基于改进型RBF神经网络多变量系统的PID控制

针对工业控制中多输入多输出非线性时变系统,提出了基于改进型RBF神经网络的智能PID控制方法.采用最近邻聚类算法在线构造RBF神经网络辨识器并在线辨识被控对象,对PID控制器参数进行在线调整,实现了多变量非线性时变系统的解耦控制.仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制规律下的PID参数,解耦后的系统具有较好的动态和静态性能,与常规RBF神经网络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.     

多变量模糊控制系统的前馈解耦

为实现多变量模糊控制系统的动态解耦，基于前馈解耦思想和神经网络理论，提出了一种多变量模糊控制系统解耦的新方法——模糊前馈解耦法,模糊控制器和解耦部分独立设计，解耦由两层神经网络实现，节点少，其活化函数采用分段线性函数．利用简化的学习算法，根据系统输出误差，在线调整网络权值，从而实现动态解耦而无需辨识被控对象的模型，该方法结构简单且计算量小，适于实时多变量过程控制，仿真证明了该方法的有效性。     

航空发动机模糊自适应广义预测解耦控制

为克服航空发动机控制回路间的耦合作用,针对具有不确定大时延的航空发动机分布式控制系统,提出了一类模糊自适应广义预测解耦控制算法.利用发动机非线性模型的输入输出数据对模糊自适应推理网络进行离线训练,网络的前提参数训练后固定,后件参数则可在线调整以使网络能更好地逼近实际系统.将模糊自适应推理网络作为广义预测控制器的预测模型,可以省去常规广义预测控制器的反馈校正机构.仿真表明:当参考轨迹为阶跃信号、斜坡信号时,所设计的控制器均具有良好的动态跟踪特性和解耦特性,当时延发生变化时,系统输出仍然能稳定地跟踪参考轨迹,说明该控制器对时延不敏感,鲁棒性强.     

一类神经网络整定PID参数的非线性系统解耦方法

对具体非线性系统有不同的解耦方法，如模糊解耦、神经网络解耦等。因神经网络有自学习功能以及对参数摄动的不敏感，故对某些特殊的非线性系统采用神经网络解耦作为补偿器进行输入输出解耦，能够获得较强的鲁棒性。首先介绍了神经网络解耦的一般结构，然后给出了递归多层神经网络的学习方法。针对一类非线性系统设计了一类基于递归多层神经网络整定PID参数的多变量非线性系统的解耦控制器。从仿真可以看出，对于文中所给出的非线性系统，这种递归多层神经网络的解耦控制器对于输入输出解耦是可行的。     

参数在线辨识的模糊神经网络Smith控制器

将多变量系统的Smith预估器参数的在线辨识方法的研究结果运用到多变量模糊RBF神经网络控制系统中,构造多变量模糊RBF神经网络Smith预全控制器,详细地阐述了控制器的结构和设计方法,并对一个双输入双输出对象进行仿真研究,仿真结果表明所构造的控制器具有的控制效果,且当对象的特性发生变化时,系统仍具有较好的辨识效果,控制器具有一定的鲁棒性和自适应能力。     

基于CMAC和PID的非线性耦合系统解耦控制研究

为了实现多变量非线性耦合系统的解耦控制,提出了一种基于CMAC与PID的复杂关联自适应解耦控制策略,并给出了详细算法。该控制策略采用PID控制器和CMAC控制器共同构成一个复合控制器,多个复合控制器通过多输入多输出线性神经网络,实施对复杂非线性耦合对象的控制作用。由于神经网络的自适应特性,可使得耦合系统逼近参考模型,实现解耦控制。仿真结果表明,该控制策略实现了耦合系统的解耦控制,并且具有较强的抗干扰能力和鲁棒性。因此采用此控制策略能够实现多变量非线性耦合系统的解耦控制。     

神经网络解耦控制在多变量控制系统中的应用

应用神经网络解耦控制,实现多变量系统的最优控制.通过引入神经网络环节,对多变量系统进行解耦,解耦后的子系统变为单变量系统.因此将多变量控制变成单变量控制.解耦控制采用前馈补偿器解耦,解耦补偿器采用BP神经网络结构.仿真结果表明,该控制策略具有较好的动态跟踪特性,能满足复杂多变量控制系统的控制要求.     

一种基于核ridge回归的解耦控制系统

提出了一种新的基于核ridge回归的解耦方法。该方法具有传统径向基(RBF)神经网络解耦方法对被控对象数学模型依赖性小的特点，同时又能有效地克服RBF神经网络解耦方法对训练样本要求高、噪声敏感和解耦速度慢的缺点，经核ridge解耦器补偿后的控制系统具有被调节量和调节量之间耦合作用小、动态特性好、稳定性强的优点。补偿后的控制系统具有很强的校正能力，对外界各种干扰也有较强的解耦效果和控制质量。仿真试验表明，采用核ridge解耦器的多变量控制系统能够有效地解除系统各变量之间的耦合作用，且结构简单、易于实现，大大增强了解耦控制系统的实用性能。     

建筑设备节能控制策略

由于变风量空调控制系统具有非线性、大滞后、时变性的特点,该文提出了一种基于改进型Elman神经网络预测和改进型T-S模糊神经网络控制的结构,其预测输出与实际输出的差值作为T-S模糊神经网络控制器的输入,使空调控制系统具有较高的控制精度和良好的动态特性。由于变风量空调运行时各变量之间的耦合关系,又结合了解耦的控制方法,达到了抑制温度和湿度耦合的控制效果。仿真结果表明:与传统PID控制相比,该控制系统具有较强的鲁棒性,学习能力强,控制精度高,控制效果好,有较强的解耦控制能力。     

磁悬浮开关磁阻电动机径向力的动态解耦控制

基于基本电磁场理论 ,给出了磁悬浮开关磁阻电动机径向力与位置的模型 .针对模型具有非线性和强耦合的特点 ,对该模型进行可逆性分析 ,从而证明该系统可逆 .应用神经网络逆系统方法 ,设计其非线性控制器 ,将原来非线性强耦合的多变量系统解耦 ,转变成 2个位置彼此无耦合的线性子系统 ,应用线性系统理论容易对这 2个子系统进行控制 .仿真表明 ,系统具有良好的静动态性能 .     

两电机同步系统的神经网络控制

在对两台感应电机同步系统模型分析的基础上,依据同步系统的结构特点和控制要求,结合人工神经网络的非线性映射、自适应、自学习等能力,提出一种新的基于神经网络的两电机同步系统控制方案,其中神经网络控制器由基于RBF网络整定的自适应PID控制器和神经元解耦补偿器两部分组成.两个自适应PID控制器分别对速度控制回路和张力控制回路进行自适应控制,使系统具有更强的适应能力、更好的实时性和鲁棒性;神经元解耦补偿器综合两控制回路的耦合作用,通过训练网络权值,补偿各回路之间的耦合影响,实现速度和张力的解耦.试验结果表明:采用神经网络控制方法可以实现两电机同步系统中速度和张力的解耦控制,系统具有良好的动静态性能.     

基于模糊RBF神经元网络的冷连轧板形板厚多变量控制

针对板带材轧制是一个复杂的非线性过程,板形控制(AFC)和板厚控制(AGC)又是相互耦合的一个综合系统等特点,提出了一种基于模糊RBF神经元网络的冷连轧板形板厚多变量综合控制系统.仿真结果证明了此AFC-AGC控制系统具有良好的自适应跟随和抗扰性能,其控制效果优于传统的解耦PID控制.     

基于大时滞特性预估补偿的模型辨识及模糊控制方法

对具有大迟延特性的对象采用径向基神经网络辨识其预测控制模型,在不需要知道被控对象的精确物理解析数学模型,也不需要知道对象的脉冲激励响应模型和阶跃激励响应模型的情况下,可以实现对系统响应特性的在线辨识.采用分级模糊建模的思想,设计一种分级模糊控制器,可以极大地减小模糊规则基的规模,在分级模糊控制器的设计中,采用共生进化遗传算法对参数寻优,提高了进化速度.仿真试验证明,该方法的效果很好.     

链篦机-回转窑温度场过程控制系统设计

链篦机-回转窑温度场控制系统具有大滞后、非线性、多变量、强耦合的特点,很难建立控制过程数学模型,常规PID控制器难以实现有效控制。本文深入研究了球团生产工艺机理,并对某球团二厂进行现场调研,采用了模糊控制和解耦控制的理论,设计了模糊控制器和解耦控制器,对链篦机-回转窑温度场控制系统进行了详细设计,并借助于MATLAB对模糊解耦控制器进行了仿真,仿真结果证实了模糊解耦控制器合理性,为操作工提供了操作指导,也为将来实现球团自动控制打下基础。     

基于RBF-PID控制的直流调速系统仿真

针对工程设计中PI控制直流调速系统启动时转速必然超调、自适应性差等问题,在分析双闭环直流调速系统数学模型的基础上,确定了系统的控制策略,并设计了一个RBF-PID控制器。利用RBF网络的自学习能力实时调节PID控制器参数,最终实现系统转速的调节。仿真测试表明:与工程设计的PI控制相比,采用RBF-PID控制的直流调速系统超调量小、动静态性能好、抗扰性能优、鲁棒性强。     

SCARA型机械臂的智能神经网络控制研究

在传统机械臂动态控制基础上,将RBF神经网络与模糊逻辑控制相结合,提出一种新的智能控制方法——RBF模糊神经网络控制方法。该方法使用两个子网络分别对关节1和关节2实施控制,最后通过协调级网络来消除和减小两个关节之间的耦合作用。以仿真实验结果说明该网络结构简单明确,计算更加有效,并通过适时地修正网络参数,在线调整了模糊隶属函数的中心值和宽度,所设计的控制器能快速、稳定地跟踪到期望轨迹。     

船舶航向的神经网络二阶导数多步预测模糊自适应控制

针对大型船舶控制特性,设计了船舶航向的神经网络二阶导数多步预测模型及其辨识和预测算法,提出基于径向基函数神经网络多步预测模型和模糊小脑模型关节神经网络控制器的大时滞船舶航向模糊控制自动舵方案,解决传统自适应控制中模型的在线辨识和控制器的在线设计问题,以达到对具有大时滞、不确定非线性特性的大型船舶实现高精度输出跟踪控制.仿真结果表明对设定航向具有精确的跟踪控制效果.     

基于递归神经网络的多变量系统预测控制

针对线性PID控制器系数难以整定的问题，构造了一种用神经网络实现的非线性PID控制器．多个具有相同结构的非线性PID控制器并联，对多变量系统实现解耦控制器．结合预测控制的思想，提出两种控制方案．第一种是在递归多步预测的基础上，在广义最小方差目标函数下实现控制，第二种利用多步预测目标函数在线修正解耦控制器的权值．仿真实验表明这两种方法的有效性．