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。     

基于内模控制的系统辨识实验信号设计

以内模控制作为研究对象,在系统的未建模动态用加性不确定性表示时,取评价辨识模型的指标为系统输入端误差的平方均值。将辨识模型表示为一组正交基函数的和,与最小二乘法相结合,得到一种辨识实验信号的设计方法。该方法具有控制性能的相关性,可以获得比普通的随机信号更好的辨识结果。仿真结果证明了方法的有效性。     

基于内模控制的ATM网络拥塞控制方法研究

针对ATM网络单瓶颈节点模型,提出用内模控制的方法实现交换节点队列长度零稳态偏差控制,避免拥塞发生。实现了可用带宽的动态公平分配,提高链路利用率,降低信元丢失率,保证了服务质量。仿真结果表明系统具有较好的动态性能。     

汽车转向/制动系统的非线性解耦内模控制

首先提出一个非线性控制系统研究汽车转向系统和防抱死制动系统的协同控制问题。该控制结构由转向控制器和制动控制器组成。为了确保系统全局稳定性,采用反馈线性化方法进行解耦。为了提高系统的鲁棒性并确保期望的动态性能,对解藕线性化的系统采用内模控制方法进行综合。然后设计适用于复杂工况的制动力分配策略。最后用仿真结果验证控制系统的有效性,它改善了汽车制动稳定性和转向性能。     

基于神经网络的非线性动态系统的多内模控制研究

由于非线性动态系统的复杂性,目前还没有统一的控制器设计方法,用传统的线性系统理论来设计,当工作点大范围变化时,很难保证其性能及稳定性.在人工神经网络内模控制系统中建立了神经网络内部模型和神经网络内模控制器,提出了基于多模型的内模控制方法,它对非线性动态过程的控制具有良好的性能.在此基出上,给出了方便易行控制算法,仿真分析结果验证了控制算法的有效性.     

改进遗传算法在CFB锅炉热工过程建模中的应用

针对循环流化床(CFB)锅炉热工被控对象的特点及遗传算法存在的问题,提出一种用于热工过程建模的改进遗传算法,此算法引入模糊集理论,实现交叉概率和变异概率的模糊自整定,有效抑制了算法早熟,提高了算法的全局搜索能力.利用阶跃响应法获得现场特性曲线,基于模糊遗传算法得到典型负荷处的传递函数,将建模结果用于现场控制器的设计.对主汽温系统现场控制器进行内模控制整定,并进行了仿真研究和实际应用,结果表明该方案有较好的鲁棒性和抗干扰能力.     

改进的逆解耦自抗扰内模控制在磨矿中的应用

针对磨矿分级系统的多变量、强耦合、大时滞等特性,提出改进的逆解耦自抗扰内模控制方法。利用逆解耦方法实现磨矿分级系统的解耦,对解耦后的子系统采用改进的内模控制和线性自抗扰控制。通过引入内模补偿器和增益对时滞进行补偿,减小了系统对模型的依赖度,通过调节线性自抗扰控制器参数、内模补偿器参数和增益来抑制模型失配、外部干扰及不确定性因素对系统带来的不利影响。仿真结果表明,改进的逆解耦自抗扰内模控制方法有较好的解耦性能、跟踪性能和鲁棒性能,验证了此方法是有效的。     

基于OS-LSSVMR内模控制的温室环境控制方法的研究

由于温室环境的复杂性,传统的控制方法很难对其进行有效的控制。基于OS-LSSVMR内模控制具有模型简单、鲁棒性好等特点,将其应用于温室环境的控制具有重要的意义。温室环境的OS-LSSVMR内模制控制方法,针对温室环境不易精确建模和不确定性的特点,构造温室环境输入输出的样本数据,采用OS-LSSVMR建立温室环境的正逆模型,用逆模型作为控制器,正模型预测输出,将预测误差作为控制的反馈,在模型偏离实际系统的情况下在线进行调整。通过三种SVM温室环境内模控制的仿真,说明了温室环境的OS-LSSVMR内模制控制效果较好,适合进一步在温室环境控制中推广应用。     

随动系统的模糊自适应整定PID变阻尼控制

为了使随动系统的输出以尽可能小的误差复现输入,通常用速度反馈以增大等效阻尼比的方法减小输出响应振荡和超调量,但阻尼比增大,系统响应迟钝,快速性变差。变阻尼控制技术根据系统输出响应的不同阶段在线实时调整系统的阻尼比,从而改善随动系统的动态性能。结合PID控制和模糊控制的优点,运用模糊推理方法建立PID三参数的模糊控制规则,设计出一种随动系统的模糊自适应整定PID变阻尼控制器。仿真结果证明了该方法可行,系统动态性能得到明显改善,具有良好的抗干扰性和鲁棒性。     

模型参考自适应内模控制及其仿真研究

本文提出了一种模型参考自适应内模控制方法。采用内模控制器作调节器，模糊逻辑作自适应机构，综合了模糊控制，内模控制和自适应控制的优点。仿真研究结果表明，这一方法是可行的，并能适应对象特性的大范围变化     

采用Adaline神经网络实现增益自适应内模控制

引入1／1Pade逼近处理纯滞后环节，利用二步法设计内模控制器，运用单层Adaline神经网络参数辨识算法得到被控对象的稳态增益，并用于内模控制算法中，以此来自动调整被控对象模型增益，实现增益自适应控制。大量仿真实验表明此控制方法能克服系统增益变化对控制品质的影响，具有鲁棒性好，抗干扰能力强，控制精度高等特点。     

基于极端学习机逆模方法的非线性内模控制

在基于输入输出数据的基础上,针对纯时滞系统,由极端学习机建立被控系统的最小相位系统的逆模,串接于被控系统前,实现基于极端学习机逆模方法的非线性内模控制。同时,推导出时滞内模控制系统的稳态误差,来评估内模控制系统的性能。将所提出的内模控制策略分别应用于时滞系统与连续搅拌釜反应器系统进行控制仿真,仿真实验说明基于极端学习机的逆模方法的内模控制系统是可行的,具有系统稳态误差小、鲁棒性强等特点。     

基于T-S模糊模型的非线性时滞系统的变结构控制

基于T-S模糊模型和变结构控制策略,研究了一类带有参数不确定项的非线性时滞系统的变结构控制问题。首先,利用变结构控制理论选择滑模面,根据可达条件提出了一种变结构控制方法,该方法确保系统的运动轨迹在有限时间内到达滑模面并一直保持在滑模面上。当不确定项不满足匹配条件时,根据Lyapunov稳定性理论和线性矩阵不等式(LMI)的方法得到了系统状态全局稳定的充分条件。最后给出了一个仿真加以说明该设计方法的有效性。     

基于算法参数、模型与模型参数优选的智能DISOPE方法

给出了 DISOPE算法收敛速度指标的定义 ,提出了基于算法参数、模型与模型参数优选的智能 DISOPE方法 ,有效地改善了 DISOPE算法的收敛性能和实用性 .仿真表明了该方法的可靠性和有效性 .     

基于干扰观测器的高性能转台伺服系统内模控制方法研究

针对转台伺服控制系统,提出了一种基于干扰观测器的改进内模控制方法（DIMC）。内模控制是一种新型的先进控制方法,设计思路是将对象模型与实际对象的输出差值作为反馈,控制器逼近模型的逆,从而达到控制效果。考虑到传统的内模控制器设计方法跟踪精度不足,引入微分器构造改进的控制器,提高系统的跟踪精度。在此基础上引入干扰观测器,对摩擦进行补偿,进一步提高系统的跟踪精度。仿真研究和实验结果表明,该控制方法可以有效地提高系统的跟踪精度,并对系统参数变化和力矩扰动具有更强的鲁棒性。     

神经网络模糊非参数模型自适应控制及仿真

提出一种基于神经网络的模糊非参数模型自适应控制方案。该方案仅用受控系统的I/O数据来设计控制器,综合了模糊控制、神经网络与非参数模型学习自适应控制各自的优点。仿真表明该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。     

基于系统参数估计时间序列的小波分析故障诊断方法

提出了一种失效性故障诊断的新方法.这种方法将基于解析模型的故障诊断技术和基于信号分析的故障诊断技术结合起来,对系统参数的递推最小二乘估计时间序列进行小波分析,得到故障特征值,兼有两种故障诊断技术的优点.本文还讨论了对于模型参数估计时间序列小波分析的基函数及尺度选取方法问题,仿真结果表明该方法的有效性和准确性非常明显,具有一定的实用价值.     

基于T-S模糊模型的非线性自适应逆控制系统

现在非线性自适应逆控制系统中，由于对象模型和逆控制器均采用非线性自适应滤波器，自适应过程需要同时训练至少两个串联的非线性自适应滤波器，从而造成自适应学习过程过于复杂。利用一组自适应LMS滤波器建立非线性对象的T-S模糊模型，它为逆控制器的学习提供了准确的解析的对象模型Jacobian信息，从而有效简化了自适应逆控制学习过程。仿真结果表明，无论是离线建模还是在线建模，该非线性自适应逆控制方法均能取得理想的控制效果。