用NodeBuilder 3开发Lonworks节点

本文通过示例一步步地学习使用Node Builder 3来开发节点。首先，详细地介绍了用Node Builder 3来开发节点所需的软硬件及其安装，然后通过一实例来开发一个设备和它的LNS Plug-in最后详细地介绍了Gizmo 3的应用。     

基于改进樽海鞘算法的锅炉NOX排放模型优化研究

为了建立高效的NOx排放质量浓度预测模型,以某330 MW的煤粉锅炉为研究对象,利用自适应樽海鞘算法(ASSA)优化快速学习网(FLN)建立预测模型。首先用8个基准测试函数检测ASSA的性能并与其它3种算法进行对比,结果显示ASSA算法的收敛速度更快,寻优结果更好;将该模型与差分进化算法(DE)、粒子群算法(PSO)和樽海鞘算法(SSA)优化的快速学习网进行比较,结果表明ASSA-FLN模型具有更好的预测精度和泛化能力,可有效准确地预测煤粉炉的NOx排放质量浓度。     

ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机（ELM）不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机（ASOS-ELM）综合建模的方法。该方法利用改进的共生生物搜索（ASOS）算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差（RMSE）作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归（SVR）模型、改进的粒子群算法（PSO）和基本的共生生物搜索算法（SOS）优化的ELM作对比。结果表明,ASOS-ELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。     

基于混合鸡群算法和核极端学习机的锅炉NOx排放的预测

以某300MW亚临界循环流化床锅炉为研究对象,对锅炉的NOx排放量进行预测。利用模拟退火混合鸡群算法(SACSO)和核极端学习机(KELM)对不同工况下NOx的排放量进行建模;对比了差分进化算法,粒子群算法和原始鸡群算法,证明了改进后算法的优越性;之后,又对传统BP算法,支持向量机,极端学习机和核极端学习机模型进行对比;最终确定的SACSO-KELM模型具有更高的预测精度和稳定性以及更好的泛化能力,可选择将此模型用于锅炉NOx排放的建模预测。     

基于精确T-S模型的LON总线变结构控制系统

详细介绍了包括基于T-S模糊模型的变结构控制节点的整个LON总线系统的硬件组成与软件设计．整个系统由两层组成,上层PC计算机为操作人员提供了良好的人机界面,下层的智能节点完成基本控制．上位机以传送网络变量的形式发布命令信号．系统通过i．Lon1000实现了Internet上的计算机对本系统很容易地进行远程监控．在解决非线性问题上,采用了著名的T—S模糊系统模型,将成熟的线性系统理论与模糊理论有效地结合起来,并得到了稳定性证明．基于T-S模糊模型的变结构控制的引入。使系统具有很强的鲁捧性．通过实验研究,证明了该系统的有效性和可靠性．     

随机最优非线性网络控制系统设计

针对网络控制非线性系统中存在的不确定时延,利用Delta算子方法,研究了基于T-S模糊模型的随机最优网络控制问题。采用T-S模型模糊动态逼近非线性系统,将非线性模型模糊化为局部线性模型,设计了本质为非线性的具有时延补偿功能的状态反馈控制器,并进行了稳定性分析,并仿真。结果表明,所提出的建模方法是可行的,实质为非线性的状态反馈的控制器能够有效地补偿时延对系统性能的影响,且补偿效果好。     

一类非线性系统的模糊变结构控制

研究了一类非线性系统的模糊变结构控制问题，并给出了稳定性证明。通过将非线性系统化为多个精确T—S模型来建立非线性系统精确的T—S模糊模型，将模糊理论与成熟的线性变结构控制理论相结合设计一种模糊变结构控制器，用Lyapunov稳定性理论证明该控制器能确保模糊动态模型全局渐近稳定，从而使非线性系统稳定。仿真结果表明了该设计方法的有效性。     

一种基于模型的网络控制系统稳定性分析

针对实际网络控制系统被控对象状态无法直接测量得到这种情况,提出了在模型侧进行状态观测的网络结构,在设计了观测器的基础上,研究了系统稳定性问题。仿真结果验证了系统稳定性条件的有效性,从仿真中还可看出,采用此结构系统具有较强的鲁棒性。     

基于GSA-PELM的锅炉NOx预测模型

为了更加精确地实现对电厂循环流化床锅炉NOx排放量进行预测,提出了一类基于并行极端学习机的GSA-PELM模型。由于PELM的泛化能力及精度依赖于其权值的选择,因而利用万有引力算法优化PELM的权值,采用从某火电厂300MW的循环流化床锅炉在不同工况下实时采集的数据来检验模型的预测性能,并将GSA-PELM模型分别与PELM模型、ELM模型、万有引力算法优化的最小二乘支持向量机模型（GSA-LSSVM）、GSA-ELM模型进行比较,仿真结果表明GSA-PELM模型的精度相比其它所有模型提高了9个数量级以上,可以更加有效、准确地用于预测火电厂锅炉的NOx排放浓度。     

ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机(ELM)不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机(ASOS-ELM)综合建模的方法。该方法利用改进的共生生物搜索(ASOS)算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差(RMSE)作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归(SVR)模型、改进的粒子群算法(PSO)和基本的共生生物搜索算法(SOS)优化的ELM作对比。结果表明,ASOSELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。