实时入炉煤质数据融合下的锅炉燃烧过程多变量控制技术

锅炉燃烧过程具有大滞后、多变量、存在其他扰动因素的特点,控制过程存在迟滞问题,对此,设计实时入炉煤质数据融合下的锅炉燃烧过程多变量控制技术。采集各种类型的入炉煤质数据,应用静电传感器采集一次风管道中的静电信号强度数据,通过称重传感器采集磨煤机出口煤量数据,通过风量传感器KGF2采集磨煤机出口的风量数据,利用温度传感器pt100采集磨煤机出口的温度数据。融合处理四种实时入炉煤质数据,设计锅炉燃烧多变量解耦控制器,实现锅炉燃烧过程多变量控制。测试结果表明,该方法能够迅速实现烟气含氧量、炉膛压力、主汽压力的稳定控制,锅炉具有更高的烟气含氧量。

一类非线性系统的自适应预测控制

针对一类非线性系统 ,将其等价为时变线性系统 ,然后用三次样条函数逼近时变系数 ,利用梯度算法在线辨识多项式的系数以实现时变系统的参数估计 ,最后运用广义预测控制策略 ,实现了对原非线性系统的自适应预测控制 .

基于神经网络逆系统的磁悬浮开关磁阻电动机的解耦控制

磁悬浮开关磁阻电动机作为一个多变量、非线性和强耦合的系统,其控制系统的设计非常复杂。对于磁悬浮开关磁阻电动机来说,得到径向力和平均转矩的先验知识是实现电机闭环控制的基本条件。基于基本电磁场理论,论文给出磁悬浮开关磁阻电动机的径向力模型,对该模型进行可逆性分析,证明该系统可逆,应用神经网络逆系统方法实现径向力的动态解耦,以便达到高性能的控制目的,仿真结果验证了方法的可行性。

神经网络与锁相环相结合的谐波检测方法

为提高有源电力滤波器APF(active power filter)对谐波检测的实时性和准确性,本文提出了一种人工神经网络ANN(artificial neural network)与锁相环PLL(phase-locked loop)相结合的谐波检测方法。神经网络计算基波幅值,锁相环输出单位幅值的基波电流,两者相乘为电网基波电流,电网电流减去电网基波电流便可得到纯谐波电流。该方法没有传统ip-iq谐波检测方法中的低通滤波成分,从而在实时性及精确性上有很大提高,延迟小、精度高、易于用软件实现的优点使得该方法更适用于有源电力滤波器的谐波检测。

基于PLC和触摸屏的动态冰蓄冷空调控制系统设计

基于动态冰蓄冷空调系统结构和控制要求的分析,介绍了一个分布式控制系统的设计。硬件主要基于西门子SIMATIC S7-300系列可编程逻辑控制器(Programmable Logic Controller,PLC),同时引入人机界面友好的西门子SIMATIC MP277 10"彩色触摸屏作为现场监控及数据采集平台;软件分别选用Step7-5.4编程软件及W inCC flexible 2007组态软件。测试结果表明设计的控制系统不仅运行稳定可靠,而且控制精度高;通过MPI(Multi-Point Interface)协议,触摸屏能准确无误地与PLC通信,实时监视和控制冰蓄冷空调状态。

基于经验数据库的迭代学习初始控制输入量的确定

分析了初始控制输入量对迭代学习控制稳定性和收敛速度的影响,提出充分利用系统以往的控制经验来确定迭代学习初始控制输入量的思想,并给出3类确定方法——线性加权法、拟合曲线法和智能化法.对机器人对象的仿真结果表明,恰当地选取初始控制输入量,可使系统以较小的误差对新任务进行跟踪,进而减少迭代次数,提高学习控制的收敛速度,增强对新环境、新任务的适应能力.

遗传算法中交叉和变异概率选择的自适应方法及作用机理

在指出了传统遗传算法中交叉和变异概率的选择具有盲目性的基础上 ,提出了遗传算法中交叉和变异概率选择的改进措施 ,对其作用机理进行了深入的分析 ,指出改进算法体现了自适应策略 .用一个非常复杂的数学函数对新算法进行了测试 。

任意初态下不确定时滞系统的PD型迭代学习控制

针对不确定时滞系统讨论带有初始修正的PD型迭代学习控制算法，给出这类系统的输出极限轨迹，以及迭代输出收敛于该极限轨迹的较弱的充分条件，其中将初始条件放宽为某任意可达初始状态函数的可重复性．仿真结果表明这种算法中的初始修正项可以有效地抑制初始偏移的影响。

基于BP网络的非线性广义预测学习控制器

本文提出了一种基于BP神经网络的非线性广义预测学习控制器，它由一个BP网络构成．在整个学习与控制过程中，首先根据被控对象的输出与BP网络的学习输出之间的误差来修改网络的权值，以逐步建立被控对象的合理的多步预报模型;然后，根据网络的多步预报输出序列与设定值序列的偏差修改控制律．学习过程与控制过程交替进行．仿真结果证实了该控制器的有效性，为实现非线性系统的控制提供了一条可行途径．

机械手臂基于神经网络动态补偿的自适应控制

研究了模型具有不确定性的机械手臂的跟踪控制问题 .由于模型不确定性的存在 ,基于精确模型设计的控制律很难达到理想的控制效果 .针对这种情况 ,在基于标称模型设计的控制律的基础上 ,采用神经网络来补偿模型的不确定性 ,由于神经网络存在逼近误差 ,因此在控制器设计时 ,引入了H∞ 鲁棒项 ,使得网络逼近误差达到指定的削弱水平并且跟踪误差渐近收敛到零 ,仿真结果表明了该方法的有效性 .

引入动态因子的改进MLMS谐波检测算法

针对原始加入动量项最小均方MLMS(momentum least mean square)算法在低信噪比情况下,容易产生稳态失调,提出一种引入动态因子的改进MLMS算法。该算法采用动态因子来控制步长对瞬时误差信号的敏感性,并且采用当前误差信号e(n)和上一次误差信号e(n-1)的自相关估计来调整步长迭代,增强了算法对噪声的抗干扰性,提高了谐波检测的精度。该算法在稳态精度上优于原始算法,MATLAB仿真结果验证了该算法的有效性和可行性。

具有状态时滞线性系统对时滞参数的自适应控制

对于存在状态时滞的线性时滞系统 ,研究了无记忆与带记忆的复合状态反馈控制器的设计问题 ,当滞后常数不能精确已知时 ,首次提出了对时滞参数的自适应控制方案 ,通过解相应的线性矩阵不等式 (LMI)即能求得满足设计要求的对时滞参数自适应控制器 .最后给出了仿真实例以说明结论的有效性 .

地震作用下高层建筑结构的重叠分散控制研究

针对地震作用下高层建筑结构大系统控制问题,引入分散控制的策略,导出重叠分散最优控制(Overlapping Decentralized Optimal Control)算法。该方法将包含原理与线性二次型(Linear Quadratic Regulator)最优控制原理相结合,通过扩展分解控制系统及协调收缩获得重叠分散控制器。对某20层钢结构Benchmark结构模型进行数值计算与分析,结果表明,导出的重叠分散最优控制方法可以有效地抑制结构地震反应,控制效果不仅接近传统的集中控制方法,而且提高了高层结构大系统控制的鲁棒性和可靠性。本文方法可应用于大尺度高层结构振动控制中,实现高层建筑结构地震反应的可靠控制。

基于多模型的非线性系统自适应最小方差控制

对于一类典型的离散时间非线性系统 ,提出了一种基于多模型的自适应最小方差控制方法 .通过在平衡点附近建立线性模型 ,用径向基函数神经元网络来补偿建模误差和未建模动态 ,形成了非线性系统的多模型表示 .采用了具有积分性质的切换指标函数作为切换法则和最小方差的控制方法构成了多模型自适应控制器 .仿真实验的结果表明了这种方法的有效性 .

基于LMI的鲁棒容错H∞控制系统设计

研究了线性不确定系统的鲁棒容错H∞控制问题. 针对传感器的失效,基于 LMI和 Lyapunov渐近稳定理论,讨论了线性不确定系统在故障情况下的鲁棒镇定问题,给出了闭环系统具有鲁棒容错 H∞控制特性的一个充分条件. 设计实例和仿真结果验证了该算法的有效性.

非线性系统的PD型迭代学习控制

非线性系统的ＰＤ型迭代学习控制孙明轩黄宝健张学智（西安工业学院电子系西安７１００３２）关键词初始条件问题，迭代学习控制，非线性系统．１）国家自然科学基金资助项目．收稿日期１９９６－０７－２５１引言运用迭代学习控制技术设计控制器时，只需要通过重复操作获...

采用单个神经元的PID学习控制

本文采用单个神经元构成 PID 学习控制器,对二阶系统进行了仿真研究,仿真结果证明了控制算法的有效性。

具有时滞的不确定性系统神经网络模糊自学习控制

本文对具有时滞的不确定性控制对象提出了一种神经网络时滞补偿模糊自学习控制方法．模糊控制器采用误差、误差变化及误差加速度的加权和的解析描述形式，利用人工神经网络直接对过程建模，实现对时滞补偿预报以及对模糊加权因子的自学习优化调整．将上述方法用于焊接熔池动态过程控制试验，结果表明本文提出的自学习神经网络时滞补偿模糊控制方案有效．

线性时滞系统对时滞参数的自适应控制

针对实际中线性时滞系统的时滞常数往往不能精确已知的缺点 ,对具有状态滞后的线性时滞系统提出一种对时滞常数的自适应控制方案 ,其控制器存在的充分条件由一个线性矩阵不等式 (LMI)的形式给出 ,并对整个闭环系统的稳定性进行了分析 .

基于改进极限学习机的纱线质量预测

由于随机给定输入权值和偏差,极限学习机(extreme learning machine,ELM)通常需要较多隐含层节点才能达到理想精度.结合粒子群算法具有全局搜索能力的优势,提出一种基于改进ELM算法的纱线质量预测模型,采用改进粒子群算法优化ELM算法的输入权值矩阵和隐含层偏差,计算出输出权值矩阵,以减少隐含层节点数.试验结果表明,相比于ELM算法,改进ELM算法能够依靠更少的隐含层节点获得更高精度,相对误差降低2.70%,可为纱线质量预测与控制提供更有效的工具,具有广泛的推广实用性.