微机局域网存取Deltav DCS实时数据的低成本实现方法

随着计算机技术与控制技术的不断发展，分布式控制系统（DCS）越来越多地被应用于过程控制工业领域。介绍了在没有OPC Sever模块的情况下，微机局域网（PC LAN）上存取Fisher-Rosemount公司的Deltav DCS实时数据的实现方法，重点讨论了通讯系统结构与实施方法、Visual C 6.0下的程序编制方法与技巧，实践表明，该方法数据传输可靠，而且具有实现成本低的特点。     

神经网络研究方兴未艾

第4届神经网络国际研讨会（The 4th International Symposium on Neural Networks，简称ISNN2007）于2007年6月3-7日在南京顺利召开。     

轮式移动机器人的有限时间自适应轨迹跟踪控制

【目的】针对存在外界扰动和参数不确定性的轮式移动机器人,设计一种有限时间轨迹跟踪控制方案。【方法】首先,将轮式移动机器人动态系统分为二阶和三阶的两个子系统;其次,针对二阶子系统设计了自适应快速终端滑模控制律,保证移动机器人角速度跟踪误差有限时间内收敛到一个任意小的区域内;然后,设计了关于线速度的控制律,来保证三阶子系统的有限时间收敛;最后进行仿真实验验证。【结果】仿真实验结果与理论值相符。【结论】本研究设计的有限时间控制策略保证了移动机器人轨迹跟踪的效果。     

磨矿分级过程多模型智能控制研究

提出了一种非线性多模型控制算法,在若干平衡点附近首先建立多个子模型及相应的控制器,再通过在线计算模型匹配度来适应模型参数的变化,被控对象的最终输入是各控制器输出的加权和.将其应用于磨矿分级非线性系统的控制研究,仿真结果表明,所提算法极大地改善磨矿分级系统的动态响应,并增强了系统的鲁棒性.     

基于能量守恒的桥吊防摇切换控制

针对桥吊系统的非线性和不确定性,利用Lagrange方程建立其数学模型,从能量守恒角度设计了基于小车速度切换的防摇控制方法.由摄像头和反光板组成的传感器将检测到的图像经处理后得到吊具的角度.当吊具到达最低点时,将小车的速度进行相应的切换,使得吊具与小车相对速度为零,从而消除摆动.当小车在目标位置停止时,吊具的摆角范围为...     

一类线性切换系统的非脆弱鲁棒H∞控制器设计

研究控制器增益存在加性摄动时的一类线切换系统的非脆弱鲁棒H∞控制问题.首先,利用多Lyapunov函数方法,把状态空间划分为N(子系统个数)个子区域,并以最小Lyapunov函数作为切换规则,研究标称系统的稳定性,而给出的稳定性条件不要求每一个子系统都是渐近稳定的.然后,考虑系统的不确定性,给出了非脆弱状态反馈控制器和切换律设计方案.通过子系统之间的切换,保证系统对所有允许的不确定性是渐近稳定的且具有H∞性能界,并以线性矩阵不等式组的形式给出控制器增益矩阵存在的充分条件.最后,以数值仿真验证了该方法的有效性.     

基于多模型切换的智能控制研究

针对实际对象在不同工况下的模型参数突变，提出了基于多模型切换的智能控制方法．应用自适应模型库算法来建立多个模型而无需被控对象的先验知识．在系统运行过程中，由常规自适应模型和重新赋初值自适应模型在线自动地建立多个模型及相应的控制器．在每个采样时刻根据性能评价函数来选择最佳控制器．证明了该算法能够保证闭环系统的稳定性和跟踪误差的渐近收敛性．仿真结果表明，本所提出的方法使系统的动态响应品质得到了明显的改善．     

基于多模型切换的智能控制研究

针对实际对象在不同工况下的模型参数突变 ,提出了基于多模型切换的智能控制方法 .应用自适应模型库算法来建立多个模型而无需被控对象的先验知识 .在系统运行过程中 ,由常规自适应模型和重新赋初值自适应模型在线自动地建立多个模型及相应的控制器 .在每个采样时刻根据性能评价函数来选择最佳控制器 .证明了该算法能够保证闭环系统的稳定性和跟踪误差的渐近收敛性 .仿真结果表明 ,本文所提出的方法使系统的动态响应品质得到了明显的改善 .     

基于主元分析的RBF神经网络多模型切换控制

针对传统多模型自适应控制中子模型数量过多、学习和自适应能力的局限性等问题,将神经网络的学习能力和非线性逼近能力与多模型切换的思想相结合,提出基于主元分析的径向基(RBF)神经网络多模型切换控制算法。首先,基于主元分析法进行工况区域识别。其次,在不同的工况区域内采用RBF神经网络建立多个子模型并设计相应的控制器。最后,根据性能指标函数选择相应的控制器以得到最佳的控制效果。仿真结果表明,该算法大大减少了子模型数量,并改善了系统的动态性能。     

基于在线优化的多模型自适应控制

针对常规多模型自适应控制中子模型数量过多问题,提出在线优化的多模型自适应控制算法。将整个控制系统分为基本工况级和控制模型级的两层递阶结构。在系统运行过程中,通过在线学习自动地建立多模型及相应的控制器,并对所建的动态模型库进行优化,以进一步减少子模型数量和计算时间。证明了该算法能够保证闭环系统的稳定性和跟踪误差的渐近收敛性。计算机仿真结果表明该算法的有效性。