二进制互连神经网络的遗传演化

当前对于二进制神经网络的研究主要集中在前馈模型上,然而前馈模型不具备反馈连接,无法形成记忆结构,从而无法处理时序逻辑问题。提出了一种基于遗传算法的二进时序神经网络演化算法,并且通过双边沿触发计数器实验和迷宫路径覆盖实验验证了演化的二进制互连神经网络具备时序逻辑处理能力。     

分数阶系统的迭代最小二乘辨识算法

针对等比例阶次的分数阶系统的特点,提出了一种分数阶系统频域辨识的迭代最小二乘算法,并将运算数据的实部和虚部分离计算引入辨识过程,简化了计算的复杂度。此算法是整数阶系统辨识频域最小二乘算法的推广。通过无噪声和有噪声两种情况下的仿真实验,证明了该算法的有效性。     

基于改进遗传算法的PID参数整定策略

针对简单遗传算法（SGA）收敛速度慢、易于早熟等缺点,在前人研究成果的基础上,提出动态调整搜索空间策略,对遗传算法进行多步渐进搜索。并采用改进的自适应交叉算子和自适应变异算子,结合兼顾性能指标和响应过程平衡的适配函数,以多种改进方式相结合的遗传算法对PID参数进行迭代寻优整定。仿真结果表明：当被控对象存在较大纯滞后、时间常数特性时,采用本方法优化PID控制器参数可获得比较满意的调节效果。     

基于阶跃响应的带纯滞后闭环辨识新方法

先进控制成功应用的关键是精确模型的建立,传统的辨识方法受测试条件和稳定生产要求的制约,难以在工业现场得到满意的应用。根据大量工业现场的需求提出了一种新型的针对带有纯滞后环节的连续系统,基于阶跃响应测试的闭环辨识方法。该方法采用带控制器的迭代辅助变量最小二乘法,解决了纯滞后时间估计和闭环系统可辨识性的问题。采用Monte Carlo实验验证了该算法的无偏性和有效性,通过仿真研究和实际应用表明该方法具有较高的精度和较强的鲁棒性,并能够适用于非自衡对象。

Abstract：

The key factor for the successful application of advanced process control （APC） is the accuracy of the model. But the conventional identification methods was restricted by the requirement of simple testing and steady production,so they were used to provide unsatisfactory results in actual industrial plant. To solve that problem,a novel closed-loop identification algorithm was proposed to continue system with time delay based on the test of step response. Iterative Instrumental Variable Least Squares method with controller was used in the algorithm to solve the difficulty of identification of delay time and identifiability of close loop systems. Unbiasedness and validity were validated by Monte Carlo testing. It is illustrated that the algorithm is very accurate and robust by simulation and application. And integrating process is also applicable.     

基于二阶泛模型的无模型自适应控制及参数整定

首先充分利用无模型自适应控制(MFAC)边建模、边控制的特点,推导基于二阶“泛模型”的改进无模型自适应控制方法,并推导伪偏导数及控制律的迭代公式,与基于一阶泛模型的MFAC方法相比,改进策略可以使每次迭代的泛模型更加准确,从而进一步提高控制精度.接着,针对改进MFAC的参数整定问题,提出基于优化技术的控制器参数整定方法,运用辨识出的近似模型针对不同的目标函数进行优化,使得其实用范围更加广泛.通过大量仿真实验对比可以看出:经过Jeu-tr型性能指标进行参数优化的改进MFAC控制器动态响应最好,且优化迭代次数较少.因此,控制效果得到显著改善.     

基于SVDD时段细化的间歇过程故障监控

针对多向主元分析(MPCA)在间歇过程故障监测应用中经常面临的分段不准确问题,提出了一种新的基于支持向量数据描述(SVDD)的两步分段方法,从而提高分段的准确性和故障监测精度。第一步分段采用机理知识与现场数据相结合的思想,对MPCA模型的负载矩阵进行修正。将采样时间引入负载矩阵中,增大模型差异性,从而避免了故障数据导致的分段错误。第二步利用支持向量数据描述方法将初步划分的各子时段进一步细分,严格区分各子时段中的稳定与过渡时段,进一步提高分段的准确性。同时,给出基于上述分段技术的间歇过程在线故障监测算法,可以实时地监测现场数据。最后将该方法应用于青霉素间歇过程的在线监测,结果表明:该方法能够细致刻画过渡过程信息,比常规MPCA方法能够更早地检测出故障,并避免了误报。     

基于免疫自整定的自抗扰控制研究

结合自抗扰(ADRC)和生物免疫的控制思想设计了免疫ADRC控制器。设计的免疫ADRC控制器保留了传统ADRC控制器的结构,并运用生物免疫机制实现了自抗扰控制器中非线性状态误差反馈(NLSEF)的参数自整定。这样设计的控制器可以提高传统控制系统的抗干扰能力,优化了控制器性能。设计的免疫ADRC算法可适用于N阶对象,仿真部分以二阶运动模型为例。仿真实验表明,免疫ADRC既可以保存传统ADRC快速跟踪和有效观测的优点,又能在此基础上增强系统的抗扰能力,提高了系统的稳定性。     

带神经网络补偿的Smith预估极点配置自校正控制

用一个常规线性模型对被控对象进行辨识,线性模型辨识的余差用一个神经网络进行补偿,线性模型和神经网络共同构成对象的辨识模型·基于这一模型对大滞后对象提出了带神经网络补偿的Ｓｍｉｔｈ预估极点配置自校正控制和带神经网络补偿的Ｓｍｉｔｈ预估极点配置自校正ＰＩＤ控制·这些方法适用于非线性对象,具有较强的鲁棒性和较好的控制精度·     

大滞后特性处理的研究和比较

针对一、二阶加大滞后对象,对滞后项分别进行一阶Pade逼近、二阶对称Pade逼近,二阶非对称Pade逼近和全极点逼近。分析研究了开环,闭环系统中带有滞后的问题,并通过几种近似方法与理论输出值的ISE值来比较各种逼近方法的精度。同时提出在计算过程中对滞后处理的改进方法,通过仿真进行比较,使得误差大大减小,精度提高。     

面向多输入输出系统的支持向量机回归

目前支持向量机回归算法只适用于单输入单输出系统,在处理复杂多变量系统时多采用构造一系列单变量支持向量机模型的方法,增加了模型与控制的复杂性。针对这一问题,提出了面向多输入多输出系统的支持向量机线性回归和非线性回归方法,两种方法的不同在于映射到高维空间后的运算方法不同。与单变量支持向量机回归建模相比,采用该方法建立的多变量系统模型结构较为简单,且在小样本数的情况下,模型训练速度较快。最后将该方法应用到甲基丙烯酸甲脂的间歇聚合反应过程中,仿真结果表明该方法的有效性。