多变量系统预测函数解耦控制

提出一种新的多变量系统预测函数解耦控制(PFC)算法。该算法将多变量系统的PFC分散为若干单变量系统的PFC,使参数设计和算法求解大为简化。此外,利用该算法可得到一个解析的控制量计算方程,控制器参数均可离线计算,因此在线时算法简单、计算量小,可用于解决复杂的耦合控制问题。仿真结果表明了该算法的有效性和可行性。     

电加热锅炉系统神经网络PID解耦控制器

以多输入多输出系统电加热锅炉为被控对象 ,基于神经网络 PID控制 ,提出了一种可用于带有耦合时延的多输入多输出系统的比例、积分和微分参数自整定的多输入多输出神经网络 PID解耦控制器 ,可以实现多变量系统的解耦 ,定值跟踪控制 ,并使系统具有很好的动态及稳态性能.     

大型轮式工程车辆转向系统的神经网络PID控制

根据大型轮式工程车辆转向系统的对象特点和操纵方式，提出采用基于RBF神经网络控制器来改进常规PID控制器实现系统控制性能。该控制系统结构中，RBF神经网络辨识器(RBFNNI)实现对被控对象的Jacobian矩阵信息的辨识，神经网络控制器(NNC)是基于RBF神经网络实现的单神经元的PID控制器。在对算法进行改进的基础上设计了神经网络结构，并进行了被控对象的仿真分析。实际结果表明该控制方法具有较好的实用性和鲁棒性，可以用于多操纵模式工程车辆转向系统的控制。     

基于广义预测的非线性解耦PID控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络的非线性多变量PID解耦控制方法。该控制器是由常规PID控制器与解耦补偿器、未建模动态前馈补偿器组成,而PID参数的整定是通过广义预测的方法实现的。同时给出了该控制方法的闭环系统的稳定性和收敛性分析。最后通过仿真实例验证了所提方法的有效性和可行性。     

多变量非线性系统的有约束模糊预测解耦控制

针对多变量非线性系统提出了一种带约束输入的广义预测解耦控制算法:首先对多变量非线性系统建立T-S模糊模型,然后在每个采样点对系统进行局部动态线性化,将得到的系统线性化模型进行对角解耦,然后对其设计带输入约束的GPC算法.该算法充分考虑了控制输入及其增量受约束的情况,而且不必求Dio-phantine方程,减小了计算量,且削弱了变量之间的耦合程度.最后的仿真结果说明了该算法对多变量非线性系统的有效性.     

基于改进PID神经网络算法的AUV垂直面控制

针对一类小型低速自主水下航行器(AUV)的垂直面运动控制问题,设计了一种改进的PID神经网络控制器,实现对水下航行器在垂直面内深度和俯仰角的全局控制。利用REMUS水下航行器模型搭建了Simulink下AUV垂直面仿真控制系统,仿真结果表明,改进的控制方法克服了原方法中饱和区过大的问题,具有良好的动态性能同时能够适应不同的学习速率和网络初始权重,对水下航行器的工程实际应用具有一定参考价值。     

基于动态RBF神经网络在线辨识的单神经元PID控制

针对工业控制领域中复杂非线性时变系统,提出了基于动态RBF神经网络辨识的单神经元PID控制方法。采用动态RBF神经网络辨识器在线辨识系统模型,获得PID参数在线调整信息,并由单神经元PID控制器完成控制器参数的在线自整定,实现系统的智能控制。仿真结果表明,与常规RBF神经网络辨识的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。     

基于改进PSO算法的多变量PID型神经网络控制

充分利用PID结构简单、稳定性强的良好性能以及神经网络的自学习和自适应的特长,引入粒子群优化(PSO)学习算法,设计一种多变量自适应PID型神经网络控制器。神经网络的隐含层由带有输出反馈和激活反馈的混合局部连接递归网络组成,采用PSO学习算法优化神经网络参数。在深入研究分析PSO算法的基础上,引入变异因子和惯性权重自适应策略对该算法进行改进,既发挥了PSO算法随机优化收敛速度快的优点,又克服了该算法易陷入局部最优点的缺点,显著提高了控制系统的性能指标。最后,通过对二级倒立摆控制的仿真分析,证明该算法具有较强的鲁棒性。     

基于鲁棒整定的球磨机系统多变量PID控制

基于内模控制原理，导出一种多变量系统的PID控制器参数整定新方法，可直接获得控制器的比例项、积分项、微分项系数以及考虑到微分项可实现性的实际微分环节的时间常数。该整定方法应用于严重多变量耦合的电厂制粉系统球磨机控制的仿真研究，结果表明：所整定的PID控制系统具有良好的调节品质，在系统特性变化的情况下具有很强的鲁棒性。     

基于纳什优化的多变量系统的解耦预测函数控制

针对状态反馈控制系统，提出多输入多输出系统的解耦预测函数控制算法设计。利用预测函数控制算法的特点，引入基函数增加了设计的自由度，减少了在线计算量。通过采取分散优化策略代替整体优化，基于纳什优化实现系统的解耦控制。仿真结果表明该方法具有很好的控制效果。     

神经网络自适应广义预测解耦控制器的设计

提出了一种神经网络补偿自适应广义预测解耦控制方案，即用神经网络逼近通道间的耦合、非线性及未建模动态，且采用了改进RLS辨识算法及用后能改善辨识效果，从而增进自适应控制的精度与鲁棒性，能解决参数不确定的非线性多变量耦合问题，给出了该算法的实现原理及步骤。理论分析和仿真结果表明，该方案是有效的。     

基于模糊RBF网络的伺服转台鲁棒控制

针对神经网络控制和复合控制各自的特点，采用一种模糊RBF神经网络复合控制的方法控制伺服转台，用模糊RBF网络进行伺服系统辨识，在线修改复合控制的参数，用来提高复合控制的鲁棒性。实际控制结果表明，所采用的方法具有很好的辨识能力和控制品质，并具有较高的鲁棒性。     

基于RBF网络非线性系统逆控制的一种设计方案

基于逆动力学控制的思想,提出一种RBF神经网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF神经网络结构和最近邻聚类算法,实现了对系统逆动力学模型的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题。仿真实验证明该控制策略不仅能使系统具有良好的动态跟踪性能和抗干扰能力,而且具有较强的鲁棒性。     

改进型PID参数神经网络自学习的船舶操纵控制器

船舶操纵的模型参数具有非线性、慢时变特性、船舶操纵的传统控制方法的操纵性能不能令人满意。本文讨论一种应用改进型BP神经网络实现PID参数自整定的控制方法,此法能根据船舶动态特性的变化,自动重新整定PID参数,从而改善了操纵性能和鲁棒性。     

基于RBF网络的BTT导弹逆控制研究

运用RBF神经网络结构和最近邻聚类算法,对导弹系统逆动力学系统进行动态模型辨识,并以辨识模型为控制器与BTT导弹控制系统串联构成一个动态伪线性系统,进而应用逆系统方法设计了一种用于解决BTT导弹非线性控制问题的经典控制与神经网络在线自学习相结合的控制方案,实现了导弹三通道的线性化控制和输出的渐近无差跟踪.仿真结果表明,该方案可依据设计指标的要求,实现对BTT导弹的非线性控制,且具有较强的鲁棒性.