基于模糊神经网络的板形板厚综合控制系统

面对板形板厚控制这一复杂、多变量耦合的非线性系统，提出一种基于模糊神经网络的综合控制方案，实现了无模型板形板厚综合控制．仿真结果表明，该控制系统收敛性好、抗干扰性强，取得令人满意的板形板厚控制精度．     

基于模糊RBF神经网络整定的航空发动机多变量解耦控制

为解决航空发动机控制变量之间的强耦合性,构造了基于模糊RBF神经网络整定的航空发动机多变量解耦控制系统.设计了基于模糊RBF神经网络的多变量解耦控制器,在线调整PID控制器的参数并根据Delta学习规则对网络权值进行修正以达到最佳控制;针对某型航空发动机含未建模动态和噪声等随机干扰的非线性模型进行了多变量解耦控制系统仿真.结果表明:系统具有满意的动态性能和解耦特性,该方法不需要知道发动机的精确数学模型,对航空发动机的非线性和不确定性具有较强的自适应能力.     

基于多值编码GA—BP混合算法的板形板厚综合预测控制

为克服BP神经网络存在的收敛速度慢、易于陷入局部极值等不足，提出了可以同时优化BP神经网络的结构和参数的基于多值编码方式的嵌入梯度下降算子的混合遗传算法（GA-BP）．并在此基础上针对板形板厚综合系统（AFC-AGC）具有强非线性、强耦合而难以建立精确的数学模型的问题，设计了基于BP网络板形板厚综合预测模型，引入了反馈校正的方法来提高板形板厚控制系统的抗干扰能力．仿真结果表明，该模型可以实现板形板厚的精确控制，为热连轧板形板厚综合控制提供了一个新的有效的方法．     

基于PSO的板形板厚小波神经网络解耦PID控制

针对板形控制和板厚控制是相互耦合的综合系统,提出了一种新的解耦PID控制算法·首先用小波神经网络构造α阶时延逆系统,对综合系统进行输入输出解耦;然后对解耦后的独立的单变量系统采用PID控制·这种解耦方法无论是从理论分析还是仿真验证,均证明是可以实现完全解耦的·考虑到被控对象是一个带有时滞的非线性系统,提出采用PSO优化算法对PID参数进行自适应调整·仿真结果表明所用方法简单有效,并具有良好的跟随性能和抗干扰能力;其控制效果优于传统的解耦PID控制·     

基于多值编码GA-BP混合算法的板形板厚综合预测控制

为克服BP神经网络存在的收敛速度慢、易于陷入局部极值等不足,提出了可以同时优化BP神经网络的结构和参数的基于多值编码方式的嵌入梯度下降算子的混合遗传算法(GA-BP).并在此基础上针对板形板厚综合系统(AFC-AGC)具有强非线性、强耦合而难以建立精确的数学模型的问题,设计了基于BP网络板形板厚综合预测模型,引入了反馈校正的方法来提高板形板厚控制系统的抗干扰能力.仿真结果表明,该模型可以实现板形板厚的精确控制,为热连轧板形板厚综合控制提供了一个新的有效的方法.     

热连轧板形板厚多变量系统鲁棒控制

针对板形板厚多变量复杂系统,以板形和板厚质量为主要控制目标,以弯辊力和辊缝为主要控制变量建立系统模型. 基于某热连轧实际生产参数得到具体数学模型. 针对建模过程中忽略掉的各种次要因素的影响及扰动和参数摄动,应用Matlab鲁棒控制工具箱对系统进行耦合分析并求解出鲁棒控制器,通过均衡处理的控制器降阶算法得到低阶鲁棒控制器. 仿真结果验证所设计控制器具有良好的解耦效果、抗干扰能力和抗参数摄动能力.     

热轧带钢板形板厚耦合特性变化机理与参数求解

通过对建立的耦合关系模型的分析,指出Mp,Mw,Q,Kp和Kw是决定工业轧机板形板厚综合控制系统耦合特性的参数。它们随实际轧制生产条件的变化而改变。采用有限元模型,结合工业轧机系统实测数据,给出1700mm热连轧机耦合特性参数的求解方法,该方法为板形板厚解耦设计的工业应用提供了切实可行的途径。     

基于模糊距离的BP网络板形信号模式识别的研究

介绍了一种新的板形信号模式识别方法 .该方法基于待识别信号与标准样本之间的模糊距离 ,并将模糊距离作为 BP网络的输入 ,有效地解决了在板材宽度变化时神经网络的拓扑结构形式不变的问题     

基于RBF神经网络的一类非线性系统模糊自适应控制

针对一类非线性不确定系统,基于ＲＢＦ神经网络,结合模糊滑模控制提出了一种自适应控制方法。根据Ｌｙａｐｕｎｏｖ稳定性理论设计ＲＢＦ网络和模糊滑模补偿控制器的参数。     

模糊神经网络在冷连轧厚度控制中的应用

由于冷连轧厚度控制系统具有非线性、大时滞的特点,在冷连轧厚度的常规 PID 控制中,PID 控制器的参数往往针对某一种情况进行整定,很难控制冷连轧厚度始终处于一个好的状态.为此,在分析了厚度控制原理的基础上,设计了用一个2-5-1结构的 BP 网络实现的模糊神经网络控制器(FNNC),并将该 FNNC 控制器与积分作用相结合构成一个 FNNC-I 控制器.仿真结果表明,该 FNNC-I 控制器提高了系统的动态和稳态性能、抗干扰性以及鲁棒性,其控制效果优于常规 PID 控制器.     

基于BP神经网络的CVC冷连轧机板形预测控制模型

将ＢＰ神经网络建模方法与预测控制思想相结合用于宽带钢板形自动控制,研究并建立了基于ＢＰ神经网络的板形预测控制数学模型,经用宝钢１４２０ｍｍ冷轧实测数据仿真验证表明该模型具有很高的预测精度。     

T-S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构,讨论该模型参数的输入空间模糊最优聚类学习算法．仿真结果验证了学习算法的有效性和可行性,表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数．     

基于RBF神经网络模型的单力臂机器人控制

针对单力臂机械手的控制,提出了一种基于RBF神经网络模型的控制方法;RBF神经网络即径向基函数,它本身是具有单隐层的三层前馈网络,从输入空间到输出空间的映射呈现非线性,但是从隐含层空间到输出空间的映射却呈现线性,又由于RBF网络它采用高斯基函数作为作用函数,它的输出与部分调参数有关,在输入空间的有限范围内不为零,是一种...     

基于神经网络模式识别的板形模糊控制器

提出一种基于CMAC(Cerebellar Model Articulation Controller)神经网络的板形缺陷模式识别方法,并基于模式识别结果设计了板形模糊控制器.将模式识别与控制器设计合二为一,利用CMAC神经网络识别出相对于6种常见板形缺陷基本模式的隶属度,直接作为板形模糊控制器的前件部,实现了隶属度的求取功能.通过对板形缺陷特征的分析,合理定义了模糊集合,大大地减少了模糊推理的计算量.仿真结果表明,该板形模式识别方法识别精度高,设计的板形模糊控制器可以快速将板形缺陷控制到期望目标,板形控制性能良好.     

带有参数自调整机构的多变量系统模糊神经网络解耦控制

在文献[1]的基础上,引入模糊神经网络和参数自调整算法,改善系统的智能,使系统具有自学习和自调整模糊规则的能力.仿真结果表明,该方法能实现静态解耦,并提高了系统的抗干扰能力和鲁棒性,改善了系统的性能.     

T-S型模糊RBF神经网络快速学习算法

针对Ｔ－Ｓ型模糊ＲＢＦ神经网络输入空间模糊最优聚类算法运算量大、运算速度低的缺点,提出基于输出空间模式聚类的快速学习算法,以满足多变量系统实时性要求．仿真结果表明该快速学习算法不仅可以达到要求的辨识精度,而且可有效地提高运算速度