气体分馏装置多变量预测函数控制方法

针对气体分馏工业过程中存在的多变量、强耦合、大滞后等系统特性,设计了一种预测时域可调的多变量预测函数控制算法.该方法结合单变量预测函数控制及Simith预估器的特点,通过对预测时域进行分段设定,以期达到较好的快速性和稳定性.以气体分馏装置的脱丙烷塔为例,依托现场的实测模型,对提出的算法进行了验证.结果表明,所提出预测时域可调的多变量预测函数控制算法调节时间短,跟踪效果好.     

基于遗传算法优化因子的灰色PI预测控制

针对灰色PI预测控制比例因子和积分因子参数整定困难,提出了基于遗传算法参数优化整定的PI型灰色广义预测控制(GPIPC)。灰色PI预测控制(GPIGPC)采用灰色预测控制技术克服时变时滞,用PI(PID)控制技术加强系统的鲁棒性,运用遗传算法在线优化整定灰色PI预测控制的比例因子和积分因子,增强了系统的跟踪特性和抗恒值扰动特性,极大程度地减少了模型时延失配和模型增益失配的影响。仿真实例表明,该算法具有较好的鲁棒性和抗干扰性。     

基于外点惩罚函数与NSGA-II算法的气体分馏装置多目标优化

采用多元线性回归理论,结合最小二乘法对气体分馏装置进行优化建模,提出将惩罚函数法与非支配排序遗传算法（NSGA-II）相结合的优化策略,对气体分馏装置优化模型进行求解得到Pareto最优解集。优化结果表明,文中提出的改进NSGA—II算法求得Pareto解集的收敛性和多目标优化点的分散程度要优于NSGA．II和NSGA算法,该算法克服了NSGA—II算法Pareto解集的分散程度不均匀、NSGA算法收敛性差的问题。通过对比气体分馏装置目前工况与改进NSGA—II优化算法的结果可知,改进算法的结果成功地解决了目前该气体分馏装置能耗过高的问题,使该装置达到了节能优化的目标,为气体分馏装置的节能与优化设计提供了新的有效方法。     

采用多变量RBF神经网络的非线性内部迭代预测控制

针对工业过程中被控对象往往具有复杂、强非线性、多变量的特性,提出一种基于多变量径向基函数(radial base function,RBF)神经网络的非线性内部迭代预测控制方法.采用多个RBF神经网络在线逼近多输入多输出的非线性系统,得到一个近似模型作为预测模型.同时为了减少求解系统控制律的计算量,将每个输出预测值沿着输入轨迹展开,从而把求解复杂非线性优化问题转化为求解简单的二次规划问题,解决了在线实时递推控制律时求解非线性微分方程的困难.最后通过t次内部迭代直至满足迭代条件,得到了最优的控制律.p H中和过程的仿真结果表明了该算法是有效而可行的.     

ELM岭回归软测量建模方法

ELM(极限学习机)是一种新型的前馈神经网络,可有效处理函数的回归问题.针对ELM学习算法隐含层输出可能存在的复共线性问题,提出了ELM岭回归(ELMRR)软测量建模方法.该算法利用岭回归方法代替原有的线性回归算法,以误差平方和均值为性能指标,采用粒子群优化算法确定最佳岭参数,克服了传统岭回归算法最佳岭参数难以确定的缺...     

四旋翼无人机飞行姿态的自适应反演滑模控制

针对非线性六自由度欠驱动四旋翼无人机的姿态和位置控制问题,提出自适应反演滑模控制算法.设计了一种自适应律对控制中的参数摄动和外界干扰上界进行在线估计,并将估计值补偿到反演滑模控制中.通过李雅普诺夫稳定性理论证明自适应反演滑模控制能使跟踪误差一致渐近收敛到零.最后,根据给定的四旋翼无人机参数进行数值仿真,所得结果表明在系统存在参数摄动和外部干扰的情况下,该方法也能够实现四旋翼无人机的姿态稳定和定高悬停,并具有较好的鲁棒性..     

PFC-PID控制在加热炉炉膛压力控制中的应用

针对工业P ID控制器不能很好兼顾抗干扰性与鲁棒性的缺点,将预测函数控制(PFC)与P ID控制相结合,提出一种具有PFC-P ID控制结构的新型预测函数控制器并成功地应用到工业焦化加热炉炉膛压力的控制中。由于其控制策略实现了目标和控制的分层,因此其控制效果要优于仅存在P ID控制的情形。实际工业应用表明了该方法的有效性。     

指纹图像增强算法研究

指纹图像增强在指纹图像预处理过程中有着非常重要的作用,直接影响指纹识别的识别率和识别速度。一般图像增强算法无法满足指纹识别系统的要求,为了提高指纹增强算法的综合性能,现提出一种优化的Gabor滤波方法以增强指纹图像并有效消除噪声,并对Gabor滤波器的参数进行量化。实验表明,该算法能够使图像的质量明显得到增强,方便了后续指纹特征的提取,以提高指纹识别的算法效率和准确率。     

基于TSA的非线性神经网络预测控制

针对现有非线性预测控制方法在线递推控制律时求解非线性方程的困难,提出一种基于树和种子算法(tree and seed algorithm, TSA)的非线性神经网络预测控制算法.该算法采用径向基函数(radical basis function, RBF)神经网络建立非线性系统的过程模型,并将该模型作为预测模型,可以有效逼近系统的过程特性.在此基础上,通过该模型递推非线性系统的预测输出值,并设计具有约束的二次型性能指标.利用TSA优化该性能指标,不断在线搜索非线性预测控制系统的最优控制律,避免采用直接递推的方式求解复杂非线性优化问题,减轻了系统的计算负担.生化发酵过程仿真对比结果表明,该算法具有很强的跟踪和抗干扰能力.