基于GA-模糊RBF的发电机组滑模自抗扰控制

针对燃煤发电机组风烟系统大惯性、大滞后、参数不稳定等特点,提出一种基于发电机组的滑模自抗扰控制策略。选择模糊径向基函数(RBF)算法辨识模型,以梯度下降法和遗传算法分别对神经网络权值进行粗调和细调,通过扩张状态观测器估计系统内外部扰动,将非线性状态误差反馈控制律与滑模控制策略相结合以克服系统惯性、滞后和扰动的问题,并设计Lyapunov函数验证控制系统稳定性。仿真结果表明,滑模自抗扰控制与串级比例-积分-微分(PID)控制、滑模控制和自抗扰控制相比,在模型适配的情况下,所设计的控制策略在38 s达到设定值,无超调量;当向系统施加20%的反向阶跃干扰时,系统调节时间为39.5 s,超调量为3.4%。在模型失配情况下的调节时间为43.2 s,无超调量;当向系统施加20%的反向阶跃干扰时,系统调节时间为46.4 s,超调量为3.87%。工程应用结果表明,一次风量控制偏差在±10000 m^(3)/h以内,相比串级PID控制策略波动范围降低21%,系统抗干扰能力和鲁棒性得到有效提升。

基于模糊RBF神经网络的风电机组变桨控制研究

针对大型风力发电机变桨控制受外部干扰和参数变化大、造成输出功率不稳定的问题,提出一种智能控制的算法,在RBF神经网络基础上增加模糊算法,利用模糊RBF神经网络实时在线调整PID参数。当实际风速偏离额定风速时,科学调整风机桨距角,使风机所获得的空气动力转矩发生变化,从而在额定功率附近保持风力机输出功率的相对稳定。据此搭建了风电机组各模块的数学模型,并在MATLAB/Simulink上搭建了仿真模块。实验结果表明:基于上述的方法控制效果相比于传统PID控制和常规RBF神经网络PID控制,响应更快、风能利用系数性能超调更小、功率输出更稳定,更有利于风力发电机组的系统稳定性。

基于模糊RBF的液压压裂泵同步研究

针对液压压裂泵的液压缸工作中的不同步导致整个系统流量和压力脉动大、输出效率低、液压元件使用寿命短的问题,以阀控缸为研究对象搭建其数学模型,提出利用模糊RBF神经网络+交叉耦合的控制策略对液压缸的同步动作进行控制。在传统模糊控制的基础上,将模糊控制与RBF神经网络控制融合在一起,根据系统数学模型,设计了跟踪控制器和同步控制器,实现对阀控缸系统的精准控制与同步反馈。仿真结果表明:与传统PID和模糊PID系统相比,模糊RBF神经网络+交叉耦合同步控制策略同步精度高,响应速度快,有较好的鲁棒性和稳定性。

基于模糊RBF神经网络的短路故障区域检测

为有效判定配电网短路故障区域,基于模糊RBF神经网络进行配电网短路故障区域检测研究。通过假设配电网正方向规定短路故障信息向量,应用模糊RBF神经网络算法划分聚类输入向量,利用隶属度函数描述各维分类情况,通过模糊规则处理隶属度值得到所输出分类情况,参照短路故障信息向量搜索短路故障检测点,通过区域始末端关联矩阵监测点的定向连接关系,实现配电网短路故障区域的判定。实验结果表明:该模型故障识别精度较高,抗噪性能较强,诊断准确率较高,可进行配电网短路故障区域判定。

模糊RBF神经网络在专家系统知识库建立中的应用

提出了一种基于模糊RBF神经网络建立故障诊断专家系统知识库的新方法,采用5层神经网络,先对输入量进行模糊化处理,然后对RBF神经网络进行学习,最后进行反模糊化处理。该模型非常适合复杂的异常炉况系统在线故障诊断。

基于模糊RBF神经网络动态摩擦分块补偿的机器人数字鲁棒滑模控制算法

结合非线性、强耦合的机器人动力学模型,提出了采用3个模糊RBF神经网络对机器人中的不确定项——LuGre动态摩擦进行分块补偿的机器人数字鲁棒滑模控制算法,在线自适应训练非线性动态摩擦项的参数,并分析了该算法的Lyapunov稳定性。通过在二自由度机器人上的仿真,证明了该算法具有高精度、高可靠性、高品质、稳定、强鲁棒性等特点。同时发现了该机器人的摩擦模型中存在类菱形吸引子等非线性动力学现象。

基于模糊RBF神经元网络的冷连轧板形板厚多变量控制

针对板带材轧制是一个复杂的非线性过程,板形控制（AFC）和板厚控制（AGC）又是相互耦合的一个综合系统等特点,提出了一种基于模糊RBF神经元网络的冷连轧板形板厚多变量综合控制系统.仿真结果证明了此AFC-AGC控制系统具有良好的自适应跟随和抗扰性能,其控制效果优于传统的解耦PID控制.

基于模糊RBF神经网络的管道泄漏检测方法

针对模糊BP神经网络在管道泄露检测与估计中存在网络构建训练速度慢、易陷入局部最优等问题,提出将模糊RBF神经网络方法应用于管道的泄漏检测与估计.首先依据管道泄漏时流量、压力的变化机理,将采集到的实际运行中管道内的流量差与压力差信号模糊化后作为RBF神经网络的输入,以泄漏尺寸大小的置信度作为网络的输出,并结合专家先验知识所得的模糊规则,构建管道泄漏检测的模糊RBF神经网络.进而以实际管道运行数据对其进行离线仿真测试,仿真结果表明模糊RBF神经网络克服了模糊BP神经网络的不足,提高了泄漏估计的精度,使网络构建更加高效、优化.

基于自组织模糊RBF网络的连续空间Q学习

针对连续空间下的强化学习控制问题,提出了一种基于自组织模糊RBF网络的Q学习方法.网络的输入为状态,输出为连续动作及其Q值,从而实现了"连续状态—连续动作"的映射关系.首先将连续动作空间离散化为确定数目的离散动作,采用完全贪婪策略选取具有最大Q值的离散动作作为每条模糊规则的局部获胜动作.然后采用命令融合机制对获胜的离散动作按其效用值进行加权,得到实际作用于系统的连续动作.另外,为简化网络结构和提高学习速度,采用改进的RAN算法和梯度下降法分别对网络的结构和参数进行在线自适应调整.倒立摆平衡控制的仿真结果验证了所提Q学习方法的有效性.

基于模糊RBF神经网络整定的航空发动机多变量解耦控制

为解决航空发动机控制变量之间的强耦合性,构造了基于模糊RBF神经网络整定的航空发动机多变量解耦控制系统。设计了基于模糊RBF神经网络的多变量解耦控制器,在线调整PID控制器的参数并根据Delta学习规则对网络权值进行修正以达到最佳控制;针对某型航空发动机含未建模动态和噪声等随机干扰的非线性模型进行了多变量解耦控制系统仿真。结果表明:系统具有满意的动态性能和解耦特性,该方法不需要知道发动机的精确数学模型,对航空发动机的非线性和不确定性具有较强的自适应能力。

基于模糊RBF神经网络自学习的不确定机器人模糊自适应控制

针对机器人系统的不确定、非线性特点,设计了模糊RBF神经网络控制器学习机器人系统的不确定性上界,并利用模糊推理机产生的分目标学习误差进行训练,避免了采用系统直接输出反馈误差进行训练所存在的权值饱和与过调整问题.此外,在反馈回路还设计了固定比例增益控制器FC,起着监督的作用,对系统实施渐近稳定的控制.仿真结果表明这种控制方案实现了对机器人系统的高精度控制。

基于模糊RBF神经网络的无刷直流电机调速控制

针对无刷直流电机的速度控制,把模糊控制与神经网络原理相结合,提出了基于模糊RBF神经网络的PID控制方法,该网络具有自适应性。利用最小均方差来调整网络的权值,使径向基函数快速收敛,获得较佳PID控制参数,达到对转速跟随控制。同时自适应网络对整个系统的动态性能起到了改善作用。仿真结果表明该方法具有很好的控制效果。

基于模糊RBF网络高频感应加热电源控制的研究

由于高频感应加热电源负载阻抗是一个多变量、复杂且非线性的控制对象,无法建立精确的数学模型。因此将基于模糊RBF神经网络的PID控制器应用到高频感应加热电源的控制中,它结合了传统PID、神经网络和模糊控制的优点,同时克服了传统PID控制器的不足,实现参数的自动实时调节。并通过仿真验证了该控制方法具有较好的鲁棒性和适应性。

动态模糊RBF神经网络焊接接头力学性能预测建模

建立动态模糊径向基神经网络RBF(Radial Basis Function,RBF)焊接接头力学性能预测模型,克服静态RBF和模糊神经网络(Fuzzy Neural Network,FNN)在结构辨识、动态样本训练及学习算法的不足。该模型的结构参数不再提前预设,在训练过程中动态自适应调整,适用动态样本数据学习,学习算法引入分级学习和模糊规则修剪策略,加速训练并使模型结构更加紧凑。利用三种厚度、不同工艺TC4钛合金TIG焊接试验数据对该模型进行仿真。结果表明:模型具有较高的预测精度,适用于预测焊接接头力学性能,为焊接过程在线控制开辟了新的途径。

基于模糊RBF网络的伺服转台鲁棒控制

针对神经网络控制和复合控制各自的特点,采用一种模糊RBF神经网络复合控制的方法控制伺服转台,用模糊RBF网络进行伺服系统辨识,在线修改复合控制的参数,用来提高复合控制的鲁棒性。实际控制结果表明,所采用的方法具有很好的辩识能力和控制品质,并具有较高的鲁棒性。

模糊RBF自整定PID控制器在过热汽温控制中应用

过热汽温控制是电厂锅炉控制系统的一个重要环节。针对电厂过热汽温对象具有较大的惯性、时滞、非线性和动态特性随运行工况变化的特点,提出一种模糊径向基函数(RBF)神经网络的自整定PID控制器应用于过热汽温控制中,它结合了传统PID及神经网络和模糊控制的优点,可在线调整得到一组最优的PID控制参数。介绍了所提控制器在超临界机组过热汽温控制中的应用。对负荷为100%、88%、62%、44%的仿真结果表明,所提控制器能获得满意结果,优于PID控制器。

自适应模糊RBF神经网络的多智能体机器人强化学习

多机器人环境中的学习,由于机器人所处的环境是连续状态,连续动作,而且包含多个机器人,因此学习空间巨大,直接应用Q学习算法难以获得满意的结果。文章研究中针对多智能体机器人系统的学习问题,提出自适应模糊RBF神经网络强化学习算法,网络本身具有模糊推理能力、较强的函数逼近能力以及泛化能力,因此,实现了人类专家知识与机器学习方法的结合,减少学习问题的复杂度;实现连续状态空间与动作空间的策略学习。

基于模糊RBF神经网络的地表水环境质量评价

针对现有水质评价方法评价结论过保护、存在人为因素影响、表达模糊信息能力弱等问题,结合模糊评价和RBF神经网络的优点,构建了模糊RBF神经网络水质综合评价模型。模型应用于淮河安徽段,并与单因子评价法进行对比,以验证模型的合理性。评价结果表明,两种方法的评价结果基本一致,模型客观合理,淮河安徽段部分监测点水质Ⅴ类、劣Ⅴ类居多,总体水质状况较差,评价结果符合实际情况。

基于模糊RBF网络的伺服系统辩识及控制

结合模糊控制和神经网络控制各自的优点 ,采用模糊RBF网络进行伺服系统辨识和控制。仿真结果表明 ,所采用的方法具有很好的辩识能力和控制精度 ,并具有较高的鲁棒性。

基于模糊RBF的双馈风机励磁控制研究

针对传统矢量控制精度依赖于发电机精确数学模型和参数等缺点,在分析双馈感应发电机电磁关系基础上,研究一种基于模糊神经网络的励磁控制策略。设计了基于模糊RBF解耦的励磁控制器,并对模糊RBF解耦算法进行研究;对基于模糊RBF的励磁控制的兆瓦级双馈风力发电系统进行仿真,结果验证了基于模糊RBF励磁控制的双馈发电机系统具有有功、无功功率的快速解耦能力,其调节过程响应速度快,超调量小,无静差;对于外界干扰和电机内部参数变化等问题都有良好的鲁棒性和参数自适应性。