韩超远[1]2011年在《基于神经网络的内模控制在温度控制系统的研究》文中研究表明温度控制系统是现代大多数工业中一个重要的组成部分,这种系统具有典型的大滞后性、大惯性、非线性等特点。由于滞后的存在严重影响了系统的稳定性和控制性能,而基于精确数学模型的常规控制方法通常难以获得满意的动、静态控制性能,并且系统在运行中参数的时变和外界环境的不确定因素的影响下,使这种系统更加难以控制。因此,研究更为先进的控制算法具有重要的理论意义和现实意义。本文以电加热炉为研究对象,对其特性进行系统分析基础上抽象出该系统的数学模型。基于该模型,着重研究了具有大滞后控制系统的优化算法。主要内容如下:1、基于一些有效时滞控制算法分析的基础上,对Smith预估控制算法和内模控制算法进行重点仿真验证。仿真结果表明,内模控制在时滞控制系统中具有更好的抗干扰性和鲁棒性;由于径向基(RBF)神经网络具有快速学习并能逼近任意非线性函数的优点,本文用径向基网络分别设计内模控制算法中的内部模型和内模控制器,提出基于神经网络的内模控制算法应用在时滞工业控制中;2、本文针对以下两方面进行了改进:首先,模型逆模型的设计方面,本文深入研究了各种辨识的结构并对它们进行了详细的分析,在此基础上提出了改进型逆模型辨识结构并对其进行了仿真验证;其次,RBF网络隐层中心点的确定和权值修正方面,使用了改进的次胜者受罚的自竞争学习算法对中心进行自适应学习,提高了网络的学习速度;针对权值修正使用带有遗忘因子的最小二乘算法,有效防止饱和现象的发生。通过仿真实验表明,改进后的算法应用神经网络内模控制中具有上升时间快、鲁棒性好、抗干扰能力强、无超调等很好的控制效果,并有在线自调整的能力。
宋夫华[2]2006年在《支持向量机逆系统方法及其应用研究》文中研究表明近年来逆系统方法已在一般形式的非线性系统上建立起比较完整的设计理论,然而该方法要求被控非线性系统的数学模型精确已知,而工程实际中的非线性特性常常难以确切描述,即使建立起非线性系统的数学模型,利用这些复杂的模型又极难求出逆模型的解析解。针对逆系统的这两个“瓶颈”问题,本文首先将支持向量机与传统的逆系统方法相结合,介绍了SISO离散非线性系统基于支持向量机的α阶逆系统方法,从理论上给出并证明了SISO离散非线性系统支持向量机α阶逆系统存在的条件,并将该方法从离散系统推广到连续系统,从SISO系统推广到MIMO系统,为该方法深入研究及推广应用奠定了基础。其次,为了克服SVM运算速度慢的问题,提出了非线性系统最小二乘支持向量机α阶逆系统方法,并在此基础上提出了基于最小二乘支持向量机α阶逆系统的预测控制方法。为了提高传统逆系统方法的鲁棒性和抗干扰能力,将逆系统方法与内模控制相结合,提出了基于最小二乘支持向量机α阶逆系统方法的非线性内模控制新方法。进而将理论结果应用于空气重介流化床的控制中,取得了良好的仿真效果。本文的具体内容如下: 一、非线性系统支持向量机α阶逆系统方法 为了克服逆系统方法的两个“瓶颈”问题,结合支持向量机在小样本情况下具有很好的非线性建模的特点,对SISO离散非线性系统的SVM逆系统方法进行了理论研究,给出并证明了SISO离散非线性系统SVMα阶逆系统的存在条件;并将该方法从离散系统推广到连续系统,从SISO系统推广到MIMO系统。理论分析和仿真研究表明该方法控制效果好,不需要系统的精确模型,为逆系统方法在工程中的应用提供了一条新的途径。 二、提出了非线性系统最小二乘支持向量机α阶逆系统方法 为了克服SVM收敛速度慢给基于SVM的α阶逆系统方法带来的缺陷,提出了非线性系统基于LS-SVM的α阶逆系统方法,分别就SISO和MIMO系统给出了相应的非线性系统支持向量机α阶逆系统存在的条件。通过多个仿真实例的研究,验证了该方法比SVMα阶逆系统方法好,更加适合实际系统的控制,因而更具有理论研究及工程应用价值。 叁、提出了基于最小二乘支持向量机α阶逆系统的预测控制方法 将最小二乘支持向量机α阶逆系统与原非线性系统组成的伪线性系统作为被控对象,引入预测控制方法对其进行控制。该方法亦无须知晓被控非线性系统
张红军[3]2002年在《一种新的前馈神经网络训练算法及其在控制中的应用》文中研究指明神经网络控制是智能控制的重要分支，是当前控制领域的研究热点之一。本文主要对前馈神经网络的训练算法及前馈神经网络在自动控制中的应用进行了研究。GEKF算法自从提出以来以其优越的收敛性能得到神经网络界学者的广泛承认，但是由于GEKF算法具有很高的计算复杂度和存储要求，这大大限制了GEKF算法的实际应用。为克服GEKF算法的缺陷而尽可能保留其优势，一些学者基于降低维数和局部化的思想进行了有益的探索，例如DEKF算法和MEKA算法。本文提出了一种新的前馈神经网络训练算法——局部线性化最小二乘算法，它将整个网络的全局参数识别问题看成一系列子系统的局部参数识别问题，并且将局部参数辨识问题转化成递归的线性化最小二乘问题。仿真表明，本文中提出的新算法与DEKF算法和MEKA算法相比，具有基本相同的计算复杂度，但具有更好的收敛性能，其收敛性能与GEKF算法非常接近。 然后，本文将非线性系统鲁棒无模型自适应控制理论与前馈神经网络相结合，提出一种基于前馈神经网络的非线性系统自适应控制方法。在该方法中，使用前馈神经网络作为系统辨识器，应用局部线性化最小二乘算法对前馈神经网络进行在线训练以在运行中快速逼近非线性时变系统，并基于前馈神经网络辨识器来计算出非线性系统的自适应控制律。控制仿真表明，本文提出的非线性系统自适应方法具有计算简单、调节速度快的特点，表现出很强的鲁棒性和抗干扰能力。最后，本文对产生仿真结果的原因进行了简要的分析。
邹彪[4]2011年在《基于耗散系统原理的STATCOM与发电机励磁鲁棒稳定控制研究》文中研究表明电力系统是一个典型的高维非线性动态系统。随着大型电力系统互联发展,增强了电力系统的复杂性和非线性程度。另一方面,随着电力电子技术的发展和计算机运算能力的提高,越来越多的新技术、新设备和新策略被应用于电力系统的运行控制中。STATCOM作为灵活交流输电系统的一种新设备被广泛地应用到电力系统中,它可以有效地提高系统输电容量,增强系统稳定,改善电能质量,但同时也增加了系统的复杂程度和控制难度。所以稳定性分析是电力系统规划和运行中重要的任务之一。为提高电力系统运行的稳定性,除应对电网进行合理的规划、建设采取必要的措施外,最主要的就是对相关部件采取有效的控制手段。因此,STATCOM与电力系统励磁的控制设计研究具有十分重要的意义。为了改进和提高电力系统的稳定控制技术,人们对系统模型及控制方法进行了大量的研究工作。发电机励磁控制一直以来都是提高电力系统稳定性最经济最有效的手段之一,但大部分控制励磁系统都是基于电力系统在某个运行点的线性化模型而进行设计的线性控制规律。在电力系统的实际运行中,由于存在着各种不确定性因素,而且干扰对控制系统的影响很大,应该考虑降低干扰对系统的影响,使干扰输入对系统输出的影响足够小,这也就是电力系统的鲁棒非线性控制问题。电力系统的鲁棒非线性控制对提高稳定性,改善系统动态能有着十分重要的意义。另外,耗散系统原理研究的不断发展对分析电力系统提供了新的视角和方法,因此有必要基于耗散系统原理研究成果,完全考虑系统的非线性特性,设计电力系统的非线性控制器。本文针对具有STATCOM的发电机励磁系统,利用非线性控制的基本原理和控制方法,结合电力系统的特点,针对各种系统装置,建立并推导系统的合适数学模型。然后采用无源协调控制思想和反步法,研究设计了STATCOM和发电机励磁的协调控制器,有效提高了系统的暂态稳定性能。最后介绍了微分代数理论的基本概念,并将前面的研究成果推广到非线性微分代数系统,用它来描述复杂电力系统动态特性。将单机模型推广到多机电力系统,尝试建立能够反映系统拓扑特性的不确定结构保持电力系统模型。
贾梓筠[5]2017年在《基于操作性条件反射的神经网络自适应控制》文中提出随着控制对象及其目标、任务和所处环境的复杂性提高,基于系统模型与规则的传统控制方法愈发难以满足其对于系统控制品质的要求。研究针对复杂非线性系统的新一代智能控制方法,对加强系统的自学习和自适应能力以及确保系统平稳安全运行具有理论价值和实际指导意义。本论文旨在研究具有高性能、低成本、易于集成等特点的智能控制方法,致力于解决理论在工程化过程中遇到的问题,特别是因实际系统模型的严重非线性、结构漂移、不确定外界扰动、机械结构磨损、核心部件(执行器,传感器)功能失效、子系统故障所导致的控制性能恶化问题。为实现这一目标,论文首次提出将神经科学中的客观规律与神经网络控制理论相结合,设计更为贴近脑神经系统特征的自适应控制器。在优化神经网络的组织结构的同时,使其能够在非线性系统控制中发挥出更好的自学习与自适应能力,从而提高系统的整体控制性能,如控制精度、收敛速度、运算效率、抗干扰性和运行平稳性等。鉴于此,论文的研究围绕以下内容展开。1、从操作性条件反射学习原理出发,提出一种面向智能系统的奖赏机制和具有神经自适应单元的操作性条件反射仿生模型(OCBM)。该模型具有自动调节权值、神经元子网络数量和基函数结构参数的能力。针对一类未知高阶非仿射系统,设计基于OCBM的仿生控制器,并利用OCBM网络对系统中的混合未知不确定项进行学习。以李雅普诺夫稳定性分析为基础,所得出的控制策略可以确保闭环系统的最终一致收敛。通过仿真对比研究,进一步验证了 OCBM控制方法能够应对系统模型未知、结构漂移和不确定外界干扰等情况,并且在收敛速度、控制精度和运算效率方面优于一些传统方法。2、结合局部权值学习框架,对OCBM网络进行系统地改良。提出负责引导神经元簇自动添加过程的有限神经元自增长(FNSG)策略,形成了神经元可按需生长的自调节神经网络结构雏形。另一改进在于受限李雅普诺夫函数(BLF)的使用,确保了神经网络训练输入能够始终满足紧集先决条件,避免了切换控制中信号的不连续问题。同时,通过设计光滑饱和函数、连续权值更新律以及高斯权重函数,控制器信号在除神经元簇生成的瞬时时刻外具有光滑连续性。相比元数固定和自组织控制方法,仿真结果表明,基于FNSG策略的控制器可以有效抑制冗余神经元的生成,节省系统运行资源。3、基于对脑神经系统的结构和调节机制的发现,构建一种具有时变理想权值、多元化基函数、神经元可自动增减特征的多内涵自调节神经网络(MSAE-NN)。针对一类模型不连续的高阶非仿射系统,提出基于MSAE-NN的控制方法。结合鲁棒自适应和BLF的设计方法,集中解决了因无法满足万能逼近定理而导致的神经网络功能失效问题。此外,将FNSG策略拓展为神经元可自动增加或减少的方案,并引入了神经元平滑增减操作函数,使控制信号在神经元新增和被剔除时仍具有平滑性,从而提升系统的整体控制品质。4、以多自由度机器人系统为研究对象,将MSAE-NN拓展应用到多输入多输出的非仿射系统中。结合关节空间和笛卡尔空间的具体任务,设计基于MSAE-NN的神经自适应控制方法,用于应对不确定跳变扰动和执行器完全失效的情形。通过采用MSAE-NN模型,所提方法可以避免对基函数参数的估计和人工调参过程。同时,基于BLF制定的控制策略确保了 MSAE-NN在系统运行期间的有效性。值得一提的,所提控制器不仅不依赖模型本身的参数信息,还具有结构简单,经济实用和易于开发的特点。
成慧翔[6]2013年在《基于复合粒子群优化的模糊神经预测控制的研究》文中研究说明预测控制技术是智能控制技术的一个重要分支,是基于实际工业控制过程而发展起来的计算机控制算法。在控制领域界,它一直备受人们的关注。基于预测控制本身具备的优点,如鲁棒性较强、对模型要求低、易于处理时滞、时变问题等,线性预测控制在实际应用领域中得到广泛的应用,并为社会创造了可喜的经济效益。然而,实际的工业控制过程中,系统具有较强的非线性、耦合性、时变性等特点且控制要求较高。研究成熟的线性预测已经难以达到令人满意的控制效果。因而,研究非线性预测控制成为控制领域关注的研究热点和焦点。为了满足实际复杂控制系统的要求,预测控制向智能化发展是其发展的新趋势,为解决复杂多变量系统的控制问题开辟了新途径。这需要将智能控制技术与预测控制理论融合构成复合型智能预测控制算法。神经网络逼近非线性映射的能力以及自学习能力是其成功应用的理论基础；模糊逻辑系统易于利用人类的语言信息,便于理解和表达。二者有机结合扬长避短,扩大神经网络处理信息的范围,从过去仅能处理精确信息,逐渐可以处理不确定信息和不精确信息。同时,可以自动获取模糊规则及其隶属度函数,提高了系统的自适应能力。本文从预测控制的基本特征着手,将智能控制技术的主要分支进行融合,提出了一种基于复合粒子群优化算法的模糊神经预测控制算法。为了使系统理论更加完善且由浅入深,本文详细介绍了融合智能技术中的每一智能技术分支,包括预测控制、模糊逻辑、神经网络、群智能优化的基本原理、算法流程及其应用、各技术的优缺点比较等。然后,基于MATLAB平台对本文所研究算法进行仿真研究。对系统的跟踪性能、鲁棒性、抗干扰特性、预测精度、迭代寻优过程的结果进行了详细的分析,并与标准广义预测控制算法、神经网络预测控制算法、模糊神经网络预测控制算法进行比较。结果表明,本文所提算法控制性能良好,预测精度更高、收敛性良好、跟踪性能优良、鲁棒性较强,其控制结果令人满意。最后,作者对所研究课题有待进一步研究的方向以及发展前景进行总结。
金培[7]2008年在《基于神经网络的智能PID控制器研究与应用》文中进行了进一步梳理PID控制器的特点是结构简单,鲁棒性强,规则容易理解等,而神经网络以其很强的适应于复杂环境和多目标控制要求的自学习能力,并能以任意精度逼近任意非线性连续函数的特性引起控制界的广泛关注。对于强非线性系统,利用神经网络的优点,设计PID控制器的在线调整控制系统,改善系统性能,无论在理论还是实践上都将具有重要意义。本文在吸取传统的经典控制理论强大的分析能力基础上,结合神经网络控制的特点,将神经网络控制与传统PID控制相结合,明确了神经网络对于解决传统过程控制问题的重要地位。设计了一种基于神经网络瞬时线性化的在线自校正PID控制器,对PID控制与神经网络相结合的几种神经网络PID算法进行了仿真分析与研究。对于pH中和反应控制系统,将神经网络用于其PID参数的在线整定,给出了设计神经网络在线自校正控制器的一般算法,并讨论了在MCGS中用VB语言实现该控制过程的技术方法。论文的工作充分表明基于神经网络的智能PID控制器具有良好的控制效果,有着广阔的发展前景。
王荣林[8]2006年在《模糊自适应PID非线性控制在电液伺服系统中的应用研究》文中研究说明电液伺服系统在航空、航天、武器、大型机械、冶金等工业部门已经广泛应用。随着现代工业的发展，对电液伺服系统的性能提出了更高的要求，同时要求系统对恶劣的环境有较强的适应能力。鉴于本电液伺服系统工作过程中，存在的各种非线性因素(①电液转换元件与控制元件(伺服阀、比例阀或数字阀)的节流特性、②变速传动中齿隙、③主要来自液体的可压缩性和伺服阀内复杂的流动特性)，本论文在硬件设计和数学建模的基础上，设计了模糊自适应PID非线性控制器。硬件部分致力于伺服放大器的设计，并构建实际系统。 仿真和试验结果表明，本文设计的基于模糊自适应PID控制算法的控制器可以使系统具有良好的动静态控制效果和鲁棒性，有效地抑制负载变化和外界干扰，很好地满足系统所要求的性能指标。
姚利哲[9]2011年在《智能预测控制策略研究及应用》文中研究表明预测控制是一种基于模型的先进控制技术,它产生于20世纪70年代中后期,它能够克服受控对象建模误差以及外界干扰等不确定因素的影响,有效地弥补了现代控制理论对复杂受控对象的一些不足之处。因此一经产生,预测控制便成为了控制理论界和工业控制界的一个热门话题,并且在工业过程控制中得到了广泛的应用。近年来,非线性系统的控制得到了越来越多的关注,这主要是因为大多数的实际系统本质上都是非线性系统,而现代科学技术都要求控制系统具有更为严格的控制指标,能够更为准确地处理被控系统的非线性特性。虽然预测控制在工业过程控制中有着成功的应用,但其大多仍是基于线性模型。而现实生产过程中遇到的大多数控制系统都是非线性控制系统,对于这样的一些非线性控制系统,由于控制系统本身的复杂性和不可预知性,从而使得寻找一种具有一般性的、统一的非线性预测控制方法比较困难。进入20世纪90年代以来,智能控制的研究成果大量涌现,一些智能算法被人们提出,并应用于实际过程中,为一些复杂系统的控制提供了新的方法和思路。本文围绕着预测控制的基本组成部分：预测模型、反馈校正、滚动优化,对非线性系统的预测控制方法进行了深入的研究和探讨,并将其应用于中和反应PH值的控制中,给出了相应的研究成果。本文主要研究了以下几个方面的内容：研究了BP神经网络预测模型,并且针对其收敛速度慢,容易陷入局部最小点等缺点,本文设计了一种基于粒子群和BP混合算法的神经网络,验证其更适合于非线性预测控制的模型预测。针对神经网络递推多步预测产生的累积误差问题,本文设计了一种基于神经网络误差补偿的校正方式,提高了反馈校正质量。针对非线性优化策略问题,本文利用粒子群算法与模拟退火算法相结合的方法,既能解决非线性优化问题,又能克服标准粒子群算法的缺点,取得了良好的控制效果。将混和智能预测控制算法应用于PH值控制,为其提供了一种新的、更为有效的控制方法。
刘高原[10]2008年在《鲁棒稳定控制方法在交直流联合输电系统中的应用》文中提出本文主要研究了交直流联合输电(AC/DC)系统的动态特性,并考虑系统运行状态和参数的不确定性,建立综合非线性不确定模型,利用鲁棒稳定控制策略设计控制器,并对电力系统复杂随机网络理论进行初步探讨,研究了电力系统的复杂网络特性。本文首先针对典型的AC/DC系统,综合考虑系统中的直流和交流部分的动态特性,交流部分将发电机组参数取作不同值,并分别进行处理,直流部分采用叁阶动态模型,并考虑了系统的功率扰动,形成一种能够普遍适用的非线性不确定模型,既能反映交流部分发电机的特性,又能够反映直流部分的动态特性。针对此模型引入鲁棒稳定控制策略,对非线性模型进行反馈线性化,进行控制器设计,并通过仿真验证了控制器的有效性。然后将此模型进行推广,使其适用范围扩展到多机系统,在交流系统部分考虑发电机的励磁控制环节,并通过附加的功率代数方程将直流侧和交流侧联系起来,形成AC/DC系统的非线性不确定微分代数模型。利用微分代数系统的反馈线性化原理对此模型进行精确线性化,引入鲁棒控制策略,设计鲁棒控制器,并进行了仿真,结果表明所设计的控制器能够提高电力系统的稳定性。最后一部分介绍了现代复杂随机网络的研究成果,对电力系统的复杂随机网络建模进行了初步探讨,建立了适合于复杂网络的电力系统微分代数模型,建立发电机网络模型,对此模型进行控制器设计,并对含有AC/DC线路的电力系统复杂网络建立了基于微分代数方程的数学模型。
参考文献：
[1]. 基于神经网络的内模控制在温度控制系统的研究[D]. 韩超远. 西华大学. 2011
[2]. 支持向量机逆系统方法及其应用研究[D]. 宋夫华. 浙江大学. 2006
[3]. 一种新的前馈神经网络训练算法及其在控制中的应用[D]. 张红军. 大连理工大学. 2002
[4]. 基于耗散系统原理的STATCOM与发电机励磁鲁棒稳定控制研究[D]. 邹彪. 上海交通大学. 2011
[5]. 基于操作性条件反射的神经网络自适应控制[D]. 贾梓筠. 北京交通大学. 2017
[6]. 基于复合粒子群优化的模糊神经预测控制的研究[D]. 成慧翔. 太原理工大学. 2013
[7]. 基于神经网络的智能PID控制器研究与应用[D]. 金培. 北京化工大学. 2008
[8]. 模糊自适应PID非线性控制在电液伺服系统中的应用研究[D]. 王荣林. 南京理工大学. 2006
[9]. 智能预测控制策略研究及应用[D]. 姚利哲. 兰州交通大学. 2011
[10]. 鲁棒稳定控制方法在交直流联合输电系统中的应用[D]. 刘高原. 上海交通大学. 2008
标签：自动化技术论文; 支持向量机论文; 模型预测控制论文; 神经网络模型论文; 前馈神经网络论文; 预测模型论文; 非线性论文; 线性系统论文; 智能控制论文; 自组织神经网络论文; 网络模型论文; 系统仿真论文; 能力模型论文; 网络结构论文; bp神经网络算法论文; 算法论文;