基于DRNN神经网络的造纸过程定量水分解耦控制分析

阐述造纸过程定量水分的控制技术,利用Matlab建立定量水分数学模型,分别采用常规PID算法和DRNN神经网络算法对定量水分耦合模型进行解耦控制,探讨神经网络来整定PID控制器参数,不依赖控制对象的数学模型就可以实现解耦控制。仿真结果表明,DRNN神经网络算法响应速度更快,自适应能力显著增强,可进一步改善系统的动态性能。

锅炉过热汽温系统的DRNN网络自整定PID控制

火电厂过热汽温控制系统具有大惯性、大迟延、参数慢时变的特点,受到的扰动因素较多;随机组负荷的变化又表现出参数快时变的特性,常规的按照典型工况整定的固定参数PID控制难以适应负荷变化,往往未能取得满意的调节效果。为此,提出一种基于DRNN的两级神经网络的过热汽温系统自整定PID控制策略,其中两级神经网络分别为静态网络SNN和动态网络DNN,SNN依据机组运行工况如负荷进行PID参数的粗调整定,以适应机组负荷的较大范围变化,如参与调峰:DNN依据偏差和偏差变化率进行PID参数的细调整定,以克服机组负荷的小范围变化、参数的慢时变漂移 和各种扰动。为了克服系统的大惯性和大迟延,引入灰色预测器对未来信号进行预测,预测结果作为DNN使用的整定信息。对某汽温系统的计算机仿真研究结果表明:基于两级神经网络自整定控制策略的主汽温控制系统获得了良好的动态调节品质,具有较强的鲁棒性。

基于DRNN及其相应算法的非线性系统的状态预估

基于ＤＲＮＮ 网络结构与动态ＢＰ网络的加速算法，研究磷酸羟胺法（ＨＰＯ法）己内酰胺生产过程中磷酸羟胺液的离子浓度与ｐＨ值的在线预估。

基于DRNN神经网络的双管液压减振器的车辆悬架振动研究

为了提高车辆行驶的平顺性,采用DRNN神经网络PID控制车辆液压悬架系统,并对控制性能指标进行仿真。建立车辆液压悬架1/4简图模型,采用二阶微分方程式推导车辆悬架系统动力学方程,设计了双管液压减振器模型。分析主液压缸和辅助液压缸中流量变化特性,采用DRNN神经网络PID控制方式。在随机波形干扰的路况行驶中,通过MATLAB软件对车辆液压悬架系统控制效果进行仿真,并且与传统PID控制方式进行对比。结果显示:采用传统PID控制方式,在车辆液压悬架系统垂直方向上,轮胎位移、车身位移和车身加速度较大;而采用DRNN神经网络PID控制方式,在车辆液压悬架系统垂直方向上,轮胎位移、车身位移和车身加速度较小。采用DRNN神经网络PID控制方式,能够自适应调节车辆液压悬架系统参数,降低复杂路况对车辆的干扰,提高车辆行驶的平顺性和舒适性。

改进DRNN用于纸张水分定量解耦控制

针对抄纸过程中纸机系统大滞后、非线性、时变且纸张的水分与定量之间存在严重耦合的问题,提出一种基于改进DRNN神经网络辨识的PID解耦控制器。该控制器利用改进DRNN对定量与水分参数的Jacobian信息辨识结果,自适应调整PID控制器的各项比例系数。仿真结果表明水分与定量之间相互影响很小,能较好实现对象的解耦控制,且适应能力强。实际运行结果表明,该算法的投入提高了控制精度,具有较强的鲁棒性。

基于自适应DRNN的无刷直流电机控制方法研究

针对无刷直流电机速度控制存在高度非线性特性,提出了基于自适应DRNN(diagonal re-current neural network)的"前馈+反馈"控制方法。反馈控制器以目标转速与实际转速的误差为输入量,采用PI控制来提高控制系统的稳定性。前馈控制器采用DRNN,以反馈控制器的输出作为性能误差进行自适应控制,以提高控制系统的瞬态响应性能。仿真和实验结果表明:该控制系统能较好地跟踪目标转速,在突变负载扰动下,能有效地改善相电流波形,降低电机电磁转矩脉动,而且该控制系统具有较强的鲁棒性。

基于DRNN的非线性模型预测控制研究

针对飞机液压系统某地面试验装置具有非线性、慢时变的特征,常规的控制算法难于实现精确控制。为了提高系统的实时性和精度,提出了基于DRNN神经网络的非线性模型预测控制算法。控制算法应用对角递归神经网络DRNN作为非线性系统的预测模型,同时采用了具有全局优化能力的启发式遗传算法作为滚动优化工具。将这一控制算法进行仿真试验,仿真试验结果表明,基于DRNN的NMPC对于装置具有自适应能力,控制精度较传统的PID控制有明显的提高。

基于DRNN整定的非线性解耦机炉协调控制

针对工况大范围变化下单元机组协调控制的安全性与经济性要求,为了克服单元机组的非线性特性以及强耦合特性,结合精确反馈线性化的思想,设计用于机炉协调控制的非线性解耦PI控制器,同时利用DRNN在线动态整定PI控制器参数。仿真结果表明该控制器能在不同运行工况下取得满意的控制效果,同时具有较强的抗干扰能力和鲁棒性,能够快速跟踪负荷给定变化。

基于DRNN网络的轮式机器人鲁棒H_∞控制

针对非完整约束的两轮移动机器人系统中存在建模误差及外扰的情形,提出了一种结合对角递归神经网络和非线性H_∞方法的控制策略.利用对角递归神经网络逼近建模不确定的非线性项,H_∞控制则用来实现期望的鲁棒跟踪性能.基于Lyapunov稳定性理论,整个系统跟踪误差闭环有界.此外,在外界干扰仅仅积分有界的情形下,系统仍能满足具体的鲁棒跟踪性能.最后,对于相同外扰及不确定性下的移动机器人,将其与控制力矩法进行对比,仿真结果表明,所提方法是有效的.

基于DRNN的多变量解耦控制系统

本文针对一类有强耦合带时延的多变量系统 ,采用对角递归神经网络 (DRNN)与带动量项的PID梯度优化算法 (PIDGDM) ,自适应调整PID控制器的三项参数 ,并行完成系统的解耦与控制工作。仿真结果表明 。

基于双隐层DRNN的自整定PID解耦控制

随着科学技术的不断进步和发展,被控对象正变得越来越复杂,而人们对其控制精度的要求却日益提高,这样就产生了复杂性和精确性的尖锐矛盾。智能自适应控制是解决上述问题的有效方法之一。该文针对强耦合带延时多输入输出(MIMO)非线性离散系统难以实现解耦的问题,推导了双隐层DRNN的权值学习算法,实现了基于双隐层DRNN结构与动态BP网络的加速算法的在线自整定PID解耦控制,仿真表明该方案具有良好的动态、静态性能以及很强的自适应性。

基于DRNN-MRAS参数自整定的异步电机转速估计

复杂工况下事先设定的PI参数不能满足电机新的运行状态,针对此问题设计一种基于对角递归神经网络PI参数动态自整定的转速估计器,对其中的PI参数进行动态整定以提高系统鲁棒性和估计精确度。分析了基于模型参考自适应系统转速估计的原理和结构,利用Popov超稳定理论推导出估计系统的自适应律。在MRAS转速估计的基础上,利用DRNN对MRAS转速估计系统中的PI参数进行动态在线整定,得到基于DRNN-MRAS的新型转速估计系统。仿真和实验结果验证了新型DRNN-MRAS算法的有效性和实用性。

一种基于DRNN神经网络整定的PID解耦控制方法的研究

根据DRNN神经网络的Jacobian信息辨识,提出一种基于DRNN神经网络整定的PID解耦控制方法,并进行了计算机仿真,仿真结果表明:与一般PID解耦控制相比,基于DRNN神经网络整定的PID解耦控制具有响应速度快,自适应能力强,抗干扰能力强的优点。

基于S7-300的两电机系统DRNN神经网络PID控制

针对多输入多输出时变、非线性、耦合的两电机同步系统,文中提出了一种控制系统,其包括:两个DRNN神经网络在线整定参数的智能PID控制器,分别对系统中的速度和张力变量进行控制;神经元解耦补偿器执行对速度和张力两耦合变量的解耦控制。将控制算法编程下载到PLC中,并采用PROFIBUS-DP现场总线实现S7-300PLC和MMV变频器主从站式通讯。实验表明,采用该方法可以实现两电机同步系统中速度和张力的解耦控制,系统对负载的扰动有很强的抑制作用,系统具有良好的动静态性能,可有效跟踪任意给定轨迹。

基于DRNN网络的强排式燃气热水器自整定PID控制

强排式燃气热水器是一个耦合的两输入两输出系统,随机负荷的变化又表现出参数快时变的特性。固定参数PID控制难以适应此系统控制要求,因此,提出一种基于回归神经网络(DRNN)的两输入两输出PID控制器结构,给出了DRNN神经网络参数学习算法和PID控制器参数自整定算法。计算机仿真结果验证了该控制策略可行性,这为以后进一步研究奠定了基础。

基于DRNN动态整定PMSM的SVPWM控制

为解决传统的永磁同步电机控制系统中存在的低速转矩脉动大以及由此引起的高频噪声、动态响应慢等问题,提出了一种基于对角神经网络动态自整定的永磁同步电机矢量控制系统的实施方案。给出了基于对角递归神经网络的PID动态自整定控制器的结构,以及PID参数动态自整定的学习控制算法,并将这种综合控制策略引入永磁同步电机空间电压矢量PWM控制中。仿真结果表明,系统低速性能好,转矩脉动小,谐波含量少,当电机参数改变或者受到外部扰动时,系统具有良好的动态特性。

基于DRNN网络的风力辅助提水机自整定PID控制

基于风力机和离心水泵的特点,提出了一种风力辅助提水机结构及该机的控制系统。该机是一个耦合的两输入两输出时变系统,系统存在的响应较慢,负荷的随机变化及参数快时变的特性。固定参数PID控制难以适应此系统控制要求,因此,提出一种基于回归神经网络(DRNN)的两输入两输出PID控制器结构,给出了DRNN神经网络参数学习算法和PID控制器参数自整定算法。使该系统能在自然界的风速随机变化的情况下使风力机最大可能利用风能,同时与离心水泵输出功率匹配.计算机仿真结果验证了该控制策略可行性,这为以后进一步研究奠定了基础。

DRNN神经网络的电加热炉解耦控制

基于DRNN神经网络参数自学习的PID原理对电加热炉进行解耦控制。给出了网络的结构和算法,分析了时变对象的特点,并对电加热炉时变系统进行了仿真。仿真结果表明:DRNN神经网络对多变量强耦合时变对象具有良好的解耦性能和自学习控制特性。

基于DRNN的纸机定量水分解耦控制仿真分析

针对抄纸过程中具有的强耦合、大时滞特点,提出了一种自适应的PID解耦控制方法,利用对角回归神经网络(DRNN)来辨识系统模型,通过对PID控制器参数进行调整,实现多变量解耦控制。对纸机定量、水分控制系统的仿真研究结果表明:该方法具有较快的系统响应和抗干扰能力,较好地解决了定量和水分之间的耦合作用。

基于DRNN神经网络的LF炉电极模型在线辨识

针对天津钢铁有限公司2# 110t LF精炼炉项目,并结合其电极模型的非线性、强耦合、时变性的特点,采用DRNN神经网络算法对LF炉电极模型进行在线辨识,通过由实际得到的数据进行的在线辨识,结果表明,DRNN神经网络在LF炉电极模型的在线辨识上具有很高的准确性,且运算时间短。