自适应模糊神经网络控制在DCS上的实现

集散控制系统(DCS)的普及与提高为先进控制的应用提供了强有力的硬件和软件平台。为充分利用DCS系统的资源,笔者利用DCS提供的接口和编程语言进行了先进控制研究与实现,通过对电阻炉炉温控制,证明其方法的可行性及有效性,取得了满意的控制效果。

基于自适应模糊神经网络控制器的网络控制系统

网络控制系统中存在着时延、丢包、网络干扰等问题。针对网络控制系统中存在恶化系统的控制性能,甚至导致系统不稳定的因素,提出了一种基于自适应模糊神经网络控制器的网络控制系统,它能根据系统的实际输出与期望输出误差,利用自适应模糊控制和神经网络自学习的原理进行控制参数的自行调整,以符合控制系统的实际要求,同时,分析了网络延时,丢包率及网络干扰因素对系统性能的影响。利用True Time工具箱建立了包含自适应模糊神经网络控制器的网络控制系统的仿真模型,并将其分别与基于常规PID控制器的网络控制系统和基于模糊参数PID控制器的网络控制系统进行了比较。实验结果表明,在相同的网络环境下,基于自适应模糊神经网络控制器的网络控制系统的控制效果比基于常规的PID控制器和基于模糊参数PID控制器的要好,且具有较好的抗干扰能力和鲁棒性能。

汽车半主动空气悬架自适应模糊神经网络控制

考虑空气悬架弹簧刚度可调的特性,建立了车辆5自由度的半主动悬架非线性动力学模型.提出了一种基于自适应模糊神经网络系统结构的模型,参考自适应控制方法来研究汽车半主动空气悬架的非线性控制问题,并考虑半车模型前后悬架的输入时滞,对其进行了仿真分析.研究结果表明:该控制方法能够使人体垂直加速度、车身垂直加速度和俯仰角加速度都得到很大的衰减,可在一定程度上减少路面对车身的振动冲击,提高汽车的行驶平顺性.

自适应模糊神经网络控制器在电阻加热炉中的应用

提出一种自适应模糊神经网络控制器，着重讨论了自适应模糊神经网络的混合学习算法和自适应动量解耦的最速下降法。给出了适于非线性时滞、基于径向基函数网络和自适应模糊神经网络控制器的控制方案，并把它用在电阻加热炉中。实际应用表明，模糊神经网络控制器具有良好的控制效果。

自适应模糊神经网络控制在锅炉过热汽温控制中的应用

常规的模糊控制系统不能自动地将专家知识经验转化为推理规则库,缺乏有效的方法来改进隶属度函数,而自适应神经模糊推理系统(ANFIS)将模糊逻辑和神经元相结合,采用反向传播算法和最小二乘法的混合算法来调整前提参数和结论参数,并能自动产生模糊规则.在此基础上提出了一种自适应模糊神经网络控制器,并将其应用于火电厂锅炉过热汽温控制中.结果表明:与常规的PID控制相比,该方法提高了锅炉汽温控制系统的动态稳定性和抗干扰性.

自适应模糊神经网络控制器设计的线性化方法

基于Ｔ—Ｓ模糊推理系统模型构造一个简化形式的Ｆｕｚｚｙ神经网络（ＦＮＮ），应用Ｓｔｏｎｅ－Ｗｅｉｅｒｓｔｒａｓｓ逼近定理证明了这种ＦＮＮ网络对非线性连续函数的全局逼近性质，并利用Ｃｌａｒｋｅ一步加权最优预报控制性能指标及前向ＦＮＮ网络辨识器模型的线性化思想，提出一种问接的Ｆｕｚｚｙ神经网络自适应控制算法。仿真结果证实了该算法的有效性。

自适应模糊神经网络控制系统的研究

自适应模糊神经网络控制器是由模糊控制和神经网络相结合构成,它不依赖被控对象的数学模型,并能自动产生模糊控制规则,又具有良好的自适应性,是目前受人们关注的课题。本文在对其分析的基础上又提出了卡尔曼滤波的学习算法,解决了原BP算法实时性差的问题,通过仿真实验说明了其优越性,并体现了模糊神经网络与最优控制相结合的思想。

电液位置伺服系统的自适应模糊神经网络控制

将电液位置伺服系统分为已知规律的线性部分和包括非线性、参数不确定性、负载干扰等在内的未知规律部分 ,用模糊神经网络仅对未知规律部分进行在线估计 ,缩小了搜索空间 ,系统估计的精度得到改善 ,加快了收敛速度。同时 ,对模糊神经网络建模误差的界进行在线估计 ,使变结构控制增益由接近建模误差的估计值确定 。

液压伺服关节自适应模糊神经网络控制补偿方法

三自由度液压伺服关节在实现位置跟踪时存在跟踪误差,原因在于液压伺服关节是一个具有饱和、结构死区和强耦合的动力学系统.为了解决这一问题,建立了该关节的动力学模型.通过比较几种控制方法在该关节位置跟踪问题上存在的不足,提出了一种自适应模糊神经网络控制补偿方法.该方法采用样本训练自学习,自适应调整变增益系数.该方法不但消除了饱和、结构死区和强耦合引起的位置跟踪误差,而且解决了控制向量在大范围内变化实现准确位置跟踪.最后,通过仿真试验验证了该动力学系统是稳定的,提出的方法是可行的.

多目标系统的自适应模糊神经网络控制

提出了一种多目标系统的自适应模糊神经网络控制的方法。通过对系统的多目标量进行加权合成,采用改进的遗传算法离线调整控制器网络参数。接入控制系统后,采用在线学习方式,通过BP算法调节网络的规则权值和比例因子,达到自适应控制的目的。计算机仿真结果显示,该方法控制效果好,鲁棒性强。

机器人轨迹跟踪的自适应模糊神经网络控制

研究机器人跟踪轨迹控制问题,针对模型未知的机器人系统,为提高跟踪精度和控制性能,提出了一种基于T-S型模糊RBF神经网络的H∞轨迹跟踪控制方法,用模糊神经网络为模型未知的机器人系统建模,克服了系统鲁棒性差,对机动目标跟踪性能差等缺点。然后设计自适应控制器,将H∞控制理论与模糊神经网络有机地结合起来,借助鲁棒补偿项将建模误差及外部干扰衰减到期望的程度以下,而控制器与改进Elman神经网络的结合,便于处理建模有界干扰以及非结构化的未建模的动力学,并进行仿真。仿真结果表明了所提出的控制算法的可行性。

混沌Arneodo系统非线性与自适应模糊神经网络控制

针对Arneodo系统的参数不确定性,阐述了Arneodo控制系统中抵消非线性的基本思想和设计方法.利用LQR线性反馈技术,设计了具有稳定裕度的二次型最优控制器,同时在控制器中引入一个用于函数逼近的自适应模糊神经网络,利用该神经网络抵消控制系统中的非线性项,使受控系统的某一状态变量可被镇定到任意参考位置.这种具有模糊神经网络的控制器实现了参数不确定系统的精确反馈线性化控制.通过仿真比较研究,说明了反馈线性化与自适应神经网络相结合的控制器具有良好的控制性能,且更易实现.

液压平衡校正系统的自适应模糊神经网络控制

针对模锻液压机平衡校正系统存在不是由系统状态决定的时变负载干扰的特点,用具有时变参数辩识能力的自适应模糊神经网络(AFNN)对平衡校正系统的静态不确定性和时变负载进行在线估计,并根据估计值随时修正控制策略,使得实际的平衡校正系统在校正速度、动态特性和静态精度等方面均获得比较满意的效果。

汽车四轮转向自适应模糊神经网络控制研究

为了实现现实车辆运动的多自由度和非线性,在Simulink环境下建立包含车辆侧倾运动和轮胎非线性的三自由度四轮转向模型,针对大多控制方法需要依赖被控对象为精确数学模型的缺陷,提出具有联想、自学习、自识别、自适应特性的自适应模糊神经网络四轮转向控制策略;通过以前轮转角及车速作为输入,并依此确定后轮转角的输出,建立获得训练样本的仿真实验模型,用混合法训练得到自适应模糊神经网络控制器,并分别与前轮转向、比例控制和横摆角速度反馈控制下的四轮转向控制器进行仿真比较分析.结果表明自适应模糊神经网络控制使车辆在低速到中、高速时质心侧偏角趋于零,具有较强的鲁棒性;在角阶跃、移线实验中,控制效果优于前轮转向、比例控制和横摆角速度反馈控制,较大地改善了车辆的操纵性能.

遗传算法自适应模糊神经网络控制

神经网络能够以任意精度逼近任意复杂的非线性关系,具有高度的自适应和自组织性,在解决高度非线性和严重不确定系统的控制方面具有巨大的潜力。但一般神经网络训练算法如BP算法训练速度慢,受初值影响大且易陷入局部极小点,该文提出了一种基于模糊神经网络的间接自校正控制系统,控制器以高斯隶属度函数的径向基函数(RBF)神经网络结构,利用改进的遗传算法(GA)对结构和参数进行同步优化,改进适应度函数指导搜索过程,在保证稳定情况下大大加快了收敛的速度。神经网络正向模型(NNP)利用弹性BP算法进行离线辨识,使得到的模型泛化性能好。

液压弯辊系统的自适应模糊神经网络控制

液压弯辊系统具有时变、非线性、外界干扰严重等特点,难以建立精确的用于控制的数学模型。针对该问题,在预先设计了一个PID控制器的基础上,用模糊神经网络设计了一种具有自适应能力的控制器。仿真实验表明,同常规PID控制器相比,该控制器可以克服弯辊系统的参数改变对控制性能的影响,极大地提高了系统的抗干扰能力,降低了控制系统性能对弯辊系统解析模型精度的依赖程度。结果证明该控制方法对于弯辊系统的控制是有效的。

三自由度直升机模型自适应模糊神经网络控制

针对三自由度直升机系统自身MIMO、较高阶次、非线性的特性,提出一种自适应模糊神经网络控制方法。首先运用牛顿-欧拉方程进行了机理模型的构建,利用线性二次型调节器得到控制系统的输出数据,该数据作为训练数据,将神经网络引入到模糊输入信号和模糊权值,应用自适应模糊神经网络推理系统设计控制器。通过Matlab对控制系统进行仿真,得到的仿真曲线与线性二次型调节器控制的仿真曲线作对比。结果显示:控制系统在论文提出的控制算法比LQR控制下能够更快地反馈控制信号,缩短了响应时间,其自主学习能力增加了系统在线控制的稳定性。

基于模糊神经网络的微电网荷储协调智能控制方法

针对传统比例-积分-微分(proportional integral derivative,PID)控制和模型论控制方法难以应对新型电力系统背景下微电网面临的运行场景复杂多变的问题,提出了基于模糊神经网络的微电网荷储协调智能控制方法。首先确定了微电网模糊控制输入及输出变量,以平抑净负荷波动及减少储能充放电频次为目的,将微电网控制经验总结成模糊规则表,采用神经网络深度学习算法修正模糊控制模型的隶属度函数中心、宽度和输出权重来提高模型的自适应能力,从而制定了可调控负荷和储能的功率控制系数;进而针对模糊神经网络控制输出的负荷调控需求量在各可调控负荷间分配的问题,提出了基于灵活性供给指标排序的负荷调控优先级选择方法,最终完成了微电网系统储能单元和可调控负荷控制策略的制定。某典型微电网系统算例仿真结果表明,所提方法制定的各可调控负荷与储能控制策略能在避免储能频繁和过度充放电的同时,在并网状态下有效减弱并网功率对上级电网造成的随机扰动,在孤岛状态下能够有效平抑系统功率波动,提升系统运行稳定性。

基于模糊RBF神经网络PI控制的塑料薄膜收卷张力控制系统研究

介绍了吹塑机收卷张力控制系统模型,建立收卷张力数学模型并得出影响塑料薄膜收卷张力的主要因素。针对常规PID在薄膜收卷张力控制中的缺陷,提出了基于模糊RBF神经网络PI控制的薄膜张力控制方法,模糊RBF神经网络参数的初始值先通过改进的遗传算法进行优化,加快误差的收敛速度。该控制方法既能利用模糊控制的非线性控制作用,又能利用神经网络的自学能力,实现PI控制器参数实时自整定的要求。仿真结果表明该系统响应适度快、超调小、抗干扰性强,具有优良的控制效果。

基于模糊神经网络PID的煤矿掘进机俯仰控制研究

目前煤矿掘进机俯仰控制主要采用PID控制方法,在掘进机俯仰控制时变性与液压系统非线性情况下的控制精度不高。掘进机俯仰控制通过控制液压缸行程实现,将传统PID算法与模糊控制、神经网络等相结合,可有效提高液压缸行程控制精度。提出了一种基于模糊神经网络PID的煤矿掘进机俯仰控制方法。通过分析掘进机支撑部运动学关系,得到俯仰角与支撑部液压缸的数学关系;介绍了掘进机俯仰控制液压系统工作原理,建立了液压系统及其传递函数模型;将模糊控制与神经网络相结合,形成模糊神经网络,利用模糊神经网络优化PID控制参数,再结合支撑机构数学模型和液压系统传递函数模型,建立掘进机俯仰角模糊神经网络PID控制模型,实现煤矿掘进机俯仰机构自动精确控制。该方法可使掘进机俯仰机构更加快速、准确到达预设位置,解决掘进机俯仰控制中的时变性与非线性难题。仿真结果表明:模糊神经网络PID控制算法相较于模糊PID和PID控制算法,跟踪误差分别降低了69.34%和74.49%。通过液压缸位移控制模拟煤矿掘进机在突变工况和跟随工况下的俯仰控制,结果表明:模糊神经网络PID控制算法相比模糊PID和PID控制算法,俯仰控制跟踪误差最小,对位置信号的平均响应时间分别缩短了27.22%和50.33%,动态控制性能更好。