制粉系统球磨机的动态数学模型及分布式神经网络逆系统控制

通过机理分析的方法建立了中间储仓式制粉系统球磨机的动态数学模型 ,给出了其解析表达式 ,从理论上揭示了球磨机系统的非线性、强耦合特征。针对制粉系统运行的不同模式 (包括正常模式和堵磨等故障模式 ) ,根据逆系统控制原理和球磨机系统的特点 ,提出了对球磨机系统控制的逆系统控制方案和基于分布式人工神经网络的逆系统控制 ,给出了适于分布式控制的模糊工况划分方法 ,并对逆系统控制进行鲁棒PID综合。计算机仿真结果证实了所建模型和所提控制方法的有效性 ,新的方法可在大范围内克服系统的非线性和强耦合问题 。

两电机调速系统的神经网络逆无模型自适应鲁棒解耦控制

为了解决非线性强耦合的多输入/输出的两电机调速系统存在较大负载扰动的问题,提出一种基于神经网络逆(neural network inverse,NNI)的鲁棒解耦控制策略。首先,根据逆系统理论,分析系统的可逆性,利用神经网络逼近原系统逆模型,将强耦合的两电机非线性系统线性化解耦为一伪线性复合系统。其次,针对两电机调速系统中负载扰动的问题,根据动态线性化理论,设计无模型自适应(model-freeadaptive,MFA)补偿控制器;将MFA补偿控制器与伪线性化复合系统相结合,以提高神经网络逆控制的两电机调速系统在负载扰动下的抗扰性能。基于Matlab/Simulink和PLC实验平台进行仿真和实验。实验结果表明:基于神经网络逆系统的MFA鲁棒控制策略不仅能很好地实现两电机转速与张力的解耦,还对负载扰动具有很强的抗扰性能。

基于神经网络的动态系统逆模型辨识及闭环控制(英文)

本文提出一种动态线性或非线性系统的神经网络逆模型辨识结构．并引出两种PID与神经网络逆模型相结合的自适应控制方案．神经网络模型采用基于U－D分解卡尔曼滤波学习算法（UDK）的动态前向多层同．仿真结果表明了所述辨识方案的有效性及特点．

基于神经网络调速系统故障诊断的数学模型

水轮发电机的调速系统是水轮发电机进行负荷和频率调节的重要元件,对调速系统自身故障进行准确、快速的诊断十分必要.通过对调速系统运行,实验和故障特点的分析,引进先进的人工神经网络的方法,建立了一种新型的调速系统故障诊断莫型,对生产实际有很大帮助.

基于神经网络逆模型的残碱控制系统

讨论了一个比较复杂的纸浆洗涤过程的数学模型 ,经过多次搜寻 ,可用五层串并联叠层BP神经网络来模拟这种多输入单输出高价模型 ,给出了该生产过程的神经网络逆模型结构及主要内部特征 ,以及用该神经网络逆模型进行仿真的情况。并运用此神经网络逆模型 ,设计出一套基于神经网络逆模型的残碱开环控制系统 ,再附加一个残碱串级反馈控制作为主控系统的辅助监督控制 ,或主控故障时的备用控制。

阀控非对称缸系统神经网络多逆模型切换控制研究

为提高存在负叠合量的阀控非对称缸系统的控制性能,提出基于神经网络的逆系统控制方法,利用神经网络逼近的逆模型与原系统复合,将复杂非线性系统转变为线性系统进行控制,建立了阀控非对称缸系统的数学模型,系统在(x 0,u)的邻域内存在相对阶,证明了系统的可逆性;采用基于遗传算法改进的BP神经网络(GA-BP)求解逆模型,并针对伺服阀存在负叠合量,以及流态存在层流和紊流两种状态的问题,建立系统的多个逆模型集,提高了逆系统的求解精度。利用AMESIM和Simulink联合仿真平台,基于参考速度切换的原则,对系统采用比例-积分-微分(PID)闭环控制器。结果表明:普通PID控制的液压缸伸出运动响应和缩回运动响应不一致,伸出运动存在0.20 mm的稳态误差,误差波动范围为0.06 mm,而缩回运动稳态误差较小,约为0.02 mm,但误差波动较大,约为0.09 mm;多逆系统复合控制的伸出缩回运动响应较一致,伸出和缩回运动均存在0.02 mm的稳态误差,误差波动范围为0.04 mm,验证了多逆模型切换控制方法可以消除阀控非对称缸系统的非对称性,降低波动负载干扰影响,提高系统的响应精度。

感应电机的神经网络逆系统线性化解耦控制

提出了一种新的感应电机的线性化解耦控制方法,其特点是不依赖于对象的精确数学模型与参数。通过用静态神经网络加积分器来构造感应电机的逆系统,将感应电机这一多变量、非线性、强耦合的复杂对象动态解耦成转速与转子磁链两个二阶线性子系统,然后运用线性系统理论进行综合。仿真与初步的实验结果表明系统具有优良的静态及动态解耦性能,且对电机参数的变化与负载扰动具有较强的鲁棒性。

神经网络α阶逆系统控制方法在机器人解耦控制中的应用

本文利用神经网络 α阶逆系统线性化解耦能力 ,将严重耦合的多自由度机械手解耦成多个二阶积分子系统 ,进一步采用线性系统设计方法对已解耦系统设计闭环控制器 ,成功地实现了位置快速跟踪 .该控制方法不需要知道机器人系统的精确数学模型 ,并且结构简单 ,易于工程实现 .

恒压频比变频调速系统的神经网络逆控制

采用以恒压频比方式工作的通用变频器来直接驱动感应电机在工业生产领域中应用很广泛。在不改变原有的恒压频比变频调速系统结构的前提下,进一步提高该系统的控制性能意义很大。该文根据恒压频比控制的特点,把通用变频器和感应电机看成一个整体——恒压频比变频调速系统,给出了相应的数学模型,并得出了适用于带补偿和不带补偿的恒压频比运行方式的逆系统模型,进一步构造神经网络逆系统并与恒压频比变频调速系统串联复合成伪线性系统,再设计线性闭环调节器实现高性能控制。实验结果证明了采用神经网络逆控制方法可以使恒压频比变频调速系统获得优良的运行性能。

基于云神经网络自适应逆系统的电力系统负荷频率控制

针对区域互联电力系统受到风电及负荷扰动后,系统频率会出现大幅度波动的问题,提出一种基于云神经网络自适应逆系统的多区域互联电力系统负荷频率控制方法。在分析单一区域电力系统有功输出特性的基础上,建立计及多区域有功输出的互联电力系统负荷频率控制模型。采用自适应逆控制有效解决系统响应和扰动抑制的矛盾。将云模型引入自适应逆系统构建云神经网络辨识器。利用云模型在处理模糊性和随机性等不确定性方面的优势,进一步提高神经网络的辨识能力。仿真结果表明,所设计的云神经网络自适应逆系统不仅可以得到好的动态响应,还可以使风电及负荷引起的扰动减小到最小。

基于神经网络的GIS空间数学模型研究

文中对空间数学模型的建立方法以及不同方法的优缺点进行了分析比较,指出基于人工神经网络的建模方法是目前GIS应用领域中行之有效的方法之一,最后通过实例对该方法的有效性进行了验证。

基于神经网络的超临界机组数学模型

以某600MW超临界机组为例,采用神经网络方法建立了机组负荷、汽压特性的数学模型,并运用大量的宽范围变工况数据完成了对模型的训练.仿真结果表明:模型可以很好地拟合机组负荷、主蒸汽压力与燃料量、给水量和汽轮机调门开度间复杂的非线性动态特性,且精度高、泛化能力强,可作为预测模型用于超临界机组智能控制器的设计.

基于人工神经网络的船舶运动数学模型的辨识

根据船舶海上航行的实际情况 ,针对船舶运动的特点 ,提出了用不同神经网络对船舶运动数学模型进行辨识的新方法 .给出 2种神经网络模型 ,并比较这

非线性系统的神经网络自适应逆控制

提出了非线性系统的神经网络自适应逆控制方法。设计中使用了 2个神经网络 ,经离线训练的NN1实现非线性系统的逆 ,在线网络NN2用于补偿逆误差和系统的动态特性变化。对一非线性系统的仿真结果表明 ,神经网络自适应逆控制能够提高系统的动态性能 ,并且具有较好的鲁棒性。

超临界机组负荷汽压特性神经网络逆模型研究

以采用先进的神经网络逆控制方法改善超临界机组协调控制品质为目的,针对某600 MW超临界机组,在分析机组运行特点和协调控制方式的基础上,采用BP神经网络分别建立了超临界机组负荷、主汽压力特性的逆系统模型。仿真实验表明:该模型结构简单、精度高、泛化能力强,可满足协调系统智能逆控制器的设计要求,具有较好的工程实用意义。

基于多标量模型的感应电机神经网络逆控制

感应电机多标量模型具有状态变量是标量且物理意义明确和不需旋转坐标变换等优点;神经网络逆系统适合解决不确定性因素(参数变化和外在扰动等)存在的情况下,感应电机高性能的控制问题。为此,提出基于多标量模型的感应电机神经网络逆控制结构,实现感应电机系统的自适应解耦线性化,进而提高系统控制性能。最后对系统进行了仿真研究和软硬件实现方案讨论,理论分析和仿真表明所提控制结构是有效的。

利用神经网络逆控制系统提高Turbo码译码性能

对Turbo码译码逆模型建立问题,提出使用神经网络结构的非线性滤波器来建立Turbo码译码自适应逆模型.采用最优常系数比例因子统计得到Turbo码期望衰减系数,通过利用期望衰减系数训练神经网络非线性自回归外输入NARX滤波器,建立全局范围内的Turbo码译码逆输入输出映射模型.在线性逆控制系统中采用该自适应逆模型,与非线性逆控制结构的自适应逆控制系统相比,具有系统结构简单、运算量小等特点.仿真结果表明在信噪比大于0dB时,该自适应逆模型算法收敛迅速、稳定,计算误差保持在较小的范围之内.自适应逆译码模型从译码机理角度提供了一种改善译码性能的新途径.

基于自回归动态神经网络的逆模型辨识及在线控制

研究了自回归动态神经网络及其学习算法，提出应用于动态逆模型辨识的结构，并与ＰＩＤ控制相结合形成了非线性动态对象的在线自适应控制系统．仿真结果表明此方案简单可行，克服了静态网络的一些局限性．

超声波电机神经网络逆模型的辨识建模

针对超声波电机时变、强耦合使得数学模型难以建立的问题,以超声波电机转速的非线性逆控制为应用背景,本文给出了超声波电机神经网络逆模型的辨识建模方法。基于实验测得的足够样本数据,通过反复测试确定模型形式为三层非线性DTNN网络。进行串-并联辨识,建立了以电机转速为输入、驱动频率为输出的超声波电机神经网络逆模型。所得模型的输入-输出关系与实测数据接近,表明了所建模型的有效性。

基于DSP的永磁同步电机神经网络逆解耦控制

针对永磁同步电机(PMSM)这一非线性多变量的复杂系统,提出了不依赖对象精确数学模型和参数的PMSM神经网络逆系统控制方法,并在以数字信号处理器(DSP)为核心的控制实验平台上得以验证。PMSM的逆系统由静态神经网络加积分器构成并与原系统串联,实现了其转速和磁链的动态解耦。在此基础上,为两个解耦的伪线性子系统设计了线性闭环调节器,使整个系统获得优良的动静态性能。实验结果表明,神经网络逆系统方法可以实现对PMSM的高性能控制,对参数变化和负载扰动具有较强的鲁棒性。