改进的PSO-RBF神经网络在联合制碱中的应用

联合制碱过程是一类典型的复杂工业过程,具有时变、非线性、不确定性等特征,在线控制模型难以建立。针对联合制碱复杂工业过程控制精度不高、鲁棒性差等问题,提出一种改进的PSO-RBF神经网络控制算法。将粒子群优化算法和径向基神经网络相结合,使用改良的粒子群优化算法对RBF神经网络的隐含层基函数中心、宽度和输出层的连接权值进行寻优,建立基于改进的PSO算法优化后的RBF神经网络模型。将改进的PSO-RBF神经网络控制模型应用到联合制碱的关键工序碳化过程中,并与先前应用的模糊神经网络控制模型进行比较,经仿真研究验证表明,在联合制碱碳化过程中应用改进的PSO-RBF神经网络控制算法,其控制精度和系统鲁棒性得到了有效的提高,为解决一类复杂工业过程的建模与优化控制方法研究提供了有效的技术途径。     

模糊神经网络控制器参数的混沌优化

为了优化模糊神经网络的参数,将混沌变量引入到模糊神经网络参数寻优方式中,根据系统的性能指标,采用混沌变量进行粗搜索寻优模糊神经网络参数,然后在粗寻优基础上引入基于模拟退火策略的混沌细搜索,最后搜索出的模糊神经网络参数是全局最优的.仿真结果表明:该控制方案有效地实现对非线性对象的最优控制,为工业过程非线性复杂系统的控制提供了一种有效的控制方案.     

复杂工业过程智能协调控制系统的设计与应用

针对复杂工业过程系统的特点,提出一套智能协调控制方案:以管理信息系统局域网为基础,将人工智能、专家系统、模糊神经网络控制各自的优势综合在一起,构成一个智能协调控制系统,用于对复杂工业过程实现管控一体化,为复杂工业过程的控制提出一条有效途径。经仿真和控制实验结果表明,控制性能令人满意。     

粒子滤波在复杂工业过程中的应用

复杂工业过程往往具有不确定性、非线性、大滞后、强耦合等特点,难以建立在线控制模型.为了克服复杂工业过程中的非高斯、强非线性等因素对系统建模的影响,利用粒子滤波算法对非线性、非高斯系统进行全局优化的优势,对系统模型进行优化,使系统模型能够更加准确地反映系统的真实状态,提出一种基于粒子滤波的径向基函数(RBF)神经网络控制...     

基于一类GA-RBF神经网络的转炉炼钢静态模型控制

讨论了具有非线性、大时滞、不确定特性的工况复杂的转炉炼钢过程建模与控制问题.针对传统的控制方法控制效果差、精度不高,难以达到期望结果的问题,结合RBF神经网络的特点,提出用基于混合编码方式的混合遗传算法训练的RBF神经网络,同时优化网络的结构和参数,并利用RBF神经网络建立转炉炼钢静态模型.仿真结果表明,该模型具有在线调整和学习的功能,比传统模型具有更好的计算精度和适应能力,为提高转炉冶炼过程的控制精度给出了一个有效的方法.     

基于对角递归神经网络的控制系统

针对角递归神经网络具有结构简单、收敛速度快,可广泛用于非线性系统的辨识与控制的特点.基于工业自动化通用技术平台(IAP),采用图形化控制策略组态技术开发了一套基于对角递归神经网络的控制系统,该系统具有基于参考模型跟踪的控制结构,可快速自适应地调整控制器参数.仿真实验结果表明,基于对角递归神经网络的控制系统控制精度高、稳定性好,可成为处理复杂工业过程,尤其是解决不确定和非线性领域问题的有效工具.     

基于神经网络逆模型的Fuzzy-PID控制方法及其应用研究

在Ｆｕｚｚｙ－ＰＩＤ复合控制的基础上提出了一种基于神经网络逆模型的Ｆｕｚｚｙ－ＰＩＤ控制方法。该方法综合了模糊控制、神经网络控制和ＰＩＤ控制的优点, 使复杂工业过程中的非线性、时变等问题都得到了较好的解决。仿真结果表明, 该控制器具有较好的适应性和鲁棒性, 结构简单, 易于实现。     

高斯过程建模方法在工业过程中的应用

面对日益复杂的工业过程,传统传感器无法得到有效应用,重要变量无法准确建模,重要过程无法得到有效优化和诊断,高斯过程模型的提出和应用为工业过程建模、优化和控制提供了一个广阔的思路,并可兼顾描述不确定信息.文中针对工业过程的复杂特性,不仅综述了高斯过程的基本方法以及存在的主要问题,而且归纳了其基本建模、优化、控制及故障诊断的应用和研究成果.最后,结合国际上发展及作者的实践经验总结并展望了高斯过程模型在工业过程中的应用前景和发展趋势.     

基于模糊BP神经网络的垃圾焚烧炉控制系统

根据固体垃圾焚烧技术原理,结合垃圾焚烧炉运行特点,分析了垃圾焚烧过程与影响焚烧的主要因素,提出了基本模糊BP神经网络算法的垃圾焚烧炉控制方法.建立了垃圾焚烧炉炉温双端输入模糊神经网络（DIFNN）控制模型,并使用模糊BP神经网络控制算法对系统进行控制.仿真实验表明,该模糊BP神经网络控制能够适应复杂多变的焚烧过程的控制...     

一种基于非线性系统的动态感知系数的自适应粒子群优化算法

在优化非线性复杂系统问题中,智能算法已成为一种重要手段.提出了一种基于动态感知系数的自适应粒子群优化(particle swarm optimization,PSO)算法(self-tuning PSO,SPSO),将PSO算法的感知系数与神经网络算法结合,并于在线学习训练过程中动态调整感知系数,改善了PSO算法的计算效率以及全局收敛效率.进一步将2个相互关联的神经网络——比例积分微分(proportion integration differentiation,PID)神经网络及SPSO神经网络结合起来,使其能有效解决非线性控制模型的问题.为了验证该算法,引入了4个仿真例及2种PSO优化算法——传统PSO(conventional PSO,CPSO)和修正PSO(modified PSO,MPSO),来比较SPSO算法在解决控制问题中的非线性复杂系统的高效性,结果显示SPSO算法有较好的全局收敛性能、收敛速度以及较强的鲁棒性.