基于RBF-ARX模型的改进多变量预测控制及应用

针对一类工作点时变的光滑非线性多变量被控对象,采用离线辨识的RBF-ARX模型描述系统的全局非线性动态特性,并在此基础上提出一种具有自适应微分作用的非线性模型预测控制方法。该方法将整个预测时域内模型输出和期望输出的偏差变化率考虑到优化目标中,利用与偏差变化率有关的函数动态修改该优化项的权重,从而能在保证控制器稳态性能的情况下有效地改善系统的动态性能。最后利用该方法对四旋翼飞行器实验装置进行了实际的姿态控制,控制效果验证该方法的有效性。     

基于RBF-ARX模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出基于RBF-ARX模型的短期电力负荷循环预测法:将短期电力负荷预测看作非线性时间序列预测问题,并根据历史负荷数据建立电力负荷自回归预测模型(ARX模型),用RBF神经网络逼近ARX模型的参数,并用结构化非线性参数优化法(SNPOM)离线估计模型参数。用该方法对湖南某市电力负荷进行预测,将预测结果与实际负荷值进行比较,结果表明:基于RBF-ARX模型的短期电力负荷循环预测法精度高,可靠性强,具有很好的实用性。     

基于RBF-ARX模型的预测控制

基于RBF-ARX模型的预测控制是针对非线性系统而提出的一种控制方法。本文介绍了基于RBF-ARX模型的预测控制器的结构和预测控制策略,证明了该方法在非线性系统建模和辨识中的有效性。     

带约束多项式权重LPV模型辨识算法

针对复杂工业非线性系统建模难度大、精度低等问题,基于多模型插值的变参数线性(LPV)模型辨识算法,提出双工作点变量条件下的带约束多项式权重函数结构及其参数寻优策略,以有效降低非线性系统辨识的难度并充分保证所建模型的全局稳定性.以高纯度分馏塔这一典型非线性工业过程为研究对象进行LPV模型建模与仿真,获得了较好的输出和阶跃响应曲线拟合结果,验证了LPV模型能够充分反映非线性系统的运行特性以及所提算法的有效性和实用性.     

基于RBF神经网络的非线性磁悬浮系统控制

磁悬浮系统是一个典型的不确定、非线性系统.由于磁悬浮系统的复杂性很难建立精确的数学模型,采用RBF神经网络(RBFNN)对非线性磁悬浮系统进行辨识,再根据神经网络自适应控制原理设计了非线性磁悬浮系统的神经网络自适应状态反馈控制器与自适应PID控制器,并利用MATLAB进行了仿真.仿真结果表明,神经网络自适应控制能很好地控制本磁悬浮系统;神经网络自适应控制器对于此非线性磁悬浮系统位置具有良好的控制效果,该控制系统具有较好的稳态特性和控制特性.     

高纯度分馏塔的建模及其非线性控制

以高纯度分馏塔为对象,研究其建模及控制策略.以变参数线性(LPV)动态模型结构为基础,分别对多项式权重和高斯权重进行改进.采用带约束的多项式权重,构造拉格朗日函数进行参数寻优,避免LPV模型增益符号的错误;将高斯函数改进为分段形式,使其能够应用于工作点非均匀分布的系统.分馏塔产品纯度输出拟合和阶跃响应曲线对比结果显示,基于上述2种权重函数的LPV模型均能够较好地拟合系统输出,最优匹配率达到74%以上,并符合实际对象阶跃响应特征.基于所建LPV模型设计非线性内模PID控制器,给出工作点上局部线性模型及控制器参数关系式,采用与辨识LPV模型时相同的方法对局部控制参数进行插值计算.仿真控制结果显示该方法能够有效地将2个输出控制在设定范围内,且具有参数整定简便,抗干扰性强的优点.     

一种基于RBF神经网络预测模型的DMC预测控制

研究了一种利用RBF神经网络预测模型的动态矩阵控制算法,首先利用动态节点生成构造性RBF神经网络辨识对象模型,同时预测对象的未来输出,然后用传统的动态矩阵控制算法进行滚动优化和反馈校正。仿真表明该算法在非线性对象的任意工作点都可以通过神经网络辨识获得工作点附近的近似线性模型,具有较好的实时性。     

基于全局动态模型的锅炉主汽温GPC优化控制

锅炉主蒸汽温对象的复杂非线性动态特性使得常规设计的固定参数比例-积分-微分(PID)串级控制很难适应工况变化和保证各种环境下的控制品质.为此,采用基于SOM的RBF-ARX模型框架,通过运行数据离线辨识的方法获取主汽温对象全局动态模型参数,在该模型基础上设计具有滚动优化和反馈校正功能的广义预测控制(GPC)器.220 t/h高压煤粉锅炉模型上的仿真结果和130 t/h煤粉炉上的工程应用均显示该方法得到的全局动态模型具有较高的预测精度,设计的GPC控制器具有较强的工况变化适应能力,能够适应多煤种变化和负荷变化.     

神经网络辨识的液压挖掘机LPV模型

针对液压挖掘机动臂关节的非线性建模问题,提出一种基于神经网络的线性变参数(LPV)模型的辨识方法.在各个工作点处根据其关节速度的一阶惯性加延迟模型,获得其关节角度模型;结合调度变量特性,采用神经网络辨识出LPV模型的参数,设计出挖掘机动臂在全局工作范围的LPV模型.通过仿真实验,验证了该方法的有效性和模型的准确性.     

微燃机-冷热电联供机组的Hammerstein模型及非线性广义预测控制

为研究微燃机-冷热电(MGT-CCHP)联供机组动态运行特性及控制策略,采用Hammerstein模型结构快速辨识其非线性动态特性,并将非线性动态特性以串联的非线性静态模型和线性动态模型表示.采用逐步回归法确定动态模型阶次并采用粒子群算法辨识模型参数,得到易于复现的块结构化模型.基于Hammerstein预测模型,设计了MGT-CCHR冷负荷跟踪非线性广义预测控制器.利用Hammerstein模型分块描述对象静态与动态特性的结构特点,将非线性广义预测控制转化为线性广义预测控制与非线性静态函数求根问题,使控制量求解简化.通过与最优参数PID控制器的仿真结果比较表明,所设计的非线性广义预测控制器具有改善冷负荷跟踪性能和节能控制的效果.     

含非线性摩擦的伺服系统连续模型直接辨识

为准确描述伺服系统的动态特性与摩擦非线性,提出了一种非线性连续模型直接辨识方法. 该方法以离散输入输出数据与速度方向的逻辑值作为辨识输入,通过等价变换将未知参数都转移到模型的线性部分中,再运用基于状态变量滤波器的直接辨识法求得未知参数,从而获得伺服系统的非线性连续模型. 通过仿真及在双向转台伺服系统的实验表明,该方法在有噪声的情况下仍能准确辨识出非线性连续模型,能准确描述伺服系统的动态特性.     

用于非线性系统的合成故障诊断方法

鉴于对线性系统的故障诊断方法比较成熟,而对非线性系统的故障诊断还有很大不足的状况,将非线性系统在多个工作点进行分段线性化.在非线性系统中借鉴线性故障诊断方法,对每个工作点的模型进行线性故障诊断设计,取得工作点密度和故障诊断性能的均衡,同时使用动态神经网络对各个工作点的工作参数进行拟合.该方法将一组改进的鲁棒观测器与一个为其确定参数的动态神经网络相结合,对非线性系统进行故障诊断.用典型的3水箱模型验证了这个合成方法,验证结果显示,该方法有很好的全局工作点适应性和对干扰的鲁棒性.     

不同基函数对RBF-ARX模型的影响

研究了高斯函数、多二次函数、逆多二次函数、薄板样条函数、三次函数和线性函数对RBF-ARX模型的影响.选取Mackey-Glass混沌方程、Lorenz吸引子和Box-Jenkins煤气炉3种标准时间序列作为测试模型的数据,采用一种快速收敛的结构化非线性参数优化方法辨识RBF-ARX模型.研究结果表明:最优基函数的选择并不一定是最常用的高斯函数,而是与问题相关,因而,在实际建模中,评价各种基函数有助于选择最优结构的RBF-ARX模型.     

H∞鲁棒模糊控制在磁悬浮球系统中的应用

基于磁悬浮球系统的物理结构及其非线性,建立了磁悬浮球系统的非线性数学模型,并采用近似线性化方法得到系统的线性模型。系统在满足最优鲁棒性的条件下,采用了单点模糊化、乘积模糊推理以及加权平均解模糊法的模糊推理方法,实现了磁悬浮系统的H∞鲁棒模糊控制器的设计,仿真实验结果表明了该控制算法的有效性。     

基于多模型SGPC的高速列车速度及位置跟踪控制

研究了列车自动驾驶系统(ATO)的多模型阶梯式广义预测控制(SGPC)方法。首先针对高速列车运行过程的非线性特性,采用多模型策略,建立一个线性自适应模型和一个神经网络非线性模型并行辨识系统的动态特性。然后在每个采样时刻根据性能指标切换到最优的局部模型作为系统的当前模型。设计SGPC控制器,从而实现高精度的列车速度和位置跟踪控制。最后模拟列车运行中参数突变的影响,将该方法与传统的单模型线性广义预测控制方法进行对比研究。仿真结果表明:其控制效果明显优于单模型的线性广义预测控制器。     

非线性船舶的多模型智能控制

针对非线性船舶控制的困难,提出采用多模型智能控制的思想方法.非线性船舶模型可以在其关键工作点线性化,例如:N个工作点.这样就得到N个简单的线性模型.这N个线性模型能够很好地近似原非线性模型.辨识非线性系统的真实工作点是多模型智能控制的第一步,也就是选择正确模型.根据选定的正确模型,模仿专家控制实施一种次优化控制策略.同时,针对舵机和船舶航向控制节能的实际需求,还提出次优化控制策略的性能指标.对多模型智能控制的第一步进行了仿真研究.结果表明该方法不仅可应用于船舶控制,而且,还适用于很多工业过程控制系统.     

基于最小Wilcoxon学习方法的Hammerstein模型辨识

提出一种基于最小Wilcoxon学习方法的非线性动态系统建模方法。用非线性静态子环节和线性动态子环节串联——Hammerstein模型来描述非线性动态系统。然后,将Hammerstein模型的非线性传递函数转换为等价的线性形式,从而建立起线性中间模型。再由最小Wilcoxon学习方法辨识出中间模型参数。最后,通过中间模型参数与Hammerstein模型参数之间的关系,推出原系统的非线性静态环节和线性动态环节的参数,从而实现原非线性动态系统建模。在系统仿真响应信号有扰动时,该方法比用最小二乘法辨识中间模型表现出更强的鲁棒性。     

格分片线性函数的辨识和优化

格分片线性模型由一个实数矩阵和一个 0 - 1矩阵所确定 ,能够表示任意维变量的全体连续分片线性函数 ,其实数矩阵完全由它的局部线性函数的参数向量所组成。这些特点为辨识分片线性函数和利用线性模型的分析方法解决分片线性模型描述的非线性问题提供了极大的便利。该文引入格分片线性模型解决非线性函数的辨识问题。给出了辨识格分片线性函数的实用算法。并对线性约束下的格分片线性函数优化问题提出了通过线性规划算法确定全局最优解的简单方法。这些工作表明 ,用格分片线性函数建模是解决非线性问题的一种有效途径     

RBF网络参数优化方法及其在开关磁阻电机建模中的应用

 基于全局搜索的进化算法——粒子群算法（QPSO）和一种局部搜索算法——结构化的非线性参数优化方法（SNPOM）,提出了一种混合的优化算法估计RBF神经网络中的参数——网络中心、线性参数、非线性参数,初始化一定数目的种群作为SNPOM的初始值,得到其适应值,通过选择、交叉、替换策略更新种群,完成网络中心初始值的寻优。再用SNPOM方法进一步优化,以提高SNPOM算法的全局搜索能力。仿真结果表明,混合优化方法比单独采用SNPOM法更优,且优于其他算法。并针对开关磁阻电机（SRM）高度非线性的开发重点和难点,用RBF网络进行SRM建模,将QPSO-SNPOM算法应用于RBF模型参数优化中,仿真实验结果表明,该算法较SNPOM算法精度更高、泛化能力更强,较遗传混合算法更快,训练后的RBF模型完全满足开关磁阻电机特性。     

含饱和特性的双采样率数据Hammerstein系统辨识

针对含有饱和特性的双采样率数据Hammerstein系统提出了一种新的辨识方法。首先,将含有饱和特性的静态非线性环节和线性动态环节的串联,整理成一个非线性基函数和线性动态环节的串联。在此基础上,利用辅助模型辨识原理解决数据缺失、中间未知变量、被辨识参数之间存在耦合的问题, 通过递推辨识算法利用双率采样数据辨识单率Hammerstein模型中的参数。最后,以一个含饱和特性非线性系统实例的建模来验证提出辨识算法的有效性。