贾小勐[1]2003年在《基于神经网络的PH中和过程辨识及控制器设计》文中进行了进一步梳理pH中和过程是典型的非线性过程，而且经常包含大滞后环节，因此对该过程的辨识与控制是控制领域中的难题之一，如何处理系统的非线性问题和大滞后问题是解决该问题的关键。本文利用人工神经网络对这一问题进行了研究，特别是将通用学习网络(Universal Learning Network，ULN)首次应用于这一领域，初步提出了基于通用学习网络的辨识和控制方法。 通用学习网络是一种新型的神经网络。网络中的所有节点互相连接，且所有节点之间的连接上可以任意地设置延迟时间。同传统的神经网络相比，通用学习网络的结构更加紧凑；应用于大滞后系统时，系统的延迟时间能够在网络中得到充分体现，为通用学习网络有效地辨识大滞后动态系统奠定了基础。 利用通用学习网络对pH中和过程进行辨识仿真，并同BP网络、RBF网络等其他方法进行比较，结果表明通用学习网络辨识效果要好于其他方法，泛化能力强，能够有效的体现系统的动态特性、非线性特性和大滞后特性。 通用学习网络对pH中和过程的辨识为对该过程的有效控制奠定了基础。辨识得到的通用学习网络模型能够计算出控制对象在延迟时间以后的输出，所以当其作为控制系统中的预报模型和预估器时，能够有效地消除系统延迟时间的影响，使控制器及时正确地得到对象的信息，实现有效的控制。本文利用ULN模型预报+PID控制方法、神经网络PID+ULN预估器控制方法、单神经元PID+预估器控制方法和PID控制方法对pH中和过程进行控制仿真，结果表明，通用学习网络在控制系统中的作用非常明显，控制效果明显改善，上升时间、稳定时间显着缩短，超调明显减小，系统的抗干扰性能也得到明显提高。 综上所述，针对pH中和过程，本文提出了基于通用学习网络的辨识和控制方法，初步验证了通用学习网络在这一领域中的有效性。
金培[2]2008年在《基于神经网络的智能PID控制器研究与应用》文中认为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。
唐立学[3]2007年在《脱硫系统pH值控制的过程辨识及控制器设计》文中研究表明脱硫pH中和过程是典型的非线性过程,而且经常包含非线性和大滞后环节,因此对此类过程的辨识与控制是控制领域中的难题之一。本文就此被控对象展开了讨论,在说明了该过程在脱硫系统中的重要性之后,分析了该过程的特性,并根据一定的先验知识运用最小二乘法,对该过程进行了模型辨识,得出了其100%工况时的数学模型。最后,针对辨识出的数学模型,运用MATLAB仿真手段对这一特定过程进行控制器设计。如何解决该过程的非线性和大滞后两个问题是设计控制器的关键因素。
韩冰[4]2009年在《基于延迟神经网络的非线性时滞系统控制研究》文中进行了进一步梳理本文针对工业过程中常见的时滞系统建模与控制方法进行研究。其目的是在动态神经网络理论的基础上,构建对未知时滞系统的参数辨识与建模方法,进而提出时滞系统的有效控制策略.本文提出两种包含可变延迟时间参数的动态神经网络算法分别用于实现对未知时滞系统的离线和在线辨识。在此基础上分别提出时滞系统控制器的设计方案,并进行相关的理论分析。主要研究内容和研究成果包括:(1)基于通用学习网络自适应算法的非线性时滞系统辨识研究。本文根据通用学习网络在对非线性时滞系统建模过程中表现出的特性,结合网络中延迟参数可以任意设定的特点,提出一种自适应选择延迟时间参数的通用学习网络学习算法。该算法利用通用学习网络的收敛速度对网络中与输出节点相连的分支上的延迟时间参数较为敏感的特性,通过误差评价函数对网络的延迟时间参数进行修正,在保证误差精度的同时加快网络的收敛速度。与此同时,通过该算法优化得到的网络延迟时间参数可以用于时滞系统延迟时间的辨识。此外,本文针对神经网络学习过程中延迟参数变化引起的网络状态扰动问题进行分析,给出网络在状态扰动情况下保持稳定的必要条件。仿真结果证明本文所提出的算法能够有效地实现对包含时滞环节的黑箱非线性系统的建模,并能对系统所包含的时滞环节进行辨识。(2)基于通用学习网络的时滞系统控制研究。针对模型未知的时滞系统控制问题,本文提出一种基于通用学习网络的模型预测控制方法。该方法利用本文提出的通用学习网络自适应算法对模型未知的时滞系统进行离线建模,得到该过程的输入输出模型以及系统的滞后时间,进而将辨识得到的神经网络模型作为模型预测器对时滞系统进行预报。在控制结构上,该方法将内模控制结构与神经网络Smith预估控制方法相结合,在神经网络控制器的作用下实现对模型未知时滞系统的控制。以工业生产过程中常见的pH中和过程为例,本文在对pH中和过程内在机理分析的基础上,对其进行系统建模与控制仿真实验,仿真结果表明本文所提出的控制方法对pH中和过程有较好的控制能力,并且控制系统具有良好的鲁棒性。(3)基于一种新型动态前向神经网络的时滞系统辨识与控制研究。针对动态递归神经网络不适用于在线建模的局限,本文提出一种动态前向神经网络用于时滞系统的在线辨识。根据动态前向神经网络的状态方程,本文给出该神经网络的稳定条件。该网络能够根据误差梯度对网络中的连接权值和延迟时间参数进行在线修正,从而能够在充分逼近时滞系统的同时,对时滞系统的延迟时间进行估计。此外,为改善该动态前向神经网络对模型未知时滞系统建模的泛化能力,本文提出一种改进的微粒群算法用于神经网络的在线训练。该算法通过引入白噪声和Logistic映射解决了一般微粒群算法提前收敛的问题,在改善网络泛化能力的同时能够提高网络的学习效率。在动态前向神经网络对时滞系统辨识的基础上,结合鲁棒容错控制结构,本文提出一种基于动态前向神经网络的非线性预测控制系统。仿真实例证明了本文所提出的控制系统具有较强的鲁棒性,能够对模型未知的非线性时滞系统进行有效的辨识和控制。
黄鲁江[5]2009年在《基于逆系统方法的非线性预测控制的研究》文中研究说明针对非线性系统的控制问题,深入研究了基于逆系统方法的预测控制。逆系统方法是一种反馈线性化方法,在非线性系统逆模型存在的前提下,通过构造非线性系统逆模型,并将逆模型与原系统串联组成伪线性系统的方法,完成非线性系统的线性化处理。进而根据伪线性系统设计预测控制器,实现非线性系统的预测控制。本文重点进行了以下几方面的探讨研究:(1)基于逆系统方法的非线性系统建模。在非线性系统逆模型存在的前提下,通过采样非线性系统的输入输出数据,采用BP神经网络离线训练非线性系统的逆模型。大量的仿真研究发现,由于BP神经网络存在过训练和泛化能力差的问题,造成建立的伪线性系统模型存在较大误差。因此,本文又进一步分析研究了基于最小二乘支持向量机的建模方法,有效的克服了BP神经网络建模的缺陷。仿真结果表明,最小二乘支持向量机在逆系统方法建模方面比BP神经网络具有更高的精度和更好的泛化能力。(2)基于逆系统方法的单变量非线性系统控制器设计。针对伪线性系统对于外界干扰和内部参数变化鲁棒性差的问题,设计了PID、动态矩阵控制和广义预测控制器。理论分析和仿真表明,虽然PID控制器可以抑制伪线性系统出现的干扰,但存在无法控制大滞后系统和最优参数调节困难的问题。因此,本文针对伪线性系统分别设计了动态矩阵控制器和广义预测控制器。进一步的分析研究和仿真证明,对于伪线性系统出现的各种干扰和参数变化,两种控制器都能很好的抑制,并取得较好的动静态性能和较强的鲁棒性。(3)基于逆系统方法的多变量非线性控制系统设计。在对单变量非线性系统控制的基础上,对多变量非线性系统进行了讨论。本文在构造多变量伪线性系统的基础上,将多变量非线性耦合系统剥离为多个单变量线性系统,并设计了动态矩阵控制器组。通过仿真发现,多变量逆系统方法的解耦和线性化效果是有限的。而通过设计动态矩阵控制器组可以弥补伪线性系统构造过程中产生的误差,并取得较好的控制效果。通过文中的理论研究和仿真分析,基于逆系统方法的非线性系统预测控制器的设计方法可以将线性系统的预测控制策略应用到非线性系统中,并能取得很好的控制效果。证明了该方法的有效性,为非线性预测控制提供了一种新颖的控制策略。
彭玉凤[6]2006年在《pH中和过程的模糊预测控制器设计及应用》文中提出现代化的工业生产往往产生大量的工业废水,若处理不当将会严重污染环境;同时工业生产对水质也有严格的要求,如果水的pH值达不到要求,会造成生产不能顺利进行,还可能会造成产品质量下降,因此对pH值进行控制有着非常重要的意义。本文在调研了国内外pH中和过程的研究现状及应用技术后,根据pH中和过程的机理模型和实际要求,提出了系统总体设计方案。由于中和过程是一个典型的非线性过程,常规的线性控制方法很难对其进行有效控制,因此本文选择模糊预测控制算法设计控制器以实现对pH值中和过程的优化控制。论文首先采用模糊C均值算法和正交最小二乘法辨识pH值中和过程的T-S模糊模型,然后以此模型为基础设计广义预测控制器,实现系统的最优控制,最后通过MATLAB仿真验证了该模糊预测控制器的有效性。这就提供了一种非常有效而实用的对非线性系统建模和控制的方法,这种建模方法无需考虑非线性对象的具体结构。在通过理论分析和仿真的基础上,我们研制了基于TMS320F2812型DSP的自动控制系统。硬件分成基本控制系统、模拟量输入、模拟量输出、开关量输入、开关量输出以及通信等模块来设计电路。软件围绕怎样实现模糊预测控制算法展开,采用模块化的设计方法,从数据采集与处理、模型辨识和广义预测控制等几个大的方面予以讨论,将每部分再抽象成若干个子模块,并编制程序存放到模块库函数中。系统调用这些模块时只需提供输入、输出以及相应的参数即可,因此具有很大的通用性。
石青[7]2016年在《ELM在化工过程辨识与控制中的应用研究》文中进行了进一步梳理由于实际的化工过程作为具有高度复杂性和高度不确定性的非线性对象,很难获得其精确的机理模型。因此,基于神经网络(Neural Networks,NNs)和模糊逻辑系统(Fuzzy Logic System,FLS)等计算智能方法的非线性动态辨识模型以及实现基于计算智能方法的自适应控制器的在线控制,在化工过程辨识与控制中发挥着重要作用。极限学习机(Extreme Learning Machine,ELM)的本质是一种单隐层前馈神经网络(Single-hidden Layer Feedforward Neural Networks,SLFNs),由于该方法仅需调整网络的输出层权值,极大地提高了网络的学习速度和泛化能力,避免了采用梯度下降法的神经网络易陷入局部极小的风险。鉴于此,ELM网络理应作为计算智能方法的有利候选者。针对强非线性化工过程,本文研究了基于ELM的化工过程的模型辨识与自适应控制方法。论文的主要研究有如下几个方面:(1)研究ELM网络的基本结构以及其离线和在线训练算法。将ELM网络结合非线性自回归模型结构(Nonlinear Auto Regressive with exogenous inputs,NARX),针对模型未知的强非线性连续搅拌反应釜(Continuous Stirred Tank Reactor,CSTR)过程和具有严重非线性和大滞后特点的pH酸碱中和过程这两个典型的化工过程,分别给出了基于NARX-ELM网络的离线辨识方法和基于NARX-在线极限学习机(Online Sequential Extreme Learning Machine,OSELM)的在线辨识方法,以及为了提高网络泛化性能给出的基于NARX-正则化ELM的离线辨识方法。在相同实验条件下,对ELM的离线和在线辨识方法做出了对比分析。(2)在正则化ELM的基础上研究了当ELM的特征映射函数h(x)未知时,引入核矩阵的核极限学习机(Extreme Learning Machine with Kernel,KELM)的基本结构及其训练算法。分别针对CSTR过程和p H酸碱中和过程,给出了基于两种不同类型核函数的NARX-KELM网络辨识方法,并讨论了选取两种不同核函数时对系统辨识性能的影响。在相同实验条件下,将NARX-KELM方法与NARX-ELM方法、NARX-正则化ELM方法、NARX-OSELM方法以及已有文献中的方法进行比较,实验结果表明NARX-KELM网络能够更有效地反映出系统的动态性能,具有更小的辨识误差。(3)针对CSTR非线性化工过程,将其转换为一类不确定性纯反馈非仿射非线性动力学系统,提出基于ELM网络的Backstepping自适应神经控制方法。在所提出方法的每一步Backstepping设计中,应用ELM网络对子系统的未知非线性项进行在线逼近,通过Lyapunov稳定性分析设计的权值参数自适应调节律,可以保证闭环非线性系统所有信号半全局最终一致有界,系统的输出收敛于期望轨迹的很小邻域内。仿真结果表明了控制方法的有效性。
严家玉[8]2007年在《化工过程的神经控制策略研究》文中研究指明神经控制是智能控制的发展方向之一，本文研究了神经控制方法及其在化工过程中的应用，并针对不同的化工对象和过程进行了神经控制方法的仿真实验与结果分析。本文的主要内容如下：1．针对具有严重非线性的pH中和过程，提出了神经元变结构PID控制方法和基于模糊专家模型的神经控制方法。前者将变结构PID控制器与神经元控制器相结合，用一个神经元实现变结构PID控制器中结构变化的部分，同时用另一个神经元实时调整PID控制器的参数；后者将神经网络逆控制器与神经元PID控制器相结合，并利用模糊专家模型所得到的预报结果来调整神经元PID的权值。这两种控制方法设计简单，可以方便地用于实际工业控制中。2．针对严重非线性特性的连续搅拌反应釜(CSTR)化学反应过程，提出了一种基于混合神经网络模型的神经元反馈线性化控制策略。这种方法运用神经网络建立过程中含有参数不精确部分的模型，并将神经元与反馈线性化控制方法相结合，能够根据控制响应来实时调整控制器的系数。仿真试验表明该方法能显着改善系统的控制效果，特别是在模型参数不精确引起模型失配时仍然有优良的控制品质和很强的适应性。3．研究了使用PSO算法的模糊神经元控制器参数的优化整定，并对强非线性的CSTR过程进行了控制器的设计与仿真实验，结果表明，经过优化整定的模糊神经元控制器获得了满意的控制效果，并且具有较强的鲁棒性。4．将神经元控制算法用于多变量化工对象的控制，通过静态解耦减弱变量之间的耦合作用，利用神经元的在线学习能力弥补静态解耦的不足；使用PSO算法对神经元控制器的增益进行离线和在线整定。对精馏塔对象的控制仿真研究，结果表明，所设计的控制系统可以获得满意的动态性能。
杨剑锋[9]2007年在《基于组合模型的非线性预测控制算法及其应用研究》文中研究指明化工过程中有大量的非线性系统可用包含静态非线性部分和线性动态部分两部分的组合模型加以描述,本文针对这类系统,提出了两种预测模型及叁种非线性预测控制(NMPC)算法,并在一套耦合水箱液位控制系统中进行了实验,验证了其有效性。本文主要内容如下:1)通过分析对比现有文献中非线性预测控制算法常用的预测模型,提出了采用点集映射描述系统稳态输入和稳态输出关系的数值稳态模型,进而提出了数值稳态—ARX组合模型和BP神经网络-ARX组合模型两种预测模型。2)对于SISO非线性系统,用数值稳态模型代替解析模型来描述系统的稳态非线性特性,简化了模型辨识过程;采用类似Hammerstein模型结构形式的非线性稳态模型在前,线性动态模型在后的数值稳态—ARX组合模型,通过稳态模型来在线修正离线辨识得到的ARX模型的参数,提出了用一个变参数的ARX进行控制的数值NMPC算法。3)对于SISO非线性系统,提出了数值稳态模型和线性ARX模型并联的组合模型。在仍以稳态模型在线修正离线辨识得到的ARX模型参数为主的同时,结合自适应控制中常用的递归最小二次法(RLS)来进一步提高预测模型的自我修正能力,在提高控制响应快速性的同时也提高了系统在工作点附近的稳态品质。用序列二次优化算法进行在线优化,提出了可以应用于强非线性系统的自适应NMPC算法。4)对于MIMO非线性系统,用BP神经网络来描述系统的稳态模型,提出了BP-ARX组合模型。通过BP稳态模型来在线修正离散辨识得到的ARX模型的参数,用一个变参数的ARX进行预测控制;同时,在上述自适应NMPC算法的基础上,定义了切换系数ξ来约束自适应算法的作用时间,使得当且仅当系统实际输出值与输出设定值间的误差小于ξ的设定值时NMPC控制器才包含RLS算法,最终提出了变参数的非线性预测控制算法(PV-NMPC)。5)对以本文算法为基础的NPC(非线性预测控制)软件的体系结构和功能模块进行了探讨。6)分别将第3、4章所述算法在一套耦合水箱液位控制系统中进行实验,并与PI加前馈控制器进行了控制效果对比。
马巍[10]2008年在《硝酸钠制配过程中pH值的预测控制及仿真研究》文中指出pH值是溶液酸度的标度单位。在许多化工生产过程中,pH值的控制品质直接影响相应产品质量和产量,在工业过程控制中占有重要的地位。然而,pH中和过程是一类典型具有强非线性、时变、大滞后特点的复杂过程,针对这些特性很难建立精确的数学模型。用常规的控制方法,无法对反应的变化过程做快速的、精确的反应,很难对其进行有效控制。预测控制适用于不易建立精确模型且比较复杂的工业生产过程,控制效果好、鲁棒性强。本文基于预测控制理论对腈纶生产中还原剂NaNO3的制配过程中pH值的控制问题进行深入研讨。首先,从pH中和过程的电化学反应机理出发,仔细分析了酸碱中和时离子的反应情况,根据电平衡方程式推导出了一种针对NaNO3制配实验装置的酸碱中和机理模型。根据机理模型利用MATLAB中的Simulink建立了仿真模型,并利用该模型分析了pH中和过程的非线性特点及扰动响应情况。其次,分析了典型非线性模型——Hammerstein模型的结构特点,选取了最简单且应用广泛的以多项式函数描述的模型静态非线性环节的结构,接着运用系统辨识的理论首先对pH中和过程进行了离线的辨识,然后采用了具有遗忘因子的渐消记忆的递推最小二乘的方法对pH中和过程进行在线自适应辨识去改变Hammerstein模型的动态线性环节参数。最后利用合理参数,运用模型预测控制策略对被控对象进行实时控制仿真。并与传统PID控制在控制效果上进行了比较。结果表明基于Hammerstein模型的预测控制器对于NaNO3制配实验装置的pH中和过程控制有较快的响应时间、较小的超调量和稳态误差,较好地解决了pH值非线性控制的问题。
参考文献：
[1]. 基于神经网络的PH中和过程辨识及控制器设计[D]. 贾小勐. 大连理工大学. 2003
[2]. 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
[3]. 脱硫系统pH值控制的过程辨识及控制器设计[D]. 唐立学. 华北电力大学（河北）. 2007
[4]. 基于延迟神经网络的非线性时滞系统控制研究[D]. 韩冰. 大连理工大学. 2009
[5]. 基于逆系统方法的非线性预测控制的研究[D]. 黄鲁江. 兰州交通大学. 2009
[6]. pH中和过程的模糊预测控制器设计及应用[D]. 彭玉凤. 湖南大学. 2006
[7]. ELM在化工过程辨识与控制中的应用研究[D]. 石青. 兰州交通大学. 2016
[8]. 化工过程的神经控制策略研究[D]. 严家玉. 浙江大学. 2007
[9]. 基于组合模型的非线性预测控制算法及其应用研究[D]. 杨剑锋. 浙江大学. 2007
[10]. 硝酸钠制配过程中pH值的预测控制及仿真研究[D]. 马巍. 哈尔滨工业大学. 2008
标签：电力工业论文; 自动化技术论文; 模型预测控制论文; 神经网络模型论文; 系统辨识论文; 预测模型论文; 线性系统论文; 过程控制论文; 网络模型论文; 仿真软件论文; 建模软件论文; 动态模型论文; 系统学习论文; 网络结构论文; 非线性论文; bp神经网络算法论文;