基于CDKF-RBFPID的激光器恒流源控制器

激光器的稳定工作需要一个输出电流精度高和稳定的恒流源控制系统。针对激光器恒流源系统在噪声环境下输出精度差且使用PID算法参数难整定的问题,提出一种基于中心差分卡尔曼滤波(Center Differential Kalman Filter,CDKF)与改进的径向基函数(Radial Basis Function,RBF)神经网络自适应PID控制相结合的算法CDKF-RBFPID。通过CDKF更新恒流源系统的状态、协方差,从而滤除系统中的状态噪声和测量噪声。利用强化学习Actor-Critic框架调整RBF-PID参数,实现自适应参数调整。对恒流源系统输出电流和激光器输出功率进行对比实验,结果表明:CDKF RBFPID算法能够有效降低噪声对系统的影响,恒流源输出电流精度以及激光器输出功率稳定性进一步提升,其中响应时间缩短了58.3%,稳态误差降低了71.4%,输出电流控制精度达到1%。

执行器故障多率采样间歇过程的鲁棒耗散迭代学习容错控制

针对一类具有干扰和执行器故障的多率采样间歇过程,提出一种具有鲁棒耗散性能的迭代学习容错控制算法.通过提升技术将多采样率过程用慢速率采样的状态空间模型来描述,并基于二维系统理论,把迭代学习控制过程转化为等价2D Roesser故障系统,再沿时间和迭代方向设计具有耗散性能的反馈容错控制器,并以线性矩阵不等式形式给出容错控制器存在的充分条件,同时确保多率采样间歇过程在正常和故障条件下的耗散性能.注塑过程的注射速度控制仿真验证了方法的有效性和可行性.

过程控制系统创新实践教学的研究与探索

过程控制系统是一门将控制理论与流程工业生产实际连接最紧密的课程。为了提高教学质量,培养学生动手能力、创新能力和运用专业知识解决实际问题的能力,我们构建了多层次实验教学体系,创建了课内、课外多形式的实践能力培养模式,用科研成果解决教学中存在的问题,从而提升了教学水平和质量,实现了可持续发展。教改经过多年的探索和努力,取得了良好的教学效果。

新工科工程教育背景下自动控制原理课程建设改革模式探讨

在新工科工程教育理念的指导下,自动化专业的基础核心课程《自动控制原理》必须适应新时代需求,从课程内容、师资队伍、实验设置和评价方式等方面开展综合性教育教学改革,优化和重构新的教学模式,文章基于江南大学的课程情况介绍了一些改革措施,为相关课程提供借鉴,助力自动化新工科专业建设和人才培养。

线性连续重复过程的区域极点约束迭代学习控制

现有的迭代学习控制研究关注于迭代学习控制系统在迭代批次方向的鲁棒收敛性,对控制系统在时间方向上的性能关注较少,没有展现出控制系统的动态特征。文中研究了有限频域范围线性连续重复过程在区域极点约束下的迭代学习控制问题。首先,结合二维系统理论,在时域中建立迭代学习控制系统的二维连续Roesser模型;然后基于Kalman-Yakubovich-Popov(KYP)引理,分析迭代学习控制系统的跟踪性能和区域极点约束问题;进而以线性矩阵不等式的形式给出控制器存在的充分条件,保证系统在批次方向和时间方向的性能,并将结果扩展到结构不确定性模型中;最后,通过典型的跟踪伺服系统执行机构的控制仿真验证了设计方案的有效性和可行性。

基于自联想核回归的带离群值化工过程故障检测

基于数据驱动的故障检测模型通常要求训练数据必须是正常操作条件下的测量值.然而在实际工业生产过程中,即使在正常工况下,数据集中也难以避免存在离群值.此时若仍采用传统的基于多元统计分析的方法,其监测模型的控制限会受到严重影响,造成故障漏报.因此,为了确保当训练数据包含离群值时,监测模型仍然呈现较好的故障检测效果,本文提出了一种基于自联想核回归的故障检测方法.首先基于最小化β散度的鲁棒预白化算法对训练集进行白化计算,消除变量之间相关性对样本相似度度量的影响.然后通过自联想核回归算法重构正常工况下的验证数据,根据重构误差建立模型监测指标.为了消除离群值对故障样本重构的影响,构造截断函数来避免离群样本参与相似故障数据的重构,并对所有参与构建Q统计量的残差变量基于指数加权滑动平均方法自适应加权,得到新的监测统计量.将该方法运用于田纳西–伊斯曼过程并与其他方法进行比较,验证了本文所提故障检测算法的有效性.

基于优化堆叠自编码器的故障诊断方法

针对当前堆叠自编码器故障诊断方法在识别有效分类特征方面的缺陷,提出一种基于Fisher判别准则优化的堆叠自编码器故障诊断方法。将Fisher判别准则中寻找最佳投影方向的特征学习方法融入到堆叠自编码器的预训练中,利用样本标签信息在堆叠自编码器的逐层非线性映射中学习最佳的投影方向。在Fisher判别准则优化的损失函数约束下训练,增加不同类别故障特征的类间距离,减小同类别特征的类内距离。由于在堆叠自编码器的预训练中,同时设计最小化重构特征和最大化分类特征的约束条件,预训练后的堆叠自编码器能够提取到更有效的特征信息,以提升最终故障诊断的准确率。通过在Tennessee Eastman(TE)化工过程的应用验证了所提故障诊断方法的可行性。

基于改进Bagging算法的高斯过程集成软测量建模

为提高对工况复杂的工业过程进行软测量建模的模型精度和泛化能力,提出了一种基于改进Bagging算法的高斯过程集成软测量建模方法。该算法采用高斯过程回归算法建立集成学习模型的基学习器,并在Bagging算法对训练样本重采样生成基学习器训练子集的基础上,采用基于正则化互信息的特征排序指标进行基学习器的输入特征抽取,实现有监督的特征扰动,从而改善学习器的差异度。待测样本进行软测量估计时,根据各高斯过程基学习器输出的方差自适应地选择基学习器进行集成输出。采用工业双酚A生产装置反应器的现场数据建模仿真,结果表明该方法是有效的。

输入饱和非线性系统的周期自适应补偿学习控制

针对一类输入饱和不确定Brunovsky标准型非线性时滞系统,提出一种周期自适应跟踪补偿学习算法.利用信号置换思想重组系统,基于最小公倍周期函数变换,将时滞时变项和不确定项合并为辅助参数,进而设计周期自适应学习律估计该辅助量,并利用饱和补偿器逼近和补偿超出饱和限的部分,由此构成综合控制器,以保证系统状态对有界期望值的跟踪,解决了饱和输入周期系统的重复迭代学习控制问题.最后通过构造Lyapunov-Krasovskii复合能量函数的差分,计算证明了系统跟踪误差的收敛性和闭环信号值的有界性.常见耦合非线性机械臂系统的力矩控制仿真,进一步验证了该算法的有效性.

自抗扰控制器在聚丙烯反应釜中的应用

聚丙烯生产过程受内部放热反应及入料温度等影响,具有时滞、大惯性和动态不确定的特点,基于离散自抗扰控制技术(ADRC-Active Disturbance Rejection Control),通过参数整定跟踪微分器和扩张状态观测器,合理安排过渡过程并估计扰动,利用误差信号设计非线性反馈控制律,以实现聚丙烯反应釜的温度控制。最后借助MPCE实验装置,采用SIMATIC PCS 7控制器进行温度控制及干扰和变负荷实验,不同工况下的实验结果表明该方法具有很好的适应性和鲁棒性,且同等工况下的动态性能优于传统PID控制方法。

基于高斯过程和贝叶斯决策的组合模型软测量

为了提高化工生产过程中软测量建模的估计精度,提出了一种基于高斯过程和贝叶斯决策的组合模型建模方法。该方法在对原始数据进行分类的基础上,利用高斯过程对每个子类建立软测量子模型,通过贝叶斯决策方法实现模型的联合估计输出。将该建模方法应用于某双酚A装置的软测量建模中,仿真结果表明,相比于传统的开关切换或加权组合多模型,该组合模型能在实际生产中充分利用样本信息,使得具有更高的估计精度和更强的泛化性能。

基于遗忘因子最小二乘的自适应学习控制

针对一类含未知时变参数的满足线性增长条件的离散非线性系统,提出一种有限时间区间的轨迹跟踪参数自适应迭代学习控制(Iterative learning control,ILC)方案,讨论了该算法的收敛性以及利用遗忘因子提高收敛速度的问题。该方法利用离散时间自适应控制中的遗忘因子最小二乘法,在迭代域上构造新的参数自适应更新律和控制律,同时利用类Lyapunov函数证明跟踪误差在时间域上的逐点收敛、迭代域上的渐近收敛。给出两个仿真例子说明提出的参数自适应律与控制方法的有效性。

时变非线性系统迭代学习控制遗忘因子算法

针对迭代学习P型控制算法对初始偏差和输出误差扰动的敏感性问题,研究了一种带有遗忘因子的时变非线性系统的迭代学习控制方法。在有扰动的情况下,利用迭代学习过程记忆的期望轨迹,期望控制以及跟踪误差,通过有界学习增益和批次时变因子设计学习控制器,并基于算子理论给出了控制算法存在的充分必要条件及其收敛性分析,改善了系统的鲁棒性和动态特性。最后以注塑机的注射速度控制仿真验证了本文算法的有效性。

非线性系统迭代跟踪控制的批次遗忘学习算法

针对P型迭代学习算法对初始偏差和输出误差扰动敏感,以及PD型迭代学习算法容易放大系统噪声,降低系统鲁棒性的问题,研究了具有任意有界扰动及期望输出的重复运行非线性时变系统的PD型迭代学习跟踪控制算法.利用迭代学习过程记忆的期望轨迹、期望控制以及跟踪误差,给出基于变批次遗忘因子的学习控制器设计,并借助λ范数理论和Bellman-Gronwall不等式,讨论保证闭环跟踪系统批次误差有界的学习增益存在的充分必要条件,及分析控制算法的一致收敛性.本算法改善了系统的鲁棒性和动态特性,单关节机械臂的跟踪控制仿真验证了方法的有效性.

一种基于Bagging算法的高斯过程集成建模方法

针对单一高斯过程在化工过程软测量建模中存在估计精度不高的问题,利用Bagging和高斯过程回归算法,提出一种基于Bagging算法的集成高斯过程软测量建模方法.该算法使用Bagging技术从训练样本集中选取若干子训练样本集,利用该若干子集形成多个高斯过程模型,并通过加权组合方式进行集成,得到最终的模型输出.将该方法应用到某双酚A生产装置缩合反应釜出口24BPA含量的软测量建模中,仿真结果表明相比于单一高斯过程模型,该集成算法具有更高的精度和泛化能力.

非线性时滞系统的周期自适应学习跟踪控制

针对一类参数未知的周期非线性时滞系统的输出跟踪控制问题,设计了一种周期自适应迭代学习跟踪控制算法,该方法利用信号置换的思想重组系统,并在假设未知时变参数和参考输出的周期具有已知最小公倍数的情况下,将时滞以及其他不确定的时变项合并为一个周期性的辅助时变参数新变量,进而用周期自适应算法来估计该辅助量。通过构造一个Lyapunov-Krasovskii型复合能量函数,分析了系统的收敛性,证明了经过多次重复迭代学习,所有闭环信号有界且输出跟踪误差收敛,最后通过构造数值实例进行了仿真验证。理论分析和仿真结果表明,该算法简单有效,对于非线性时滞系统的跟踪问题具有很好的控制效果。

参考轨迹更新的点到点迭代学习控制算法优化及应用

针对受非重复扰动作用的离散线性系统的输出跟踪控制问题,提出一种基于参考轨迹更新的点到点迭代学习控制算法.首先通过构建性能指标函数对控制器进行范数优化,并给出相应的收敛性条件,使得系统输出能够跟踪上更新后参考轨迹处的期望点.其次,当系统输出端受到某批次非重复扰动的影响时,进一步通过引入拉格朗日乘子算法构造多目标性能指标函数,以优化鲁棒迭代学习控制器,达到提高收敛速度和跟踪精度的目的.最后将该算法应用于电机驱动的单机械臂控制系统中,仿真结果验证了算法的合理性和有效性.

非线性时滞系统的未知方向自适应学习控制

针对一类控制方向未知的非参数化不确定非线性时滞系统的控制问题,设计了一种鲁棒自适应学习控制算法。在控制器设计中引入Nussbaum增益函数,避免对系统控制方向未知问题的讨论,进而利用双曲正切函数的有界性,为参数估计值设定估计界,采用线性参数化的Fourier级数展开对周期期望输入函数进行估计,保证学习算法的鲁棒性。理论分析表明,所提自适应学习控制律能够保证系统闭环信号的有界性,且系统误差能够渐近地收敛于零。最后通过数值仿真进一步验证了所提控制算法的有效性。

一类基于预测的自适应PID控制器

PID(proportional integral derivative)控制器广泛应用于各种工业过程,但实际被控对象的机理、复杂程度和环境条件各不相同,常规整定方法很难维持满意的效果。为了增强控制系统的鲁棒性和稳定性,先进的PID控制算法得到了广泛的关注。针对常见的带积分受控自回归滑动平均(CARIMA)模型提出了一类基于预测的自适应控制算法,使得PID参数能够随着对象模型参数的变化而变化,实现在线整定。该递推算法是通过在给定时域内极小化性能指标函数而得到的,其中性能指标函数考虑了某一给定范围内给定输入和预测输出的二次偏差以及控制量,在线辨识阶段则采用递推最小二乘算法。仿真结果证实该方法有很好的自适应力和鲁棒性。

苯酚含量预测的高斯过程回归模型

长期准确预测苯酚含量对双酚A生产过程的控制起着至关重要的作用。作为一种贝叶斯非参数模型,高斯过程本质上非常适合对长期持续的复杂过程进行建模。为此,提出一种基于高斯过程回归的苯酚含量预测模型。通过对高斯过程回归模型的协方差函数的选择与优化,在苯酚含量预测中取得了较好的测试结果。此外,采用ROC准则对生产过程的6个输入特征进行排序,并选择影响力较大的3个特征作为模型的输入变量,从而提高了模型的可解释性。