魏辉[1]2008年在《燃煤电站锅炉低NOx燃烧优化运行策略的研究》文中认为锅炉低NOx燃烧优化运行是指通过合理地组织炉内燃烧以实现低NOx排放和高效率燃烧,但炉内NOx生成的控制措施与炉内稳定燃烧及燃尽的技术原则存在不同,因此如何兼顾降低NOx排放量和提升锅炉效率使得锅炉排污和煤耗的综合成本最低是锅炉低NOx燃烧优化的目标。燃煤电站锅炉高效低NOx燃烧优化过程通常分为两个阶段:第一个阶段为建立NOx排放和锅炉效率预测模型,所建模型须能依据历史运行数据和当前运行状况映射出NOx排放和锅炉效率与锅炉各输入运行变量的变化关系;第二个阶段为利用约束优化技术求取低NOx排放的优化运行方案,然后依据此方案指导运行人员实时运行(开环模式)或在一定条件下通过集散控制系统(DCS)将优化运行方案自动输入到锅炉,调整可调运行参数(闭环模式)以实现低NOx燃烧优化运行。本文首先对燃煤电站锅炉低NOx燃烧优化运行进行了探讨和综述,它包括电站煤粉炉NOx生成机理及主要控制方法、影响电站煤粉炉NOx排放特性的主要因素、煤粉炉燃烧时NOx生成量预测及模型优化算法。然后分别以300MW机组单炉体双炉膛八角切圆和300MW机组单炉堂四角切圆燃烧锅炉为研究对象,以现场热态燃烧调整试验数据为基础,利用基于贝叶斯规范化的L-M改进BP算法建立了NOx排放特性和锅炉效率与各操作运行变量之间的经验预测模型,并对所建模型进行了预测能力的测试,测试结果表明该模型可相对快速准确地预测出锅炉实时运行工况下的NOx排放量和锅炉效率值。BP神经网络在非线性系统建模和控制方面得到广泛应用,且也已经被应用到燃煤电站锅炉NOx排放预测控制。但BP神经网络在获得训练成功的预测模型之前要求大量的、信息丰富的历史数据,它要求有计划地把锅炉实时运行数据添加到模型中,使模型不断更新以能够充分体现锅炉动态运行状况。而基于梯度下降法的BP学习算法具有建模耗费时间长和容易陷入“过拟合”的缺陷,从而限制了模型的更新和预测推广能力。为解决此问题,文中研究了利用具有计算速度快、泛化能力强的最小二乘支持向量机建立了NOx排放特性和锅炉效率的预测模型,并将其与利用BP神经网络建立的预测模型作了比较,结果表明前者既能够准确预测在不同运行工况下的NOx排放量又具有更强的泛化能力,与其它建模方法相比该方法更适合NOx排放的在线预测。建立NOx排放特性和锅炉效率的预测模型后,文中结合所建模型和遗传算法实现了叁种不同优化目标下的运行方案优化搜索,优化目标分别是:单独优化NOx排放量、单独优化锅炉效率及兼顾NOx排放量和锅炉效率实施综合优化。所得优化运行方案具有实际可操作性,可为锅炉低NOx燃烧优化运行的闭环/开环控制提供模型基础。
严丽[2]2015年在《基于GA-Elman神经网络预测的时延网络控制系统故障检测》文中进行了进一步梳理网络控制系统是通过数据通信网络传输信息的闭环控制系统。随着网络控制系统的广泛应用,对其进行故障检测可以提高系统的安全保障。本文假设网络控制系统存在传感器到控制系统时延,并且这个时延可能大于一个周期,进一步对时延大于一个周期的网络控制系统做故障检测。主要涉及的工作内容如下:了解控制系统工作机制,实例分析时延对控制系统的不良影响,建立了基于神经网络预测采样值的长时延网络化控制系统的故障检测模型。神经网络是模拟人脑生物神经系统的新型信息系统,有良好的自学习、自组织以及强大的非线性映射能力,将其预测功能与网络控制系统相结合,预测控制系统的采样值,能够减小时延的影响。但是BP神经网络与Elman神经网络都有一些缺陷,容易陷入局部极值以及全局搜索能力差等。为此,本文在深入学习遗传算法的基础上,提出了GA-Elman神经网络,该模型结合了神经网络和遗传算法各自的优点,神经网络有较好的局部搜索能力以及遗传算法有较好的全局搜索能力。用遗传算法优化Elman神经网络的连接权值与阈值,避免神经网络陷入局部极值的情况,加快神经网络的收敛速度。与前两种神经网络相比,GA-Elman神经网络对采样值的预测精度更高,收敛所用的步数更少。在传感器与控制器之间加入GA-Elman神经网络预测模块,根据预测值进行观测器的设计,并利用李雅谱诺夫定理证明了闭环系统的一致稳定性,对系统进行仿真研究。实验结果表明,所设计的基于神经网络预测采样值的故障观测器能够很好地跟踪系统的状态,并且在故障发生时,能够及时检测故障,有效地降低时延对系统的影响。
高琳[3]2009年在《基于神经网络和遗传算法的预测控制》文中认为预测控制基于先预测后控制的思想,明显优于反馈控制系统。神经网络以并行处理,强鲁棒性等特性在控制领域中倍受青睐。遗传算法提供了一种求解复杂系统优化问题的通用框架。本文在分别对以上叁种算法的基本理论和典型算法进行分析的基础上,将它们进行结合:预测控制对于预测模型没有形式限制,将神经网络引入预测控制中用作模型预测或优化计算,以实现神经网络预测控制;考虑到神经网络参数及控制参数的取值问题,使用遗传算法对神经网络预测控制进行参数优化。将此算法用于主汽温控制系统中进行仿真研究,结果显示该算法不仅能保证良好的控制品质,还具有较强的鲁棒性和自适应性。
陈晓雷[4]2007年在《神经网络自适应控制器仿真研究》文中指出工业生产过程往往具有非线性、不确定性，难以建立精确的数学模型，应用常规的PID控制器难以达到理想的控制效果。作为智能控制的重要分支，人工神经网络具有良好的非线性映射能力和高度的并行信息处理能力，已成为非线性系统建模、辨识和控制中极具魅力的理论和方法。本文在查阅大量国内外文献的基础上，研究了神经网络辨识的模型，基于单神经元PID自适应控制器，基于BP神经网络的PID自适应控制器以及神经网络自适应控制器。针对PID控制的不足，研究了神经网络与自适应控制的结合，以探讨收敛速度快、辨识精度高、实时性能好的神经网络控制方法。主要以研究各种算法的模型、实现及性能为基础，具体的内容如下：(1)以神经网络逆模型的原理、结构与算法的研究为基础，针对一类状态不可直接测量的非线性时变系统，给出了一种基于BP神经网络逆模型的状态观测器，可以对系统的状态进行实时观测，理论分析和仿真结果表明，这种状态观测器可以很好地观测系统的状态。(2)单神经元自适应控制有几个问题值得研究：①权系数初值的选择问题。权系数的初值对控制性能的好坏有很大影响②权系数的限幅问题。当权系数饱和时，系统将失去应有的学习能力。③神经元控制系统的上升时间比较长，受到扰动以后动态恢复过程较长。针对上述缺陷给出两种改进方法：第一利用遗传算法来优化单神经元的权值从而实现对系统的控制。结果表明该方法能够很快地搜索到一组较优的权系数，消除了初值对控制性能的影响，加快系统收敛速度，具有较好的动态性能和鲁棒性；第二基于CMAC的单神经元复合自适应PID控制器，使CMAC网络的学习过程包括整个系统控制过程，仿真结果表明该方法具有自适应能力强、实时性好、抗干扰能力强等优点。(3)分析了基于BP网络的自适应PID控制的模型、算法及特点。将神经网络用于控制器的设计或直接学习计算控制器的输出，一般都要用到系统的预测输出值或其变化量来计算加权系数的修正量。但实际上，系统的预测输出值是不易直接测得的，通常做法是建立被控对象的预测数学模型。所以为了提高控制效果，需要建立合理的模型来计算预测输出。本文利用最小二乘法和神经网络建立被控对象的预测数学模型，用该模型所计算的预测输出取代预测输出的实测值，对基于BP网络的自适应PID控制器的权值调整算法进行改进。仿真结果表明算法的有效性。(4)针对一类未知、不确定、时变的SISO离散非线性系统，利用神经网络对被控对象的正向模型辨识，将神经网络的输出作为被控对象输出的预报，在此基础上设计出控制律，构成神经自校正控制方案。仿真结果表明控制算法的有效性。(5)利用神经网络逆模型辨识的思想，提出一种神经网络模型参考自适应控制器设计方案，并给出设计步骤与算法，它适用于任意非线性系统，更接近于工程实际。理论分析和仿真结果证明了该方案的合理性和有效性。
陈艳国[5]2006年在《基于智能算法的深基坑监测信息预测研究》文中认为深基坑工程具有造价高、施工难度高、不稳定因素众多等特点,因此监测系统的优劣性对于掌握深基坑稳定性状况具有重要影响。但深基坑是支护体系与周边土体相互结合的多种介质组合的高度复杂的空间系统,其变形和安全性受地质条件、岩土体性质、场地环境、气候变化、地下水动态等因素影响。常规统计方法难以利用监测信息建模预测,BP神经网络具有较好的非线性拟合能力,使其在复杂非线性系统的分析和预测中得到了广泛应用。但BP网络也具有明显缺陷,本文采用遗传算法、模拟退火发以及变尺度混沌优化算法来优化BP网络,形成一系列智能算法。针对基坑监测信息建立非线性“隐式”模型,来预测基坑稳定性发展趋势。工程实例为采用排桩冻结法施工工艺的江苏润扬长江公路大桥南锚锭深基坑工程。 在详细研究BP神经网络、遗传算法、模拟退火法以及变尺度混沌优化算法等智能算法的基本原理的基础上,基于MATLAB7.0编制了相应程序;研究BP网络的整体性能因素,针对BP网络隐层节点数难以确定的问题,提出“自动搜索法”,基于MATLB7.0进行了程序设计;研究了神经网络与遗传算法、模拟退火法和混沌优化算法的结合,形成一系列智能算法,并基于MATLAB7.0编制了程序。此智能算法预测模型不但适用于深基坑工程的基于监测数据的基坑稳定性预报,同时也适用于其它方面的预测预报问题。 南锚锭深基坑工程采用的排桩冻结法施工工艺在国内同类工程中尚属首例,其难度可想而知。作为稳定性保证的实时监测信息反馈是十分必要的。本文利用上述几种算法对南锚锭深基坑监测信息进行了智能预测。实际情况表明,本智能算法对基坑监测信息预测预报问题具有较高精度,对于下一步施工具有良好的指导作用。
何金胜[6]2015年在《基于SMA的空间杆系结构地震响应控制模型试验与理论分析》文中研究说明形状记忆合金(SMA)是一种全新的功能性材料,具有很多独特的材性特性,如超弹性效应、形状记忆效应、高阻尼性能和变弹性模量性能等,利用其特殊的力学行为和物理性能,使之成为控制装置应用到结构工程振动控制领域,必将展现出明显的优势和广阔的应用前景。对应用形状记忆合金的结构进行振动控制研究分析,为推广和使用形状记忆合金这种智能材料奠定了坚实的理论基础,将会产生巨大的经济效益和社会效益。本文利用形状记忆合金独特的超弹性性能和形状记忆性能,研发了基于形状记忆合金被动、主/被混合抗震控制系统,提出相应的控制理论及策略,并进行了计算机仿真模拟及振动台试验。主要工作和研究内容包括:(1)采用计算机伺服控制材料试验机,进行了13组52根奥氏体、10组30根马氏体形状记忆合金材料的力学性能试验,通过改变电流、加载幅值、加载速率、循环次数和直径等主要试验参数,研究了形状记忆合金材料的恢复力特性,结果表明加载幅值和加载速率是影响奥氏体材料恢复力特性的主要参数,电流和加载幅值是影响马氏体材料恢复力特性的主要参数。(2)基于上述材性试验和数值分析结果,以Brinson本构模型为基础,采用计算机模拟方法,引入加载速率和加载幅值等因子,提出并建立了3种精度较高、分段线性的形状记忆合金材料恢复力本构模型,确定了各本构模型的主要特征值,为进一步研究提供了试验和理论依据。(3)采用遗传算法对BP网络进行优化,建立了具有预测功能、精度较高且适用于动态反应的形状记忆合金材料非线性本构模型。针对目前振动控制理论研究和工程实际应用所关注的问题,利用遗传算法进行了受控空间杆系结构的优化设计,研究了形状记忆合金控制系统设置位置和设置数量等对空间杆系结构的优化控制效果,实现了空间杆系结构的整体优化控制。(4)利用Matlab语言编程,设计了地震作用下空间杆系结构无控、形状记忆合金控制系统随机设置和优化设置的计算机模拟分析程序,并且针对马氏体形状记忆合金的材性特点,研究了基于Mamdani模糊控制、Sugeno模糊控制以及触发控制策略,提出了一种新的控制策略,即触发开关控制策略,自行编制了基于Matlab语言、空间杆系结构触发开关控制策略的计算机模拟分析程序,综合考虑遗传算法与控制策略等,进一步优化了空间杆系结构的控制方案,取得了较好的控制效果。(5)以振动控制的工程应用为背景,设计并制作了1个2跨3层的空间杆系模型结构,研发了1种新型的形状记忆合金丝材控制装置和通电升温/稳压系统,并将其集成于空间杆系模型结构中,选择了EL-Centro等3种地震波及3种不同的加速度峰值,采用被动和主/被动混合控制等方法,进行了未安装、随机安装、优化安装形状记忆合金控制系统等36种工况下的空间杆系模型结构的模拟地震振动台试验,同时进行了相应的有限元模拟分析,检验了文中研发控制系统和所提控制方法的有效性和适用性。结果表明,一般情况下,采用形状记忆合金被动控制系统时,模型结构的地震加速度响应可减小20%以上,层间位移可减小30%左右;采用形状记忆合金主/被动混合控制系统时,模型结构的地震加速度响应可减小30%以上,层间位移可减小45%左右,说明文中所提控制方法较好,具有较好的应用价值。
雷松林[7]2008年在《基于BP网络和遗传算法的岩爆预测研究》文中研究说明近些年来,随着国民经济的持续发展,国家对各种矿产资源、能源和交通运输的需求日益增加,越来越多的水利工程开发项目不断提上日程,矿山资源的开采也不断向深层次发展,因而越来越多的工程将修建在长、深、密集的地下洞室中。岩爆作为这些典型高地应力区突出的主要地质灾害之一,尚没有完善的预测理论和机制,因此岩爆的预测与防治意义重大。本文通过建立基于遗传算法优化的BP网络模型,对岩爆的发生进行预测,并结合前人的研究成果和相关的工程实例,来评估网络的预测效果。概括起来主要完成了下列几个方面的研究工作。1、在广泛收集国内外岩爆研究资料的基础上,归纳了岩爆类型划分与烈度分级、岩爆的一般特征和发生条件、岩爆的形成机理、岩爆预测的方法等岩爆研究的现状。2、介绍了国内外一些典型的岩爆灾害造成的损失情况,提出了我国水利工程建设和矿山资源开采的趋势,结合近些年来水利工程建设的规模和规划的重要水利工程项目,指出了岩爆预测的重要性和迫切性。3、综合分析理论和工程应用两个方面,指出了影响岩爆的主要因素:抗拉强度、抗压强度、洞壁切应力大小和弹性应变能指标,并将脆性系数(σ_c/σ_t)、弹性应变能指数(W_(et))和应力强度比(σ_θ/σ_c)作为影响岩爆的主要指标。4、详细介绍了人工神经网络,尤其是BP网络的基本理论及其应用、优点和缺点,介绍了遗传算法的特点及其在神经网络设计中的应用,提出利用遗传算法优化神经网络,可以解决神经网络存在的先天性缺陷问题。5、依据神经网络和遗传算法的特点,将两者有机结合起来建立岩爆预测的优化模型(GA-BP网络)。以各种原始试验资料和现场实录资料为训练样本,首先通过遗传算法的运行,得到优化了的权值和阈值,作为BP网络的初始权值和阈值。接下来通过BP网络训练样本集,实现BP网络学习的目的,建立样本(作为输入变量)与实际岩爆结果(作为目标变量)之间潜在的联系。最后通过引入工程实例,用GA-BP网络对岩爆的发生及烈度进行预测。最终预测的结果与实际情况是符合的。6、将GA-BP网络的预测结果与纯BP网络预测结果和常用判据预测的结果分别做了比较,结果表明GA-BP网络的预测效果明显好于后两种预测方法。该方法可以用来预测岩爆。最后,对应用GA-BP网络预测岩爆的若干要点和局限性做了说明,并对进一步工作的方向进行了简要讨论。
赵振勇[8]2007年在《基于遗传BP神经网络的股市预测》文中指出随着经济的发展和人们投资意识的转变，股市已成为现代人生活中的一个重要组成部分，股市投资已成为社会公众谈论的中心之一，而股市的健康发展和繁荣也成为管理者和投资者关心和研究的重点。股市投资的收益与风险往往是成正比的，即投资收益越高，可能冒的风险越大。因此，股市预测方法的研究具有极其重要的应用价值和理论意义。但是股价系统内部结构的复杂性、外部因素的多变性决定了这项任务的艰巨性，而传统的预测工具已不能满足这种需要。本文在深入分析股市投资理论和股价预测方法的基础上，提出了利用BP神经网络进行股市建模的方法。股市市场是一个极其复杂的非线性动力学系统，而神经网络具有很强的非线性逼近能力和自学习、自适应等特性，实验证明，利用神经网络对股市建模可以取得较好的预测效果。因为股市市场的走势看起来杂乱无章，但实际上有其内在的变化规律，而这正是神经网络预测股市的基础。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、阈值中，用以预测未来的走势，尤其对于短期的预测效果更为明显。根据股市市场高度非线性特点及基本BP算法在权值调整过程中存在的收敛速度慢、易陷入局部极小点的缺点，本文提出了一种遗传BP算法。基于BP网络进行股市预测的原理，利用叁层前馈神经网络对股市建立预测模型，详细探讨了网络的拓扑结构、隐节点个数确定的原则、样本数据的选取和预处理、初始参数的确定和产生泛化的原因和解决办法等问题。遗传BP算法利用遗传算法进行全局搜索，注重搜索未知区域，处理速度快而对精度要求不高，不易陷入局部极小点，而利用BP算法搜索有最优点的区域，提高搜索速度和精度。理论分析和实验结果表明，神经网络用于股市市场的预测是可行和有效的，有着非常良好的前景，而遗传BP算法更提高了运算的速度和预测的可靠性。通过大量的股市预测实验，本文研究了各种参数对于预测结果的影响，并提出了利用改进的遗传算法优化改进的BP网络初始权值和阈值，在预测过程中取得了良好的效果。
李世峰[9]2017年在《网络化控制系统智能控制方法研究》文中研究表明随着控制系统规模的不断扩大和信息技术的飞速发展,网络化控制系统突破了地域、资源等诸多限制,以其模块化、集成化、数字化与节点智能化的技术特征,成为控制系统的重要发展趋势。在网络化控制系统中,控制网络通信机制所带来的信道扰动、数据包丢失、节点间信息传输时延等因素,将导致网络化控制系统丧失定常性、完整性、因果性和确定性。传统的点对点直接控制系统的分析与设计方法不再适用于网络化控制系统,因此,需要针对网络化控制系统的特性,重新研究控制系统的分析与控制方法。智能控制是集人工智能、模糊集理论、运筹学和控制论相融合的交叉学科。利用智能控制技术研究网络化控制系统的控制方法,可以很好地解决网络化控制系统的模型不确定性给系统分析与设计带来的复杂性问题,进而为建立网络化控制系统的分析与控制策略提供有效途径。学位论文全面综述了网络化控制系统分析与控制中的主要问题与智能控制技术,深入分析了BP网络与遗传算法的特性与机理。针对网络化控制系统中的时延影响系统性能问题,提出了基于快速BP网络的网络化PID控制、基于梯度加权遗传算法-BP网络的网络化预测控制和基于模糊算法的变采样周期网络化控制等控制方法。主要工作如下:(1)针对网络化控制系统中的时延补偿问题和PID控制器参数整定问题,提出了一类基于快速BP网络的网络化PID控制方法。考虑样本数较多时BP网络时延预测模型求取隐含层节点数耗时问题,提出了维度投影法,维度投影法不需要反复实验,也不需要交叉验证,而是通过直接计算的方式快速求取BP网络的隐含层节点数。考虑BP网络时延预测模型学习方法耗时问题,提出了基于参数自适应遗传算法的混合学习方法。由维度投影法和基于参数自适应遗传算法的混合学习方法构建了快速BP网络时延预测模型,该模型提升了系统的运行速度和控制精度。考虑网络化PID控制系统中的积分饱和问题、PID控制器参数整定问题和应对模型失配的能力,对PID控制器的积分项进行了改进,并设计了基于在线BP网络的PID参数调节器。基于快速BP网络时延预测模型和在线BP网络PID参数调节器,给出了基于快速BP网络的网络化PID控制方法。(2)针对网络化控制系统中的时延补偿问题和被控对象模型未知问题,提出了一类基于梯度加权遗传算法-BP网络的网络化预测控制方法。考虑样本数较少时BP网络时延预测模型隐含层节点数求取耗时问题,提出了权值分析法,权值分析法依赖于BP网络的权值统计信息而非测试结果,因此对数据集的划分不敏感,可采用抽样放回的方式划分数据集,从而节省了时间。考虑BP网络时延预测模型局部最优问题,提出了基于梯度加权遗传算法的混合学习方法。由权值分析法和基于梯度加权遗传算法的混合学习方法构建了梯度加权遗传算法-BP网络时延预测模型,该模型可提升系统的控制精度。考虑网络化控制系统中的线性和非线性控制问题,设计了基于在线BP网络的单步预测控制器。基于梯度加权遗传算法-BP网络时延预测模型和在线BP网络单步预测控制器,给出了基于梯度加权遗传算法-BP网络的网络化预测控制方法。(3)针对线性和非线性网络化控制系统的时延在线调节问题,提出了基于模糊算法的变采样周期网络化控制方法。采用基于模糊算法的变采样周期方法对时延进行在线调节,并设计了可用于线性被控对象和非线性被控对象的模糊控制器,给出了基于模糊算法的变采样周期网络化控制方法。利用遗传算法对BP网络进行优化和改进,在此基础上提出的基于快速BP网络的网络化PID控制、基于梯度加权遗传算法-BP网络的网络化预测控制和基于模糊算法的变采样周期网络化控制等控制方法,可以很好地解决网络化控制系统分析与控制中的模型不确定性、时延预测与补偿等问题,并使用仿真平台进行了实验验证。上述成果对丰富与完善网络控制理论、加速网络化控制系统更广泛的应用,具有重要的促进意义。
姚有领[10]2007年在《智能自适应解耦控制及其在板形板厚综合控制中的应用》文中指出板形和板厚是现代板带生产中两个非常重要的质量控制指标,板形、板厚质量控制水平的高低直接关系到板带钢制成品质量的优劣和板带钢市场销售的好坏,因此,板厚和板形控制功能是板带轧机自动控制系统中两个最主要的功能。板形、板厚两者之间相互关联、相互交叉、耦合程度严重。因此,两者构成了一个多变量、强耦合复杂控制系统。本文通过分析这一系统各变量之间耦合关系和各个变量的变化规律,研究了影响板形板厚两个重要质量指标的主要因素,建立了板形板厚综合控制系统控制模型,并针对山东莱钢1500mm热连轧带钢精轧六机架板形板厚控制要求,研究、设计了叁种控制方法。根据板形板厚综合控制系统的特点:难以进行精确计算、难以建立精确数学模型、控制变量多、强耦合等,本文将基于遗传算法和神经网络的智能控制方法应用于板形板厚综合控制系统中,提高了板形板厚控制精度,主要所作的研究工作有:(1)通过对多变量神经网络控制器结构研究,在不变性原理的基础上提出了多变量串联补偿神经网络解耦控制方法。通过采用神经网络解耦补偿控制,在不影响系统控制功能和性能的前提下,实现了多变量之间的解耦,优化了控制系统的性能指标。(2)通过对标准遗传算法(Standard Genetic Algorithm简称SGA)的原理、控制参数的选择、遗传操作、编码方式等方面的分析、研究,针对SGA存在的易陷入局部最优、早熟以及多值参数优化中存在的二进制编码串过长等影响遗传算法的计算精度和运行效率的缺陷,对遗传算法进行改进,提出了基于实数编码的自适应竞争遗传算法(Adaptive Compete Genetic Algorithm简称ACGA)。采用ACGA、自适应遗传算法(Adaptive Genetic Algorithm简称AGA)和SGA对几个标准测试函数作了优化仿真,结果表明ACGA的性能要优于SGA和AGA的性能。同时,采用ACGA优化所设计的几种控制器的仿真和实际应用也表明ACGA能够较好地消除SGA所存在的缺陷,其学习效率、收敛速度等明显优于SGA和AGA。(3)针对广义预测控制的特点及实际应用情况,在总结原参考轨线的基础上,根据原参考轨线柔化系数不易精确确定、轨线参考性因人而异、准确度有待提高等不足,提出了一种新的参考轨线算法—自适应参考轨线,使得参考轨线跟踪系统输入输出的差值,提高了参考轨线精度。同时进一步研究了基于神经网络的预测控制算法,将神经网络与预测控制的融合,设计了一种神经网络预测控制器,改进了对多变量、非线性控制系统的预测控制性能,提高了1500mm热连轧精轧六机架板形板厚控制的实时性精度,增强了系统稳定性。(4)针对常规PID控制算法易于实现,但对系统参数变化适应性差的特点,将ACGA应用到PID控制器的参数在线优化中。通过仿真验证表明,本文所研究的智能控制方法对PID控制性能改进效果明显,不仅实现了PID参数的在线自整定,而且提高了系统的控制精度和响应速度。通过在精轧机上实际应用,表明基于ACGA的PID控制方法的性能明显优于传统PID控制效果。最后,将所研究的智能控制方法应用于山东莱钢集团1500mm热连轧带钢项目精轧六机架板形板厚综合控制系统中,通过对板形板厚实际控制效果比较情况看,基于ACGA多变量神经网络自适应解耦预测控制方法实时性和控制精度更好,而且控制系统设计不依赖于对象精确的数学模型,控制方法简单易行,易于实现,能够很好地满足当今板形板厚质量综合控制目标的要求。
参考文献：
[1]. 燃煤电站锅炉低NOx燃烧优化运行策略的研究[D]. 魏辉. 上海交通大学. 2008
[2]. 基于GA-Elman神经网络预测的时延网络控制系统故障检测[D]. 严丽. 华侨大学. 2015
[3]. 基于神经网络和遗传算法的预测控制[D]. 高琳. 华北电力大学（河北）. 2009
[4]. 神经网络自适应控制器仿真研究[D]. 陈晓雷. 太原理工大学. 2007
[5]. 基于智能算法的深基坑监测信息预测研究[D]. 陈艳国. 河海大学. 2006
[6]. 基于SMA的空间杆系结构地震响应控制模型试验与理论分析[D]. 何金胜. 西安建筑科技大学. 2015
[7]. 基于BP网络和遗传算法的岩爆预测研究[D]. 雷松林. 同济大学. 2008
[8]. 基于遗传BP神经网络的股市预测[D]. 赵振勇. 贵州大学. 2007
[9]. 网络化控制系统智能控制方法研究[D]. 李世峰. 大连交通大学. 2017
[10]. 智能自适应解耦控制及其在板形板厚综合控制中的应用[D]. 姚有领. 上海大学. 2007
标签：自动化技术论文; 遗传算法论文; 形状记忆合金论文; 自适应论文; 预测控制论文; 神经网络模型论文; 预测模型论文; 网络模型论文; 系统仿真论文; 网络结构论文; 算法论文; bp神经网络论文; bp算法论文;