基于神经网络的时变大滞后系统的Smith预估控制

针对大滞后不确定系统提出了一种基于人工神经网络的改进型 smith 预估控制方案,设计了一个基于神经网络的补偿器来克服不确定的大延迟对控制性能的不利影响,解决了传统 Smith 预估控制鲁棒性差及需要预先知道受控对象精确数学模型的问题.数字仿真结果表明,此方案可以在被控对象数学模型未知的情况下对时滞对象进行控制,特别是当时滞对象的特性发生变化时,具有较好的适应性,控制效果远远优于普通 Smith 预估控制.     

不确定时滞过程Smith预估鲁棒H∞控制器的设计

以不确定大时滞过程的研究对象，对常规的Smith预估控制系统进行变形，然后用灵敏度最小原则设计H∞控制器，实现了对不确定大时滞过程的鲁棒性控制。理论分析和仿真结果表明，这种新型控制方法能消除大时滞带来的不良影响，且鲁棒性强，能够有效抑制干扰和模型不确定性，只有一个可调参数就能有效协调系统的鲁棒性能和标称性能。     

无自衡大时滞过程Smith预估鲁棒控制方法

以不确定的无自衡大时滞过程为研究对象，对常规Smith预估控制系统进行变形，由模型不确定性得到一个时滞相对小的广义被控对象，通过对该时滞相对小的广义被控对象设计控制器来实现对无自衡大时滞过程的鲁棒性控制。理论分析和仿真结果表明，这种新型控制方法不仅能消除大时滞带来的不良影响，且鲁棒性强，能够有效抑制干扰和模型不确定性。对无自衡大时滞过程的有效控制提供了新的思路。     

Smith预估控制在分级磨矿系统中的应用

针对某锡石-多金属硫化矿两段磨矿回路中大时滞问题提出了一种主控回路和副控回路相结合的史密斯（Smith）预估控制方案,可以很好的降低分级磨矿系统中由于时间延迟对给矿量和给矿水量的不利影响,缩短响应时间,改善分级磨矿系统的调节品质。MATLAB仿真结果表明,Smith预估控制方案在被控对象模型不精确的情况下对大时滞对象的控制,具有较好的适应性,可以取得较好的控制效果。     

基于MATLAB的时滞对象控制算法仿真分析

针对工业过程控制中普遍存在的时滞现象,剖析了几种控制方法的特点,讨论了smith预估器和各种控制算法之间的联系,仿真研究了模型失配、时滞变化及干扰等因素对系统的影响．仿真结果表明：Dahlin-smith控制器和Inner Model Control—smith控制器具有响应速度快、超调量小,特别是在模型失配情况下,鲁棒性和抗干扰能力表现得尤为突出,为系统克服纯滞后提供了途径．模型失配改进型smith结构给系统带来了良好的控制质量,对模型参数敏感度小,但有严格的限制条件．     

基于数字Smith预估补偿的温度控制仿真

工业控制过程中存在许多具有纯滞后特性的被控对象,Smith预估控制是克服纯滞后影响的有效方法之一,对设定值的改变响应比较快,跟踪效果好,但是其克服扰动的能力比较差.为提高Smith预估控制的鲁棒性,提出一种数字smith预估器进行补偿控制.仿真结果表明:在被控对象模型不确定性的情况下,增大或减少控制模型的参数,数字smith预估补偿都具有较好的鲁棒性.     

一种Fuzzy-Smith控制器的设计

针对具有大时滞环节的被控对象难以实现优化控制的问题,设计了一种Fuzzy-Smith控制器.该控制器可充分发挥Smith预估器和模糊控制器的优势,利用模糊控制对参数变化不敏感和鲁棒性强的特点,借助Smith预估器对模糊控制进行有效补偿,以实现对大时滞系统的优化控制.以二阶纯滞后环节为对象进行了仿真分析.仿真研究结果表明：该控制器对大滞后被控对象有较好的补偿作用,对被控对象参数的变化有较强的适应能力,改进的Fuzzy-Smith控制器具有较强的鲁棒性和良好的控制品质.     

基于MATLAB的时滞对象控制算法仿真分析

针对工业过程控制中普遍存在的时滞现象,剖析了几种控制方法的特点,讨论了smith预估器和各种控制算法之间的联系,仿真研究了模型失配、时滞变化及干扰等因素对系统的影响.仿真结果表明:Dahlin-smith控制器和Inner Model Control-smith控制器具有响应速度快、超调量小,特别是在模型失配情况下,鲁棒性和抗干扰能力表现得尤为突出,为系统克服纯滞后提供了途径.模型失配改进型smith结构给系统带来了良好的控制质量,对模型参数敏感度小,但有严格的限制条件.     

一类非自衡加滞后系统的智能控制

以不确定的非自衡大时滞过程为研究对象，把常规的Smith预估器放入简单的比例控制系统中，并引用先进的免疫控制系统对控制器参数进行在线修正。理论分析和仿真结果表明，这种控制方法不仅可以消除时滞给系统带来的不良影响，且对于系统参数和时滞参数的变化有很强的适应性，能够有效的抑制干扰，使系统具有良好的动静态特性。     

不确定时滞及非线性特性执行器系统的模糊Smith预估控制

针对一类带有不确定时滞特性执行器系统，采用Smith预估控制和模糊控制相结合的串级控制，使系统高性能运行。     

无辨识自适应算法的大滞后对象的控制方法

在实际工业生产中 ,由于对象纯滞后的存在 ,降低了控制系统的稳定性 ,使控制品质下降 ,对控制系统极为不利。对大滞后对象 ,Smith预估控制是一种重要方法 ,但常规Smith预估控制对模型的误差 (包括时间延迟的估计误差 )十分敏感 ,不适用于具有时变时延参数的系统。因此 ,常规Smith预估控制策略难以广泛用于工业控制 ,但该方法仍然得到了控制界的广泛认可。无辨识自适应控制是Marsik和Strejc提出的一种无需辨识系统参数的自适应控制算法 ,该算法简单、鲁棒性强 ,只需在线检测过程的实际输出及期望输出便可形成具有较好动态性能指标的自适应控制系统 ,但是该方法不能解决大滞后问题。借鉴无辨识自适应控制的思想和神经网络强的函数逼近能力 ,首先用一个神经网络来构成被控对象的Smith预估模型 ,然后利用无辨识自适应控制算法设计了一种适用于大滞后对象的控制器 ,两者结合 ,提出了一种简单、实用、鲁棒性强的大滞后对象控制的新方法     

基于ARM的嵌入式自适应温度控制系统设计

针对传统电阻炉温控系统受时滞长、惯性大和非线性等因素影响而普遍存在超调量大和调节时间长等问题,设计了一种基于ARM的嵌入式自适应温度控制系统.采用基于神经网络的PID自适应控制器对温度进行准确控制,提出了模糊Smith预估补偿控制方法来消除纯滞后系统的超调并提高稳定性,并将该方法与传统PID和模糊PID的控制方法进行了比较.结果表明,该系统能够实现电阻炉温度的快速和准确控制.相对于其他两种方法,该方法在系统超调和调节时间方面有极大提高,增强了系统的鲁棒性,具有较好的工程应用前景.     

基于模型预测的神经网络非线性时滞系统的辨识和控制

大纯时延、媒种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因.本文提出了非线性延迟系统的延迟时间参数的神经网络辨识方法,即改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间.将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合,可以用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制.仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快,鲁棒性能好等优点.     

基于参考模型神经网络的锅炉燃烧系统控制

大纯时延、煤种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。本文作者提出了改变神经网络输入样本区间，利用网络输出期望值与输出实际值之间的误差平方和产生的突变，辨识出非线性对象的延迟时间的方法，将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合，可用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制，同时，以10t／h链条炉作为研究对象进行仿真，仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快，鲁棒性能好等优点。     

基于Smith预估的神经网络循环流化床锅炉床温控制

料床温度是循环流化床锅炉正常运行的一个重要指标,它影响着锅炉的燃烧效率和污染物排放速率。在燃烧过程中,它具有时变性、大惯性和大滞后的特点。针对这一问题,将BP-Smith预估控制算法应用于循环流化床锅炉床温控制,该算法基于BP整定的PID控制,提高对被控对象参数变化的自适应能力和Smith预估控制能够克服对象的大迟延特性,并对BP-Smith预估控制进行了仿真。仿真结果表明,所设计的控制系统性能均优于常规PID控制和Smith预估补偿PID控制系统。     

Proton exchange membrane fuel cells modeling based on artificial neural networks

To understand the complexity of the mathematical models of a proton exchange membrane fuel cell (PEMFC) and their shortage of practical PEMFC control, the PEMFC complex mechanism and the existing PEMFC models are analyzed, and artificial neural networks based PEMFC modeling is advanced. The structure, algorithm, training and simulation of PEMFC modeling based on improved BP networks are given out in detail. The computer simulation and conducted experiment verify that this model is fast and accurate, and can be used as a suitable operational model for PEMFC real-time control.     

基于BP神经网络整定的PID温度控制

展示了一种基于BP神经网络的PID控制器,利用神经网络的自学习特性,将神经网络与PID控制方法相结合,采用3层前向网络,动态BP算法,实现对温度控制系统的在线智能控制,显示了BP神经网络PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的能力．仿真结果表明,此种PID在温度控制中能够取得较满意的效果．     

Finite-time stabilization of uncertain delayed-hopfield neural networks with a time-varying leakage delay via non-chattering control

This article is concerned with the finite-time stabilization(FTSB) of a class of delayed-Hopfield neural networks with a timevarying delay in the leakage term in the presence of parameter uncertainties. To accomplish the target of FTSB, two new finitetime controllers are designed for uncertain delayed-Hopfield neural networks with a time-varying delay in the leakage term. By utilizing the finite-time stability theory and the Lyapunov-Krasovskii functional(LKF) approach, some sufficient conditions for the FTSB of these neural networks are established. These conditions, which can be used for the selection of control parameters,are in the form of linear matrix inequalities(LMIs) and can be numerically checked. Additionally, an upper bound of the settling time was estimated. Finally, our theoretical results are further substantiated by two numerical examples with graphical illustrations to demonstrate the effectiveness of the results.