基于神经网络辨识的熔融碳酸盐燃料电池（MCFC）建模

针对熔融碳酸盐燃料电池（MCFC）电堆系统过于复杂,难以建模以及已建立的模型过于复杂,难以满足工程上对MCFC系统控制设计特别是实时控制的需要,该文试图绕开MCFC的内部复杂性,提出利用神经网络具有逼近任意复杂非线性函数的能力,将神经网络辨识方法应用到MCFC这种高度非线性系统的建模。以燃料气和氧化剂气体的流速为输入量,MCFC电堆的温度响应为输出量,根据输入输出数据用神经网络辨识建立MCFC电堆系统的温度模型,给出了辨识系统的结构及改进BP算法。仿真结果证明了这种方法的可行性,建立的模型精度较高,它使得设计MCFC的实时控制器成为可能。     

基于神经网络的燃料电池的辨识与模糊控制研究

利用神经网络辨识复杂非线性系统的能力,基于实验的输入输出数据,用神经网络辨识的方法建立起MCFC电堆的神经网络模型,然后基于温度特性输入输出关系设计一个模糊控制器,并用模糊控制器的输入输出样本训练神经网络.仿真结果表明,所设计的控制器用神经网络的计算结构代替模糊规则推理,在速度、自学习、自适应等方面具有灵活、高效的优势,它对不同的系统状态都能调节控制量,将温度较平滑地过渡到理想值.     

燃料电池的模糊辨识建模与变结构控制研究

该文从DMFC实际应用的角度出发,首先利用模糊聚类和线性辨识方法基于实验的输入(甲醇、空气、冷却水的流速)输出(温度)数据建立DMFC的T-S模糊预测模型,然后基于该辨识的温度模型,设计了一个DMFC电堆工作温度的在线系统。最后,用辨识的温度模型代替实际的DMFC电堆进行控制仿真,仿真结果证明对DMFC电堆采用辨识建模的方法是有效的,建立的模型精度较高,以及所设计的变结构控制器性能优越,它对不同的系统状态都能调节控制量将电堆温度较平滑地过渡到试验的理想值。     

基于在线系统辨识的DMFC模型预测与模糊控制

利用神经网络具有逼近任意复杂非线性函数的能力，以甲醇浓度为神经网络辨识模型的输入量，电池电压／电流密度为输出量．利用1000组实验数据，建立了DMFC电堆的神经网络模型。然后，基于电特性的输入输出关系设计了一个模糊控制器，且利用模糊控制器的输入输出样本训练神经网络。仿真结果表明，所设计的神经网络模糊控制器具有自学习、自适应等优点，达到了在线控制的目的。     

基于一种FGA–ANFIS技术的DMFC温度建模和控制

为了提高直接甲醇燃料电池(DMFC)的发电性能,采用自适应神经模糊推理技术(FGA-ANFIS)对电池的工作温度进行建模与控制.首先,基于实验的输入输出数据建立了DMFC电堆温度的自适应神经模糊辨识模型,避开了DMFC电堆的内部复杂性.然后,将训练好的网络模型作为DMFC控制系统的参考模型,采用一种改进的模糊遗传算法对神经模糊控制器的参数和模糊规则进行自适应调整.最后,通过仿真.将所提出的算法与非线性PID和传统模糊算法进行比较,结果表明所设计的神经模糊控制器具有较好的性能.     

质子交换膜燃料电池的神经网络建模与控制

该文从设计质子交换膜燃料电池（PEMFC）控制方案的角度出发，首先提出了采用Elman动态神经网络对PEMFC系统进行建模的新方法，以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络，并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度；Elman神经网络辨识可使辨识过程简化并提高了辨识精度。然后在此基础上设计了自适应模糊神经网络控制器。最后的仿真实验以Elman神经网络模型为参考模型，使用自适应神经网络控制算法控制PEMFC的工作温度，取得了较好的控制效果。结果显示所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

空冷型质子交换膜燃料电池电堆温度控制系统设计

空冷型质子交换膜燃料电池（Air-Cooling PEMFC）电堆的工作条件中,电堆温度对电堆性能的影响最大,电堆温度的控制直接影响电堆的性能指标。首先分析了空冷型PEMFC电堆的温度特性,通过实验手段获得了电堆的最佳工作温度-电流曲线,并拟合出了经验公式。在此基础上设计了该类电堆的温度控制系统,提出了模糊PID融合控制算法。实验结果表明该温度控制系统具有良好的静态和动态特性,有效地解决了空冷型PEMFC电堆的温度控制问题。     

基于模型跟随的神经网络PID飞行控制律设计

为了抑制飞行控制系统的外部扰动和建模误差,应用模型跟随自适应神经网络PID控制方法,进行飞行控制律设计。首先使用RBF神经网络进行飞行系统模型辨识,在线学习系统正向输入输出特性,辨识对象的Jacobian信息;然后应用BP神经网络实时在线调整PID参数,设计自适应神经网络PID控制器,控制飞行状态变量跟随模型输出;最后以F-8飞机纵向飞行控制系统为研究对象进行控制仿真。仿真结果表明,设计的控制器具有很强的自适应和抗干扰能力。     

燃料电池温度模糊自适应控制

如何控制燃料电池温度性能是燃料电池的一个重要问题。首先基于模糊辨识建模方法建立质子交换膜燃料电池温度性能的T-S模型。模型结构简单,精度高,方便地应用于质子交换膜燃料电池系统控制中。其次针对该模型设计电堆温度的模糊自适应控制器。最后在Matlab平台进行仿真,模糊自适应控制器在较大幅度变化的系统参数下都得到较好的控制性能,证明模糊自适应控制系统具有很好的鲁棒性和良好的控制品质,能够满足质子交换膜燃料电池温度控制系统的要求。     

神经网络自适应模糊控制在温度控制系统中的应用

把神经网络与模糊控制相结合，提出一种基于神经网络的自适应模糊控制器。这种控制器由模糊神经网络控制器和模型网络组成，采用快速的变斜率梯度下降算法学习，具有自适应学习功能，仿真结果及其应用于温度控制系统中，控制性能明显于一般Ｆｕｚｚｙ控制。     

Nonlinear modeling and adaptive fuzzy control of MCFC stack

To improve availability and performance of fuel cells, the operating temperature of molten carbonate fuel cells (MCFC) stack should be controlled within a specified range. However, the most existing models of MCFC are not ready to be applied in synthesis. In this paper, a radial basis function neural networks identification model of MCFC stack is developed based on the input–output sampled data. A novel adaptive fuzzy control procedure for the temperature of MCFC stack is also developed. The parameters of the fuzzy control system are regulated by back-propagation algorithm, and the rule database of the fuzzy system is also adaptively adjusted by the nearest-neighbor-clustering algorithm. Finally using the neural networks model of MCFC stack, the simulation results of the control algorithm are presented. The results show the effectiveness of the proposed modeling and design procedures for MCFC stack based on neural networks identification and the novel adaptive fuzzy control.     

Nonlinear modeling of MCFC stack based on RBF neural networks identification

Modeling molten carbonate fuel cells (MCFC) is very difficult and the most existing models are based on conversation laws which are too complicated to be used to design a control system. This paper presents an application of radial basis functions (RBF) neural networks identification to develop a nonlinear temperature model of MCFC stack. The temperature characters of MCFC stack are briefly analyzed. A summary of RBF neural networks modeling of MCFC is introduced. The simulation tests reveal that it is feasible to establish the model of MCFC stack using RBF neural networks identification. The modeling process avoids using complicated differential equations to describe the stack and the neural networks model developed can be used to predict the temperature responses online which makes it possible to design online controller of MCFC stack.     

脉冲GTAW熔池动态过程模糊神经网络建模与控制

展示了模糊推理与神经网络结合在脉冲GTAW熔池动态过程智能控制中的应用研究 结果.建立了脉冲GTAW平板对接动态过程特征:正反面熔池的最大宽度、长度与面积等参数 的神经网络模型,基于实验数据采用模糊辨识方法提取焊接过程的模糊控制规则,进而设计了 具有自学习适应能力的模糊神经网络控制器.建立了脉冲GTAW熔池动态过程智能控制系统, 焊接实验验证了所设计的模糊神经网络控制器具有智能控制效果.     

Nonlinear control structures based on embedded neural system models

This paper investigates in detail the possible application of neural networks to the modeling and adaptive control of nonlinear systems. Nonlinear neural-network-based plant modeling is first discussed, based on the approximation capabilities of the multilayer perceptron. A structure is then proposed to utilize feedforward networks within a direct model reference adaptive control strategy. The difficulties involved in training this network, embedded within the closed-loop are discussed and a novel neural-network-based sensitivity modeling approach proposed to allow for the backpropagation of errors through the plant to the neural controller. Finally, a novel nonlinear internal model control (IMC) strategy is suggested, that utilizes a nonlinear neural model of the plant to generate parameter estimates over the nonlinear operating region for an adaptive linear internal model, without the problems associated with recursive parameter identification algorithms. Unlike other neural IMC approaches the linear control law can then be readily designed. A continuous stirred tank reactor was chosen as a realistic nonlinear case study for the techniques discussed in the paper.     

基于一种改进的BP神经网络光伏电池建模

由于光伏电池具有高度非线性特性，难以建模，而传统的数学模型难以满足光伏控制系统设计和应用的要求。该文利用神经网络具有逼近任意复杂非线性函数的能力，将神经网络技术应用到光伏阵的建模中，避开了该模块内部的复杂性。模型以太阳能日照、温度以及负载电压作为神经网络辨识模型的输入量，光伏阵输出电流为输出量，采用改进型BP算法，建立了光伏电池的动态响应模型，然后预测了最大功率点。文中给出模型的结构，训练步骤和仿真结果。仿真结果表明，方法可行，建立的模型精度较高，从而为设计光伏实时控制系统奠定了基础。     

Multiobjective evolution based fuzzy PI controller design for nonlinear systems

This work proposes a gain scheduling adaptive control scheme based on fuzzy systems, neural networks and genetic algorithms for nonlinear plants. A fuzzy PI controller is developed, which is a discrete time version of a conventional one. Its data base as well as the constant PI control gains are optimally designed by using a genetic algorithm for simultaneously satisfying the following specifications: overshoot and settling time minimizations and output response smoothing. A neural gain scheduler is designed, by the backpropagation algorithm, to tune the optimal parameters of the fuzzy PI controller at some operating points. Simulation results are shown to demonstrate the efficiency of the proposed structure for a DC servomotor adaptive speed control system used as an actuator of robotic manipulators.     

基于模糊神经网络的5连杆双足机器人混杂控制

针对双足机器人单脚支撑期控制问题, 提出了一种新型的模糊神经网络混杂控制方法. 该种方法结合了模糊神经网络、H_∞ 控制及逆系统方法的优点. 应用了一种新的多层模糊CMAC神经网络对系统进行逼近, 一方面将模糊神经网络的构造误差看作系统的干扰, 利用H_∞ 控制对干扰进行抑制. 另一方面利用模糊神经网络对系统模型进行逼近, 为逆系统的构建和H_∞ 控制率的设计提供了有效的系统信息. 并证明了在采用本文提出的模糊神经网络和自适应算法后可以抑制 L₂ 增益.