禹柳飞[1]2003年在《神经网络技术在预测控制中的应用研究》文中指出随着工业控制要求的提高及控制理论与计算机技术的发展，产生了控制效果好、鲁棒性强，适用于控制不易建立精确数学模型且比较复杂的工业过程的预测控制算法，并已在石油、化工、冶金、机械等工业部门的控制系统中得到了成功的应用，是一类很有发展前途的新型计算机控制算法。 本文首先讨论了动态矩阵预测控制基本结构和原理，深入分析了动态矩阵预测控制的预测模型、反馈校正与滚动优化方法、内模控制结构及其稳定性和鲁棒性，并仿真研究证实了动态矩阵预测控制算法是一种先进的控制算法，同时也指出了这种常规预测控制算法面临的困难及存在的问题。在此基础上本文研究了基于神经网络辨识的动态矩阵预测控制新方法，其实质是利用作为对象辨识模型的神经网络产生预测信号，用优化算法求出控制律，从而实现对非线性时变系统的预测控制，神经网络选用具有良好的函数逼近能力的BP网络和RBF网络。首先对被控对象进行离线辨识，在模型辨识达到一定的精度后，再在线递推得到预测模型，最后通过极小化性能指标得到最优控制律。该算法不仅解决了非线性时变对象难以建模的问题，而且还减少了控制器的计算工作量，有利于系统的实时应用。最后介绍了加氢裂化装置的生产工艺流程，建立了基于BF网络与RBF网络的加氢裂化航煤干点的预测模型，并提出了航煤干点基于神经网络辨识的动态矩阵预测控制方案，为实现航煤干点的在线质量控制打下了基础。
谢彩云[2]2007年在《基于神经网络的非线性时滞系统预测PID控制》文中指出在工业过程控制中，被控对象往往存在不同程度的时滞。时滞的存在往往会使控制效果变差，系统稳定性降低。解决时滞问题的关键是对输出的预测，故近年来预测控制成为时滞系统控制的主要方法之一。目前，线性系统的预测控制研究已较为成熟，对非线性系统预测控制的研究成果相对较少，而实际工业过程大多是非线性的，因此研究非线性系统的预测控制就显得尤为重要。然而，时滞系统很难靠单一的控制方法来完善解决，针对时滞系统的特点，研究和探索与智能理论相结合的控制方法就显得十分必要。由于神经网络具有并行机制、自学习和自适应能力，可以用来逼近任意复杂的非线性系统，使得神经网络与预测控制方法相结合成为研究热点之一。本文首先综述非线性预测控制研究进展，阐明预测控制的预测模型、滚动优化和反馈校正的思想，并对智能PID的研究现状进行概述，同时引入一种新的神经网络——极限学习机，尝试对其改进后应用于非线性系统的建模与辨识。在此基础上，针对工业过程中非线性时滞系统控制问题，本文提出一种基于极限学习机的新型预测PID控制。该方法将控制结构分为两层，上层采用极限学习机作为智能预测模型，下层采用改进型单神经元自适应预测PID控制算法，利用预测控制克服时滞，利用智能方法优化PID控制器参数。应用极限学习机作为预测模型不仅可以保证快速性，还可以保证控制精度。改进型单神经元PID控制中引入输出加权的广义预测性能函数作为控制器的目标函数，使控制更为精确、快速。这种方法具有非常快的学习速度，能够得到较小的训练误差和最小规模的权值矩阵，并获得较好的泛化性能。
孙晓彤[3]2014年在《预测控制在锅炉系统中的应用》文中研究表明温度控制是过程控制领域最重要的控制参数之一，在工业自动化控制中占有非常重要的地位，被广泛应用于电力、石油、化工、造纸、酿造和食品等工业自动化领域。锅炉是典型的温度控制对象，由于加热介质的不同，可以分为两类：一类是燃烧加热方式，另一类是电加热方式，后者由于使用安全、节能环保、方便使用、热效率高等特点，是目前较为理想的供暖设备。锅炉控制是温度控制的一个典型，其动态特征常具有大惯性、大滞后和非线性等特点，难以建立精确的数学模型，如果采用传统的PID控制方式，控制精度较低，控制效果不理想。因此，以锅炉温度控制为研究对象，设计一种有效的控制方法，使系统稳定性好、超调量小且调节时间短的性能指标具有实际意义。本文首先分析了传统PID控制在锅炉温度控制中的不足，在此基础上提出了一种基于神经网络技术的预测控制算法，采用神经网络作为预测控制的预测模型，充分利用了神经网络对非线性映射很强的逼近能力和预测控制中滚动优化的实际最优控制能力。然后对神经网络预测器的主要参数进行了定量分析，确定了各个参数对系统控制性能的影响。最后，以实验室模拟锅炉为研究对象，将神经网络预测控制算法用于锅炉温度控制系统中，与PID控制方法比较，提出一种PID与神经网络预测控制相结合的方法，并达到了良好的控制效果。实验室模拟锅炉测试结果表明本文提出的神经网络预测控制算法在锅炉温度控制系统中是切实可行的，如果能在实际锅炉工程实践中经过工程验证，将会广泛应用于此类过程控制中。
杨海燕[4]2007年在《汽车发动机怠速控制技术的研究》文中指出怠速控制是汽车发动机电子控制的一个重要内容。对怠速进行有效的控制对于提高汽车的燃油经济性,乘坐舒适性和降低排放有很大的意义。本文首先简要介绍了汽车发动机怠速控制的意义、研究现状及发展趋势,回顾了国内国外的汽车发动机怠速模型。采用了一种应用比较广泛的平均值建模方法,借助matlab的simulink工具建立了发动机怠速平均值模型。其次,对发动机怠速控制策略进行了详细的介绍。发动机控制策略是针对发动机各个运行工况以及发动机自身的工作特点和性能制定的一套控制思想,并通过各个执行机构实现对发动机有效和优化的控制,使发动机的各项性能指标达到最佳的效果。再次,介绍了模糊控制的基本知识以及matlab中模糊控制工具箱的使用方法,设计了基本的模糊控制器,通过对仿真结果的分析找出其不足。针对问题设计了一种参数自调节的自适应模糊控制器,仿真结果比模糊控制系统有了很大的改善。最后,针对怠速控制对已知扰动的抑制问题设计了一种神经网络预测控制器。对于已知扰动的控制问题可以归结为怠速控制能够不断调整汽车发动机运转,跟踪变化的指定正常怠速转速的问题。神经网络预测算法结合了预测控制的事前调节的优点和神经网络的无限逼近的优点,对于提高系统的跟随性和抗干扰性有很大的作用,实验结果也证实了这一点。
吴姝芹[5]2007年在《预测控制理论在水泥熟料篦式冷却过程中的应用研究》文中研究指明冷却过程是水泥烧成的重要环节,其功能是对高温熟料进行冷却、输送,同时对热量进行回收。现代化水泥生产线普遍采用篦式冷却方式,篦式冷却过程的控制问题一直是水泥生产过程自动化的难点之一。本文在合理假设条件下,从篦式冷却过程稳定工况下所表现出的实际特性出发,分析了篦式冷却过程的工作机理,建立了水泥熟料篦式冷却过程的热力学模型,并依据现场数据对模型进行了仿真研究。同时以德州大坝水泥厂篦式冷却过程为研究对象,研究了预测控制系统,并通过OPC接口将控制系统外挂于DCS,实现了篦式冷却过程的自动控制,实际运行表明了该方案的正确性和实用性。根据篦式冷却过程的工艺特点,深入分析了第叁代充气梁篦式冷却机的工作机理,结合现场实际,得到了影响冷却过程的主要因素有料层厚度、料球粒度等,并定性给出了这些影响因素与冷却效果之间的关系,而到目前为止,这些影响因素还难以直接测量,但却可以通过篦冷机篦下二室压力的不同变化特性来间接反映。由于篦式冷却过程参数波动频繁且幅度大,常规预测控制的模型参数难以确定,即使采用改进的BP神经网络模型和基于确定点模型克服上述缺陷,得到的模型同实际对象之间仍存在很大偏差。经研究发现,灰色模型由于其良好的适应性,适合解决这一问题。所以本文提出了以篦下二室压力为被控量、一段篦速为控制量的基于灰色模型的篦式冷却过程预测控制方案。结合大坝水泥厂的实际情况,将在VC++环境下编写的预测控制算法通过OPC接口与集散控制系统进行数据通讯,强调并采用了模块化结构,增强了算法的通用性和可移植性,降低了企业成本。实际运行表明,本课题提出的灰色模型预测控制方案对于篦式冷却过程具有良好的控制效果。
冯晓露[6]2006年在《智能控制在电厂主蒸汽温度控制系统中的应用研究》文中提出电厂锅炉主蒸汽温度是电厂生产运行中的一个非常重要的监测和控制参数，过高或过低都会影响到机组的安全性和经济性，一般要求主蒸汽温度基本上维持在额定值(即给定值)附近。 主蒸汽温度的控制多年来一直是电厂过程控制中的一个难点，这主要是因为：首先，主蒸汽温度被控对象总是存在一定的迟延，而且机组容量越大迟延就越严重，常常使得反馈控制作用来不及进行调节；其次，主蒸汽温度被控对象的动态特性随着工况的变化会发生变化，即其数学模型在不同的工况下是不同的，这会导致参数固定不变的控制器在变工况情况下的实际控制效果恶化；另外，主蒸汽温度被控对象的动态特性是非线性的，也增加了控制的难度。 针对电厂过程控制中主蒸汽温度的大迟延性、非线性和时变性，本文在充分分析主蒸汽温度被控对象动态特性和现场实际情况的基础上，对将多种智能控制技术在主蒸汽温度控制系统中的综合应用进行了研究，即采用现代控制理论中的状态观测器技术，设计出高精度且简单实用的新型状态观测器，实现主蒸汽温度的导前汽温的重构；采用神经网络技术，实现了准确性较高的主蒸汽温度前馈控制；采用模糊控制技术，在很难获得主蒸汽温度被控对象的数学模型的情况下，实现了对主蒸汽温度的有效控制；设计出适用于过程控制的基于遗传算法机理的模糊控制器动态优化方法，解决了一般遗传算法实时性差的难题，实现了对电厂主蒸汽温度模糊控制系统中的模糊控制器的实时在线动态优化。
郝利军[7]2008年在《一类复合型模糊神经网络的改进及应用研究》文中研究说明对于一类复合型模糊神经网络,论文首先进行了多方面的改进研究尝试。第一,对于递归复合型模糊神经网络采用了改进的BP学习方法,如引入动态学习率和动量项等,仿真证明网络逼近速度有所提高;第二,通过对递归复合型模糊神经网络的动态研究发现,引入多层递归环节对于网络的动态逼近能力有着显着的增强;第叁,实际工业过程中,往往有许多先验知识,而复合型模糊神经网络可以利用其规则网络对先验知识进行融合,为此,深入研究了规则网络的先验知识利用;第四,深入探讨了多层递归复合型模糊神经网络对于数据噪声的抑制能力。将模糊神经网络与预测控制相结合,是提高系统鲁棒性和克服系统不确定性的有效手段,也是解决不确定性系统控制难题的有效方法,论文采用多层递归复合型模糊神经网络作为预测模型,构建了模糊预测控制方案,仿真研究表明了其有效性。对于具有区域特征的复杂对象,提出了对于不同区域采用各自适合的子网络进行逼近的方法,以多个子网络的结合,共同逼近复杂过程对象。每个子网络表现为具有自适应性的模糊神经网络,网络的结构随着对象区域的不同而改变。
杨黎峰[8]2005年在《基于神经网络预测控制的水源热泵控制系统研究》文中认为本文以北方工业大学开发的水源热泵空调控制系统为工程背景,着眼于解决系统运行中的时间滞后问题,研究了基于神经网络预测控制的集中空调的最优控制问题。 北方工业大学研制的水源热泵空调控制系统现已投入实际应用,在地面盘管安装方式下运行中,夏天制冷过程中经常出现地面结露现象,影响了水源空调系统在制冷状态下的使用。 针对这一实际问题,首先寻求环境温度、湿度条件下的制冷临界结露曲线。在临界结露曲线的约束条件下,设计了基于水源热泵空调系统的预测控制模型。 集中空调系统是个大惯性、大滞后、非线性系统,系统本身容易受到来自外界多方面的干扰,这种干扰有时是非常严重的,如果处理不好有可能造成系统不稳定。 在实际试验中考虑到整个水源热泵空调系统的复杂性,以及存在的非线性和大滞后因素,搭建了一个温度控制箱实验平台来模拟水源热泵空调控制系统。 在这个温控箱实验平台上先试验了传统PID控制策略,验证了系统的设计结构和各个控制单元的功能,并且取得了预期的效果。 针对系统非线性、大惯性、大滞后的问题,采用了基于神经网络的预测控制策略。神经网络具有较强的自学习、自适应和容错能力,预测控制来自工业实践,对复杂系统具有较强的适应性。将神经网络对非线性对象的逼近能力和预测控制的优化策略相结合,提出了基于BP神经网络的预测控制方案。采用两个神经网络分别构建神经网络预测模型和非线性优化控制器。 本文提出的基于BP神经网络的预测控制算法设计思想是:首先采用BP神经网络模型预测器建立被控对象的预测模型;然后利用该预测模型,根据系统当前的输入输出信息,预测对象的未来输出值,并采用反馈校正,以克服系统中由于其他不确定性扰动造成的模型预测误差,得到较为精确的对象预测值;在此基础上,基于校正后的未来一段时间内对象的预测值,结合给定的系统输出值,根据定义的二次性能指标对控制变量进行滚动优化,得到系统未来的控制序列。
于洪磊[9]2009年在《神经网络预测控制在加热炉炉温控制与优化中的应用》文中指出加热炉是轧钢生产线上的重要设备之一,也是钢铁工业中的耗能大户,因此提高加热炉的加热效率,降低能耗,对整个钢铁工业的节能具有重要的意义。特别是随着现代化轧机向连续、大型、高速、高精度和多品种方向发展,对冶金加热炉的模型研究和优化控制提出了越来越高的要求。但由于加热炉是一个典型的复杂工业被控对象,其间包括热力学的、化学的和物理的各种过程,它具有多变量、时变、非线性、强耦合、大惯性和纯滞后等特点,而且炉内钢温分布不能直接测量、外界扰动因素多,加热过程受多种生产工艺因素的制约。因此加热炉的优化控制是一个复杂的控制与优化问题,采用常规控制技术难以取得良好的优化控制效果。本文从钢坯加热炉生产实际和现代工业复杂化的实际出发,阐述了加热炉优化控制的应用现状与研究现状,并指出了目前加热炉优化控制中存在的问题。针对钢坯加热炉系统非线性、大惯性、大滞后的问题,本文在查阅大量相关参考文献的基础上,结合钢坯加热炉的生产实际,提出采用基于神经网络的预测控制策略对加热炉炉温进行控制。首先建立加热炉的炉温预测模型。由于加热炉是复杂的非线性系统,难以用精确的数学模型来描述。本文以现场数据为基础,采用BP神经网络建立炉温的预测模型以预测炉温的未来输出值,并采用反馈校正,以克服系统中由于其他不确定性扰动造成的模型预测误差,得到较为精确的炉温预测值。在此基础上,根据定义的二次性能指标建立炉温优化控制器,对控制变量进行滚动优化,得到系统未来的控制序列。MATLAB仿真结果表明,该系统对炉温的变化具有很好的跟随性,调整时间较短,而且具有较强的抗干扰性和鲁棒性,为其在实际生产中的应用奠定了基础。
王莎[10]2008年在《BP神经网络在股票预测中的应用研究》文中研究表明随着经济的发展和人们投资意识的转变,股票投资已成为现代人生活中一个重要组成部分,而股票价格的预测也成为投资者关心和研究的重点。由于股票投资的收益与风险往往是成正比的,如何建立一个运算速度和精确度都比较高的股市预测模型,对于金融投资者具有理论意义和实际应用价值。本文在深入分析股票市场预测面临的关键问题和比较各种股票预测方法的基础上,探讨利用BP(Back Propagation)神经网络对股票走势进行分析和预测的可行性。BP网络通过对以往历史数据的学习,找出股市发展的内在规律,并将其存储在网络具体的权值、阀值中,用以预测未来的走势。针对BP算法在股市预测中存在的学习速度慢、容易陷入局部极小值、预测结果精度不高等问题,提出一种改进的BP神经网络算法。通过重新选取神经元的激活函数,对输出层和隐层中神经元转换函数的权值、缩放系数和位移参数进行调整,减少隐层节点数,加快BP网络的收敛速度。根据BP网络进行股市预测的原理,建立基于BP网络的股市预测模型,采用改进后的BP算法进行股市预测,并通过MATLAB软件对其预测过程进行仿真实验。在仿真过程中对BP算法和改进后的BP算法在预测股票中的收敛性能进行比较,并以湖南叁一重工的股票价格为例,对所建的预测模型进行训练,并用训练好的BP网络股市预测模型来预测其股票数据,达到了预测效果。
参考文献：
[1]. 神经网络技术在预测控制中的应用研究[D]. 禹柳飞. 湖南大学. 2003
[2]. 基于神经网络的非线性时滞系统预测PID控制[D]. 谢彩云. 大连理工大学. 2007
[3]. 预测控制在锅炉系统中的应用[D]. 孙晓彤. 青岛科技大学. 2014
[4]. 汽车发动机怠速控制技术的研究[D]. 杨海燕. 河北工业大学. 2007
[5]. 预测控制理论在水泥熟料篦式冷却过程中的应用研究[D]. 吴姝芹. 济南大学. 2007
[6]. 智能控制在电厂主蒸汽温度控制系统中的应用研究[D]. 冯晓露. 浙江大学. 2006
[7]. 一类复合型模糊神经网络的改进及应用研究[D]. 郝利军. 北京化工大学. 2008
[8]. 基于神经网络预测控制的水源热泵控制系统研究[D]. 杨黎峰. 北方工业大学. 2005
[9]. 神经网络预测控制在加热炉炉温控制与优化中的应用[D]. 于洪磊. 东北大学. 2009
[10]. BP神经网络在股票预测中的应用研究[D]. 王莎. 中南大学. 2008
标签：自动化技术论文; 预测控制论文; 模糊神经网络论文; 预测模型论文; 过程控制论文; 线性系统论文; 网络模型论文; 模糊理论论文; 模糊算法论文; 动态模型论文; 非线性论文;