意非线性函数的特点,提出了一种利用改进的遗传算法优化Elman神经网络,使其泛化能力强、学习速度快、识别精度高,并建立板形缺陷模式识别模型的方法。为了验证该方法的识别能力,在隐层节点数与学习次数相同的条件下,分别与遗传算法优化的Elman网络和BP网络模型进行板形识别仿真对比分析。试验结果表明,改进遗传算法优化的Elman神经网络模型对板形缺陷识别精度高于BP网络等模型,并且具有收敛速度快的优点。     

基于克隆算法的变结构模糊神经网络在AGC系统中的应用

遗传算法优化函数参数可能会出现不足,为此采用高斯变异与柯西变异相结合的克隆算法,优化了变结构模糊神经网络的参数,并基于此方法设计控制器,应用于AGC控制系统.仿真实验结果表明,应用克隆算法比遗传算法优化参数收敛速度更快,用于AGC控制性能更好.     

基于特征模型和模糊动态特征模型自适应控制方法的网络控制系统

针对网络控制系统模型参数选取困难的问题,利用特征模型和动态特征模型的自适应控制方法在实际工程中建模简单、控制精度较高的特点,以直流电机的网络控制系统为例,研究了具有时延和数据丢包网络情况下的网络控制系统,提出了基于特征模型的自适应控制方法和基于模糊动态特征模型的自适应控制方法.仿真结果表明:丢包率对特征模型控制器系统的影响较大,而网络延时对模糊动态特征模型控制器系统影响较大.所提两种方法均可有效保证网络控制系统的控制性能.      

带钢表面缺陷多维混合特征提取及识别

为了自动获得最具区分力的多维融合特征,提出了改进的ReliefF算法对带钢多维混合特征进行自动评估选择。针对ReliefF算法不能去除冗余特征的缺点,引入最大信息压缩准则去除冗余特征。在此基础上,采用遗传神经网络建立带钢缺陷识别的知识库,遗传算法可以自主地辨识最小的包含最优解的搜索空间,再由BP算法按负梯度方向进行权值及阈值的修正。研究结果表明:改进ReliefF算法为后续分类识别提供了最优的特征向量,减少了数据的运算量和存储量;遗传神经网络算法获得了在满足准确性前提下更高网络识别缺陷的效率。     

炼钢电弧炉过程动态模型与仿真

基于物料平衡和热平衡以及化学反应的热,动力学,结合相关的参数建立了电弧炉冶炼过程的动态模型。该模型可动态地模拟电弧炉冶炼过程中的废钢量,炉温,渣量,钢液成分,炉渣组成和炉气成分的变化,以某100t交流电弧炉冶炼的操作参数为例进行了仿真计算,并与现场数据作了对比,结果表明模型可与实际结果吻合得很好,完善后的模型可望对生产全过程作出动态的预报,并可综合评估电弧炉冶炼的能耗,物耗,生产效率等技术经济指标,从而为电弧炉工艺的改进,生产操作和控制提供指导。     

直接自适应模糊控制在电弧炉中的应用

将直接自适应模糊控制应用于电弧炉电极调节系统中,给出了控制器的详细设计过程,推导了模糊规则参数的自适应律,并做了相应的仿真研究.仿真结果表明,算法能有效地抑制外界扰动,获得较好的动静态性能.     

一种线性自抗扰控制器参数自整定方法

针对线性自抗扰控制器参数难于整定的问题,提出了一种基于动态响应过程时序数据挖掘的参数自整定算法.算法以线性自抗扰控制器中线性误差反馈律的两个增益信号回路的动态响应为参数调整对象,通过改进变收缩系数的随机搜索算法进行参数整定,记录动态响应过程数据,基于关联关系挖掘得到控制参数调整策略应用于线性自抗扰控制器的参数自整定.为验证本文提出的参数自整定方法的实际效果,以液压自动位置控制系统为控制对象,分别采用阶跃响应仿真和Monte Carlo实验进行对比研究.结果表明,基于数据挖掘参数自整定的线性自抗扰控制器动态响应较好,鲁棒性较强,改进了变收缩系数随机搜索算法调整时间较长以及传统线性自抗扰控制器超调较大的缺点,是一种具有实用性的线性自抗扰控制器参数自整定方法.      

动力配煤线性预测与非线性预测方法研究

分别采用线性加权平均、线性拟合、BP神经网络和Elman神经网络方法建立煤质特性预测模型,对混煤煤质特性进行预测.将四种方法的预测结果进行分析比较,辨别混煤煤质特性与各单煤煤质特性间的线性与非线性关系.分析表明:混煤的发热量、水分、灰分和硫分与各单煤相应煤质特性具有简单的线性关系.其中,发热量、水分和硫分的线性拟合预测结果优于线性加权平均预测结果;混煤挥发分与各单煤挥发分之间呈非线性关系,Elman神经网络预测效果最佳.     

基于RBF的轴承钢变形抗力的预测

以凸轮式高速形变试验机得到的试验数据为基础,利用Matlab人工神经网络工具箱,建立了轴承钢的变形抗力与其化学成分、变形温度、变形速率及变形程度对应关系的RBF神经网络预测模型.分析了变形温度和变形速率对轧制压力网络模型精度的影响.得出随着变形温度的增加,网络的预测误差逐渐增大;随着变形速率的增大,网络的预测误差逐渐减...     

基于RBF-BP混合神经网络的烧结烟气NOx预测

摘要：对烧结烟气NOx生成量进行预测,能为烧结NOx源头和过程减排提供有效指导。利用BP神经网络模型和RBF神经网络模型对烧结烟气NOx进行了预测,在此基础上结合BP模型自适应学习能力强和RBF模型快速收敛的特性,采用优化模型结构、设立连接层的方法,构建RBF BP混合神经网络模型进行了NOx预测研究,并对3种模型的预测结果进行了对比分析。研究表明,3种神经网络模型中,RBF-BP混合模型的均方根误差为11.37mg/m3,平均绝对误差为7.14mg/m3,最大绝对误差为35.47mg/m3,最小绝对误差为0.0083mg/m3,各评价指标均为3种模型中最优,混合神经网络模型的预测数据稳定性更好,结果拟合程度更高且收敛速度最快。采用混合模型预测NOx能有效消除烟气NOx生成量反馈延迟。     

挠性卫星姿态快速稳定智能控制

针对挠性卫星本身存在的参数不确定性和外部扰动的控制问题,设计了以径向基函数神经网络和小脑神经网络为基础的复合变结构智能控制器.该控制器利用变结构控制系统对被控对象的模型误差、参数变化及外扰等的不敏感性的优点,再结合神经网络能够迅速逼近未知函数、泛化能力强的特点,可以适应挠性卫星参数不确定性和抑制外加干扰,实现对挠性卫星的有效控制.仿真结果表明复合控制能够提高卫星姿态的稳态精度和快速性.      

基于神经网络的金属应力状态系数模型

 以4200 mm轧机轧制71块钢板的实测数据为基础,利用Matlab神经网络工具箱,分别建立了轧制变形区的应力状态系数与轧前厚度、轧后厚度及轧辊直径对应关系的Elman神经网络预测模型和RBF神经网络预测模型。结果表明,所建立的两种网络模型均建立了金属应力状态系数输入和输出关系,RBF神经网络模型比Elman网络模型数据稳定,性能更优,实现了与实测结果的高度拟合。并得出不同轧辊直径对神经网络模型精度的影响规律,对轧制工艺规程的制定提出了合理建议。     

神经网络预测补偿在高碳铬铁电炉电极控制中的应用

针对高碳铬铁电炉电极控制系统具有非线性、时变、模型不确定、滞后、多输入多输出耦合的特点,提出了一种基于神经网络预测技术检测电极电流并预测电极位置的方法,其预测结果是对PID控制器的输出进行调整,使系统较好地适应负载和外扰的变化,实现了高碳铬铁炉电极的智能控制,提高了电炉的热效率,节约了能耗。     

Semiactive Neurocontrol for Seismic Response Reduction Using Smart Damping Strategy

A new semiactive control strategy that combines a neurocontrol system with a smart damper is proposed to reduce seismic responses of structures. In the proposed semiactive control system, the improved neurocontroller, which was developed by employing a training algorithm based on a cost function and a sensitivity evaluation algorithm to replace an emulator neural network, produces the desired active control force, and then a bang-bang-type controller clips the control forces that cannot be achieved by a smart damper (e.g., a variable orifice damper, controllable fluid damper, etc.). Therefore, the proposed semiactive control strategy is fail-safe in that the bounded-input, bounded-output stability of the controlled structure is guaranteed. Numerical simulation results show that the proposed semiactive control system that employs a neural network-based control algorithm is quite effective in reducing seismic responses.     

Elman神经网络在加热炉预测控制中的应用

首先简要介绍了E lm an神经网络的基本结构及特点,然后将预测控制和神经网络相结合提出了应用改进型E lm an神经网络建立预测模型,用于对加热炉燃烧过程中的烟气含氧量进行预测,以便及时调整空燃比,使加热炉工作在低氧燃烧状态下。     

Thickness and Shape Synthetical Adjustment for DC Mill Based on Dynamic Nerve-Fuzzy Control

Due to the complexity of thickness and shape synthetical adjustment system and the difficulties to build a mathematical model, a thickness and shape synthetical adjustment scheme on DC mill based on dynamic nerve-fuzzy control was put forward, and a self-organizing fuzzy control model was established. The structure of the network can be optimized dynamically. In the course of studying, the network can automatically adjust its structure based on the specific questions and make its structure the optimal. The input and output of the network are fuzzy sets, and the trained network can complete the composite relation, the fuzzy inference. For decreasing the off-line training time of BP network, the fuzzy sets are encoded. The simulation results indicate that the self-organizing fuzzy control based on dynamic neural network is better than traditional decoupling PID control.