基于多层递归模糊神经网络的间歇过程批次间优化控制

针对间歇过程,基于多层递归模糊神经网络和混沌搜索实现了终点产品质量的批次间迭代控制策略,并在此基础上提出了间歇过程温度控制的批次间迭代控制策略。多层递归模糊神经网络被用于间歇过程对象建模,混沌搜索用于过程建模和优化计算。由于存在模型误差和未知干扰,基于模型所计算出来的最优控制输入在实际运用到对象上后并不是最优的。利用间歇过程的重复特性,根据以前批次的模型预测误差来修正模型预测,并据此计算下一批次的最优控制输入。随着批次的进行,跟踪误差逐渐减小。仿真实验验证了该方法的有效性。     

基于时变偏扰模型的间歇过程迭代学习控制

为了克服模型与过程间的偏差,提出了一个基于时变偏扰模型的间歇过程迭代学习控制方法.利用主元回归(principal component regression,PCR)和部分最小二乘(partial least squares,PLS)方法,可以得到过程对象在正常运行轨迹附近线性化的模型.前一批次的模型预报误差被用来修正当前批次的模型预报值.每完成一个批次就利用新得到的数据对模型进行更新,该更新的模型也是在前一批次的控制轨迹基础上进行线性化得到的.主元回归和部分最小二乘方法能克服批次内不同阶段的控制量存在的相关关系从而得到更准确的模型.仿真结果表明:基于PCR和PLS模型的控制效果要好于基于多元线性回归(MLR)模型的控制效果.     

神经网络迭代学习控制快速算法的研究

研究了非线性系统的神经网络迭代学习控制问题，为了提高神经网络学习控制的收敛速度，改进了权值的迭代学习算法，提出了一种新的训练权值方法，它以递推的方法来计算网络权值，不仅能减少计算量且收敛速度快，最后，用仿真结果对该算法作了进一步的验证。     

单相LCL型并网逆变器新型递归神经网络控制

以单相LCL型并网逆变器为研究对象,针对传统比例识分(PI)矢量控制方法存在解耦不准确,且参数固定难以在时变的、非线性的系统参数变化下保证控制性能最优的不足,提出了一种递归神经网络(RNN)控制方法。该控制方法无需对系统解耦,而是基于完整的系统方程,使用单个神经网络控制器取代2个电流回路PI控制器。RNN控制采取了一种改进的列文伯格-马夸尔特(LM)训练算法,该算法相较于传统LM算法,减小了存储和运算难度,提高了训练效率和收敛速度。结果表明：该控制策略下逆变器并网电流总谐波畸变率(THD)由3.5%下降至2.6%,逆变器具有更高质量的稳态输出电流和更快速的动态响应性能,验证了RNN控制策略的可行性。     

基于神经网络技术的间歇过程建模与优化控制方法

将整个间歇生产过程表达成梯形的神经网络群,利用实际操作数据对整个网络群进行学习。同时研究了具有滚动运算特征的在线优化策略,该法完全避免了非线性系统实时辩识和建立优化模型的困难。对发酵生产过程的仿真结果,表明本文方法是有效的。     

基于变增益迭代学习算法的多元间歇精馏控制

面对多元间歇精馏过程的多阶段操作和非稳态运行特点以及高稳定性和高精度的控制需求,传统的反馈控制一般难以确定最优的回流比操作方案.针对该问题,在传统P(比例)型迭代学习控制(itecative learning control,ILC)算法的基础上,提出了一种学习增益沿批次指标自适应调整的变增益P型ILC算法.该算法能够保证间歇精馏过程在不同的操作时刻沿批次指标具有平衡的学习效率,从而提高过程控制性能沿批次指标的收敛速度.以Aspen Batch Distillation(ABD)软件系统中的一个三元间歇精馏模型为实际控制对象,对所提出的变增益P型ILC和传统PID控制以及P型ILC 3种控制方案进行了控制性能的仿真和比较,仿真结果证明了该控制算法不仅计算简单,同时比传统P型ILC算法具有更快的收敛速度.     

间歇过程复合迭代学习容错保性能控制器设计

针对具有执行器故障和状态时滞的间歇过程,主要考虑输出反馈与迭代学习控制相结合,即复合迭代学习可靠保性能控制器设计问题,将具有时滞的故障系统转化为等价的2D-FM模型的时滞系统,在等价模型基础上,提出了基于2D动态输出反馈的鲁棒迭代学习可靠保性能控制策略,建立了依赖于时滞、确保系统稳定且具有最优性能的充分条件,并提出具有拓展学习信息的鲁棒迭代学习容错保性能控制的优化设计算法,同时,考虑了时滞对系统稳定性及性能的影响,实现了当系统发生执行器失效故障且在故障允许范围内时闭环系统的平稳运行,并具有最优的控制性能.另外,以注射成型过程保压段的喷嘴压力设计控制律为例验证了所提方法的有效性.     

工业过程稳态优化中的PID型迭代学习控制

给出一种PID型迭代学习算法．对工业过程稳态优化中的动态施行迭代学习控制，加快了动态响应，提高了控制效果．从理论上分析了算法的收敛性，并给出数字仿真结果．     

工业过程稳态优化中的PD型迭代学习控制

论述在工业过程的稳态优化中，施行选代学习控制的思想方法．给出了一种ＰＤ型迭代学习算法，分析了算法收敛性．数字仿真结果表明这种控制方法对抑制超调，加快动态响应，减小优化过程对工业生产过程的影响是行之有效的．     

均热炉温度神经网络迭代学习控制算法

针对具有不确定性的重复非线性均热炉温度控制系统,提出基于神经网络的迭代学习控制算法,该算法采用神经网络作为迭代学习控制器,以前馈方式作用于被控系统,并引入PID反馈控制器来提高系统的性能.仿真结果表明,针对过程存在的重复干扰,该算法比单纯反馈控制具有更好的控制效果.     

基于神经网络的无监督自学习控制系统

所论系统的控制由两个神经网络完成,即对象放识器和系统控制器。并且提出了一种 新的学习算法,它能利用存贮于辨识网络的信息改进控制策略。该控制系统可以对非线性系统,不确定系统等进行无监督的学习控制。     

分批重复过程迭代学习广义预测控制

针对一类分批重复操作过程,提出迭代学习广义预测控制(ILGPC)算法·该算法利用以前的过程输入输出信息,在GPC结构中增加干扰预测估计的迭代学习前馈回路,通过对部分可重复干扰的估计和学习,提高了分批重复操作过程的控制品质,减小了跟踪误差·对算法的稳定性做了分析,并以间歇聚合反应过程为仿真对象,研究了算法的稳定性和鲁棒性·     

基于混合学习算法的模糊小波神经网络控制

采用小波函数作为模糊隶属函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理.针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整.仿真结果表明,该网络能对不同的对象实施有效控制,且具有快速、适应性强等特点.     

基于改进堆叠式循环神经网络的轴承故障诊断

提出基于改进堆叠式循环神经网络的轴承故障诊断模型.利用深层网络极强的非线性拟合能力以及循环神经网络特有的沿时间通道传播的特点,通过门控循环单元解决堆叠式循环神经网络梯度消失的问题,实现对轴承健康状况的分类识别.利用美国凯斯西储大学轴承数据集进行了轴承故障诊断试验,同时将支持向量机、粒子群优化的支持向量机、人工神经网络、卷积神经网络AlexNet以及循环神经网络作为对比以检验所提模型的分类性能.结果表明,提出的模型能够对轴承故障进行有效诊断,并且具有一定的可靠性与泛化能力.     

基于改进遗传算法的递归神经网络模型辨识

将递归内时延神经网络应用于非线性动力学系统中，引入遗传算法作为其学习算法，提出遗传算法新的编码方案，并且在遗传操作中采用适应度的调整策略，通过仿真实验，表明该方法是有效的。     

工程建模下过程控制的迭代学习控制算法及其收敛性

针对过程控制中工程化建模方法 ,得到的对象模型为传递函数形式 ,而目前的研究是化为状态空间表示 ,因而迭代学习算法及收敛性条件是以矩阵的形式表示 ,不太适合于实际应用的事实。文章用时频结合的方法给出了设定值变化下的迭代学习算法 ,并以系统参数形式地给出几种学习算法的收敛性定理 ,同时通过仿真表明其正确性     

基于动态神经网络的轧制液温控系统的辨识

轧制液是铝箔轧制中的一种对稳定性要求很高的工艺润滑液,它不能局部受高热只能采用间接均加热,因此其控制量与温度之间是一种十分复杂的非线性关系,采用传统的建模方法难以建立其精确的数学模型.人工神经网络能够以任意精度逼近连续的非线性关系,并对复杂不确定问题具有自适应和自学习能力,为解决这一类非线性系统的辨识建模提供了新的途径.通过比较选用了一种动态递归网络来建立轧制液温控系统的辨识模型.     

基于新型PID神经网络的自适应控制系统研究

提出一种新的PID型神经网络的自适应控制系统,该控制系统采用对角递归神经网络辨识对象的正向模型,采用一种新型神经网络控制器产生控制量,与常规PID控制不同的是,该控制量不再是误差信号的比例、积分和微分量的简单线性组合,而是这些信号的一种非线性组合,从而可以有效地解决常规PID控制器存在的快速性和超调量之间的矛盾.仿真实验表明,这种新型控制系统具有较强的自适应性和鲁棒性.