去伪控制及其应用研究

针对传统控制理论基于假设建立模型、控制过程存在主观性的弱点,引入了无模型数据驱动控制——去伪控制的概念,详细介绍了该控制方法的基本理论,并对其在系统PID参数自适应辨识中的应用进行了仿真研究,仿真结果验证了该理论方法的可行性和有效性。     

智能自整定注射机电液比例控制系统设计

介绍了注射机注射过程工作原理,在传统PID控制算法中,引入了神经网络控制方法,通过神经网络控制器对PID控制器中的三个参数进行在线自适应优化,由在线辨识器获取控制器参数,最后对该控制方法进行了仿真实验。仿真结果表明:与传统PID控制方法相比,该控制方法超量小、调节速度快,大大提高了系统的控制性能。     

一种基于VRFT的全格式无模型自适应控制

针对无模型自适应控制中的时变参数拟梯度向量估计值信息没得到充分利用的问题,提出一种基于VRFT（虚拟参考反馈调整方法）的无模型自适应控制方法.该方法利用VRFT中的参考模型思想,首先将非线性系统经全格式线性化后的线性模型与无模型自适应控制器构成的闭环传递函数作为参考模型,再以参考模型的输出与系统期望输出的误差作为控制器的输入,从而将拟梯度向量在过去时刻的估计值引入到无模型自适应控制设计中,提高了伪偏导数估计值信息利用率.同时消去控制律中的权重因子,避免因人为赋值而影响控制效果.     

塑料制品成型过程自适应动态模型及其实时智能控制

构造了一个自适应动态模型,实现对注塑成型过程参数的实时智能控制,使产品成型总处于最优状态。作者基于一个优化的BP神经网络,建立一个计算质量指标的数学控制模型,并通过正交试验为自适应控制模型提供过程参数调整顺序的动态规则,通过研究专家知识为自适应控制模型提供过程参数调整方向的经验规则。该系统显著降低了废品率,实用性强。     

基于自适应模糊推理的非线性系统辨识器设计

针对传统模糊建模方法中模型参数都是根据经验选取的局限性,提出一种类高斯隶属函数,推导了基于类高斯隶属函数的自适应模糊推理模型,利用Stone-Weierstrass定理证明了该模型能以任意精度逼近非线性系统.将自适应模糊推理模型应用于非线性动态系统辨识中,设计了非线性系统辨识器,采用梯度下降算法学习模型中参数,通过仿真得到了较好的辨识效果.     

自适应控制在聚乙烯调温水系统中的应用

含有时滞的聚乙烯调温水串级控制系统是复杂的非线性时变系统,系统存在较大的纯滞后,采用模型参考自适应控制结合PID控制方法,使自适应控制器能够在线调整PID参数以匹配Smith预估器,使Smith预估器不受被控对象参数变化的影响。仿真结果表明:该控制方案有效减少了控制系统的超调量和调节时间。     

抄纸过程模型参考自适应内模控制仿真研究

针对强耦合、大时滞、非线性对抄纸过程控制性能的影响,提出一种模型参考自适应内模控制算法,通过建立控制器模型,设计自适应调节律和控制算法来实现对增益和时滞的在线自调整,使系统在模型参数失配的情况下,仍具有良好的鲁棒性和跟踪性,表现出较强的解耦能力和自适应能力。通过与常规内模控制仿真结果对比,表明该控制算法改善控制品质的有效性。     

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。     

变时滞系统的辨识自适应控制算法的改进与仿真研究

城市供水出水浊度过程控制是大时滞难控对象,Smith预估控制方法的研究有效地改善了时滞带来的控制困难的问题,但是当系统模型不精确时,很难获得好的控制品质。采用时滞辨识自适应方法,有好的控制效果,但当被控系统的时滞参数是时变时,在一定范围内可能存在的时滞辨识的效果不理想,所以提出采用变搜寻区域的辨识方法,可以实时地搜索出真实过程的时滞。该算法用于变时滞的系统,具有良好的控制品质和较强的自适应能力。     

基于永磁同步电动机模型的自适应混沌控制

基于永磁同步电动机的系统模型,运用简单的线性状态反馈方法,在系统参数给定和未给定的情况下针对系统的混沌现象提出了一种简单快速的混沌控制方法。当系统参数给定时使混沌系统的指数趋于稳定并给出反馈增益的范围,在系统参数未给定的时候设计一种自适应控制器,该控制器克服了以往一般自适应控制器中空置率不连续的缺点。最后通过Matlab进行仿真证明了所设计方法的可行性。     

一种求解化工动态优化问题的迭代自适应粒子群方法

智能优化方法因其简单、易实现且具有良好的全局搜索能力,在动态优化中的应用越来越广泛,但传统的智能方法收敛速度相对较慢。提出了一种迭代自适应粒子群优化方法（IAPSO）来求解一般的化工动态优化问题。首先通过控制变量参数化将原动态优化问题转化为非线性规划问题,再利用所提出的迭代自适应粒子群优化方法进行求解。相比传统的粒子群优化方法,该种迭代自适应粒子群优化方法具有收敛速度更快的优点,主要原因是：该算法根据粒子种群分布特性自适应调整参数;该算法通过缩减搜索空间并迭代使用粒子群算法搜索最优解。将提出的迭代自适应粒子群方法应用到多个经典动态优化问题中,测试结果表明,该方法简单、有效,精度高,且收敛速度比传统粒子群算法有显著提升。     

Multistage adaptive optimization using hybrid scenario and decision rule formulation

Scenario-based stochastic programming and linear decision rule (LDR)-based robust optimization are prevalent methods for solving multistage adaptive optimization (MSAP) problems. In practical applications such as capacity expansion planning of chemical processes, often multiple sources of uncertainty affect the problem which introduces challenges to traditional stochastic optimization methods. While a large number of uncertain parameters exist in the problem, using scenario-based method results in very large problem size and the solution becomes computationally expensive. In addition, when the constraints include multiplication of uncertain parameters and adaptive variables, the constraints are not linear with respect to uncertain parameters when the LDR method is used. In order to address these challenges, we propose two different hybrid methods where scenario and decision rule methods are combined to solve the MSAP problem. The article demonstrates the computational performance of the proposed hybrid methods using two chemical process planning examples.     

基于自适应模糊神经网络的非线性系统模型预测控制

针对非线性动态系统的控制问题，提出了一种基于自适应模糊神经网络(adaptive fuzzy neural network, AFNN)的模型预测控制(model predictive control, MPC)方法。首先，在离线建模阶段，AFNN采用规则自分裂技术产生初始模糊规则，采用改进的自适应LM学习算法优化网络参数；然后，在实时控制过程，AFNN根据系统输出和预测输出之间的误差调整网络参数，从而为MPC提供一个精确的预测模型；进一步，AFNN-MPC利用带有自适应学习率的梯度下降寻优算法求解优化问题，在线获取非线性控制量，并将其作用到动态系统实施控制。此外，给出了AFNN-MPC的收敛性和稳定性证明，以保证其在实际工程中的成功应用。最后，利用数值仿真和双CSTR过程进行实验验证。结果表明，AFNN-MPC能够取得优越的控制性能。     

Intelligent injection molding: Parameters self-learning optimization using iterative gradient-approximation adaptive method

Intelligent injection molding consists of three aspects: intelligent parameter optimization, process monitoring and control. The optimal process parameters are critical to guarantee product quality. Injection molding is a typical batch process and has the property that previous runs can provide feedback to optimize subsequent runs. This study proposes a self-learning parameter optimization method named iterative gradient-approximation adaptive optimization (IGAO) method, which adopts the batch-to-batch information to remove the need to establish optimization model with large numbers of experiments. The analysis and the optimization of the parameters can be performed simultaneously. The IGAO method approximates the gradient iteratively and assigns an adaptive step size to each parameter according to gradient accumulation. The experiments conducted in both simulation software and injection molding machine prove that the method has fast convergence speed. Standard product weight can be obtained within 11 runs from three different starting process parameters. Experiment results show that 25% less steps are needed compared with the traditional gradient descent method. The method also has good stability to resist disturbances during the optimization procedure. In general, the proposed IGAO method is fast, stable and robust, and it has good prospects for parameter optimization in batch processes.     

分数阶模型参考自适应控制在重碱煅烧中的应用

将分数阶模型参考自适应控制应用于重碱蒸汽煅烧炉的温度控制中,并且用M atlab/S imu link进行仿真研究。结果表明,应用分数阶模型参考自适应控制算法在被控对象发生变化而控制参数不变时,仍然可以取得良好的控制效果。这为分数阶模型参考自适应控制在工业领域中的应用提供了依据。     

基于内模控制的滤波方法改进及参数优化实施

针对实际工业控制中出现的系统的随机噪声和量测噪声会严重影响现场生产的控制效果,传统的内模控制方式无法很有效地解决这一问题。将Kalman滤波器引入到传统的内模控制原理中,通过Kalman滤波器来减小甚至消除噪声对控制系统的影响,提高系统的控制精度。同时,利用NLJ算法在考察系统性能指标的情况下,对传统内模原理中的低通滤波器的滤波参数进行自动寻优。通过对滤波环节的改善,充分发挥Kalman滤波和NLJ自动寻优的特点,使得控制系统的鲁棒性和快速性都得到了提高。仿真结果表明提出的设计方法能较好解决单变量和多变量被控对象的实时性和时滞性,并且具有良好的抗噪性,该方法参数调节容易,易于实施。     

模糊PFC及应用研究

温度控制系统的传递函数不是固定不变的,常规控制方法很难满足控制要求。预测函数控制属于预测控制的一种,当模型参数与实际系统参数相差较大时,控制效果将受到影响。根据影响系统参数的主要因素,离线辨识出系统传递函数,结合模糊控制理论,提出模糊PFC控制理论,实时地调整预测模型,提高预测函数控制的自适应能力。     

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。     

APPLICATION OF ADAPTIVE PID CONTROL WITH GENETIC ALGORITHM TO A POLYMERIZATION REACTOR

This article describes the application of adaptive PID control with genetic algorithm (GA) to a jacketed batch polymerization reactor. This method was used to keep the polymerization reactor temperature at the desired optimal path, which was determined by the Hamiltonian maximum principle method. The reactor was simulated and the model equations of this jacketed polymerization reactor were solved by means of Runge-Kutta-Felthberg methods. A genetic algorithm can be a good solution for finding the optimum PID parameters because unlike other techniques it does not impose many limitations and it is simple. In this research, suitability of these parameters was checked by the integral absolute error (IAE) criterion. The control parameters in the PID algorithm were changed with time during the control of a polymerization reactor. It was seen that the genetic algorithm was able to tune the PID controller used in this system in terms of higher robustness and reliability by changing the parameters continuously.     

纯滞后系统变积分数字控制研究

提出一种基于动态性能指标的纯滞后系统变积分数字控制方法,目的是消除延迟对系统过度过程的影响,改善系统的性能。该算法的基本思想是将系统的阶跃响应划分为6个区域,在不同的区域实时地调整控制器的控制量,从而实现控制效果的整体最优,给出了控制策略和仿真控制结果。该算法只需要整定两个控制参数,他们有明确的物理意义。仿真实验表明该控制方法具有参数整定简单、容易使用、具有一定的自适应性等特点,可获得满意的控制效果。