基于神经网络的多变量非线性自适应解耦控制研究

提出神经网络前馈自适应解耦控制算法．该算法将多变量非线性系统在平衡点处利用Taylor公式展开．分为线性部分和高阶非线性部分。这样．将高阶非线性部分的影响视为可测干扰，采用前馈补偿的方法加以消除．就可以借助多变量线性系统的自适应解耦控制算法．实现多变量非线性系统的自适应解耦控制．这种方法可以取消被解耦系统为最小相位的限制。     

LF炉电极控制器设计及其应用

针对LF钢包精炼炉电极控制系统具有非线性、时变、模型不确定、多输入多输出强耦合的特点，提出一种基于RBF神经网络实时在线辨识和神经网络解耦的模糊自适应控制方案，并进行了控制器设计。应用结果证实了此控制方案的有效性。     

基于RBF神经网络逆系统的机械手解耦控制策略

针对机械手系统具有非线性时变、多变量、强耦合的特点,提出一种基于RBF神经网络逆系统的机械手解耦控制策略。首先证明了系统的可逆性,进一步通过神经网络在线逆辨识建立机械手的神经网络逆系统模型,并将辨识得到的逆模型作为控制器模型与机械手系统串联,构成伪线性复合系统,实现了将具有强耦合特性的多变量输入/输出机械手系统解耦成单个独立的伪线性对象。最后以两关节机械手为仿真对象进行了仿真,仿真结果验证了本方案的有效性和可行性。     

基于神经网络与多模型的非线性白适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法．该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成．线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能．切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能．同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析．最后,通过仿真实例验证了该方法的有效性．     

基于神经网络与多模型的非线性自适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法.该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成.线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能.切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能.同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析.最后,通过仿真实例验证了该方法的有效性.     

神经网络在感应电动机调速系统中的应用研究

研究感应电动机凋速系统解耦控制问题.感应电动机调速系统是一个非线性、多变量和强耦合控制对象,传统的线性方法无法找到合适的描述模型,导致解耦控制性能相当的差.在体现适应性、实时性和鲁棒性的问题上,为了提高感应电动机调速系统解耦控制性能,将逆系统方法与神经网络相结合,提出了一种基于神经网络逆系统的感应电动机调速解耦控制方法.首先根据感应电动机调速系统的特点,建立合适的数学模型,并进行伪线性系统构造;然后采用神经网络对逆系统模型进行辨识,通过神经网络自学习实现高性能解耦控制;最后在matlab平台下进行了仿真和对比实验.实验结果表明,方法能很好实现解耦控制,使传统解耦控制方法的缺陷得到克服,具有较强适应性和鲁棒性.     

可控受限多变量耦合系统的智能控制

针对可控受限多变量耦合系统,提出了一种基于对角递归神经网络(DRNN)整定的PID混合解耦控制。采用对角递归神经网络来辨识系统模型,进而对PID控制器参数进行整定,实现多变量解耦控制。通过对多变量耦合控制系统的设计和实时控制,实际控制结果达到了解耦控制的要求,并具有无超调、响应速度快、控制精度高等特点。     

强制循环蒸发系统的非线性自适应解耦PID控制

本文结合现场的实际过程数据,首先应用能量平衡建立了强制循环蒸发过程的动态模型.针对该过程的多变量、非线性以及强耦合特性,在常规增量式PID控制器的基础上提出基于神经网络与多模型切换的非线性自适应解耦PID控制策略.该控制器是由线性自适应解耦PID控制器和基于神经网络的非线性自适应解耦PID控制器以及切换机构组成.其中线性自适应解耦PID控制器可以保证系统的稳定,而基于神经网络的非线性自适应解耦PID控制器则可以有效地提高系统的性能.上述过程的PID参数是通过广义预测的方法得到,最后通过仿真表明,上述控制方法不仅消除了回路间的耦合,在稳定生产的同时提高了蒸发的效率.     

基于RBFN逆控制策略的多变量非线性系统的解耦控制

基于逆动力学控制的思想,提出一种带前馈的RBFN逆模型控制策略,并将该控制策略对多变量非线性系统进行了在线解耦与控制;采用3个RBF神经网络分别对被控对象的3个输入进行逆辨识,每相神经网络逆辨识模型反向作为逆控制器模型与每相串联,从而构成3个已解耦的独立的伪线性对象,进而针对3个独立的伪线性对象进行线性控制,从而实现了对三相耦合系统的精确控制;经过实验室模拟调试的实测三相电流波形表明,在电流设定值为2100A时,升温速率为5.3℃/min,电流波动范围≤±10%.     

基于多模型的非线性系统广义预测控制

对于复杂的离散时间非线性系统，提出一种基于多模型的广义预测控制方法．通过在平衡点附近建立线性模型，并用径向基函数神经网络来补偿匹配误差，形成了非线性系统的多模型表示，然后采用模糊识别方法作为切换法则，并结合广义预测控制构成了多模型广义预测控制器．通过对连续发酵过程的计算机仿真，表明了该方法的有效性．     

基于多模型的非线性系统自适应最小方差控制

对于一类典型的离散时间非线性系统, 提出了一种基于多模型的自适应最小方差控制方法. 通过在平衡点附近建立线性模型, 用径向基函数神经元网络来补偿建模误差和未建模动态, 形成了非线性系统的多模型表示. 采用了具有积分性质的切换指标函数作为切换法则和最小方差的控制方法构成了多模型自适应控制器. 仿真实验的结果表明了这种方法的有效性.     

An offset-free neural controller based on a non-extrapolating scheme for approximating the inverse process dynamics

This work presents a novel control scheme based on approximating the inverse process dynamics with a radial basis function (RBF) neural network model, trained with the fuzzy means algorithm. The produced RBF network constitutes an inverse model of the process, which can be applied as an explicit control law. In order to avoid extrapolation in the RBF model predictions, a concept borrowed from chemometrics, namely the applicability domain, is incorporated to the proposed framework. Moreover, an error correction term is added, allowing the inverse neural controller to account for modeling errors and process uncertainty and eliminate offset. The proposed approach is applied to the control of a nonlinear Continuous Stirred Tank Reactor (CSTR) exhibiting multiple equilibrium points, including an unstable one. A comparison with other control schemes on various tests, including set-point tracking, unmeasured disturbance rejection and process uncertainty highlights the advantages of the proposed controller.     

非线性多变量零阶接近有界系统的多模型自适应控制

针对一类多变量非线性离散时间系统,提出一种新的基于神经网络的多模型自适应控制方法.为了将非线性系统的高阶非线性项的限制条件放宽到零阶接近有界,该方法引入了一种新的非线性模型.该模型在传统线性回归模型基础上增加了非线性补偿项,使模型的估计误差有界.一个神经网络模型与非线性模型同时被用来对系统进行辨识.基于性能指标的切换机构选择性能较好的模型对应的控制器 对系统进行控制. 理论分析证明了零阶接近有界多模型自适应控制系统的有界输 入和有界输出稳定性. 仿真实验说明了提出的多模型自适应控制方法的有效性.     

Design of an intelligent prediction-based neural network controller for multi-scroll chaotic systems

An indispensable part of the precise control of multi-scroll chaotic systems, model identification has received increasing attention in recent years. Because of plant uncertainty and unmodeled dynamics, conventional control methods cannot guarantee a sufficiently high-performance for stabilizing multi-scroll chaotic systems. In an effort to tackle the matter better, we propose an intelligent controller called the adaptive neural network prediction-based controller (NN-PbC ). The specified neural network is trained with the system model, which is extracted from a time series. In actual practice, the data are divided into two sets. One set is used for training and the other set for testing. In fact, a generalized NN will perform well for both training and testing data. The prediction-based control method is then applied to the obtained neural network model to stabilize the multiple equilibrium points. The stability of the closed-loop system is proven. In addition, simulation examples on two typical multi-scroll chaotic systems are presented to demonstrate the effectiveness of the proposed controller.     

液位系统的多模型广义预测控制研究

用多模型的广义预测控制器对复杂的非线性液位系统进行仿真控制。通过在覆盖工况的若干个平衡点采用最小二乘法离线辨识建立多个线性模型,形成非线性系统的多模型表示,然后对各个子模型分别设计子控制器,采用基于相对残差的方法来实现控制增量的加权以获取控制增量。通过对单容液位系统的仿真,表明该方法的有效性。     

Multi‐Variable Direct Self‐Organizing Fuzzy Neural Network Control for Wastewater Treatment Process

A multi‐variable direct self‐organizing fuzzy neural network control (M‐DSNNC) method is proposed for the multi‐variable control of the wastewater treatment process (WWTP). In this paper, the proposed control system is an essential multi‐variable control method for the WWTP. No exact plant model is required, which avoids the difficulty of establishing the mathematics model of WWTP. The M‐DSNNC system is comprised of a fuzzy neural network controller and a compensation controller. The fuzzy neural network is used for approximating the ideal control law under a general nonlinear system. Moreover, the neural network is designed in a self‐organizing mode to adapt the uncertainty environment. Simulation results, based on the international benchmark simulation model No.1 (BSM1), demonstrate that the control accuracy is improved under the proposed M‐DSNNC method, and the controller has a much stronger decoupling ability.     

神经网络解耦控制在某无人机组件测试系统的应用

无人机组件测试系统,主要用于对某型号无人机组件进行相关性能测试和试验验证。系统的控制参数温度、压力、流量间存在强耦合关系。为了解决常规控制方法难以控制的难题,设计了一种基于PID神经元网络的前向多层解耦控制器,并利用遗传算法对神经网络的权值进行训练。将此算法在MATLAB下进行仿真,解耦控制效果较为理想,随后经航空测试系统试验验证,该控制方法可以达到设计需求,有力地支持了相关型号的研制工作。     

基于神经网络集成的强化学习算法系统设计

BP神经网络在目前的非线性系统中应用广泛,但是作为有导师的学习系统,BP神经网络必须要求提供相关的经验数据才能正常运行,这对一般系统来说是非常麻烦和不现实的。对此文章提出了一种基于神经网络集成的强化学习BP算法,通过强化学习体系来实现体统的自学习,通过网络集成来达到初始数据的预处理,提高系统的泛化能力,并在实际应用中取得较好的效果。