集气管压力系统的神经网络逆解耦复合控制

针对集气管压力系统具有强干扰、强耦合、非线性、多参数等特性,依据逆系统解耦原理,分析了集气管压力系统数学模型的可逆性;采用对非线性具有较强逼近能力的BP 神经网络,逼近集气管压力系统的逆系统;神经网络逆系统与原系统构成伪线性解耦复合系统,实现集气管压力系统的神经网络逆解耦复合控制。仿真结果表明该方法实现了系统解耦,具有一定的应用性。     

基于RBF神经网络的预测控制

运用神经网络解决系统的非线性问题，用预测控制解决系统时滞问题．针对制冷系统膨胀阀控制回路具有时滞、非线性的特点，提出了将基于RBF神经网络的预测控制用于蒸发器过热度的控制．仿真与应用均表明该算法具有良好的动态响应和较强的鲁棒性，能够对蒸发器过热度进行有效的控制．     

基于RBF神经网络的结构动力响应预测

介绍了径向基函数(RBF)神经网络学习速度快,动态仿真性强,具有较强的输入输出映射功能和全局最优逼近的结构特点.针对快速预测结构动力响应有助于克服结构振动控制中时滞效应的特点及BP网络存在的问题,应用RBF网络对结构的位移、加速度进行了预测,并采用BP网络作对比研究.仿真结果表明RBF神经网络训练速度快,精度高,可及时为主动控制建筑结构响应提供较为准确的优化性能指标,从而为实现在线实时控制结构响应提供优良的保证.     

焦炉集气管压力智能解耦控制系统的应用

针对某钢铁焦炉集气管压力系统具有强耦合、强干扰、典型非线性的特点，结合模糊控制、PID控制、解耦控制和专家控制的优点，提出集气管压力的智能解耦控制方法，并将该控制方法应用于某焦化厂1号、2号焦炉智能解耦控制器。实际运行结果表明，当焦炉开盖、关盖、外送压力和煤气流量等因素引起集气管压力波动时，系统能迅速调节蝶阀开度使压力在15S内达到稳定，并且能够保证集气管压力稳定在工艺要求的波动范围内。     

考虑时滞因素的RBF神经网络模型在高炉铁水硅预报中的应用

在高炉炼铁生产过程中,铁水硅含量反映高炉炉温,预测和控制炉温对高炉生产的节能、降耗、顺行至关重要.基于包钢6号高炉生产数据,建立了RBF神经网络铁水硅含量预测模型.研究表明:考虑时滞因素的RBF神经网络模型,当误差范围＜±0.10时,预报准确率达到了85％,其准确度高于不考虑时滞因素的RBF神经网络模型,对在线预测高炉铁水硅含量具有实用价值.     

基于RBF神经网络的动态矩阵控制算法

利用RBF网络对DMC算法进行结构上的改进,并用RBF网络的逼近性能建立预测模型,提出一种基于RBF神经网络建模的动态矩阵控制算法,并用该算法对典型的时滞系统进行仿真试验,结果表明该算法具有较高的控制精度和响应速度.     

一类非线性时滞系统的自适应动态面控制

针对一类具有不确定输入时滞和干扰的非线性系统的跟踪控制问题,提出一种动态面控制、神经网络和自适应控制相结合的控制方案.通过构造一个滤波器和一个虚拟的状态观测器产生辅助信号,并利用神经网络来估计未知的连续函数,证明了系统跟踪误差收敛于一个充分小的紧集.     

RBF神经网络在桥梁振动控制时滞问题中的应用

提出基于径向基函数神经网络原理的桥梁结构反应预测模型,对基准控制设计桥梁振动控制模型进行数值仿真,将预测结果与经典控制算法结果进行对比分析.结果表明,RBF神经网络可以较为准确预测桥梁结构的地震反应,有效解决振动控制中的时滞问题.     

基于一类GA-RBF神经网络的转炉炼钢静态模型控制

讨论了具有非线性、大时滞、不确定特性的工况复杂的转炉炼钢过程建模与控制问题.针对传统的控制方法控制效果差、精度不高,难以达到期望结果的问题,结合RBF神经网络的特点,提出用基于混合编码方式的混合遗传算法训练的RBF神经网络,同时优化网络的结构和参数,并利用RBF神经网络建立转炉炼钢静态模型.仿真结果表明,该模型具有在线调整和学习的功能,比传统模型具有更好的计算精度和适应能力,为提高转炉冶炼过程的控制精度给出了一个有效的方法.     

基于RBF神经网络的直接模型参考自适应控制

大多数的现代被控对象均具有非线性的特性,使得采用传统的PI、PID控制很难取得较好的控制效果.人工神经网络,在一定条件下可以任意精度逼近任意非线性函数且具有较强的自学习、自适应、自组织能力.故将其应用于非线性严重的装置的控制,可充分发挥其非线性映射能力和自学习、自适应、自组织的能力,实现对非线性装置的高性能控制.相比于Sigmoid激发函数的BP神经网络,RBF神经网络具有更简洁的网络结构和更快的收敛速度且可避免收敛于局部极值点,使得RBF神经网络更适合于在线应用同时也具有更好的控制效果.本文采用RBF神经网络构成神经网络NN进行自适应控制.为进一步加快神经网络的学习收敛速度,本文采用变学习速率的神经网络学习算法,学习速率随收敛过程误差的大小而自适应地进行调整,这可大大加快神经网络学习训练的收敛速度.本文对RBF神经网络直接自适应控制策略应用于非线性被控装置的控制进行了仿真研究,仿真结果表明,系统的动态响应快,超调小,稳态精度高,有较强的跟踪能力,具有较好的控制效果.     

基于模糊理论的焦炉集气管压力控制系统的设计与实现

针对湘钢焦炉集气管压力和鼓冷系统吸力控制特点,对原有系统进行改造,将模糊控制技术和常规PID控制技术相结合,提出了一种基于模糊理论的焦炉集气管压力控制方法,结合相邻通道的波动引起的耦合现象,采用模糊解耦原则进行解耦控制。通过matlab仿真表明：模糊PID参数自整定算法与常规PID相比,具有更好的动态特性。实践证明该方法有效实现了对集气管压力系统的智能控制。     

焦炉集气管压力系统智能控制与仿真

由于焦炉集气管压力系统具有强干扰、多耦合、时变和非线性的特点，目前的控制系统效果并非十分理想。针对这种情况，提出将参数在线自调节与多变量模糊规则解耦相结合的智能控制策略，设计了焦炉集气管压力智能控制系统，并利用MATLAB进行了仿真研究。仿真结果表明，该智能控制系统可获得理想的调节效果。     

基于LS-SVM逆系统的焦炉集气管压力系统内模控制

焦炉集气管压力是炼焦生产过程中重要的工艺参数,其值是否稳定,直接影响到煤气质量、焦炉寿命、焦炭质量和生产环境。针对焦炉集气管压力系统是一个强干扰、非线性和多变量耦合的复杂系统,采用LS-SVM辨识出焦炉集气管压力系统的逆系统模型,并将其串联在原系统之前,运用逆系统的方法将集气管压力系统解耦成2个相互独立的单输入单输出伪线性子系统。同时,对解耦后的系统采用非线性内模控制策略以保证系统的鲁棒性和稳定性。仿真和应用结果表明该控制策略的解耦控制效果较好,提高了系统的快速调节能力和跟踪精度,而且增强了系统的鲁棒性,可以保证焦炉集气管压力稳定在现场工艺要求的范围内。     

基于子空间辨识的焦炉集气管压力控制

针对焦炉集气管压力具有多变量、耦合、时变性等特点,设计焦炉集气管压力增量式在线子空间多变量预测控制策略.在增量式子空间预测控制的基础上,引入滚动窗口子空间辨识方法,设计子空间预估器模型的更新策略,实现了在线子空间自适应预测控制.应用在线子空间辨识方法对焦炉集气系统现场数据进行辨识,取得了较好的预测精度;利用子空间预估器模型进一步建立焦炉集气系统的状态空间模型,在考虑输入约束、模型时变和干扰的情况下,该模型表现出了很好的控制精度和性能.     

基于深度信念网络模型的多目标优化

为降低炼焦能耗,提高焦炭产量和质量,准确建立生产目标模型,提出基于深度信念网络模型的多目标优化研究方案。根据现场专家经验及生产现状确定能耗和产量为生产目标,对采集的炼焦数据进行处理和相关性分析,分别建立能耗和产量的深度信念网络模型及质量径向基神经网络模型,并且采用差分扰动的粒子群多目标优化算法进行集气管压力设定值优化,通过仿真研究验证了该方案的可行性。实验表明,该方案能准确地挖掘数据间的复杂特性,建立精准的目标模型,并得出最佳的集气管压力设定值,使炼焦能耗降低并且产量提高,可以为实际生产提供理论指导。     

基于Matlab的凝结水回收装置压力模糊控制器设计

在供热系统冷凝水回收装置中,集水器压力控制是整个回收系统的关键。采用模糊控制思路,借助Matlab/Simulink仿真技术,设计集水器内部压力模糊控制器。利用对集水器内部的压力的模糊控制,控制排汽电动阀门的开启度,使集水器内部压力稳定在某范围,有效控制集水器内部压力,从而控制集水器内部水蒸汽含量,防止水泵汽蚀,使装置在多路公网,恒压、衡液位、高温情况下全自动、安全可靠运行。     

一类非线性离散系统的神经网络自适应控制

针对一类控制方向未知的单输入单输出非线性离散系统,将常规增量式数字PID控制器与自适应神经网络控制项相结合,提出了一种能够保证闭环系统稳定的自适应神经网络控制方法.常规PID控制器用来保证近似线性系统的稳定,自适应神经网络项用来处理非线性项对闭环系统的影响.在神经网络权值修正律中引入离散Nussbaum增益来解决被控系统控制方向未知的问题.证明了闭环系统的所有信号有界,且跟踪误差收敛于紧集,并通过仿真验证了所提方法的有效性.     

基于神经网络的智能控制系统

论述了人工神经网络的产生与发展,以及人工神经网络在控制系统中的应用现状,分析了人工神经网络的特点和监视控制系统的原理,并对神经网络控制系统的前景做了展望。     

基于模糊神经网络融合的温度控制方法

针对目前温度控制中存在的问题，研究设计了一种新的适合于非线性、惯性系统应用的动态控制的方法。采用了将具有简单有效的非线性控制作用的模糊控制技术与学习和自适应能力较强的人工神经网络技术相融合的方法，建立了模糊神经网络相融合的智能控制模型。文章详细地介绍了基于模糊神经网络的智能温度控制的实现过程。实际应用结果表明，系统具有较强的实时性和可靠性，不仅温度控制精度高，而且动态响应速度快。该控制方法的研究，为实现最佳温度控制提供了理论根据和有效方法。