基于神经网络的解耦控制方法

本文介绍了BP算法的基本原理及其实现步骤,并将BP算法应用于神经网络解耦器和PID神经网络的训练中,即本文中各个神经网络的训练算法均采用BP算法,提出了一种神经网络在线解耦控制算法,即将神经网络解耦和神经网络PID控制两者结合,对系统进行解耦控制。将解耦与控制结合,既避免了单独采用自适应PID控制时控制效果不佳的问题,又避免了单独采用解耦时原有控制器不能适应变化后的对象问题。最后对一组双输入双输出耦合系统进行了仿真研究。     

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。     

微型燃气轮机控制及电力变换系统的研制

阐述了发电用100kW级微型燃气轮机控制过程及其电力变换系统的设计和集散控制方法,描述了其结构与功能特点。针对微型燃气轮机的控制特点,提出了异于传统控制方法的有效控制方案,即燃机点火后的闭环控制方法。采用中性点可控的解耦控制方法解决了电力变换系统中的三相逆变电源的不对称问题。理论分析和实验表明,该控制系统稳态和动态控制性能良好,达到了各项技术指标,实现了全部设计功能,具有广阔的应用前景。     

一种基于生理调节机制的智能协同解耦控制器

为了改善实际工艺过程解耦控制效果，基于人体血压和体温的生理调节机制，提出一种智能协同解耦 控制器，并给出其控制结构和解耦控制算法．该协同解耦控制器由协调控制单元、控制单元1 和控制单元2 组成， 其解耦控制算法按照协同控制解耦的思想设计．在协调控制单元作用下，两个控制单元按照奇数和偶数周期协调工 作．当其中一个控制单元处于控制工作状态时，另一个控制单元则处于解耦工作状态．仿真结果表明，该协同解耦 控制器的解耦控制性能明显优于传统控制方案．     

高纯度精馏塔前馈广义预测解耦控制

本文在广义预测控制（Ｇ．Ｐ．Ｃ）的基础上，提出一种非参数模型的前馈广义预测控制算法，并把这种算法应用到高纯度精馏塔双组分控制中去．计算机仿真验证了它的可行性，解耦效果是较好的。     

一类串联生产过程的分布式解耦预测控制

研究一类由多个子过程串联而成的生产过程的预测控制，提出了在分布式通信模式下的预测控制算法．该算法由两部分组成：一部分利用其他子过程在上一时刻的控制策略，对子过程间的弱耦合进行前馈补偿；另一部分通过顺序求解对强耦合进行解耦控制．在线性无约束情况下，得到了分布式解耦动态矩阵控制律．最后通过仿真验证了算法的有效性．     

微型燃气轮机局域网控制系统的设计

无论是从环境还是经济的角度来看,由于微型燃气轮机有着良好的性能特点和技术优势,因此对微型燃气轮机进行了设计研究。因为燃机运行场合是分散和孤立的,给燃机的维护带来诸多的不便,因此,燃机系统需要有网络提供远程控制支持。针对实现微型燃机的远程网络控制的问题,提出了一种简单可行的方案,并详细说明了利用协议转换接口设计局域网远程控制程序的思路和过程。     

浓度控制中的一种解耦算法

本文首先分析了在具有两被控量（流量和浓度）的浓度控制系统中存在的浓度和流量相互影响的问题;接着提出了采用解耦控制算法实现浓度和流量的精确控制的设计方案。文中着重介绍了系统中所采用的解耦算法及其控制方案。经现场投运,证明该大案可行,且系统运行稳定可靠。     

基于预测控制方法的非线性神经网络逆控制

针对一类多输入多输出非线性被控对象,利用前向神经网络逼近原系统的逆系统,将其作为控制器,采用预测滚动优化性能指标训练该神经网络逆控制器,以克服干扰和不确定性影响,实现对多变量非线性对象的解耦控制。对某微型锅炉对象进行了控制算法仿真,结果表明,所提出的控制方法能够克服模型误差的影响,实现稳定解耦控制,且易于实现。在仿真过程中通过实验方法建立该锅炉对象的神经网络预测模型,并注意采用泛化方法采集训练样本数据和训练神经网络,以提高神经网络模型的泛化能力。     

基于补偿器的解耦控制方法的研究

本文通过对冷热水混合系统的温度和液位的双变量耦合问题进行分析,提出了一种满足解耦要求和控制目标需要的基于补偿器的Smith预估解耦控制方法。试验结果表明,解耦控制方法取得较好的控制效果,而且控制算法具有良好的鲁棒性。     

风电叶片多点静力测试神经网络PID解耦控制

风电叶片多点静力加载测试中由于存在各加载点之间的交联耦合现象,其加载精度难以得到保证.为此在研究耦合机理和解耦控制的基础上,提出变步长BP神经网络PID自整定算法.建立多点静力加载控制系统耦合模型,通过仿真并与实际实验数据比较,验证该算法的有效性.结果表明该算法可有效降低各加载点之间的耦合效应,有利于提高网络的稳定性和搜索速度,同时还具有自学习功能以适应不同尺寸和参数的叶片.     

基于BP神经网络的多变量PID解耦控制

基于神经网络的智能PID控制策略，以经典的PID控制理论为基础，并通过具有多变量解耦控制自学习功能的神经网络参数整定来实现。本文给出了网络的结构和算法，示出了一组二元变量强耦合时变系统的实时仿真结果。通过计算机仿真证明，基于神经网络的PID控制具有良好的自学习和自适应解耦控制能力。该系统融解耦器和控制器于一体，易于实现，适用于非线性多变量系统的解耦控制。它使解耦后的系统具有较好的动态和静态性能，特别是当根据BP控制规律确定了网络连接权系数的初值时，还能使系统参数快速收敛。     

微型燃气轮机的新型神经网络控制的研究

燃机控制系统是一种多变量、非线性、时变的系统,对微型燃气轮机的转速控制器进行了深入研究.PID控制应用广泛,但在实际应用中,其参数整定仍未得到较好的解决.因此,设计了一种新的神经网络PID控制器作为主控制器,通过神经网络所具有的任意非线性表达能力,可以通过对系统性能的学习来实现具有最佳组合的PID控制,确保系统的稳定性、快速性和准确性.大量的仿真证明,该算法具有良好的控制效果.     

钢包炉配料PSO-BP-PID 控制研究

针对钢包精炼炉( Ladle Ｒefining Furnace) 又称LF 炉,配料加料过程的惯性、时滞、非线性等控制特性,设计了一种基于微粒群优化算法( Particle Swarm Optimization,PSO) 、误差反向传播( Back Propagation,BP) 神经网络以及比例－ 积分－ 微分( PID) 的复合控制算法PSO-BP-PID,并将该复合算法应用于150 t 钢包精炼炉配料称重控制系统中,实现配料称重过程的智能控制。PSO-BP-PID 算法利用微粒群优化算法的全局寻优特性,优化BP 神经网络的初始权值以提高神经网络的收敛性; 采用经微粒群算法优化后的BP 神经网络在线实时调整PID参数。通过基于PSO 和BP 网络的PID 控制器实时控制钢包精炼沪的配料过程。仿真实验和运行实验结果表明,PSO-BP-PID 算法的控制效果优于单一PID 算法的控制效果。采用PSO-BPPID算法的钢包炉配料系统后,明显提高了配料精度,有效地解决了配料称重过程中速度与精度的矛盾。     

基于PSO算法和BP神经网络的PID控制研究

针对PID控制中的参数整定的难点及基本BP算法收敛速度慢、易陷入局部极值的问题,提出利用PSO算法的全局寻优能力和较强的收敛性来改进BP网络的权值调整新方法,从而对PID控制的比例、积分、微分进行优化控制。该方法是在基本BP算法的误差反向传播的基础上,使粒子位置的更新对应BP网络的权值和阈值的调整,既充分利用了PSO算法的全局寻优性又较好地保持了BP算法本身的反向传播特点。仿真结果表明基于PSO算法的BP神经网络的PID优化控制具有较好的性能和自学习、自适应性。     

基于RBF和BP神经网络的DTG全解耦方法比较

为了提高动调陀螺仪（DTG）的精度,需要对DTG的解耦方法进行研究。BP神经网络解耦方法虽然可以达到DTG的全解耦目的,但是与传统的解耦方法相比仍有一些不足,如学习过程较慢,隐含层也很难确定、泛化能力较差等。因此,需要探求更好的解耦方法。通过对RBF神经网络与BP神经网络相比较,得到新的解耦方法。最后通过仿真实验,验证了RBF神经网络的解耦速度比BP神经网络快,并且准确性要高。     

飞控系统传感器故障诊断的神经网络方法研究

BP神经网络对于飞行控制系统传感器故障诊断是一种有效的故障模式识别方法;在标准BP神经网络的基础上,提出了一种新的BP改进算法——自适应FMBP算法(SAFMBP),用以消除标准BP网络收敛速度慢及易陷入局部极小等缺点,并且建立了飞行控制系统仿真模型和传感器常见故障模型,采用基于神经网络模式分类的故障诊断方法,应用改进的BP神经网络(SAFMBP)进行飞控系统传感器的故障诊断,最后给出了仿真诊断实例。     

基于复合正交神经网络的自适应逆控制系统

目前，在自适应逆控制系统中常采用BP神经网络，而BP网络存在算法复杂、易陷入局部极小解等不足。而正交神经网络能克服BP网络的不足，但由于正交神经网络学习算法存在某些局限性，提出了一种复合正交神经网络，该正交网络结构与三层前向正交网络相同，不同的是正交网络的隐单元处理函数采用带参数的Sigmoid函数的复合正交函数，该神经网络算法简单，学习收敛速度快，并能对网络的函数参数进行优化，为非线性系统的动态建模提供了一种方法。仿真实验表明，网络在用于过程的自适应逆控制中具有很高的控制精度和自适应学习能力。该动态神经网络比其它神经网络具有更强的建模能力与学习适应性，有线性、非线性逼近精度高等优异特性，非常适合于实时控制系统。     

免疫优化神经网络对倒立摆的控制

人工免疫算法是基于生物免疫系统机理和特点发展而来的一种新型智能算法。针对BP神经网络传统训练算法的学习效率低、收敛速度慢且容易陷入局部最优等不足,采用免疫算法对BP神经网络权值进行优化,以实现对倒立摆的控制。实验结果表明,用免疫算法训练神经网络收敛速度快,并能有效避免陷入局部最优。优化后的神经网络能对实际的倒立摆装置进行控制,并取得了满意的效果。