基于粗糙集理论与进化计算的时滞系统Smith控制

Smith预估器是一种有效的大纯滞后补偿控制方法,但对模型的依赖性限制了它在工程实际中的应用。针对被控对象的纯时滞时间的不确定性和系统存在扰动的情形,将基于粗糙集的进化计算与Smith预估器的控制方法相结合,给出了一种在线调整时滞时间和利用前馈进行扰动补偿的自适应控制方法,即通过对反馈误差的在线优化适应性地调整Smith预估器的时滞时间常数和对扰动进行补偿。仿真结果表明了给出方法的有效性。     

时滞对象的自适应Smith广义预测控制

针对时滞被控对象提出了一种自适应Smith广义预测控制器方案。在广义预测控制中 ,以Smith预估器建立被控对象预测模型 ,并基于零频率时的模型匹配和有遗忘因子的递推最小二乘算法在线辨识系统参数和时滞 ,不断修正Smith预估器模型和控制器参数 ,有效克服系统参数和时滞变化对系统的影响 ,动态响应快 ,跟踪效果好。仿真结果证明了这种方法的有效性。     

冷轧监控AGC智能Smith预估器的算法设计

针对冷轧监控AGC控制的滞后特点,开发出新型的智能模糊PID+Smith预估控制器.给出了该混合型模糊PID+Smith预估器的算法原理及设计步骤.基于推导出的典型冷轧监控AGC模型,利用MATLAB软件对常规PID-Smith及混合型模糊PID-Smith两种控制器进行仿真分析.仿真结果及现场应用表明:相比常规的PID-Smith预估器,混合型Smith预估控制器具有鲁棒性强、动态响应快及稳态精度高的优点.     

时滞系统的鲁棒二自由度Smith预估控制

针对时滞过程控制对象 ,提出了一种鲁棒二自由度Smith预估控制方法。在常规Smith预估控制系统中 ,引入基于内模控制原理的鲁棒控制器 ,构成一种二自由度控制结构 ,能有效地抑制被控过程参数变化和干扰对系统的影响 ,使系统同时获得良好的控制性能和鲁棒性 ,克服了常规Smith预估控制的不足 ,而且控制算法简单 ,便于实际系统应用。理论分析和仿真结果表明了这种方法的有效性     

基于无模型自适应控制的锌层厚度预估模型

针对锌层厚度控制过程中存在时变大滞后、非线性和多变量干扰而难以实现精确控制的问题,提出基于无模型自适应(MFA)结合Smith预估反馈控制方法.采用MFA预估算法可以实现Smith预估模型的参数偏差在线估计,并且不依赖预估模型的时间常数和延迟时间.从LabVIEW仿真数据结果可以看出,此控制策略对比增益自适应Smith控制算法,不仅能够有效地解决锌厚控制中系统高阶非线性问题,能有效克服不确定系统参数的扰动,并能有效处理系统时变大滞后问题.     

网络流量的神经网络自适应Smith预估补偿控制

网络的时延对基于速率反馈的ATM网络的ABR流量控制具有极大的不利影响，Smith预估补偿是克服大纯滞后影响的有效手段，然而其对时延的预估误差非常敏感，实际网络时延的不确定性往往使其难以取得满意的效果。该文将在线学习的神经网络自适应控制器与Smith预估补偿相结合，很好地克服了网络的时延及其不确定性对流量控制的不利影响，从而使信源的发送速率能快速响应网络状态的变化。与PIDSmith预估补偿控制相比，控制的适应性和鲁棒性更好，更适用于实际网络，且为保证信元不溢出及链路带宽充分利用所需的缓冲容量更低。     

基于Sugeno推理自调整模糊Smith-PID控制器仿真研究

针对工业控制中大惯性、纯滞后、参数时变非线性受控对象难于控制问题,提出一种新型控制器,利用Smith预估器补偿受控过程纯滞后作用,基于Sugeno推理模糊控制器自调整PID参数.给出控制器结构及其控制策略,并将其应用于加热炉温度控制系统中,与常规PID控制器和Smith预估补偿PID控制器比较.仿真结果表明,该控制器各项性能均好于其它两种控制器,具有动态调节性能好、稳态精度高、抗干扰性强和鲁棒巨好的特点.     

基于遗传预估策略的智能主动队列管理

针对TCP传输过程中的典型时滞特性,提出了一种智能主动队列管理算法.该算法以自学习预估机制模型为核心来克服大时滞特征对网络稳定性能的影响,拥塞控制系统以两条信息通道分别实现模型补偿和预测控制功能.模型补偿通道采用了Smith预估嚣实现对网络时滞特征的动态补偿,并进一步设计迭代进化算法实现对Smith预估模型未建模特征的估计过程.预测控制通道采用基于神经网络的PID智能丢弃算法,通过神经网络的学习预测功能自适应调整预测控制通道的控制行为.通过仿真研究表明了提出的控制方法显著提高了拥塞控制机制的稳定性能和自适应性能.     

基于Simulink的空调系统先进自校正控制仿真研究

空调系统可以被看作是一阶惯性加延迟的过程,系统具有时延和参数时变的特性.提出了一种先进的自校正控制策略并将其应用在空调系统中.该控制策略采用了一种混合的参数辨识算法,在控制系统闭环运行条件下,空调系统的过程参数包括延迟时间可以被在线辨识.辨识出的延迟时间被Smith预估器用来补偿控制回路中的时延,同时该控制策略的控制信号可由内环回路中的PI控制器根据ITAE整定规则计算获得.Simulink仿真结果表明该自校正控制策略较自适应PI控制的控制性能更为优越.     

基于自整定和模糊自校正技术的改进Smith预估控制系统

针对常规Smith预估控制系统难于整定和对过程参数敏感的缺点,将模糊自校正与继电反馈自整定技术结合起来,提出了一种改进的Smith预估控制系统。大量仿真测试表明这种新的系统与常规系统相比可显著改善控制性能和适应能力。这种新的系统不仅对纯迟延占优势的大迟延对象有效,而且还适用于过程控制中大量存在的具有类似于纯迟延占优势对象特性的高阶对象和非最小相位过程。     

Study on the Robot Robust Adaptive Control Based on Neural Networks

Force control based on neural networks is presented. Under the framework of hybrid control, an RBF neural network is used to compensate for all the uncertainties from robot dynamics and unknown environment first. The technique will improve the adaptability to environment stiffness when the end-effector is in contact with the environment, and does not require any a priori knowledge on the upper bound of syste uncertainties. Moreover, it need not compute the inverse of inertia matrix. Learning algorithms for neural networks to minimize the force error directly are designed. Simulation results have shown a better force/position tracking when neural network is used.     

Using RBF Neural Network for OptimumControl of a Cold Storage

1. INTRODUCTIONThe predictive optimum control of cold storage temperature has found a wide applicationin agricultural engineering, especially for keeping fruits and vegetables fresh by cold storage.All of the currently-used temperature control units face the problems on how to choose theoptimum temperature as the controlled object, how to predicte the temperature variation ofthe refrigerating storehouse and how to realize the optimum control. A lot of study effortshave been made. The earl…     

基于动态RBF神经网络在线辨识的单神经元PID控制

针对工业控制领域中复杂非线性时变系统,提出了基于动态RBF神经网络辨识的单神经元PID控制方法。采用动态RBF神经网络辨识器在线辨识系统模型,获得PID参数在线调整信息,并由单神经元PID控制器完成控制器参数的在线自整定,实现系统的智能控制。仿真结果表明,与常规RBF神经网络辨识的PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性。     

基于RBF神经网络的海杂波建模

从相空间重构理论出发，构造了一个RBF神经网络预测器来重构海杂波的内在动力学，并且利用这个确定性的模型时海杂波的演变进行预测。为验证模型的推广性能，采用了多步预测。对雷达采集的实际海杂波数据的实验结果表明，这个确定性的模型可以很好地追踪海杂波的演变。文中还分析了该RBF神经网络预测器在不同高斯白噪声条件下的预测性能，得出了其预测误差与杂噪比（CNR）的关系。     

基于RBF神经网络的井眼方位角误差建模及补偿

对于陀螺钻井测斜技术而言,由于惯性器件本身误差及井下恶劣条件带来的干扰均具有复杂性,误差补偿是影响测量精度的关键因素。在阐述陀螺测斜原理、分析测斜系统可能产生的各种误差的基础上,进行了测斜仪转台实验,并采用神经网络中的径向基函数理论建立了井眼方位角误差模型,将其建模性能指标与双线形插值建模指标进行综合对比,结果表明RBF网络建模时间短、拟合性能好、预测能力强、补偿后方位角误差得到有效抑制、补偿精度高,各项指标均优于双线形插值方法。     

基于RBF的机械手建模误差补偿自适应控制

针对机械手动力学建模误差,提出了基于RBF神经网络误差补偿的自适应控制策略。在基于逆动力学的计算力矩控制方法的基础上,对系统输入与目标轨迹进行修正,设计了两种误差补偿自适应控制器。利用RBF神经网络对修正项在线自学习,并根据Lyapunov稳定性理论建立了网络权重自适应学习律,保证了跟踪误差的收敛及系统的稳定。以平面转动双臂机械手轨迹跟踪为例进行仿真,结果表明该方法能够有效地补偿建模误差,提高了系统的控制性能并使控制系统具有对参数摄动的鲁棒性,对于机械手自适应控制具有一定的可行性。     

超机动飞行的非线性鲁棒自适应控制系统研究

针对飞机模型中存在气动参数不确定性以及外界干扰等影响因素,设计了一种超机动飞行的非线性鲁棒自适应控制系统。控制系统设计过程中,模型不确定性和外界干扰由RBF神经网络在线补偿,控制律及神经网络权值自适应律由反步法得到。解决了系统中控制增益矩阵未知,同时存在外界干扰情况下的鲁棒飞行控制系统设计,并证明了闭环系统所有信号有界,系统跟踪误差和神经网络权值估计误差指数收敛到有界紧集内。对所研究的飞行控制系统进行了过失速Herbst机动仿真,结果验证了该系统在过失速机动条件下具有良好的控制性能。