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。

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。

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GA的DRNN-PID算法在多电机系统中的应用

对于多变量非线性强耦合的多电机同步控制系统,难以建立精确数学模型并施加有效控制的缺陷,文中采用基于遗传算法的对角递归神经网络(DRNN)的PID控制算法,以3台电机的速度张力系统为对象,对其进行控制。通过实验表明,该算法没有一般的神经网络PID控制算法易陷入局部极值等缺陷,控制效果良好。

基于TSA-DRNN模型的年径流预测研究

为了解决深度递归神经网络(DRNN)权值和阈值难以选取的问题,有效提高DRNN径流预测精度,提出了被囊群算法(TSA)与DRNN相融合的预测方法。选取4个标准测试函数对TSA进行仿真验证,并与粒子群优化(PSO)算法的仿真结果进行比较;通过主成分分析(PCA)对数据样本进行降维并构建DRNN_(2)(双隐层DRNN)、DRNN_(3)(三隐层DRNN)、DRNN_(4)(四隐层DRNN)模型,利用TSA优化DRNN权值和阈值,建立了TSA-DRNN_(2)、TSA-DRNN_(3)、TSA-DRNN_(4)径流预测模型,并构建TSA-Elman、Elman、DRNN_(2)、DRNN_(3)、DRNN_(4)、TSA-SVM模型作对比;利用云南省姑老河站年径流预测实例对TSA-DRNN_(2)、TSA-DRNN_(3)、TSADRNN_(4)、TSA-Elman、Elman、DRNN_(2)、DRNN_(3)、DRNN_(4)、TSA-SVM模型进行检验。结果表明:在不同维度条件下,TSA仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力;TSA-DRNN_(2)、TSA-DRNN_(3)、TSADRNN_(4)模型对实例年径流预测的平均相对误差分别为3.63%、2.81%、2.50%,预测精度优于TSA-Elman等其他6种模型,且随着隐含层数的增加,预测精度呈提高趋势。TSA-DRNN模型用于径流预测是可行的,模型及DRNN权、阈值优化方法可为相关预测研究提供参考。

DRNN在多传感器泥石流监测系统中的应用

针对当前泥石流监测预警系统中预测准确性不高的问题,根据分布式计算和各传感器网络节点之间局部通信的方式,利用分布式递归神经网络(DRNN)预测故障传感器节点的数据,使用DRNN的预测值,对泥石流发生概率进行预测。实验结果表明:当传感器网络的链路质量较低或较多传感器发生故障的情况下,使用DRNN依然能够较准确地预测出泥石流发生的概率,该方法可靠性较高。

融合改进布谷鸟搜索算法和DRNN的非线性系统辨识

针对非线性系统的辨识问题,引入了对角回归神经网络模型.为了对辨识模型进行优化,设计了一种新的杂交操作策略,并将该策略引入到布谷鸟搜索中,获得改进的布谷鸟搜索算法(hCS).通过对12个典型测试函数的数值寻优实验,结果表明,所提出的算法与基本的布谷鸟算法相比,其解的精度有了明显的提高.将所提出的算法用于2个非线性系统神经网络辨识模型的优化,仿真结果表明hCS优化的模型拟合精度更高.

基于动态递归神经网络的木材干燥模型辨识

木材干燥是一个复杂的非线性系统 ,由于木材结构复杂且具有多样性和变异性 ,因此要建立一个理想的符合木材干燥过程的模型是很困难。本文利用动态递归神经网络的特点 ,提出了基于动态递归神经网络的木材干燥模型辨识方法 ,给出了动态递归状态 -输出神经网络的结构和学习算法。并通过对辨识得到的模型的仿真结果 。

基于对角递归神经网络整定的PID解耦单元机组负荷控制系统

针对火电厂单元机组具有多变量强耦合、非线性及参数时变的受控对象,提出了基于对角递归神经网络整定的PID解耦控制方法,其主要特点是能够提供一个对角递归神经网络来辩识系统模型,进而对PID控制器参数进行整定,实现多变量解耦控制。通过对火电机组负荷控制系统的设计和仿真研究,表明系统达到了动态近似解耦、静态完全解耦和无静差跟踪,并具有响应速度快,鲁棒性好等特点。

气动人工肌肉主动悬架系统的可变自整定离散PID控制

构建以气动人工肌肉为新型执行器的车用主动悬架系统实验平台,为简化的基于1/4悬架模型的主动悬架系统设计了基于DRNN神经网络的可变自整定离散PID控制算法,分析了可变自整定离散PID算法的控制性能,为提高气动人工肌肉主动悬架系统的减震性能提供理论依据。

基于神经网络的风力辅助提水系统自适应PID解耦控制

针对风力机和离心水泵的特点,该文设计了一种风力辅助提水机结构及其控制策略。由于该设备需要解决最大可能地利用风能和风力机与柴油机之间的功率平衡问题,因此,该系统是一个时变的2输入2输出耦合系统。根据解耦和神经网络的思想,采用2个回归神经网络(DRNN)在线调整2个PID控制器的参数,一个神经元解耦补偿器完成系统的解耦,实现了不依赖于对象模型的自适应PID解耦控制。计算机仿真结果验证了该控制策略的可行性,为进一步研究奠定了基础。

一种新的对角回归神经网络快速学习算法

提出一种新的动态对角回归神经网络学习算法——局部动态误差反传算法 (L DBP) ,该算法定义了一种新的局部均方差函数 ,并为回归单元建立一种新的学习结构。如果估计出各层的期望输出值 ,多层回归网络便可分解成一组自适应单元 (Adaline) ,而每个单元可通过二次优化方法进行训练。采用可在有限步内找出全局最优解的共轭梯度法 (CG)进行寻优。由于学习过程采用超线性搜索 。