多变量生物发酵过程的解耦控制

把非线性系统的逆系统方法与神经网络非线性辨识技术相结合 ,提出了一种基于神经网络逆系统的发酵过程多变量解耦控制策略 .当过程模型缺乏足够的先验知识时 ,所提出的解耦控制策略对多变量非线性连续发酵过程取得了良好的控制性能 .仿真结果表明 ,提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性 ,具有较强的鲁棒性 .克服了基于微分几何理论的逆系统解耦控制方案依赖于过程模型和对模型参数变化很敏感的缺点 .     

多变量系统的神经网络解耦新方法

利用前馈补偿的原理,设计了两种多变量系统的神经网络解耦方法·一种利用神经网络实现前馈补偿,使补偿以后的系统实现解耦,且解耦单变量系统具有原对象主通道的特性·第二种方法将解耦和神经网络逆动态控制结合起来,使对象的输出跟随对应输入值的变化·两种方法均可适用于多变量非线性系统     

多变量非线性系统的逆系统解耦控制

本文对多变量非线性控制系统的一种新方法——逆系统解耦控制进行研究,给出状态反馈解耦条件,同时提出逆系统解耦镇定条件,最后以两自由度机械手进行仿真。     

生物发酵过程的温度控制模型研究

针对生物发酵过程中温度控制难以建模的问题,基于非线性自回归滑动平均(NARMA)模型,设计了神经网络自回归滑动平均(NN-NARMA)模型.利用径向基神经网络逼近NARMA模型中的映射关系,对神经网络的输出进行了二阶低通滤波,用变异率可调节的遗传算法优化了NARMA模型中的延时参数以及神经网络的输出滤波参数.应用该方法建立了生物发酵过程的温度控制模型,该模型在上温、中温和下温的误差相对于Elman神经网络模型分别减少了38 9%、13 5%和61 3%.该方法具有一定的可操作性,能够较好地解决生物发酵过程中的温度控制建模问题.     

基于两级神经网络的发酵过程多变量前馈解耦控制

针对具有时变、非线性、不确定性的多变量耦合生物发酵过程,提出了一种基于两级神经网络的多变量前馈解耦方法.一级神经网络利用可获得的过程信息拟和耦合通道的过程特性,实现耦合作用对被控量影响的估计;二级神经网络用来拟和控制通道的逆特性.通过两级网络的串联,消除系统间的耦合.实验结果表明,提出的解耦控制方法能适应生物发酵过程模型的不确定性和参数时变性,克服了前馈解耦方法依赖于过程模型和对模型参数的变化表现敏感的缺点.     

生物发酵过程效益函数的在线预报

提出了一种基于神经网络的效益函数预报方法,为了提高预报精度,引入滚动学习预报技术处理过程的时变性,该预报技术中,输入输出数据对通过移动窗口获得。在每一次采样时间后,由输入输出数据对构成的训练数据库将被更新,然后程序重复进行下一轮的预报。为检验所提出方法的有效性,以头孢菌素C生产为例,对效益函数进行了超前24h预报,结果显示该方法的预报精度高于已有的方法。     

啤酒发酵温度多变量解耦控制算法

针对工业过程中常见的多变量时滞输入输出系统,基于常规PID控制和Smith补偿控制算法在处理大时滞、强耦合、多变量、不确定性对象的控制时效果不好的情况,提出了一种多变量解耦控制器的设计方法,该方法以控制器或者补偿器来消除系统各输入输出间的相互耦合和关联,是解决多变量控制问题的有效工具。用该方法针对多变量强耦合的啤酒发酵温度控制系统进行了设计和仿真研究,仿真结果证明了该方法的有效性。     

神经网络多变量监控系统在发酵工业中的应用

以发酵工业过程监控为研究对象，根据发酵过程工况参数实时检测困难的特殊性，提出了一种基于神经网络的监控体系框架，对用神经网络组成的静态预报模型和动态监测模型的有机结合应各自组成结构的特点进行了较详细的分析和研究。最后，以酒精发酵过程监控为仿真研究对象，做了仿真实验，仿真结果令人满意。在实践中经过不断完善，完全可以应用于实际生产。     

螺旋霉素发酵过程动态建模的神经网络方法

对文题所述方法,根据实验数据进行仿真研究,获得了满意的结果。为高度复杂的非线性生化过程的模型化提供了一条新的途径。     

多变量系统模糊自适应解耦控制方法综述

介绍了多种模糊自适应解耦方法,主要是传统自适应理论与模糊控制的结合以及糊神经网络解耦方法,并着重介绍了各方法的优点和局限性．最后对模糊自适应解耦研究领域的前景进行了展望。     

神经网络变量监控系统在发酵工业中的应用

以酵工业过程监控为研究对象，根据发酵过程工况参数实时检测困难的特殊性，提出了一咱基于神经网络的监控体系框架，对用神经网络组成的静态预报模型和动态监测模型的有机结合应各自组成结构的特点进行了较详细的分析和研究，最后，以酒精发酵过程监控为仿真研究对象，作了仿真实验，仿真结果令人满意。在实践中经过不断完善，完全可以应用于实际生产。     

非线性多变量电液伺服系统解耦自适应控制

本文结合非线性多变量电液伺服系统控制，提出了一种新颖的广义最小方差预测校正参考模型自适应解耦控制，将参考模型控制，预测控制的校正思想和广义最小方差自适应控制相结合。该方法不需研究非线性环节的模型，算法简捷。     

啤酒发酵过程的多变量开关控制仿真研究

针对啤酒发酵过程温度控制的特点．在因素空间理论基础上提出一种全新的开关(Bang-Bang)控制算法，并结合Smith预估搜寻算法．对啤酒发酵降温模型进行了仿真试验，控制精度高于常规PID控制．计算量小，鲁棒性好，自适应性强，具有广泛的工业应用前景．     

基于动态神经网络解耦线性化的内模控制

采用动态神经网络对一类多变量仿射非线性系统进行建模，利用解析求得的模型动态逆，将非线性对象近似输入输出解耦线性化。针对复合后的伪线性系统采用内模控制，分析了存在建模误差的情况下闭环系统的鲁棒稳定性。仿真表明了所提方法的有效性。     

精密挤出成型过程中的多变量模糊解耦控制

在聚合物精密挤出成型加工过程中,机头熔体温度与机头压力是影响精密挤出成型制品质量的关键因素.文中通过动态特性实验,采用系统辨识的方法,建立了机头熔体温度与机头压力关于机头加热器功率与螺杆转速的输入输出传递函数矩阵模型,提出了一种熔体温度与机头压力的模糊解耦控制算法,并采用可编程计算机控制器予以实现.通过在挤出装置上进行的运行实验验证了该模糊解耦控制算法的有效性,有助于推动精密挤出成型控制技术的发展.     

带有参数自调整机构的多变量系统模糊神经网络解耦控制

在文献[1]的基础上,引入模糊神经网络和参数自调整算法,改善系统的智能,使系统具有自学习和自调整模糊规则的能力.仿真结果表明,该方法能实现静态解耦,并提高了系统的抗干扰能力和鲁棒性,改善了系统的性能.     

连续发酵过程的神经网络预测和控制

给出了神经网络趋化性算法的一种新的实现策略，在此基础上，提出了一种动态递归神经网络建模方法和一种控制作用受限的自学习非线性控制方法。将其用于连续搅拌签式发酵器的状态变量的在线预测和优化控制，仿真结果表明，预测精度高，控制效果好，具有强抗扰和强鲁棒性。在不知道生化过程模型结构的情况下，神经网络模型，可取很容易地通过在线或离线学习到高度复杂的非线性生化过程的输入．输出关系。对于经过最优操作点，稳态增益的符号会发生变化的这类难以控制的生化过程，神经网络非线性控制策略，可以使生化反应器始终维持在最优状况。本方法有望在实际工业过程中得到应用。     

基于神经网络的多变量自适应控制器

利用神经网络对非线性映射的逼近能力，通过采用一步超前预测控制性能指标及网络模型局部线性化的思想，给出了一个显式的控制律和相应的自适应控制算法，仿真结果表明了该控制算法的有效性。     

神经网络解耦控制在多变量控制系统中的应用

应用神经网络解耦控制,实现多变量系统的最优控制.通过引入神经网络环节,对多变量系统进行解耦,解耦后的子系统变为单变量系统.因此将多变量控制变成单变量控制.解耦控制采用前馈补偿器解耦,解耦补偿器采用BP神经网络结构.仿真结果表明,该控制策略具有较好的动态跟踪特性,能满足复杂多变量控制系统的控制要求.     

基于小波网络的非线性多变量约束预测控制

为了解决非线性多变量系统的建模、控制和优化问题 ,论文扩展基于小波神经网络的单变量系统辨识到多变量系统辨识 ,并用它实现非线性预测控制。对开环稳定过程 ,引入一个具有输入约束的基于小波神经网络模型的区域预测控制方案 ,它的闭环稳定性能够通过适当选择它的预测水平来保证。基于上述动态控制方案 ,提出了一个稳态状态优化方案。通过对一个聚酯生产过程的仿真研究 ,证实了上述方法的有效性。由于能够通过线性最小二乘 (L S)估计方法来辨识 ,该模型易于实现并可用作通用模型。仿真研究的结果表明了该模型的通用性、辨识和控制方法的简单性 ,所提出方案能够被用于过程工业的非线性系统的建模和控制