一种线性自抗扰控制器参数自整定方法

针对线性自抗扰控制器参数难于整定的问题,提出了一种基于动态响应过程时序数据挖掘的参数自整定算法. 算法以线性自抗扰控制器中线性误差反馈律的两个增益信号回路的动态响应为参数调整对象,通过改进变收缩系数的随机搜索算法进行参数整定,记录动态响应过程数据,基于关联关系挖掘得到控制参数调整策略应用于线性自抗扰控制器的参数自整定. 为验证本文提出的参数自整定方法的实际效果,以液压自动位置控制系统为控制对象,分别采用阶跃响应仿真和Monte Carlo实验进行对比研究. 结果表明,基于数据挖掘参数自整定的线性自抗扰控制器动态响应较好,鲁棒性较强,改进了变收缩系数随机搜索算法调整时间较长以及传统线性自抗扰控制器超调较大的缺点,是一种具有实用性的线性自抗扰控制器参数自整定方法.     

EKF-ENN算法在瓦斯涌出量预测中的应用

针对瓦斯涌出量的多影响因素预测问题,提出将扩展卡尔曼滤波算法与Elman神经网络有机结合并应用于瓦斯涌出非线性系统的动态辨识.带有整定因子的EKF滤波器通过实时对网络的权值、阈值进行全局寻优,建立基于EKF-ENN耦合算法的绝对瓦斯涌出量预测模型,利用矿井监测到的各项历史数据进行预测试验.研究结果表明:该模型的预测平均相对误差为1.67%;平均相对变动值ARV为0.000 768 1.EKF优化后的Elman神经网络预测模型相比于其他预测模型,具备更高的预测精度与更强的泛化能力.     

三相电压型PWM整流器滑模变结构直接功率控制

摘 要：本文提出了一种基于滑模变结构控制理论的三相PWM整流器直接功率控制方案,它利用滑模变结构控制系统的鲁棒性和动态性能较好、参数整定简单的优点,解决了传统上基于PI算法的直接功率控制系统抗扰性能差、对PI控制参数较敏感、网侧电流总谐波含量（THD）较大的缺点;在MATLAB/SIMULINK环境中建立仿真模型,对滑模控制和PI控制两种方案进行仿真比较,结果表明滑模控制方案明显优于PI控制方案.     

基于数据挖掘的IMC-PID在线自整定算法的实现

提出了利用过程历史数据自动进行数据挖掘的PID参数在线自整定算法。算法以PID回路的动态响应特性为依据,通过给定ε-不敏感损失函数、辨识信任度函数,从可行数据集中选取有效数据集,以此作为回路参数自整定的有效数据。为确保PID控制尽可能达到最佳性能和鲁棒性,提出了基于对象组进行IMC-PID参数整定的方法。算法已应用于多个生产装置上,实际的投运结果表明,这种算法具有简便易用,推广能力强等特点,是PID参数整定算法中一种切实可行的算法。     

改进的Elman网络在非线性系统辨识中的应用

通过对Elman网络的研究,提出一种新型的基于输入层、隐层、输出层神经元递归的动态递归神经网络,给出Elman网络的标准BP学习算法,针对标准BP算法的收敛速度慢和容易收敛于局部极小点的缺点,利用非线性动量项自适应变步长的BP算法进行改进,从而提高算法的收敛速度,避免陷入局部极小点的问题.通过在系统辨识中的应用,表明该网络收敛速度快,模型精度高,并具有较强的自适应性和鲁棒性,适合于动态系统的实时辨识.     

改进型Elman神经网络在炉温控制系统建模中的应用

介绍一种基于改进型Elman神经网络的系统辨识方法,并将其应用于电加热炉温度控制系统的系统辨识.该系统具有典型的长时延、慢时变、非线性、强干扰分布参数系等特征,并与传统Elman及BP(Back Propagation)网络相比.实验结果表明:该方法适合于高阶动态系统且辨识效果较理想.     

基于免疫调节机制的参数自整定模糊控制器设计

为进一步解决常规模糊控制算法存在的控制器参数不能在线调整、稳态精度较低等问题,提出一种基于免疫系统调节机制的参数自整定模糊控制算法。该算法在动态调节阶段借鉴生物免疫系统调的T细胞反馈调节机制来整定控制器参数,以获得较优的控制系统动态性能;稳态调节阶段利用免疫系统抗原提呈原理,将控制偏差视为抗原并进行非线性处理,同时微调控制器参数以提高模糊控制器的灵敏度,从而克服常规模糊控制器稳态精度不高的缺陷。为检验免疫模糊自整定控制算法的控制效果,将改进后的算法应用于生物反应器的非线性温度控制对象。研究结果表明:相比于常规模糊控制算法和PID算法,免疫模糊自整定控制算法具有较好的控制效果和较强的抗干扰能力。     

伺服控制系统的模糊优化及其参数自整定

针对一次性整定的控制参数很难确保伺服控制系统始终处于最佳状态,探讨了伺服控制系统的模糊优化及其参数自整定.分析了参数调整的模糊性,研究了控制参数的整定原则及其自整定机理,基于动态特征提出了评价函数,讨论了奖惩函数与奖惩自学习算法,设计了参数自整定的伺服控制系统结构.系统仿真实验与实际工程运行结果显示,提出的算法可将系统精度稳定地控制在期望的范围内.工程应用效果表明,该方法控制精度高,鲁棒性强,可满足高精度伺服控制系统的工况需要.     

柔性联结配重系统同步升降控制研究

钢丝绳联接的配重升降时,其同步控制对速度、响应、精度和平稳性等指标要求很高,且宽负载工况下,定参数PID难以满足控制要求.本文首先设计了变基准主从策略作为底层策略,实现系统设计的最大升降速度和精度.其次提出一种变参数PID自适应控制方法.该方法将参数Kp、Ki、Kd,按照整定规则作为代价项引入偏差目标函数,用于元启发算法适应度计算.对于搜索到的参数组(Kp、Ki、Kd),当代价项较小时,目标值较小,适应度较大.因此,算法能自适应整定参数以获得最小偏差值.分别采用遗传和粒子群算法进行实时参数整定、偏差优化和同步追随,并与定参数PID进行同步效果比较.仿真结果显示:变参数PID自适应控制方法适应宽负载工况,其精度、响应以及稳定性指标全面优于定参数PID.基于变基准策略的PID参数自适应控制方法能够实现大惯性系统的快速、稳定同步升降.     

基于参数自整定模糊PID算法的平地机行走速度优化控制系统设计

针对平地机作业时行进速度精度的滞后问题及控制参数,提出了基于参数自整定模糊PID算法的平地机行走速度优化控制系统,协调解决行进速度的滞后问题,并完成了将该算法应用在平地机的控制系统中.系统采用单片机作为行走速度的控制中心,为验证参数自整定模糊PID算法的有效性和可靠性,对平地机的行进速度控制进行了设定干扰信号的测试.通过Matlab软件的Simulink仿真,分析了不加PID的常规控制、PID控制、参数自整定模糊PID控制进行速度稳定控制的效果,测试显示响应时间短、响应速度较快,能够满足设计的要求.     

基于Elman型神经网络的空调负荷预测模型

空调系统的负荷与诸多影响因素之间是一种多变量、强耦合、严重非线性的关系，且这种关系具有动态性，因而传统方法的预测精度不高，而动态回归神经网络能更生动、更直接地反映系统的动态特性。针对这个特点，建立了基于Elman型神经网络的空调负荷预测模型，并进行了实例预测。文中还比较了Elman网络和BP终结建模效果，仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点，说明Elman网络是一种新颖、可靠的负荷预测方法。     

神经网络模型参考自适应控制算法研究

分析了基于BP算法的神经网络模型参考自适应控制器对大惯性环节被控对象的控制效果,发现该算法使控制器存在严重的“过学习”现象,为避免这一现象,设计了一种新的误差函数结构,得到改进的BP算法,针对一个存在大惯性环节的线性时变系统,对比分析了神经网络模型参考自适应控制器在采用传统的BP算法和改进的BP算法时得到的不同控制效果。     

Elman回归神经网络在大坝安全监控中的应用

给出了E1man回归神经网络的网络结构和学习方法。基于E1man回归神经网络能够逼近任意非线性函数的特点，提出了一种基于E1man回归神经网络建立安全监控模型的方法。实验表明，所建立E1man神经网络模型收敛速度快，并且其拟合及预报精度高于统计模型和BP网络模型。     

一种高精度的概率积分法参数预计方法

为使概率积分法参数预计具备更高的精度,在充分分析概率积分法参数与地质采矿条件间关系的前提下,整合遗传算法和BP神经网络的功能特性构建了一种新的网络模型,即NA(new approach)模型。该模型利用遗传算法的寻优能力获得网络最优输入自变量组合,并优化模型的权值和阈值。以中国45个典型的地表移动观测站数据作为训练和测试集,分别建立NA、BP网络和SVM模型,并将模型预测结果与实测数据做了对比分析。结果表明:对不同的概率积分法参数预计时,NA模型的预测精度都优于BP网络和SVM模型;且误差波动范围小、稳定性高。随预计参数的不同,BP网络和SVM模型预测精度各占优势,但两者预测效果相差甚微。     

神经网络仿PID参数自适应控制器及其应用

介绍了基于BP神经网络的仿PID自适应控制器，给出了控制算法，推导了基于变形Elman网络的系统辨识算法，仿真及应用表明此方法是可行的。     

基于SOA-BP神经网络的SLS成型件精度预测模型

针对选择性激光烧结(selective laser sintering,SLS)成型件精度难以控制以及工艺参数优化实验成本高等问题,提出了一种利用人群搜索算法(seeker optimization algorithm,SOA)优化BP(back propagation)神经网络对SLS成型件精度预测的方法。首先选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度五个工艺参数设计正交试验获取样本数据。然后根据SOA算法特有的利己、利他、预动和不确定推理四大行为确定搜索策略,获取BP神经网络最优权值和阈值。最后采用MATLAB建立优化后的BP神经网络预测模型对样本数据进行预测分析,并与传统BP神经网络和粒子群算法(particle swarm optimization,PSO)优化的BP神经网络预测结果进行对比。结果表明:基于SOA-BP神经网络的预测模型具有较高的预测精度,最大绝对误差仅为0.028,对SLS成型件精度的提高和工艺参数的选取具有指导作用。     

基于神经网络的泡沫混凝土强度及导热性能预测

基于神经网络原理,建立预测泡沫混凝土性能的BP神经网络模型,期望通过输入配合比主要参数,得到泡沫混凝土强度及导热性能的预测结果。将实验数据分为训练组和对照组,对训练组进行非线性拟合,若拟合结果满足误差精度则模型建立完毕;通过拟合结果与对照组的比较,可验证模型预测精度。结果表明,BP神经网络模型能够准确拟合实验数据,利用其泛化能力进行预测的结果与对照组的误差小于8%,该模型具有很高的预测精度。     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

基于EWT-PSO-Elman耦合模型在径流预测中的应用

由于径流序列的非线性和非平稳性,单一预测模型能力有限,难以做出准确预测。因此,论文基于澄碧河流域坝首站1979-2019年共41a的实测月径流序列,引入经验小波变换分解(EWT)、粒子群算法(PSO),建立一种基于Elman神经网络的组合月径流预测模型(EWT-PSO-Elman),并采用纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析,并将预测结果与EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型进行比较。结果表明：EWT-PSO-Elman模型的纳什效率系数为0.9135,均方根误差为19.4511,预报等级为甲级,具有较好的预测精度和泛化能力;EWT-PSO-Elman模型的预测精度优于EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型。可见,EWT-PSO-Elman模型具有更好的预测精度,可应用于径流预测研究中。     

基于带偏差递归神经网络蛋白质关联图的预测

针对BP神经网络在学习速度方面的不足, 在Jordan和Elman网络结构的基础上, 提出一种带偏差单元的递归网络模型, 根据BP算法推导出该网络模型的权系数调整规则, 并应用该网络模型进行了蛋白质关联图预测的仿真分析. 结果表明, 该网络模型的收敛速度比一般BP网络有很大提高, 具有一定的实用性.