陈丹[1]2002年在《基于遗传算法的自适应内模控制新方法》文中研究表明本文从工程实际出发，对于基于遗传算法的时滞控制系统设计理论和应用进行了研究。文中着重研究了遗传算法理论，模糊控制理论以及二者的结合方式。以此为基础，提出了将遗传算法用于内模控制中滤波器参数的整定，并进行了控制系统的仿真实验和实例设计。 本文的主要研究内容如下几个方面： 1．综述了遗传算法，模糊控制和时滞系统的研究现状，并就遗传算法结合模糊控制在时滞控制系统应用提出了作者的一些观点； 2．探讨了应用于时滞系统的先进控制方法——内模控制，及其设计方法，并就内模控制器中滤波器参数整定对控制系统的影响进行了仿真研究，结果说明了滤波器参数的整定对控制系统的适应性、抗干扰性和鲁棒性具有重大的影响，有必要对控制器的参数进行整定。 3．介绍了遗传算法的基本理论、编程思想及其改进方法； 4．介绍了模糊控制器的设计方法，并研究了遗传算法与模糊控制的融合方式，探讨了用遗传算法直接优化模糊控制决策表。 5．将用遗传算法离线优化好的模糊控制决策表用于内模控制器中，整定内模控制器的反馈滤波器参数，并用遗传算法在线优化内模控制器前向滤波器参数，提出了智能二自由度内模控制器。将其应用到电加热炉的温度控制，取得了较好的控制效果。
袁桂丽[2]2010年在《人工免疫系统及其在电站控制中的应用研究》文中进行了进一步梳理本文设计了几种基于免疫反馈原理的控制器和基于免疫原理的自适应免疫遗传算法,并在电站控制系统进行了大量的应用仿真研究。第一：通过免疫反馈原理的研究,将免疫反馈控制器与模糊控制、PID控制有效的结合,设计模糊自调整免疫增量PID控制,并将其与传统方法整定的PID控制在球磨机负荷控制系统进行仿真对比研究,将模糊免疫PID控制与解决大迟延的Smith控制、内模控制进行仿真对比实验。仿真结果表明,模糊免疫PID控制器具有很好的快速性和抗干扰性。第二：在充分分析不完全微分和串级控制内回路作用基础上,设计了免疫不完全微分PID一免疫P串级控制,并将其应用到电站给水系统中。仿真结果表明,该控制策略下,即使参数在很大范围变化,给水系统仍具有很好的快速性和具有很好的克服给水扰动、蒸汽扰动的能力,大大减小了虚假水位的影响。第叁：设计模糊免疫Smith控制器,利用Smith控制解决大迟延问题,利用模糊免疫控制解决快速性和抗干扰性、模型不匹配时系统的稳定性问题。并将其应用于给水系统,仿真结果表明,模糊免疫改进Smith控制具有比Smith控制更好的快速性和抗干扰性。第四：设计了免疫内模控制器。利用免疫控制实现在线整定内模控制器的滤波器参数,解决内模控制系统快速性和鲁棒性之间的矛盾。并将其用于球磨机负荷控制系统,仿真结果表明,免疫内模控制比内模控制具有更好的快速性和抗干扰性。第五：设计了基于相似性矢量距的自适应免疫遗传算法。给出了自适应免疫遗传算法各个模块的设计方法,同时将自适应免疫遗传算法同遗传算法收敛性函数验证做了仿真实验对比,仿真结果表明,自适应免疫遗传算法较遗传算法具有更好、更快的寻优能力。第六：将自适应免疫遗传算法用于电站主汽温控制系统PID参数的优化和电站机组的经济负荷优化分配。仿真结果表明,自适应免疫遗传算法具有比遗传算法更强的寻优能力,尤其它的全局、快速收敛性能,为电站系统在线实时优化运行的实施,提供了有利的保证。
陈晓雷[3]2007年在《神经网络自适应控制器仿真研究》文中研究表明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。
佚名[4]2011年在《自动化技术、计算机技术》文中提出TP112011011954一般成本环境下分散式多工厂资源调度/陈胜峰,蔚承建(南京工业大学信息科学与工程学院)//信息与控制.―2010,39(5).―640～645.研究多工厂一般成本结构特征,即工厂含有固定成本和单位成本,提出了一种分散式多工厂资源调度方法,该方法使用基于连续双向拍卖市场机制的ZI2策略。ZI2策略是一种包含价格和数量的二维报价策略,agent采用该策略在给定价格范围内随机提交报价。模拟实验结果验证了ZI2策略可以实现较高的调度效率,整体平均效率达到90%。图2表8参10
王璐[5]2008年在《时滞系统变论域模糊自调整内模控制》文中指出时滞系统的控制是工业上经常遇到的问题。针对工业控制过程中的时滞系统,本文基于内模控制原理,设计了滤波器时间常数自调整内模控制。在建立滤波器时间常数λ模糊自整定方法的基础上,研究了采用伸缩因子变论域的滤波器时间常数λ自调整模糊内模控制,提出了滤波器时间常数的变论域模糊控制改进方法,并推导出了指数型伸缩因子、研究了幂函数型伸缩因子的性质。主要从以下几个方面开展了研究工作:1.基于内模控制原理设计方法,将内模控制方法引入到Smith预估控制中,建立了滤波器时间常数λ的在线自整定方法。利用模糊控制理论确立了滤波器时间常数λ的模糊整定规则,通过在线调整滤波器时间常数改善了内模控制系统闭环特性。2.研究了模糊控制过程中输入输出论域的伸缩变化对控制性能的影响以及如何利用论域的变化提高控制性能。提出了基于量化因子的变论域模糊控制方法。分析并总结控制参数(量化因子(quantitative factors))在控制中的变论域作用,指出参数与变论域伸缩因子的关系。3.根据变论域理论,以及伸缩因子的数学特性及工程特性,推导出了幂函数型伸缩因子,论证了幂函数型伸缩因子的数学特性及工程特性。4.针对工业过程中常见的一阶时滞过程、二阶时滞过程,并分别在模型匹配、模型失配以及模型不确定和干扰的情况下,分别采用传统模糊控制、改进变论域模糊控制及采用幂函数型伸缩因子的变论域模糊控制进行了Matlab仿真实验研究。结果证明,与传统的模糊控制方法相比,文中提出的改进变论域模糊控制方法不仅能够获得更高的控制精度,也提高了系统的响应速度;同时,幂函数型伸缩因子亦利于硬件实现,对慢响应的化工系统和快速响应的机电系统的在线控制提供了有效途径。
谷芳春[6]2002年在《神经网络优化理论研究及应用》文中研究表明神经网络具有很强的适应于复杂环境和多目标控制要求的自学习能力，能够以任意精度逼近任意非线性函数，在控制领域得到了广泛的应用。本文针对前向网络中的两种典型模型：BP网络和RBF网络的全局优化进行研究，提出了一套系统的前向网络优化设计方法。设计了一种实用的GA实数编码方案，并对标准遗传算子做出改进，进行网络拓扑结构的优化设计，通过仿真验证，证明该优化设计方法是行之有效的。板形是衡量冷轧薄带钢的质量指标之一，板形模式识别则是板形控制的关键。本文将优化网络用于板形信号的模式识别，建立了6输入、3输出的识别网络模型，该网络性能在训练过程中始终保持最优，能够达到最佳结构，加快了学习速度和训练精度，可以快速、准确求出板形缺陷的模式信息及数值大小，为后续板形控制调节量的设定提供了可靠依据。液压弯辊是板形控制系统（AFC）最基本的环节，它的动态特性和稳态性能对于整个AFC系统的性能起着至关重要的作用。将优化网络用于液压弯辊系统的控制中，采用内模控制方案，辨识器和控制器用优化网络来离线设计、在线调整，提高了液压弯辊系统的动态响应速度和稳态跟踪精度，充分发挥了液压弯辊力对板形的调整作用，改善了轧机系统的动态特性。
吴东佶[7]2008年在《变速恒频双馈发电系统解耦控制研究》文中认为风力发电系统中,双馈变速恒频发电机得到了广泛的应用。为了最大限度地捕获风能,使系统按照最佳效率运行,提高发电质量。本论文基于非线性理论和模型参考自适应控制技术对双馈发电机系统进行了解耦控制研究。主要内容如下:首先提出了基于微分几何控制理论的双馈发电机非线性多输入多输出状态反馈解耦控制方案,通过非线性坐标变换和非线性状态反馈,使双馈发电机的磁链和转速两个子系统实现了动态完全解耦。其次采用基于定子磁场定向的双馈发电机矢量控制,实现定子侧有功功率和无功功率的解耦,为了消除交叉耦合电动势对发电机参数的影响,采用内模控制解耦控制方案,使系统具有良好的输出动态性能。最后在分析双馈发电机的数学模型和矢量控制的基础上,提出了一种基于模型参考自适应方法的定子、转子磁链观测、发电机转速估计和转子电阻辨识算法,应用Lyapunov原理证明了估计的收敛性,并应用于上述解耦控制方案中。在对算法进行理论推导的基础上,应用Matlab/simulink,对各个算法和系统进行了仿真,检验了算法和控制方案的可行性。
王俊国[8]2004年在《基于神经网络的建模方法与控制策略研究》文中提出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,是解决非线性系统辨识与控制的一条新途径。为此,论文以非线性液位和热交换过程为对象,研究了基于神经网络理论的建模方法和实时控制策略,提出了几种神经网络辨识和控制方案,主要内容概括如下:⑴给出了开放式过程控制系统的硬件结构,重点介绍了所开发的基于 Visual C++平台﹑Matlab 平台﹑LabWindows/CVI 平台的控制软件设计技术,分别给出了实时控制效果。⑵对液位和热交换器的模型特性进行了分析,采用静态 BP 网络和动态 DRNN 网络对两种非线性对象分别进行了模型辨识;实际的辨识结果说明,DRNN 网络更能逼近实际的非线性动态过程,是理想的非线性模型辨识网络类型。⑶扩展线性化神经状态空间(ELNSS)模型是一种特殊的神经网络,具有回归神经网络结构,论文分析了它的非线性特性,证明了参数训练过程的收敛性;将 ELNSS模型用于液位和热交换过程的模型辨识,辨识时采用串-并联结构,利用 EKF 方法训练模型参数;通过检验样本验证 ELNSS 模型具有较好的泛化能力,证明了 ELNSS 模型对非线性系统辨识的有效性。⑷对遗传算法的收敛性进行了讨论;针对简单遗传算法易陷于局部次优解的不足,提出了一种改进的自适应遗传算法,给出了交叉率和变异率自适应调整的计算公式;将改进的遗传算法作为系统辨识的寻优方法训练 DRNN 网络的权值,通过热交换器的模型辨识结果,说明采用遗传算法能提高神经网络模型的辨识精度。⑸将单神经元自适应PID控制﹑BP网络直接自适应控制﹑基于BP网络和DRNN网络的 PID 自适应控制方案,分别应用于液位对象的实时控制,比较实际控制结果,说明 DRNN 网络具有较好的处理动态问题的能力,能够实现具有最佳组合的 PID 自适应控制;同时为消除参数初值对系统控制性能的影响,利用改进的遗传算法训练网络,先求出一组权系数和 PID 参数作为初值,再进行自适应控制。实时控制结果验证了此方法可使自适应控制系统的收敛速度加快,动态性能得到改善。⑹对于多变量系统,讨论了基于神经网络的静态解耦和动态解耦方法,指出了它们的局限性;提出了两种基于解耦与控制的混合解耦方法,即神经元解耦控制和基于遗传算法的 DRNN 网络 PID 解耦控制;混合解耦方法将解耦器和控制器设计成一个 I<WP=5>混合系统,系统根据目标函数要求,完成包含对象在内的系统输入到输出的映射,使输出跟踪期望的给定值,实现多变量系统解耦控制。同时针对一非线性多变量耦合系统,分别进行了仿真试验研究,为多变量系统解耦控制的实施奠定基础。⑺针对热交换器在热量交换过程中因为扰动影响系统动态性能的情况,采用了前馈-反馈结构的动态矩阵预测控制方案,通过对不可控扰动量进行前馈补偿,提高了控制系统的抗干扰能力和稳态性能;同时针对非线性系统预测控制困难这一问题,提出了基于神经网络非线性模型的 DMC 预测控制方法,对预测控制系统的稳定性也进行了分析,并以热交换器为例分别进行了温度的预测控制实验,说明所提方法控制稳定,系统稳态性能良好。
张秀玲[9]2002年在《冷带轧机板形智能识别与智能控制研究》文中提出板带材在国民经济各部门中具有广泛而重要的应用。板带材的质量指标之一是板形(平直度)。由于板带材使用部门对板形精度的要求越来越高，使板形控制成为现代高精度板带轧机的关键技术和重要的技术发展方向。板形识别与板形控制理论及数学建模则是此项技术的理论基础和关键科学问题。 板形识别与板形控制是现代板带轧制中的关键技术和国际前沿研究课题。板形控制理论和数学建模理论还不能适应现代板形控制技术发展的要求。本文以人工智能理论为基础，选择具有理论和工程实际意义的冷带轧机板形智能识别与智能控制为研究课题，进行了深入的理论研究与工业应用研究，取得了新的研究成果。 板形模式识别是板形控制的关键。针对板宽变化时需要不同拓扑结构的神经网络才能完成识别任务，网络学习工作量大、同时神经网络本身存在收敛速度慢、局部极小等结构性能不佳的问题，以勒让德正交多项式为板形基本模式，首次建立了只用6个输入信号、3个输出信号的板形模式识别GA-BP网络模型，该模型不仅结构简单，而且物理意义明确，识别精度较高；该方法是将待识别信号与标准样本之间的欧氏距离作为神经网络的输入，网络的结构和权值的优化方法是自适应遗传算法和BP算法结合，在遗传算法全局寻优的基础上，用BP算法局部求解，从而建立一个优化神经网络。目的在于使该网络性能在训练中始终保持最优，始终达到最佳结构，有效解决了板宽变化时神经网络结构形式不变的问题，从而实现了板形信号模式识别的智能化，为板形控制策略的制定提供依据。 改进了传统最小二乘板形模式识别方法，建立了基于勒让德正交多项式的板形模式识别直接法，方法简单、实用，识别精度较高；不仅增加了一种新的模式识别方法，而且解决了传统模式识别、模糊逻辑模式识别方法解决不好和解决不了的问题，大大扩展了模式识别的应用范围，克服了传统的基于最小二乘法板形模式识别的缺点和不足。 针对传统遗传算法的搜索过程带有一定的盲目性，其收敛特性不稳定且收敛速度缓慢，特别是在系统规模较大时，优化效果的明显改善往往需要相当长的时间，而且不适合候选解的精调，难以确定解的确切位置，提出一种新型自适应性遗传算法，并在此基础上，用BP算法优化前向神经网络权值，综合了两种算法的优点，即遗传算法的全局收敛性和BP算法局部搜索的快速性，强化了遗传算法的渐进收敛和进化能力，全面改善了算法的收敛性，提高了收敛速度及训练精度，也扩展了泛化能力。避免了它们各自存在的问题，使其更有效的应用于神经网络的学习中。 液压弯辊是板形控制系统最基本的环节，它的动态特性和稳态性能对于整个板 燕山大学工学博士学位论文一形控制系统的性能起着至关重要的作用（主要指快速性和超调量卜针对其非线性、时变性及不确定性，设计了神经网络模型参考自适应控制方案并应用于带材控制中，以提高带材的成材率，充分发挥液压弯辊力对板形的调整作用，改善轧机系统的动态特性。 针对液压伺服系统固有特性和液压控制中存在的问题，提出了一种基于前馈神经网络的智能内模控制（IMC）方案，其设计过程分两步进行：第一步，训练一个神经网络描述对象响应；第二步，训练一个网络描述对象的逆，并将此网络作为IMC控制器。将其用于液压弯辊系统，仿真结果表明该系统的性能良好，鲁棒性强，优于常规IMC系统，这类智能控制器适合于对象参数变化、模型不确定和非线性的控制。探索了一种非解析原理的板形自动控制建模方法，解决了系统建模带来的诸多困难。 带钢的轧制过程涉及大量非线性因素，而且轧制过程中的某些条件还具有时变和强耦合特性，因此建立板形系统的精确数学模型具有相当大的难度，是板形控制的难点。本文利用人工智能方法建立了冷带轧机的板形预测模型，探索了一种非解析原理的板形建模方法，解诀了复杂系统建模带来的诸多困难。在此基础上提出板形控制影响矩阵法，建立了冷带轧机板形控制影响矩阵法的理论框架，丰富了板形自动控制理论。 将提出的板形智能识别和板形智能控制理论在邯钢集团衡水薄板有限公司900HC轧机上进行了应用研究。将现场轧制数据及基于轧制过程的物理机制而建立的机理模型相结合，建立了 900HC轧机的板形预测模型，为板形控制提供了智能模型，实现板形设定控制和闭环控制。 选择具有理论和工程实际意义的冷带轧机扳形智能识别与控制为研究课题，对板形模式识别、弯辊闭环控制、板形预测控制等进行了研究，不仅对于板形识别理论与板形控制理论的发展有重要意义，对于板形智能控制技术也有重要的实际意义和应用价值，具有一定的工程指导意义。
陈良[10]2011年在《周期性干扰的控制与补偿》文中认为自20世纪70年代以来,各种优秀的控制算法相继问世,极大的丰富了控制理论的学科分支,并且越来越受到控制工程界的关注。这些控制算法包括Smith预估控制算法,内模算法,预测PI算法等。然而,对于广泛存在于工业过程中的周期性干扰问题,他还没有专门的一个处理方案,无法很好的解决这类问题。而该研究方向,目前国内所开展的工作也很少。因此,本文在主回路控制的基础上,开展了对周期性干扰控制策略的研究工作。对于主回路控制,本文分别设计和改进Smith预估控制器和预测PI控制器作为主回路控制器对这类过程对象进行控制,并提出了一种基于Smith的预测控制算法,此算法根据Smith控制的原理,将被控对象分为滞后部分和非滞后部分,然后单独设计非滞后不稳定部分。此算法的优点是时滞部分可以很大,控制器设计简单。且当系统失配较大时稳态性能和动态性能良好,系统以较快速度进入稳定状态。周期性干扰广泛存在于过程控制中,单纯采用主回路控制方法难以对其进行很好的抑制,因此,有周期性干扰的时滞控制又是时滞控制领域的一个难点。本文将针对这个难点提出一些有效的控制方法。对于周期性干扰的时滞控制,本文分别设计重复控制器和频率辨识环节,进而提出了一种在线频率辨识的控制新算法。根据此种算法,可通过频率辨识器在线辨识出周期性干扰信号的频率,并且把输出频率送入控制器中,在线得到控制信号。通过控制信号在线抑制周期性干扰信号,最终使系统处于稳定状态。此算法的优点是频率跟踪性强,跟踪精度高,系统反应速度较快,且迟滞系数可以很大。
参考文献：
[1]. 基于遗传算法的自适应内模控制新方法[D]. 陈丹. 福州大学. 2002
[2]. 人工免疫系统及其在电站控制中的应用研究[D]. 袁桂丽. 华北电力大学（北京）. 2010
[3]. 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
[4]. 自动化技术、计算机技术[J]. 佚名. 中国无线电电子学文摘. 2011
[5]. 时滞系统变论域模糊自调整内模控制[D]. 王璐. 北京化工大学. 2008
[6]. 神经网络优化理论研究及应用[D]. 谷芳春. 燕山大学. 2002
[7]. 变速恒频双馈发电系统解耦控制研究[D]. 吴东佶. 兰州理工大学. 2008
[8]. 基于神经网络的建模方法与控制策略研究[D]. 王俊国. 华中科技大学. 2004
[9]. 冷带轧机板形智能识别与智能控制研究[D]. 张秀玲. 燕山大学. 2002
[10]. 周期性干扰的控制与补偿[D]. 陈良. 东华大学. 2011
标签：自动化技术论文; 遗传算法论文; 自适应论文; 模糊控制论文; 神经网络模型论文; 系统辨识论文; 网络模型论文; 过程控制论文; 自适应控制论文; 线性系统论文; 系统仿真论文; 免疫算法论文; 动态模型论文; 模式识别论文; 非线性论文; bp神经网络算法论文;