周涌[1]2003年在《非线性系统的神经网络内模控制研究》文中研究指明本文研究了非线性系统的内模控制，主要内容如下： (1)研究了基于动态神经网络和模糊神经网络的非线性系统辨识问题。提出一种基于并联模式的动态神经网络，证明了存在建模误差和有界扰动的情况下，基于Lyapunov理论的自适应学习算法能保证辨识误差和权值误差的一致有界；提出一种T-S模糊神经网络的新的学习算法，首先采用模糊聚类算法得到网络的结构和前件参数的初始值，然后用LMF和LSM的混合算法分别对前件参数和后件参数进行优化求解。 (2)研究了仿射非线性系统的动态神经网络内模控制，首先将微分几何理论应用于状态可测的单变量仿射非线性系统的内模控制设计中，根据获得的动态神经网络模型动态逆构造内模控制律，从而将线性内模控制的分析、设计方法推广到非线性系统。分析了建模误差对闭环系统鲁棒稳定性和稳态性能的影响，研究了控制量饱和对内模控制系统性能的影响，引入跟踪误差反馈对内模控制进行改进有效克服了饱和的影响。将上述研究结果推广到状态可测的多变量仿射非线性系统，设计了基于解耦线性化的动态神经网络内模控制结构，着重分析了建模误差和残余耦合作用对闭环系统鲁棒稳定性和稳态性能的影响。进一步针对状态不可测的多变量仿射非线性系统，提出基于滑模观测器的动态神经网络系统辨识，完善了动态神经网络内模控制的研究。 (3)研究了基于模糊神经网络的非线性内模控制，针对一类开环稳定的非线性系统，通过理论分析指出其模糊神经网络模型可视为一类特殊的线性时变系统从而直接获得模型的解析逆，简化了非线性内模控制的设计。将建模误差视为结构不确定，引入μ分析方法判断闭环系统的稳定性，进一步采用μ综合方法优化滤波器的设计以保证闭环系统鲁棒稳定。 (4)研究了基于逆系统方法的模糊神经网络内模控制，将非线性系统的模糊神经网络逆系统与原非线性系统复合后再对存在非线性建模误差的“伪线性系统”引入内模控制，当未建模动态满足线性增长和慢时变条件时分析了闭环系统鲁棒稳定性和稳态性能。当未建模动态不满足线性增长条件时，应用Popov超稳定性理论分析了闭环系统的鲁棒稳定性。
谭雅靓[2]2014年在《基于粗糙粒计算的逆模型控制算法研究》文中研究表明逆模型控制方法是非线性控制系统研究的主要理论方法之一，在实际工程应用中得到了广泛应用。其中，内模控制（Internal Model Control, IMC）是一种非常实用的逆模型控制方法，不仅实现过程简单，而且具有良好的抗干扰性能、鲁棒性以及跟踪能力。但是，对于复杂非线性系统的内模控制，被控对象模型及其逆模型的建模过程存在着诸多困难。粒计算是一种新型的智能信息处理技术，为被控对象模型及其逆模型的建模开辟了一条新的道路。本文围绕基于粒计算的逆模型控制算法开展了如下研究工作：1.将基于邻域粗糙模型的粒计算与神经网络相结合，应用于被控对象模型及逆模型的建模过程中，给出了粗糙粒神经网络正模型及逆模型，构建了基于粗糙粒神经网络的内模控制。基于邻域粗糙模型的粒计算方法在一定程度上改善了经典粗糙集理论离散化过程的信息丢失问题。首先通过系统观测数据建立构建模型所需的决策表，采用基于邻域粗糙模型的粒计算从决策表中提取最小决策规则集，进而确定神经网络的具体结构和初始参数。采用粗糙粒神经网络分别设计内部模型和内模控制器后，投入内模控制系统进行在线控制。二阶微分系统的仿真结果表明，基于粗糙粒神经网络的内模控制具有良好的跟踪性能、抗干扰性及鲁棒性。2.采用基于邻域粗糙模型的粒计算对决策表进行规则提取过程中，需要对每个条件属性和决策属性进行聚类粒化，聚类结果的好坏会对最终的规则提取产生一定的影响。针对该问题，设计了另一种内模控制方法，将模糊粗糙集粒计算与神经网络相结合，给出了模糊粗糙粒神经网络，通过该神经网络辨识得到内部模型和内模控制器。建模过程中，同样通过被控对象的观测数据建立决策表，但是只需要决策属性进行聚类粒化，进而通过模糊粗糙粒计算获取网络的初始权值。非线性系统仿真验证了基于模糊粗糙粒神经网络内模控制方法的正确性和有效性。
周涌, 陈庆伟, 胡维礼[3]2004年在《内模控制研究的新发展》文中进行了进一步梳理概述了内模控制(IMC)的研究现状和新发展,详细论述了内模控制特别是非线性系统内模控制研究中的主要方面及其研究成果.首先介绍了内模控制中的各种建模方法,指出它们各自的优缺点,并根据内模控制的发展趋势着重分析了内模控制器的设计及其改进结构,内模控制与其他控制方法的结合方式等几个关键性问题.最后指出了内模控制研究中存在的一些混淆,并探讨了这一研究领域的发展方向.
蔡坤[4]2014年在《内部热耦合节能过程RBF先控策略研究》文中指出精馏操作是石油化工领域中应用最为广泛、也是能源消耗最为巨大的一个单元操作,在化工生产过程中占据非常关键的地位。内部热耦合精馏节能技术到目前为止是所有精馏节能技术里面节能效果最好、潜力最大的节能方案,引来了国际上众多着名学者的关注,它的研究目前正处在精馏节能的最前沿,节能技术的众多专家都关注过该领域,而精馏节能技术的主流学者全部都在该领域从事研究。但是由于内部热耦合精馏的机理特别复杂,该过程动态具有强病态非线性,以及变量之间的强耦合性和对干扰的高度敏感性。但由于内部热耦合精馏机制特别复杂,具有很强的病态非线性、对干扰的高灵敏度以及强耦合性。这就对内部热耦合精馏塔的控制带来了很大困扰,国内外到目前为止的研究都是基于机理模型的控制研究,但是由于机理建模时间长,在线校正比较困难,不适合在线运行。因此本文尝试从机器学习的角度来进行建模控制,考虑从RBF机器学习的角度来解决此控制方案。本文主要对内部热耦合精馏过程节能的RBF先进控制研究,试图找到一个或多个优良的RBF控制解决方案,提供给这个新技术产业化的支持。主要的工作与成果如下：1.针对内部热耦合精馏这个极具节能潜力的对象,研究了国内外关于内部热耦合精馏的控制策略,并提出了RBF神经网络内模控制方案,通过苯一甲苯物系为研究实例,结果表明,与传统的PID控制和一般IMC控制方案相比RBF-IMC具有更好的控制效果。。2.针对神经网络模型建立过程中的研究,提出了一种基于减聚类、梯度下降和PSO优化的混合算法,通过与常规RBF的比较,表明了PSO-RBF-IMC控制算法的有效性,能够更好的跟踪输出和拥有更好的精度。3.基于对内模结构的国内外现状研究,考虑在传统的内模结构上加入一个反馈滤波器来进行精度和鲁棒性的权衡,克服RBF-IMC干扰下的模型失配,研究结果表明新的控制方案TDOF-PSO-RBF-IMC具有更好的控制效果和优势。
王冬冬[5]2015年在《基于BP神经网络逆模型的热连轧产品质量研究》文中研究表明随着计算机人工智能技术的快速发展,利用人工智能提高钢铁企业的市场竞争力,满足用户对钢种的特定需求是目前钢铁企业研究的重要目标。本文以某钢铁企业热连轧产品质量为研究背景,运用BP神经网络构建钢铁热连轧产品性能指标和钢铁化学成份与轧制工艺参数的逆模型,目的能够根据给定的钢铁性能指标求轧制工艺参数。为此,主要做了以下工作;1、分析研究论文选题背景与目前国内外有关BP神经网络逆模型和自适应逆控制算法的研究现状。并且综述了与论文研究相关的理论与算法：BP神经网络和自适应逆控制理论。2、分析内模控制理论的研究现状与基本原理。研究线性内模控制和神经非线性内模控制的设计方法,并通过实验验证了神经非线性内模控制具有消除扰动和鲁棒性的特点。3、结合BP神经网络、自适应逆控制与内模控制理论,建立了基于内模控制的多输入单输出(MISO)的BP神经网络逆模型,实现了BP神经网络输出变量和输入变量的逆映射,根据模型的输出变量可以求解出输入变量,并且给出逆模型求解的具体算法步骤。4、根据某钢铁企业生产某钢种样本,将所建模型应用到热连轧产品质量系统中,给定热连轧产品性能指标求解轧制工艺参数——轧制卷曲温度,实现了对轧制工艺参数的优化和可控制性。经过实验验证,将逆模型输出的卷曲温度代入到热连轧产品质量正系统中进行预测,误差在0.04范围内,基本符合企业的要求。下一步的研究工作将运用所建立的BP神经网络逆模型,根据给定的钢铁性能指标求解热连轧钢铁化学成份含量,降低钢铁热连轧产品的生产成本,从而进一步提升钢铁企业的市场竞争力。
丁春辉[6]2009年在《基于神经内模控制算法的船舶蒸汽动力装置协调控制研究》文中进行了进一步梳理蒸汽动力装置是大型船舶常用的一种主动力装置,它具有单机容量大、对燃料适应能力强等优点,它对船舶的机动性、续航能力等起着决定性作用。蒸汽动力装置运行时,负荷变化频繁、幅度大,对控制系统的响应性能要求高,尤其对机炉协调控制系统要求更高。主推进汽轮机经常要在大范围内做变工况运行,会出现从高工况直接速关停车,或者从停车状况直接升至某一高工况。这些情况都会对蒸汽动力装置产生强烈冲击。船用锅炉与陆地火力电站锅炉相比,体积较小,蓄热能力较差,使其应对冲击负荷的能力弱了许多,若不采用合理的机炉协调控制系统,主锅炉很难满足频繁大幅度的负荷变化要求。考虑到锅炉与汽轮机是一个具有相对独立性的整体,机炉协调控制系统应充分考虑两者的特点,充分利用锅炉蓄热能力及汽轮机调节的快速性,既保证了汽轮机能够比较快速地适应负荷的变化,又不致使主蒸汽压力波动较大。通过对锅炉-汽轮机系统动态特性的分析,参考锅炉跟随汽轮机方式,完成了机炉协调控制系统的设计。通过分析机炉系统的相对增益,设计单向解耦环节,使汽轮机侧成为单变量系统,使用PID神经网络进行控制;在锅炉侧建立神经网络内模控制系统,使用PID神经网络构建控制系统的内部模型和控制器,利用内模控制的理想控制器特性,克服耦合以及外界干扰对系统的影响。最后进行仿真实验表明:这种方法能够使机炉系统具有良好的负荷跟踪能力,并具有良好的稳定性和抗干扰能力。
陈仕学[7]2004年在《基于径向基神经网络的青霉素发酵过程建模与控制》文中认为摘要本文主要研究青霉素补料分批发酵过程的建模与控制。青霉素发酵过程是一个具有复杂非线性的生化反应系统。发酵过程中状态的调节控制决定了青霉素的产物效率，因此对青霉素发酵过程进行建模与控制研究具有现实意义。神经网络是解决非线性系统问题的有效途径，所以将神经网络用于青霉素补料分批发酵是一个值得研究的方向。本文采用径向基神经网络（RBF 神经网络）描述青霉素发酵反应过程，并对其进行控制，取得主要研究成果如下：首先，本文利用青霉素发酵过程的机理模型产生实验用数据,根据得到的数据训练神经网络,建立了基于径向基神经网络的青霉素发酵过程模型 。该模型可用于发酵过程中状态变量的估算和预测，而且在已知初始条件与控制点的情况下，可以藉此模型进行仿真以估计底物、产物与菌体浓度的变化趋势，特别是该模型可用于估计最大产物浓度出现的时间，这对实际工作很有指导意义。然后，本文根据 RBF 神经网络具有参数线性化的结构特点设计了基于 RBF神经网络的非线性内模控制器。利用该方法对青霉素补料分批发酵过程进行研究，当以添加基质浓度作为操作变量以控制菌体生长时，通过仿真评价了所构成的系统的品质指标。仿真实验结果表明，基于 RBF 神经网络的内模控制器可以用于青霉素发酵过程的控制,并具有良好的鲁棒性。本文部分研究成果发表在《第二十二届中国控制会议论文集》和《中南工业大学学报（自然科学版）》上，其中“基于 RBF 神经网络的青霉素发酵过程的模型辨识”一文被 EI 收录。本课题得到了国家自然科学基金的资助。
张耀明[8]2005年在《基于神经网络的间歇反应釜内模控制研究》文中研究表明间歇反应釜是精细化工、生物化工中普遍应用的过程设备,其操作上具有较强的非线性,滞后性等特点。一般常规控制很难达到理想的控制要求,本文提出了结合神经网络和遗传算法的基于人工神经网络的内模控制方法。 内模控制是一种基于过程数学模型进行控制器设计的新型控制策略。由于其设计简单,控制性能好和在系统分析方面的优越性,因而内模控制不仅是一种实用的先进控制算法,而且是提高常规控制系统设计水平的有力工具。 神经网络具有对任意非线性映射的理想逼近能力,并能学习和适应未知不确定系统的动态特性,使采用神经网络的控制系统具有更强的适应性和鲁棒性。本文将神经网络和内模控制相结合,提出一种基于神经网络的内模控制方法。该方法利用神经网络对任意非线性映射的理想逼近能力,通过神经网络建立过程的预测模型,取代内模控制方法中所必需的过程数学模型,从而简化内模控制方法的实现。 遗传算法是一种基于自然选择和基因遗传学原理的优化搜索算法。用遗传算法来优化对象,只需要在计算机上模拟生物的进化过程和基因的操作,并不需要对象的特定知识,也不需要对象的搜索空间是连续可微的,而且遗传算法具有全局寻优和快速寻优的能力。本文采用并行遗传算法对神经网络进行训练,该算法的特点是在种群进化过程中保持了种群个体的多样性,缩减了种群规模,从而减少种群进化时的运算量,有效提高了神经网络训练的收敛速度与收敛精度。这有利于提高神经网络模型的精确度和映射能力,提高内模控制方法的性能。 本文将内模控制方法应用于 ABS 树脂聚合反应过程的温度、压力控制中,仿真结果证明,该方法对复杂的 ABS 树脂聚合反应装置的温度、压力的控制效果是比较好的。
朱琳[9]2016年在《迟滞非线性系统的神经网络控制研究》文中研究说明迟滞具有多值映射、记忆性、和非光滑性特征。迟滞非线性系统中固有的迟滞特性,会使系统产生振荡,降低系统的控制精度,甚至会导致系统不稳定。所以,研究迟滞非线性系统的建模与控制问题具有理论意义。压电陶瓷、记忆合金等智能材料构成的微执行器具有控制精度高、稳定性好等优点而被广泛应用于微电子制造、航空航天等重要领域。但是这些智能材料本身存在的迟滞特性,系统的性能会受到迟滞非线性的影响。所以研究迟滞非线性系统的控制同时具有工程意义。神经网络能够高度逼近非线性映射并且适应性非常强,所以在非线性系统中,已经广泛运用神经网络来建模及控制。为了达到消除迟滞非线性的目的,构造迟滞逆模型是最普遍的方案,把迟滞逆模型和迟滞非线性串联在一起,以降低迟滞非线性对系统的不良作用。在迟滞控制方案中,因为迟滞的复杂性导致很多现有的先进控制算法不能对它理想地控制。内模控制(即IMC)是一类新型控制方案,它在设计控制器时,必须首先得到过程的数学模型。由于设计起来较为简易,控制性能比较好,同时在系统分析方面存在很大优势,所以自提出之日起,内模控制便受到控制界的广泛关注。论文的主要工作有:1.针对迟滞非线性,构造神经网络Hammerstein模型结构,通过把静态迟滞子模型与线性动态子模型串联来表述迟滞的非线性特性,并给出了此模型结构的权值优化算法。这类模型具有很好的灵活性。2.为了补偿迟滞非线性,构建了迟滞的神经网络逆模型。首先构造一个特殊的迟滞逆算子,此逆算子可反映出迟滞逆输出的变化规律,通过扩展迟滞逆输入空间的方法把迟滞逆输出对输入的多值对应关系变为单值对应关系,然后用神经网络逼近,从而得到迟滞的逆模型。这种方法使迟滞逆模型的在线更新不再困难,逆模型也更容易实现。3.在对迟滞系统的控制方案中,引入基于逆模型的前馈-反馈PID控制与神经网络的内模控制方案。本文采用的迟滞非线性的神经网络内模控制方案构建2个神经网络,一个作为被控对象模型,另一个作为IMC控制器。最后进行仿真实验。通过与前馈-反馈PID控制方案的实验结果相比能看出,迟滞的内模控制策略有较理想的控制效果。
张碧琰[10]2010年在《多变量非线性系统的逆方法解耦控制研究》文中研究指明在实际工业过程中,多变量非线性系统是广泛存在的,而传统的控制与理论主要是基于线性系统的,所以如何针对多变量非线性系统设计先进的解耦控制方法,使其既具有优越的解耦控制性能,又便于实际应用是一个具有重大理论价值和实际意义的课题。本文选取典型的多变量非线性系统为研究对象,利用逆系统方法对多变量非线性系统进行解耦控制。本文的具体研究内容如下：(1)给出并证明了基于两种描述的多变量非线性系统的逆模型存在的充要条件,构造了基于两种描述的广义逆模型解析形式,说明了将逆模型串接在控制对象前而得到的伪线性复合系统具有解耦的能力,并研究了使得伪线性系统解耦镇定的条件；(2)基于逆系统方法的原理和广义逆模型的解析形式,研究了神经网络广义逆系统的解耦控制结构和实现方法。仿真实验表明基于神经网络的广义逆系统解耦控制具有良好的解耦性能、跟踪性能和一定的鲁棒性；(3)针对实际应用中存在建模误差和外部干扰等问题,给出了内模控制和逆系统方法复合控制的解耦系统结构,分析了伪线性子系统的闭环稳态性能和内模控制系统的鲁棒稳定性条件；(4)初步研究了二自由度-双口内模控制系统鲁棒稳定性,得出保证闭环系统鲁棒稳定的条件,构造设计了二自由度-双口内模控制与广义逆系统的复合解耦控制系统,并进行了仿真实验。仿真结果表明,这种方法和一般的方法相比,具有控制器设计简单,解耦性能优良,控制性能好,鲁棒稳定性强等优势。
参考文献：
[1]. 非线性系统的神经网络内模控制研究[D]. 周涌. 南京理工大学. 2003
[2]. 基于粗糙粒计算的逆模型控制算法研究[D]. 谭雅靓. 南京邮电大学. 2014
[3]. 内模控制研究的新发展[J]. 周涌, 陈庆伟, 胡维礼. 控制理论与应用. 2004
[4]. 内部热耦合节能过程RBF先控策略研究[D]. 蔡坤. 浙江大学. 2014
[5]. 基于BP神经网络逆模型的热连轧产品质量研究[D]. 王冬冬. 山西师范大学. 2015
[6]. 基于神经内模控制算法的船舶蒸汽动力装置协调控制研究[D]. 丁春辉. 哈尔滨工程大学. 2009
[7]. 基于径向基神经网络的青霉素发酵过程建模与控制[D]. 陈仕学. 北京工业大学. 2004
[8]. 基于神经网络的间歇反应釜内模控制研究[D]. 张耀明. 大连理工大学. 2005
[9]. 迟滞非线性系统的神经网络控制研究[D]. 朱琳. 河南理工大学. 2016
[10]. 多变量非线性系统的逆方法解耦控制研究[D]. 张碧琰. 东北大学. 2010
标签：自动化技术论文; 线性系统论文; 神经网络模型论文; 非线性论文; 系统仿真论文; rbf神经网络论文; 过程控制论文; 能力模型论文; 动态模型论文; bp神经网络算法论文;