平玉环[1]2007年在《多变量系统模糊神经网络解耦的研究》文中研究说明复杂的工业生产过程中,被控对象动态特性往往表现出非线性、时变性、大迟延、和多变量强耦合等特点,这使得常规的单回路及传统的多变量解耦设计难以达到预期的控制效果。目前这一主要的研究课题受到了广泛的关注,一些学者将模糊逻辑系统、神经网络、模糊神经网络等智能方法应用到多变量过程控制中。本文在这些研究成果的基础上,提出了一种多变量系统模糊神经网络解耦的控制方法。该方法结合了基于模糊自适应整定PID控制算法和改进型模糊神经网络解耦算法,用于球磨煤机制粉系统和循环流化床锅炉床温-主汽压力系统中,对解耦设计方案进行了仿真研究,结果表明,该方案比传统的PID解耦控制方案的控制效果明显要好。
李东[2]2016年在《模糊神经网络在精馏过程中的应用研究》文中进行了进一步梳理本文运用模糊神经网络知识,以酒精精馏塔为研究对象。针对酒精精馏塔系统模型复杂、系统具有时变性和系统变量的耦合性问题,研究把模糊神经网络运用到酒精精馏塔的建模和控制中。针对精馏塔系统模型复杂的问题,采取了建立精馏塔的机理-模糊神经网络的混合建模方法。分析机理模型,建立模糊神经网络补偿模型;把机理模型和模糊神经网络模型相结合建立稳态混合模型;MATLAB环境下测试混合模型,得出混合模型与实际系统之间的温度误差在?1℃,得出稳态混合模型能够较好地跟随实际系统稳态状态。针对精馏塔系统时变性的问题,利用模糊神经网络自调整PID控制器对系统进行控制。以酒精精馏塔塔顶温度系统为研究对象,在MATLAB环境下,仿真研究表明模糊神经网络自调整PID控制方法比传统PID控制更能满足精馏塔塔顶温度系统时变性的特点。针对精馏塔系统耦合性问题,利用模糊神经网络自调整PID控制器加模糊神经网络解耦器的控制方案。以精馏塔塔顶温度和塔底温度系统为研究对象,在MATLAB环境下,将模糊神经网络自调整PID控制器加解耦器的控制方案与传统PID控制器加解耦器的方案进行仿真对比,仿真研究表明此方案不仅能解决系统耦合性问题也能解决时变性问题。
韦晓慧[3]2007年在《多温区测控系统的解耦分析》文中提出近年来，多温区测控系统越来越广泛地应用于工业生产中，此类控制对象是一种典型的多输入多输出的被控对象，同时它具有强耦合、非线性、变参数等不利于控制的特性。以往的控制系统大多数采用多套互相独立的PID控制回路，因而无法消除回路间的耦合，难以得到理想的控制效果。本文在实际对象——多温区电加热炉的基础上研究两种工程解耦的控制算法和实现方法。本文首先探讨了国内外解耦的研究现状，在现有的模型的基础上分析系统的稳定性以及耦合特性。再将两种典型的解耦系统结构相结合，提出前置反馈补偿解耦，设计解耦控制器，利用积分分离PID的方法对解耦后的子系统进行控制，仿真结果表明，该种方法比常规的PID解耦控制的控制效果更好；然后分析了系统的非线性、滞后性、工况多变性，提出了模糊神经解耦控制，该方法采用模糊控制和神经网络的有机结合实现了多温区解耦，这种方法的特点是不依赖于精确数学模型并且可以实现控制器参数的在线调整，由仿真结果看出，通过上述解耦方法有效地解决了多温区测控系统之间的耦合，并且有很好的抗干扰能力。
王小斌[4]2011年在《MOEMS三分量加速度地震检波装置中的多变量系统解耦研究》文中进行了进一步梳理为提高石油、天然气的产量,矿产勘探技术正朝着多波多分量的三维精细地震勘探发展,这样可以寻找到储藏在浅层、薄层的油矿气藏。检波器作为地震勘探中地震反射波信号的拾取单元,必须满足三分量地震勘探对其频带、分量间串扰、灵敏度、野外施工适应性等各项性能的要求。本文是国家自然科学基金资助项目“MOEMS三分量加速度地震检波装置新技术研究”的子课题。对检波器单个分量检测单元的工作原理、结构设计及关键部件的特性进行了介绍。分析了三分量加速度地震检波装置在工作过程中,三维振子检测到的信号的动态特性往往表现出非线性、时变性、多变量强耦合等特点。本文在前人研究成果的基础上,设计了一种多变量系统模糊神经网络解耦的控制方法。该方法结合了模糊自适应整定PID控制算法和神经网络解耦算法,用于三分量加速度地震检波装置的三维振子系统的耦合问题中,并对解耦设计方案进行了仿真研究,结果表明该方法稳定,可靠,对整个三分量加速度地震检波装置的研制给予了一定的帮助。
燕轻轻[5]2013年在《循环流化床锅炉建模及解耦控制策略研究》文中认为目前，环境污染问题日益严重，循环流化床锅炉以其低污染、高效燃烧技术引起了国内外众多学者的普遍关注，然而建立循环流化床锅炉的数学模型一直都很困难。为此，本文区别于传统的机理建模方法，从控制角度出发，建立循环流化床锅炉床温系统和主汽压力系统的模糊模型，并以此模糊模型为基础，利用智能控制算法设计解耦控制器。模型是否准确，是否真正的反应被控对象特性是学者们一直关注的问题，只有具备了有效且精确的数学模型，才能提高控制器的控制水平。本文利用被控对象的输入输出数据建立了循环流化床锅炉床温和主汽压力的模糊模型，此模糊模型较之于传统的传递函数模型更适合控制器的设计。模糊建模方法主要采用模糊神经网络算法，该方法融合了模糊逻辑的推理能力和神经网络的学习能力，物理意义清晰。最终床温和主汽压力模糊模型分别由五条不同的模糊规则组成。循环流化床锅炉是一个复杂的被控对象，床温和主汽压力之间存在着严重的耦合关系。为此，本文在模糊模型的基础之上，利用PID神经网络算法和模糊神经网络算法分别对其设计了解耦控制器，并分别进行了MATLAB实验仿真，将结果同未解耦时的情况进行对比，结果表明两种解耦控制器都能够满足控制要求。最后文章对两种算法的解耦效果进行比较发现，模糊神经网络解耦控制在系统响应的快速性方面更具有优势，能够在训练次数较少的情况下使系统快速解耦。因此，当系统要求快速解耦时，模糊神经网络解耦器比PID神经网络解耦器更适合控制要求。
李建伟[6]2012年在《板形板厚系统解耦控制方法的研究》文中认为板形和板厚是衡量板带材质量的两个重要的性能指标。因此,板带材板形和板厚的控制问题的研究变得尤为重要。过去几十年里,板形控制和板厚控制都已经达到了比较高的控制精度。然而,如果将板形控制系统和板厚控制系统作为两个独立的系统进行研究,板形控制和板厚控制之间存在着的严重的耦合作用势必导致控制精度的下降。因此,有必要将板形控制和板厚控制作为一个综合系统来研究。板形板厚系统是一个多输入多输出、非线性、强耦合的复杂系统,且存在强扰动,实时性要求非常高。对于这类系统,常规的控制方法已经无法满足其控制要求,必须寻求一种合适的控制方法对其进行控制。本文对轧机板形控制和板厚控制的基本理论及控制方法进行了详细的分析,并对板形板厚控制的国内外发展现状做了归纳。首先,从板形控制和板厚控制的耦合机理出发,为板形板厚系统建立了动态数学模型。为了寻找一种较为理想的控制策略,分别采用目前较为常用的两种具有代表性的解祸控制方法对此系统进行控制：(1)在板形板厚系统动态模型的基础上,利用前置反馈补偿法对其进行解耦。然后,针对系统中存在建模误差、参数摄动和外部扰动等不确定性因素的特点,采用H∞混合灵敏度方法,通过选择合理的加权函数,对解耦后的两通道分别设计鲁棒控制器。仿真结果表明,该解耦控制方法减小了板形和板厚之间的耦合作用,有效消除了干扰影响,对模型摄动等具有较强的鲁棒性。(2)采用模糊RBF神经网络解耦法对板形板厚系统进行解耦,对解耦后的已近似成为两个独立的单输入单输出系统分别设计模糊神经网络PID控制器,从而建立了一种板形板厚模糊RBF神经网络分散解祸PID控制系统。仿真结果表明,该方法解耦控制效果良好,控制精度高,抗干扰性强,且具有良好的静、动态性能。上述两种方法虽然都取得了较好的解耦控制效果,然而,这两种方法存在各自的不足。为此,本文提出一种基于改进型扰动观测器(DOB)的多变量隐式广义预测控制策略。其中,改进型DOB是在传统DOB的基础上,新增了系统输出补偿信号,可以同时有效的消除低频外部扰动干扰和高频测量噪声的干扰。多变量隐式广义预测控制不需要在线计算Diphantine方程,也不需要在线求逆,在被控对象参数完全未知的情况下,直接辨识控制器参数,有效的节省了计算时间。将改进型扰动观测器和多变量隐式广义预测控制算法引入到板形板厚系统的控制中,取得了令人满意的解耦控制效果。
孙德元[7]2012年在《冷热水混合系统解耦控制研究及实现》文中指出由于工业生产中被控对象往往是彼此关联的多输入多输出系统,因此耦合是工业生产中常见的一种现象。为了获得满意的控制效果,通常要对多变量系统实施解耦控制。目前传统解耦控制算法和自适应解耦控制算法的理论研究比较成熟,并在工业生产现场得到了一定程度的应用,但这两类方法由于各自的一些缺点,从而限制了其在工业现场的广泛应用。神经网络解耦控制的理论研究较为深入,但神经网络解耦控制的应用尚不成熟,神经网络解耦控制的应用落后于理论的问题有待解决。现场总线技术的出现导致了传统控制系统结构的变革,也使得神经网络解耦控制在现场的应用成为可能。因此,本文在对传统解耦控制算法及神经网络解耦控制算法进行研究的同时,也在探索将理论研究应用于先进的控制系统中的方法,为神经网络解耦控制应用于工业生产提供有益的实践经验。据统计,在目前使用神经网络控制的应用中,90%采用的是BP网络或者是其变化形式。BP神经网络是前向型网络的核心部分,具有广泛的适应性和有效性。本文在对传统的对角矩阵解耦控制算法研究的基础上,对神经网络解耦控制算法进行了深入的研究,基于BP神经网络解耦的建立了一种PID神经网络的多变量解耦控制器。冷热水混合系统是基于THFCS-1型现场总线过程控制平台所设计的经典过程控制系统,其中的温度与液位之间具有强耦合、大惯性特性。本文针对系统装置,首先建立了数学模型,之后利用西门子S7-300 PLC的硬件和软件设备,设计了解耦控制系统和监控系统,基于对对角阵解耦控制算法和PID神经网络解耦控制算法深入了解,使两种解耦在设备上实现。研究结果表明:本文提出的PID神经网络控制算法可以对冷热水混合系统进行有效的解耦控制,并且比对角阵解耦有着更好的性能,具有一定的应用价值。
平玉环, 李宗耀, 孙剑[8]2009年在《模糊神经网络在解耦控制中的研究》文中研究说明在工业生产过程中,针对纯迟延、时变、强耦合的多输入多输出现象,提出一种基于模糊神经网络解耦和PID控制相结合,对系统进行解耦控制的方法。这种方法不需要建立多变量对象精确的数学模型,通过对大迟延大惯性强耦合的循环流化床锅炉床温-主汽压力对象进行仿真,其结果表明,解耦控制效果很好,具有良好的静态性、动态性及鲁棒性。
高炳微[9]2015年在《液压四足机器人单腿关节解耦控制及力/位切换控制研究》文中提出液压四足机器人作为冗余传动的代表,运动支链间的多自由度运动耦合给机器人多关节协调运动带来极大挑战。在机器人行进时伴随着落足时刻的地面冲击,使得机器人在进行力和位置切换时存在一定的抖动。因此,如何实现液压四足机器人腿部各关节间的解耦,以及力和位置的平顺切换是目前亟需解决的问题之一。本文以液压四足机器人的单腿为研究对象,对机器人单腿进行关节解耦控制和力/位切换控制研究。基于对液压四足机器人的腿部结构和液压伺服驱动系统的分析,采用拉格朗日方法建立机器人单腿机构的动力学模型。考虑到液压系统对机器人性能的影响,建立机器人腿部液压伺服驱动系统的模型,从而获得液压四足机器人单腿的整体模型,为机器人的解耦控制提供依据。针对液压四足机器人腿部各关节间存在的耦合问题,根据机器人腿部机构的动力学方程,推导出液压四足机器人大腿和小腿两个关节的耦合动力学关系,分析大腿和小腿加速度对关节耦合作用的影响。根据多变量解耦理论,设计PID神经网络解耦控制器和神经网络模型参考解耦控制器,并基于预测控制理论,提出基于预测的神经网络模型参考解耦控制方法,利用李雅普诺夫稳定性定理分析系统的稳定性。进行仿真和样机实验研究,将基于预测的神经网络模型参考解耦控制方法与PID神经网络解耦控制方法和神经网络模型参考解耦控制方法进行对比,验证该算法对机器人大腿和小腿间的解耦效果。针对机器人行走运动的特点,进行位置/力分段切换控制研究,对机器人的行程进行分段控制。当机器人足端未接触地面时,进行关节位置控制;当机器人足端接触地面时,进行关节力控制。在机器人关节位置控制时,针对不同运动阶段对速度的不同要求,设计速度PID控制算法,实现机器人在接触地面之前的精确定位控制。在机器人关节力控制时,针对机器人与地面接触过程中存在大量的不确定性干扰,提出基于负载力补偿的自抗扰控制策略,以抑制机器人与地面接触时外部环境的扰动,实现精确、稳定的力控制。在机器人进行力和位置切换时,针对切换过程产生的抖动问题,提出模糊多模型切换算法,以实现力和位置的平顺切换,进行仿真和样机实验研究,将模糊多模型切换与直接切换和多模型切换进行对比,验证该算法的切换效果。为检验所设计的控制算法在实际机器人系统中的控制效果,对液压四足机器人单腿系统进行实验研究,包括关节解耦控制实验、关节位置控制实验、关节力控制实验及力/位切换控制实验,用以验证控制算法的有效性和可行性。
郭启刚[10]2007年在《热工过程多模型控制理论与方法的研究》文中研究指明电厂热工控制系统是复杂的非线性控制系统,针对此系统,众多先进控制算法已经得到了初步应用,并且已经解决了一些控制难题。但是经常性大范围变负荷会引起控制对象特性的改变,由此引起的控制问题还没有很好解决。针对这一问题,本文研究了多模型控制方法的相关理论及其在电厂热工系统中的若干控制方法与技术,主要内容如下:在分析循环流化床锅炉汽温系统动态特性的基础上,针对其动态特性的时变大迟延特点,采用多模型GPC前馈—反馈广义预测控制方案,有效地克服了单一模型难以适应工况变化和系统的时变大迟延,消除了给水流量变化对汽温的耦合。将基于多模型的PID控制应用于主蒸汽温度系统中,控制系统保留了传统的串级控制结构,导前区内回路应用固定参数PID控制快速消除内扰,外回路采用多模型PID控制以克服大范围的系统特性变化。多模型调度基于汽温系统时变特性的主要影响因素―机组负荷。通过对子模型控制器的模糊加权综合,实现了多模型控制器间的平滑切换。整个系统算法简单,易于实现。针对主汽温系统的特性,提出了一种多模型IMC-PI串级控制方案,以解决主蒸汽温度系统的非线性时变性以及大惯性大滞后的动态特性。在若干典型的工作点建立多固定模型,设计相应的控制器,并通过模糊加权的方法实现了多模型间的平滑切换。同时,控制系统结合了串级控制和内模控制的特点,内回路采用固定参数PID控制快速消除内扰。主调节器采用内模控制器,可以克服对象惰性区的时滞特性。设计了基于多模型的两级神经网络自整定PID控制策略,并将其推广到多变量控制系统。两级神经网络分别是静态网络SNN和动态网络DNN,均为对角递归神经网络(DRNN)结构。SNN用来粗调PID控制器参数,根据各局部模型分别设计PID控制器参数,用来离线训练SNN。在SNN多模型PID参数调度的基础上,DNN依据偏差和偏差变化率进行PID参数的细调整定,以克服机组负荷的小范围变化、参数的慢时变漂移和各种扰动。结合灰色预测理论,基于两级DRNN自整定控制策略的过热汽温控制系统获得了良好的动态调节品质,具有较强的鲁棒性。在协调控制系统的应用表明该方法可以实现多变量控制系统动态近似解耦和静态完全解耦,且具有响应速度快、鲁棒性好等特点。
参考文献：
[1]. 多变量系统模糊神经网络解耦的研究[D]. 平玉环. 华北电力大学（河北）. 2007
[2]. 模糊神经网络在精馏过程中的应用研究[D]. 李东. 辽宁工业大学. 2016
[3]. 多温区测控系统的解耦分析[D]. 韦晓慧. 中南大学. 2007
[4]. MOEMS三分量加速度地震检波装置中的多变量系统解耦研究[D]. 王小斌. 河南理工大学. 2011
[5]. 循环流化床锅炉建模及解耦控制策略研究[D]. 燕轻轻. 河北科技大学. 2013
[6]. 板形板厚系统解耦控制方法的研究[D]. 李建伟. 兰州理工大学. 2012
[7]. 冷热水混合系统解耦控制研究及实现[D]. 孙德元. 沈阳工业大学. 2012
[8]. 模糊神经网络在解耦控制中的研究[J]. 平玉环, 李宗耀, 孙剑. 控制工程. 2009
[9]. 液压四足机器人单腿关节解耦控制及力/位切换控制研究[D]. 高炳微. 哈尔滨理工大学. 2015
[10]. 热工过程多模型控制理论与方法的研究[D]. 郭启刚. 华北电力大学（河北）. 2007
标签：自动化技术论文; 机器人论文; 模糊神经网络论文; 关节机器人论文; 仿真软件论文; 模糊理论论文; 模糊算法论文; pid控制论文;