基于神经网络预测的铝电解模糊控制系统应用

目的采用神经网络作为非线性估计器,设计自组织模糊控制器,解决常规控制方法难以解决铝电解过程中存在的时变和大时滞问题,提高控制性能.方法在分析铝电解生产过程的基础上,通过建立神经网络预测模型以及基于规则双阶段获取的自组织模糊控制器,将神经网络与预测控制算法相结合,提出了一种基于神经网络预测的铝电解模糊控制系统.结果给出了以STD工业总线控制机为核心的模糊控制系统,实现了铝电解过程的最优控制.使得神经网络预测模型的输出能够很好地跟踪铝电解生产过程,预测效果更佳.结论该系统能使电解过程很快达到稳态,产生的超调量较小,具有良好地响应特性和鲁棒性,提高了铝电解过程的动态和稳态性能.     

制粉系统球磨机的神经网络预测控制

通过对制粉系统球磨机这一非线性被控对象建立神经网络预测模型,提出了基于神经网络预测控制器的非线性预测控制方法。为了克服大多数非线性系统预测控制在线计算量大的问题,在预测控制性能指标约束下,采用非线性优化求解技术,得到当前工作点的最优预测控制量,用来训练神经网络预测控制器,最终实现非线性系统的神经网络直接预测控制。新的方法大大减少了在线计算量,仿真试验结果证实了所提方法的有效性。     

直接驱动X-Y平台递归神经网络控制仿真

针对永磁直线同步电动机驱动的X-Y数控平台控制系统中存在的各种扰动,提出了一种基于自组织模糊递归神经网络的控制器设计方法,并利用切线 轮廓误差控制器对整体控制构架进行了整合式设计.该控制器融合了自组织模糊神经网络（SCFNN）和递归神经网络（RNN）的优点.仿真结果表明,所设计的控制系统对于参数的变化、外部的扰动等具有较强的抑制作用,减小了系统的轮廓误差,具有较强的鲁棒性.     

基于RBF神经网络的非线性模型预测控制

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.     

基于小波神经网络预测的退火炉温控制

目的 通过对退火炉炉温控制系统的设计,使得控制系统的控制性能和控制精度提高、抗干扰性增强.方法 针对被控对象一退火炉本身的非线性、大滞后性、时变性等特点,采用把小波函数引入神经网络预测模型对退火炉温进行预测,再把此预测模型与BP神经网络控制器相结合对退火炉的脉冲燃烧器进行控制,进而控制炉温.结果 由小波神经网络预测模型组成的控制系统,综合了小波分析和传统神经网络的优点,且具有不断吸收环境新信息的函数学习能力和推广能力.从仿真曲线上看,此控制方法 相比较传统控制的方法 具有收敛速度快,预测精度高的特点.结论 实现了对具有大干扰、大滞后性和不确定随机干扰因素的炉温控制系统进行精确控制,具有良好的动态和稳态性能.     

预测控制在中央空调净化系统中的应用

针对常规PID控制在非线性、大惯性系统中存在滞后、精度低等弱点,构建了神经网络与预测算法相结合的控制系统.采用预控算法,充分利用预测控制的滚动优化和反馈校正的特性,采用神经网络建立系统的动态模型作为预测控制器的预测模型,实现了对大滞后系统的自适应控制,具有实时控制和预测性能,有效地提高了控制精度和可靠性,增强了稳定性.现场运行结果表明,在空气净化器系统中使用该方法效果良好,易于推广.     

基于神经网络的一种PID控制技术

提出了一种基于神经网络的ＰＩＤ控制方案。用神经网络辨识器与神经网络控制器构成间接自校正控制系统,其中,神经网络辨识器采用单稳层结构,其辨识算法采用预报误差（ＲＰＥ算法）：神经网络控制器为２层的线性结构,具输入为系统偏差及其一阶和于阶微分,控制器具有增量型ＰＩＤ控制结构。将该控制方案应用于电阻炉的炉温控制中,获得了满意结果。     

基于神经网络的模糊控制规则校正方法研究

对由模糊控制器构成的集散控制系统，现场模糊控制器的控制规则的校正是一个关键问题。若使其自身具有自校正功能，对于基于数字单片机开发的模糊控制器来说，采用神经网络的构成在线自校正方式，存在一定的困难。为了提高控制器的性能，规则校正又是必需的，为此，本文提出了一种由监控机对每台现场控制器进行分时校正规则的方法，该方法是”半在线式”校正。     

基于神经网络的污水处理预测控制

针对国际水协(IWA)开发的基准仿真模型(Benchmark simulation model No.1,BSM1)中第5分区溶解氧质量分数和第2分区硝态氮质量分数的控制问题,提出了一种基于神经网络的多变量预测控制系统。控制系统中主要包括两部分:神经网络辨识器,用于提取对象的输出数据;神经网络控制器,用于输出控制变量。仿真结果表明:基于神经网络的预测控制系统具有较好的适应性和鲁棒性。     

一类非自衡系统的简化模型鲁棒预测控制

预测控制是基于模型的控制 ,从模型着手来提高预测控制系统的鲁棒性不失为一种简单易行的办法。鉴于脉冲响应模型具有简单易得 ,鲁棒性强的特点 ,利用阶梯化脉冲响应模型来作为预测控制系统的预测模型 ,对一类非自衡对象进行鲁棒预测控制器的设计。用这种阶梯化脉冲响应模型来拟和实际脉冲响应模型的办法 ,不仅减少了模型的参数 ,而且由于这种简化模型与对象响应的细节无关 ,进一步提高了模型的鲁棒性能。通过仿真研究 ,证明了本文设计的两种鲁棒预测控制器 (单步鲁棒预测控制器和扩展时域鲁棒预测控制器 )对对象模型失配和干扰有较强的性能鲁棒性和稳定鲁棒性。该模型的参数少 ,控制器设计简单 ,为实现自适应预测控制提供了基础     

预测模型的单神经元PI控制器

针对工业过程和实际控制对象的慢时变非线性的特点 ,设计了一种预测模型的单神经元 PI控制器。采用单神经元 PI控制算法与神经网络预测模型相结合的控制策略 ,用 PI控制规律来确定控制器的输出。用一个自适应神经元网络作为非线性系统的预测模型 ,估计下一步的输出值 ;用一个单神经元实现 PI控制来优化下一步的控制。利用 Matlab/Sim ulink工具对 PI控制器和预测模型的单神经元 PI控制器进行比较仿真实验 ,其控制对象为典型的非线性系统。仿真实验表明 :预测模型的单神经元 PI控制器具有结构简单 ,计算速度快 ,鲁棒性好等特点     

基于模糊神经网络的非线性系统预测函数控制研究

针对预测函数控制难以很好地实现非线性系统控制的问题,将模糊神经网络与预测函数控制相结合,设计一种基于模糊神经网络的非线性系统的预测函数控制器。用模糊神经网络辨识非线性系统的模型,辨识结果送到预测函数控制中,从而得到预测模型,最终得到最优的控制量。通过Matlab计算机仿真,可以看出此控制器对于非线性系统具有良好的控制效果和鲁棒性。     

Neural network-based TIG weld width fuzzy controller

0m0ne0fthemajorgoalsf0rusinghybridconbolsoffuZZylogicandneuIalnetw0thistoc0InbinethelingUisticnatUreofknOWetlgerepresentationandtheadaptiveorle-amingnatureofkn0wedgeevoutbotoachievebettercon-tIDofsystemsforwhichitisinfeaSibleorimPracticabletof0rmulateamatheInaticalsystemmedel,buthumanknoWedgft0mskilledoperatoISisavailable.Forexam-ple,forInanindustrialprocesscontIDlproblems,analyti-calmedelsaredimculttoconstIUctforsuchfactorsasfongdelay,n0nlinearity,unceItaintyandsystemc0mPletity.Yethur…     

基于神经网络的非线性预测自整定PID控制

提出在利用前馈神经网络对非线性系统建模的基础上，对系统输出实现递推多步预测，并且结合自整定PID方法，实现非线性系统控制，神经网络在线辨识时采用学习速度较快的扩展Kalman滤波方法，仿真实验表明了该方法的有效性．     

基于启发式学习算法的空间柔性机械臂神经网络控制

针对非线性强耦合的空间漂浮基柔性机器人,提出了一种启发式学习算法的神经网络的前馈控制策略。首先通过拉格朗日法和假设模态方法建立了漂浮基柔性空间机器人的动力学模型,然后采用两个神经网络及一个PID控制器来构建前馈在线学习控制系统,其中一个神经网络充当前馈控制器,另一个神经网络通过学习逆动态模型来为前馈控制器提供在线学习参数,而PID控制器主要作为辅助补偿控制器。该控制策略不是在PID控制器的指导下进行学习,且无需预先的离线学习,因而学习精度更高,且减少了对学习样本选择不当的影响,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整的算法来实现快速学习能力,具有较好的实时性。仿真结果证明了所提方案的有效性。     

Inverse Control of Nonlinear Servo System Based on Neural Networks

ＩｎｖｅｒｓｅＣｏｎｔｒｏｌｏｆＮｏｎｌｉｎｅａｒＳｅｒｖｏＳｙｓｔｅｍＢａｓｅｄｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓＷＡＮＧＣｈａｎｇｈｏｎｇＸＵＬｉｘｉｎＧＡＯＸｉａｏｚｈｉＺＨＵＡＮＧＸｉａｎｙｉ（王常虹）（徐立新）（高晓智）（庄显义）（Ｄｅｐｔ．...     

多模型预测控制及其在火电厂过热汽温控制中的应用

针对火电厂存在的过热汽温问题,设计了多模型预测控制系统.根据若干建模工况点,离线训练局部人工神经网络模型,利用贝叶斯估计的方法在线计算每个局部神经网络模型概率,加权计算出模型预测输出值.根据预测控制的原理,利用Newton-Raphson迭代法得到控制信号,从而得到了仅含一个控制器的多模型预测控制系统.仿真结果表明,在负荷大范围变化的工况下仍能保持良好的控制性能,具有较强的鲁棒性.     

A Proposal of Adaptive PID Controller Based on Reinforcement Learning

Aimed at the lack of self-tuning PID parameters in conventional PID controllers, the structure and learning algorithm of an adaptive PID controller based on reinforcement learning were proposed. Actor-Critic learning was used to tune PID parameters in an adaptive way by taking advantage of the model-free and on-line learning properties of reinforcement learning effectively. In order to reduce the demand of storage space and to improve the learning efficiency, a single RBF neural network was used to approximate the policy function of Actor and the value function of Critic simultaneously. The inputs of RBF network are the system error, as well as the first and the second-order differences of error. The Actor can realize the mapping from the system state to PID parameters, while the Critic evaluates the outputs of the Actor and produces TD error. Based on TD error performance index and gradient descent method, the updating rules of RBF kernel function and network weights were given. Simulation results show that the proposed controller is efficient for complex nonlinear systems and it is perfectly adaptable and strongly robust, which is better than that of a conventional PID controller.     

Predictive Inverse Neurocontrol： an experimental case study

To increase predictive behaviors of neural network dynamic model, an experimental case study of a new approach to systems controller design is presented. The experiment is based on neural networks inverse plant model. Special rules for network training are developed. Such system is close to model-based predictive control, but needs much less computational resources. The approach advantages are shown by the control of laboratory complex plants.