模糊预测控制在pH中和过程中的应用

针对pH中和过程,提出了一种基于T-S模型的模糊预测控制算法,以实现系统的滚动优化控制。T-S模糊模型的前件和后件参数分别采用模糊C均值聚类(FCM)和正交最小二乘法(OLS)进行离线或在线辨识。在每一个采样时刻以当前辨识出的T-S模型为基础实现系统的局部动态线性化,再根据线性化模型对pH过程实施广义预测控制(GPC),得到当前的控制量。仿真表明了该控制方法具有较小的超调性质,且在扰动作用下能快速跟踪到设定值,具有很强的鲁棒性。     

模糊聚类与最小二乘相结合建立非线性系统模型

提出一种模糊聚类与最小二乘相结合的辨识方法.该方法利用基于模糊似然函数的模糊聚类算法确定系统的模糊划分数目,进而对应聚类个数建立相应的Takagi-Sugeno局部线性化模型,并结合递推最小二乘法,完成系统的辨识.该方法可使模糊模型的结构辨识和参数辨识同时完成,从而实现模糊模型的在线辨识.该方法辨识速度快,精确度高.仿真结果验证了该方法的有效性.     

基于逆系统的赖氨酸发酵多变量解耦内模控制

针对赖氨酸发酵过程的时变、非线性和高耦合性,提出基于逆系统的赖氨酸发酵多变量解耦内模控制方法。根据动态递归模糊神经网络(DRFNN)的非线性辨识原理离线建立发酵过程的逆模型,将得到的逆模型串联在发酵系统之前,实现了发酵过程输入输出解耦线性化,从而得到伪线性系统;对复合后的伪线性系统采用内模控制。仿真结果表明,该方法能够适应赖氨酸发酵过程模型的不确定性和参数的时变性,具有较强的鲁棒性,且结构简单,易于实现。     

原子力显微镜系统广义预测控制与成像

在原子力显微镜(atomic force microscope,AFM)扫描样品时,控制参数调节困难,依赖于操作经验.本文基于在线动态模型辨识,提出了一种AFM系统广义预测自校正控制与成像方法.首先,利用CARIMA(controlled autoregressive and moving-average)参数模型来描述局部线性化后的AFM系统模型,并通过在线动态模型辨识得到线性化模型的参数;基于该模型,采用基于GPC(generalized predictive control)的优化方法,在线求解类PI(proportional integral)控制器的参数,进而得到一种具有控制参数自动调整功能的AFM成像方法.为了验证本文方法的有效性,进行了仿真与实验测试.结果表明,在AFM扫描速度不同或PI参数选择不恰当的情况下,该方法能够自动地调整控制器参数,从而减小控制误差,提高成像精度.     

一类模型未知系统的辨识和混沌化控制

对于一类模型未知的非混沌系统采用模糊神经网络辨识其动力学特性, 将得到的模糊神经网络辨识模型应用于逆系统方法中, 实现了一类模型未知非混沌系统的混沌化控制. 该方法不依赖于被控对象的数学模型, 就可以进行有效控制. 研究了模糊神经网络辨识误差对控制精度的影响, 证明了适当设计参数可以使由辨识误差引起的控制误差小于辨识误差. 针对连续和离散两类系统的仿真研究证明了该方法的有效性.     

基于模糊神经网络的非线性系统模型的辨识

该文提出一种非线性系统的模型辨识方法．利用关系聚类法来进行结构辨识，从而自动获得模糊规则库，并可以得到模糊系统的初始参数，在聚类的基础上，构造一个与之相匹配的模糊神经网络，用它的学习算法来训练网络，得到一个精确的模糊模型，从而实现参数辨识，通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

基于T-S模型的自适应模糊广义预测控制

对一类非线性系统,利用一种基于模糊规则的快速模糊辨识方法建立起系统的T—S模型,并基于该模型应用局部递推最小二乘方法根据采样值对模型参数进行在线修正,根据系统动态线性化模型采取广义预测控制策略,从而实现了基于T—S模糊模型的非线性系统自适应模糊预潮控制。与以往的模糊广义预测控制算法相比,此方法简单,而且较大地减少计算量,适合于在线控制。通过仿真研究验证所提方法的有效性。     

复杂系统的递阶模糊辨识

针对Takagi_Sugeno模糊模型 (T_S模型 )严重的维数灾问题, 借鉴GMDH算法, 提出了一种新的复杂系统递阶模糊辨识方法. 本文首先详细描述了由两输入变量的特殊T_S模型所组成的递阶模糊模型 ;然后提出了具体的辨识该递阶模糊模型的方法. 该方法的特点是 :a)在结构辨识阶段, 用FCM模糊聚类方法评价系统中每个输入变量的重要性, 以便构造合理的递阶模糊模型 ;b)预先合理地确定了所要辨识的参数的初始值, 用扩展卡尔曼滤波方法可很快地得到这些参数. 最后, 给出的仿真实例说明了本文辨识方法的有     

蚁群聚类算法的T-S模糊模型辨识

基于T-S模型,提出一种非线性系统的模型辨识方法。利用蚁群聚类算法来进行结构辨识,确定系统的模糊空间和模糊规则数。在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现参数辨识。仿真结果验证了该方法的有效性,表明该方法能够实现非线性系统的辨识,辨识精度高,可当作复杂系统建模的一种有效手段。     

基于偏格式线性化的MIMO系统无模型自适应控制

针对常规PID控制器不能很好兼顾抗干扰性与鲁棒性以及基于模型的控制算法过于依赖受控系统数学模型的缺点,提出一种适用于离散时间多输入多输出(MIMO)非线性系统的无模型自适应控制算法.该算法首先通过偏格式线性化方法将非线性系统线性化,再利用一种新型的投影算法在线辨识受控系统参数,根据辨识得到的受控系统参数直接递推计算无模...     

基于支持向量机的TSK模糊模型辨识与控制

研究非线性系统TSK模糊模型的辨识与控制,利用TSK模型,可以将线性控制理论应用于非线性系统控制。基于支持向量机和递推最小二乘法,辨识出TSK模糊模型,并且通过遗传算法优化隶属度函数参数,最小化辨识误差。针对TSK模型进行控制,控制器包括两个部分：权重最大子系统反馈控制及其监督控制,监督控制保证了系统的稳定性。辨识和控制仿真结果证明了算法的有效性。     

基于支持向量机的激光焊接过程辨识与控制

激光焊接过程数学模型足一个较强非线性的数学模型,通常的线性辨识方法无法得到它精确的数学模型.支持向量机作为一种新的机器学习方法,具有较强的非线性拟合能力,应用支持向量机非线性系统回归建模方法,辨识出具有典型非线性特性的焊接过程模型,并采用预测控制算法对焊接过程进行控制.实验证明,支持向量机对非线性系统具有很好的拟合效果,基于支持向量机的预测控制具有较好的非线性控制效果.     

Sugeno模糊模型的辨识与控制

提出了一种新的Sugeno模糊模型辨识算法和对非线性系统进行并行化设计的方 法.在Sugeno模糊模型辨识中,应用模糊聚类方法可将其前提结构和结论参数的辨识分开进 行,减少了计算量;对于非线性系统的控制,Sugeno模糊模型实际上是动态系统的局部线性 化,可采用并行设计的方法设计控制器,然后通过模糊推理得到全局控制量.最后通过倒立摆 系统的控制说明了本文算法的有效性.     

Control of Selective Catalytic Reduction Systems Using Feedback Linearisation

This paper discusses the identification and control of a selective catalytic reduction (SCR) system. SCR after‐treatment systems form an important technology for reducing the nitrogen oxides, NO_x, produced by diesel engines. To be able to control the system, i.e. reducing the output NO_x, good models of the after‐treatment system are essential. In this paper a nonlinear black‐box model is identified using a recursive prediction error method. The nonlinear model is applied for design of a controller using feedback linearization techniques including an adaptive strategy. A linear quadratic Gaussian controller is used for the control of the linearized system. A total of 17 parameters were estimated for the nonlinear model. The results indicate that output NO_x control using feedback linearization based on a second order black‐box nonlinear model is feasible, provided that identification or adaptivity is used for model tuning. The latter requirement is a result of a study of the robustness. In summary, the paper indicates that significant improvements as compared to linear control can be obtained with the proposed strategy.     

Nonlinear adaptive model following control for a 3-DOF tandem-rotor model helicopter

This paper considers two-input, two-output nonlinear adaptive model following control of a 3-DOF (degree-of-freedom) tandem rotor model helicopter. The control performance is studied by real time implementation of the control algorithms in an actual helicopter testbed. Since the decoupling matrix of the model helicopter is singular, the system is not decouplable by static state feedback, and it is challenging to design a feedback control system. Dynamic state feedback is applied. The controller is designed using a nonlinear structure algorithm. Furthermore, a parameter identification scheme is introduced in the closed-loop system to improve the control performance. Three identification methods are discussed.     

基于支持向量机N4SID辨识模型的非线性预测控制

针对工业控制领域中非线性系统的模型辨识与预测控制问题,采用最小二乘支持向量机回归方法构造非线性函数,运用状态子空间（N4SID）模型辨识方法辨识非线性状态空间模型.在此基础上建立非线性预测控制器,利用拟牛顿算法进行非线性预测控制律的求解,从而实现了一种新的基于支持向量机N4SID辨识模型的非线性预测控制算法.仿真实验验证了该算法的有效性和可行性.     

Control based on double neural networks-PI for parallel mechanism

In this paper, a control system based on double neural networks-PI for 3-RPS parallel mechanism is presented to aim for the nonlinear modeling and controlling. The control system is composed of three linear controllers, one neural network controller (NNC) for compensating the nonlinear modeling and one neural network identification (NNI) for the controlling model. Simulation results have shown that the response time, movement accuracy and resistance to load disturbance of the 3-RPS parallel mechanism system can be improved using the double neural networks-PI.     

Adaptive-Predictive Control of a Class of SISO Nonlinear Systems

In this paper, an adaptive-predictive control algorithm is developed for a class of SISO nonlinear discrete-time systems based on a generalized predictive control (GPC) approach. The design is model-free, based directly on pseudo-partial-derivatives derived on-line from the input and output information of the system using a recursive least squares type of identification algorithm. The proposed control is especially useful for nonlinear systems with vaguely known dynamics. Robust stability of the closed-loop system is analyzed and proven in the paper. Simulation and real-time application examples are provided for real nonlinear systems which are known to be difficult to model and control.     

磁悬浮球系统的非线性自适应控制方法

针对磁悬浮球系统被控对象变化时控制器自适应问题,提出了一种反馈线性化和在线参数辨识相结合的非线性自适应控制方法。基于状态反馈精确线性化方法建立磁悬浮球系统的数学模型,通过状态反馈设计了一种非线性控制器,并给出了控制器参数的在线辨识方法。MATLAB平台上在线实验结果表明,与反演滑模自适应控制方法相比,提出的方法无须在平衡位置近似线性化,可以在平衡位置实现对不同对象的自适应控制,且具有理想的稳态调节性能。     

线性参数变化系统建模与控制研究进展

在描述实际系统的非线性和时变特性方面, 线性参数变化(Linear parameter varying, LPV)模型有着巨大的优越性, 对于使用一些成熟的线性系统控制理论来解决非线性系统的控制问题, 提供了良好的手段.文章对LPV系统的模型结构和建模方法, 模型参数辨识方法, 控制方法以及应用领域等方面的近几年的研究成果, 做了比较全面的总结和概括, 最后对LPV系统建模和控制的未来研究方向进行了展望.