利用RBF神经网络实现聚合反应的内模控制

文中研究基于径向基(RBF)神经网络算法的内模控制策略在苯乙烯本体聚合反应相对分子质量分布控制领域的应用。利用神经网络对非线性系统的逼近能力，把内模控制推广到聚合反应过程质量指标控制这一非线性系统中。针对建模过程中存在的稳态误差，在训练数据中增加了部分静态数据，有效的提高了模型的验证精度，大大改善了由神经网络构成的内模控制器的控制精度，消除了系统余差。仿真结果证明，基于神经网络算法的内模控制策略达到了较好的控制质量。     

基于逆系统方法的内模控制在伺服系统低速问题中的研究

针对常规控制方法对伺服系统低速抖动补偿效果不理想的问题,采用基于神经网络逆系统的内模控制方法对伺服系统进行控制。仿真结果表明,基于神经网络逆系统方法的内模控制能有效的改善低速性能,具有良好的控制效果,且控制器设计简单。     

基于自适应神经网络内模控制的控制器设计实现

基于内模控制的思想,利用前馈神经网络的逼近能力,将其与自适应内模控制方案结合,并取目标函数作为优化指标;从而推导出一种能对线性系统进行有效控制的神经网络间接自适应内模控制器。     

基于RBF神经网络整定的热风炉温控系统设计

为了提高热风炉的燃烧效率,改善热风炉温控系统的自动化程度,提出了一种基于RBF神经网络整定的PID控制策略。首先,通过RBF神经网络算法和增量式PID控制器的结合,将神经网络强大的自学习能力应用于对增量式PID参数的调整。然后,在常规热风炉温控系统的基础上,将其外环改为采用RBF神经网络整定的PID控制。热风炉温控系统中内环以煤气阀门开度为变量,外环以拱顶温度为控制变量,通过改进的串级控制来实现热风炉的燃烧优化调整。Matlab仿真分析和实际应用效果表明,RBF神经网络整定的PID控制曲线几乎无超调量,系统抗干扰能力相对传统的PID控制提高了50%。与传统的手动控制相比,所提出的控制策略使得原系统的抑制干扰能力明显增强、鲁棒性更好,在热风炉温控方面具有良好的研究和应用价值。     

基于神经网络PID控制的聚合温控负荷优化调度

本文设计了基于BP神经网络的温控负荷控制系统,实现了智能电网中的需求侧频率调节辅助服务。针对控制系统中的控制器部分,设计了基于神经网络的PID控制器,通过BP算法对控制器的3个参数进行实时在线优化调整,并利用温控负荷的温度设定值调节策略,减小了聚合温控负荷的跟踪误差,改善了系统的性能,提升了频率调节服务质量。仿真结果表明,所设计的神经网络PID控制器可以有效地提高频率调节信号的跟踪精度。     

模糊神经网络内模控制

内模控制(IMC)是一种先进的控制算法,具有很强的抗干扰性及鲁棒性,在工业过程控制中应用广泛.内模控制的控制性能往往取决于被控对象的模型,因此,如何得到被控对象的精确模型成为关键问题.对于工业中常见的非线性过程,传统的设计方法很难得到满意的控制效果.模糊控制和神经网络的引入为非线性内模控制的研究提供了一种新方法.模糊逻辑适合表达机遇规则的知识,而神经网络具有较强的自学习及自适应能力.将模糊逻辑与神经网络相结合,应用于内模控制中,对基于该模糊神经网络(FNN)的内部模型和控制器的建立进行了分析.仿真结果证明该算法是有效的,具有很强的自适应性和鲁棒性,可以应用于非线性及时变系统中.     

基于BP算法的神经网络内模控制器

文章针对一类非线性系统,采用加入阻尼项的权值调整BP算法,设计了基于BP算法的神经网络内模控制器,并进行了仿真,结果显示该控制器对阶跃信号和扰动均无稳态误差,对非线性环节有较好的控制效果。     

应用神经网络的变流器波形复合控制策略

针对港口现有岸电电源产品所采用控制策略的不足，研究分析了岸电电源PWM可逆变流器数学模型在DQ坐标系下的特点，提出了一种基于改进的重复控制和神经网络内模控制的变流器输出波形复合控制策略.采用BP神经网络结构作为内模控制器的预估模型和控制器，神经网络预估模型可在线学习建立与被控对象相匹配的精确模型，神经网络控制器动态响应快，输出无静差，扰抗性好.实验证明，应用该复合控制策略的系统整流功率因数接近于1；供电非线性混合负载输出波形失真率低于2%；动态响应快，在2个周期内恢复稳定输出.     

质子交换膜燃料电池最优过氧比多内模控制

基于多模型的内模控制及前馈控制研究了质子交换膜燃料电池的最优过氧比控制策略.在该策略中,通过选择不同典型工况点进行模型线性化以获取系统内模;结合隶属函数和前馈设计方法实现了最优过氧比的多内模控制策略.仿真结果表明,该控制策略比常规单内模控制器以及PID控制在大范围内具有更好的控制品质.     

感应电动机调速系统的二自由度免疫内模控制

针对感应电动机调速系统,将二自由度内模控制和免疫算法结合起来,设计了一种改进型的二自由度免疫内模控制器。该控制器有两个利用免疫算法进行调整的调节参数,它不仅使内模控制器中因固定滤波时间常数(可调参数)引起的鲁棒性和快速性之间的矛盾得到有效缓解,而且可以使感应电动机调速系统独立控制跟随性能和抗扰性能。仿真结果表明,改进型二自由度免疫内模控制器改善了感应电动机调速系统的控制性能。     

基于虚拟参考反馈校正法的内模控制方法

在系统对象与内部模型误差较大时,内模控制依靠滤波器系数的调整去整定控制器参数,这会牺牲系统的快速性.为解决该问题,文中提出了基于虚拟参考反馈校正法(VRFT)的内模控制方法,同步实现了过程模型的辨识与内模控制器的设计.文中首先建立了内模控制与VRFT的联系;然后基于VRFT对内模控制器进行设计,推导出合理滤波器的具体表达式,利用此滤波器对控制器参数及内部模型参数进行优化,从而使设计的整个内模控制结构与给定的理想传递函数性能一致.仿真实验结果表明,虽然文中所提方法与传统内模控制器设计方法的控制效果比较接近,但前者具有更快的响应速度及更好的跟踪性能,说明文中所提控制方法是有效的.     

基于最大灵敏度的分数阶内模控制器设计

针对分数阶控制器设计参数整定复杂的问题,提出一种基于最大灵敏度的分数阶内模控制器设计方法。采用粒子群优化算法对原系统模型进行简化处理,根据内模控制原理设计分数阶内模控制器;仅通过一个可调参数,实现分数阶内模控制器的快速整定;通过最大灵敏度指标实现分数阶内模控制器的鲁棒整定。仿真结果表明该方法具有良好的控制品质及克服参数摄动的鲁棒性。     

基于DBFNN的非线性自适应控制在CSTR中的应用

讨论了一类放射非线性系统的自适应控制问题.首先对于利用方向基神经网络(DBFNN)对系统的不确定性进行建模.所得到的系统模型作为对象的数学模型用来设计控制器.首先设计了反馈线性化控制器,为了克服建模误差的影响又引入了内模控制机制.证明了只要网络的学习精度足够高,所设计的闭环系统是最终一致有界的.把所设计的控制策略用于CSTR的控制中,仿真结果表明了所设计的控制器有效性.     

基于IMC的中储式球磨机负荷控制系统设计与仿真

钢球磨煤机由于其控制对象具有非线性强、大滞后和时变特性,采用常规的PID控制器难以获得满意的控制效果,以球磨机负荷控制系统作为研究对象,提出一种易于工业实现的模糊内模控制器设计方法,通过仿真研究可以看出,模糊内模控制器能提高球磨机负荷控制系统的响应速度和鲁棒性,有良好的工程应用前景和价值。     

球杆系统的内模PID控制

本文针对开环不稳定球杆系统,提出了一种内模PID控制器设计方法.首先通过机理分析建立了系统的数学模型,并利用一阶环节逼近模型中的积分环节,然后在此基础上根据内模控制(internal model control,IMC)原理设计了系统控制器,并推导出了相应的内模PID控制器,与常规PID控制器相比,该控制器仅有一个可调参数,且系统具有整定方便、鲁棒性强的优点.仿真和实验结果表明,内模PID控制器能使小球快速地稳定在目标位置,具有良好的稳定性和鲁棒性.     

基于灰色预测的自适应内模PID双重控制器设计

针对一类非线性系统，提出一种基于灰色预测的自适应内模PID双重控制方法．把由系统的输入输出数据得到的灰色预测模型作为系统的内部模型，并在基本的内模控制结构上增加PID控制器，加快了跟踪误差收敛速度，内模控制的性能明显改善．仿真结果表明，该控制方法简单而有效，内模PID双重控制较单一内模控制具有更好的系统性能．     

钢包精炼炉的电极系统智能建模及控制

针对钢包精炼炉电极控制系统具有非线性、时变、模型不确定、大滞后、多输入多输出耦合的特点,提出一种基于神经网络实时在线辩识的内模控制方案.控制器采用神经网络解耦,将混沌机制引入到BP算法中,用以加快学习的收敛速度.仿真结果证实了控制策略的有效性.     

静电陀螺支承系统的内模控制

针对静电陀螺支承系统超前-滞后PID控制器参数确定过程的复杂性,引入反馈控制器处理不稳定对象,处理后的对象采用一种改进的内模控制方法,推导了内模控制静电支承控制器的传递函数和系统闭环传递函数.结果表明,控制器可由新的稳定对象的逆、不稳定分量和一个低通滤波环节相乘得到,确定过程简单.给出了MATLAB环境下的仿真实验,仿真结果表明,采用内模控制的静电陀螺支承系统跟踪无静差,控制效果良好.     

一种基于人工神经网络的内模控制方法

对SISO反馈线性化系统的自适应自校正神经控制进行改造,提出了一种基于BP网络的内模控制新方法,克服了原系统设计方案的理想化,提高了系统的鲁棒性,使该方法具有实用性。同时有只要建立被控过程的内部模型即可得到内模控制器模型的特点。     

基于自构建RBF神经网络的内模控制

针对复杂的非线性被控过程,本文提出一种基于自构建RBF神经网络的内模控制方法。该方法中,神经网络的自构建学习算法包括结构学习和参数学习。结构学习采用最近邻聚类法使网络能够自适应地在线增加和删减神经元以达到理想的网络结构。神经网络的参数学习采用梯度下降法。将该神经网络用于内模控制,使得辨识被控远程内部模型和控制器模型的神经网络的神经元个数可以根据激励强度动态改变,进而改善了控制系统的动态性能和鲁棒性。仿真结果表明了所提方法的有效性。