CN113268919A - 一种基于神经网络预测的线性自抗扰控制器的设计方法 - Google Patents

一种基于神经网络预测的线性自抗扰控制器的设计方法 Download PDF

Info

Publication number
CN113268919A
CN113268919A CN202110508816.5A CN202110508816A CN113268919A CN 113268919 A CN113268919 A CN 113268919A CN 202110508816 A CN202110508816 A CN 202110508816A CN 113268919 A CN113268919 A CN 113268919A
Authority
CN
China
Prior art keywords
neural network
sample
network prediction
model
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110508816.5A
Other languages
English (en)
Inventor
杜鸣
牛玉广
康俊杰
张庭
胡博
周桂平
李泓
周振华
张金祥
王洪刚
赵晓明
牛国君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JILIN ELECTRIC POWER CO Ltd
North China Electric Power University
State Grid Liaoning Electric Power Co Ltd
GD Power Dalian Zhuanghe Power Generation Co Ltd
Original Assignee
JILIN ELECTRIC POWER CO Ltd
North China Electric Power University
State Grid Liaoning Electric Power Co Ltd
GD Power Dalian Zhuanghe Power Generation Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by JILIN ELECTRIC POWER CO Ltd, North China Electric Power University, State Grid Liaoning Electric Power Co Ltd, GD Power Dalian Zhuanghe Power Generation Co Ltd filed Critical JILIN ELECTRIC POWER CO Ltd
Priority to CN202110508816.5A priority Critical patent/CN113268919A/zh
Publication of CN113268919A publication Critical patent/CN113268919A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于神经网络预测的线性自抗扰控制器的设计方法，包括：步骤1、获取和预处理样本数据，构建样本训练集和样本测试集；步骤2、利用样本训练集构造ELMAN神经网络预测模型，并用样本测试集进行验证；步骤3、输入工况数据到ELMAN神经网络预测模型获取输出值改造扩张状态观测器。通过线性自抗扰控制器的设计提升该被控对象在多种干扰下的控制效果。

Description

一种基于神经网络预测的线性自抗扰控制器的设计方法
技术领域
本发明属于自动控制领域，具体涉及一种基于神经网络预测的线性自抗扰控制器的设计方法。
背景技术
自抗扰控制技术(Active disturbance rejection control,ADRC)将系统未建模动态和未知干扰作为总扰动，通过扩张状态观测器进行估计并在反馈控制中进行消除。ADRC不依赖系统模型，鲁棒性强，适用于复杂的现场控制环境，并且能够相对容易地在组态中进行搭建，已经得到了广泛的工业应用。在复杂工业环境中，普遍存在着大惯性、大迟延的控制对象，经典的自抗扰技术难以直接处理大迟延，因此经典自抗扰技术在大迟延系统中应用面临调节效果不佳的情况。
现有中国专利申请号为201410495004.1，公开了一种时滞系统的自抗扰控制系统的设计及整定方法。该方法基于自抗扰技术，首先将复杂的被控对象拟合成一阶惯性环节加纯时滞数学模型，同时将时滞归结为扰动量，应用时滞降价线性扩张状态观测器对含有时滞的未知总扰动进行估计，并主动补偿总扰动对系统的影响，从而把时滞系统还原为ADRC标准的“积分器串联型”，实现时滞系统的补偿。最后推导了系统的闭环传递函数，消除了特征方程中的纯时滞环节，相应给出了具有普适性的ADRC单参数整定公式及可调参数之间的数值关系。仿真结果验证了所设计的实用ADRC具有较好的稳定性、快速性、准确性和抗扰性。
又有人提出了一种线性自抗扰控制器的另一种改进型，它是基于普通线性自抗扰控制器结构的基础上，在反馈回路利用高阶惯性环节代替纯迟延实现了对迟延时间的补偿。
以上两种控制器均是利用被控对象的部分信息，能够在一定程度上改善大迟延对象的控制效果，但实际工程对象在复杂环境中往往面临多种外界干扰，出现特性变化的现象，尤其是时滞系统往往体现出时变的现象，迟延特性容易出现波动和变化，现有被控对象受到外界扰动的影响，导致现有的改进型自抗扰控制器在实际工程中出现调节效果变差甚至不稳定的情况，自抗扰控制难以取得满意的控制效果。
发明内容
针对现有技术的不足，本发明的目的在于提供一种基于神经网络预测的线性自抗扰控制器的设计方法。
本发明所述的线性自抗扰控制器的设计方法包括：
步骤1、获取和预处理样本数据，构建样本训练集和样本测试集；
步骤2、利用样本训练集构造ELMAN神经网络预测模型，并用样本测试集进行验证；
步骤3、输入工况数据到ELMAN神经网络预测模型获取输出值改造扩张状态观测器。
进一步的，步骤1所述获取和预处理样本数据，构建样本训练集和样本测试集包括：
步骤101、将采集到的历史样本数据划分为训练样本和测试样本，训练样本和测试样本均包括不同工况下被控制对象干扰因素、被控制对象控制量和控制对象输出值；
步骤102、将训练样本和测试样本分别代入控制对象模型计算训练样本延迟时间和测试样本延迟时间，分别定义为有标签数据和无标签数据；
步骤103、根据额定工况条件下的被控制对象干扰因素、被控制对象控制量和控制对象输出值代入控制对象模型，计算获取额定工况延迟时间；
步骤104、根据标签输出值计算模型，利用额定工况延迟时间和有标签数据计算有标签输出向量；利用额定工况时间和无标签数据计算无标签输出向量，作为检验构建模型是否满足预先设定的要求。
进一步的，步骤103所述控制对象模型如下式计算：
Figure BDA0003059460900000021
上式(1)中，y为控制对象输出值，d为被控对象干扰因素，s为拉普拉斯算子，K为过程的静态增益，u为控制对象输入值，τ为被控对象的迟延时间，T为过程的惯性时间。
进一步的，步骤104所述标签输出值计算模型如下式：
f(d，u)k＝τk-τ0.......(2)，
上式(2)中，f(d，u)k为第k个因扰动影响造成的迟延时间偏差量，τk为第k个过程中通过参数辨识得到的迟延时间估计值，k为次数，k∈(1..n)，n代表进行参数辨识的次数。
进一步的，步骤2所述利用样本训练集构造ELMAN神经网络预测模型，并用样本测试集进行性验证包括：
步骤201、构建训练数据集X＝(uin，yout)，输入向量为利用训练样本中被控制对象干扰因素d和控制对象输入值u构成，为
Figure BDA0003059460900000031
输出向量为由标签输出向量构成，为
Figure BDA0003059460900000032
步骤202、将训练数据集X＝(uin，yout)代入ELMAN神经网络预测分析模型求解各个参量数值，确定ELMAN神经网络预测分析模型；
步骤203、模型检验，构建测试数据集X'＝(uin test,yout test)，利用无标签数据构建用于测试的输入向量，为uin test，利用无标签输出向量构建用于测试的输出向量，为yout test，将测试的输入向量uin test代入ELMAN神经网络预测分析模型求解预测输出向量y'out test；
步骤204、将预测输出向量y'out test和测试的输出向量yout test代入检验模型判断ELMAN神经网络预测分析模型是否满足预先设定的要求,若不满足预先设定要求，则从新选取样本数据对ELMAN神经网络预测分析模型进行训练，确定最优参量数值，若满足预先设定要求，ELMAN神经网络预测分析模型构建完成。
进一步的，步骤3所述ELMAN神经网络预测分析模型如下式计算：
Figure BDA0003059460900000041
上式(3)中，WU(k)，WC(k)和WO(k)为输入层的权重值，承接层和输出层的权重矩阵，uin(k)为包含主要扰动因素和控制量的第k个输入向量，vin(k)为隐藏层的输入向量，yout(k)为第k个输出变量，xH(k)为隐藏层的输出向量，xc(k)为承接层的输出向量。f1和f2为输入层和输出层的函数，α为承接层的增益。
进一步的，步骤3所述ELMAN神经网络预测分析模型检验按照下式(4)计算：
Figure BDA0003059460900000042
上式(4)中，ε为预先设置的数值。
进一步的，步骤3所述输入工况数据到ELMAN神经网络预测模型获取输出值改造扩张状态观测器包括：
步骤301、获取当前状态下的控制对象干扰因素和控制对象输入值；
步骤302、将当前状态下的控制对象干扰因素和控制对象输入值代入ELMAN神经网络预测分析模型，求解当前工况的迟延时间估计值；
步骤303、将当前工况的迟延时间估计值输入扩张状态观测器进行改造，改造后为下式(5)：
Figure BDA0003059460900000043
上式(5)中，L0＝[β1β2…βnβn+1]T表示状态观测器增益，
Figure BDA0003059460900000044
Figure BDA0003059460900000045
C0＝[1 0… 0 0]T，z(t)为扩张状态观测器中的状态变量，
Figure BDA0003059460900000052
为扩张状态观测器中状态变量的导数，
Figure BDA0003059460900000051
为状态扩张观测器对对象输出y(t)的估计值，u(t-(τ0+yout(k)))为输入量u过去(τ0+yout(k))时刻的值。
本发明的有益效果是：
本发明提出了一种基于神经网络预测的改进型自抗扰控制器的设计方法，该方法提出的控制器利用神经网络能够实现对多干扰下的复杂对象迟延特性的预测功能，进而实现对多干扰下大迟延对象的精准控制。
附图说明
图1为本发明所述控制器结构示意图；
图2为本发明所述具体流程示意图。
具体实施方式
下面结合说明书附图对本发明做进一步说明。
本发明提出了一种基于神经网络预测的改进型自抗扰控制器的设计方法。
如图1、图2所示，所述线性自抗扰控制器的设计方法，包括：
步骤1、获取和预处理样本数据，构建样本训练集和样本测试集；
步骤2、利用样本训练集构造ELMAN神经网络预测模型，并用样本测试集进行验证；
步骤3、输入工况数据到ELMAN神经网络预测模型获取输出值改造扩张状态观测器，构建ANN-LADRC。
进一步的，步骤1所述获取和预处理样本数据，构建样本训练集和样本测试集包括：
步骤101、将采集到的历史样本数据划分为训练样本和测试样本，训练样本和测试样本均包括不同工况下被控制对象干扰因素、被控制对象控制量和控制对象输出值；
步骤102、将训练样本和测试样本分别代入控制对象模型计算训练样本延迟时间和测试样本延迟时间，分别定义为有标签数据和无标签数据；
步骤103、根据额定工况条件下的被控制对象干扰因素、被控制对象控制量和控制对象输出值代入控制对象模型，计算获取额定工况延迟时间；
步骤104、根据标签输出值计算模型，利用额定工况延迟时间和有标签数据计算有标签输出向量；利用额定工况时间和无标签数据计算无标签输出向量，作为检验构建模型是否满足预先设定的要求。
进一步的，步骤103所述控制对象模型如下式计算：
Figure BDA0003059460900000061
上式(1)中，y为控制对象输出值，d为被控对象干扰因素，s为拉普拉斯算子，K为过程的静态增益，u为控制对象输入值，τ为被控对象的迟延时间，T为过程的惯性时间。
进一步的，步骤104所述标签输出值计算模型如下式：
f(d，u)k＝τk-τ0.......(2)，
上式(2)中，f(d，u)k为第k个因扰动影响造成的迟延时间偏差量，τk为第k个过程中通过参数辨识得到的迟延时间估计值，k为次数，k∈(1..n)，n代表进行参数辨识的次数。
进一步的，步骤2所述利用样本训练集构造ELMAN神经网络预测模型，并用样本测试集进行性验证包括：
步骤201、构建训练数据集X＝(uin，yout)，输入向量为利用训练样本中被控制对象干扰因素d和控制对象输入值u构成，为
Figure BDA0003059460900000062
输出向量为由标签输出向量构成，为
Figure BDA0003059460900000063
步骤202、将训练数据集X＝(uin，yout)代入ELMAN神经网络预测分析模型求解各个参量数值，确定ELMAN神经网络预测分析模型；
步骤203、模型检验，构建测试数据集X'＝(uin test,yout test)，利用无标签数据构建用于测试的输入向量，为uin test，利用无标签输出向量构建用于测试的输出向量，为yout test，将测试的输入向量uin test代入ELMAN神经网络预测分析模型求解预测输出向量y'out test；
步骤204、将预测输出向量y'out test和测试的输出向量yout test代入检验模型判断ELMAN神经网络预测分析模型是否满足预先设定的要求,若不满足预先设定要求，则从新选取样本数据对ELMAN神经网络预测分析模型进行训练，确定最优参量数值，若满足预先设定要求，ELMAN神经网络预测分析模型构建完成。
进一步的，步骤3所述ELMAN神经网络预测分析模型如下式计算：
Figure BDA0003059460900000071
上式(3)中，WU(k)，WC(k)和WO(k)为输入层的权重值，承接层和输出层的权重矩阵，uin(k)为包含主要扰动因素和控制量的第k个输入向量，vin(k)为隐藏层的输入向量，yout(k)为第k个输出变量，xH(k)为隐藏层的输出向量，xc(k)为承接层的输出向量。f1和f2为输入层和输出层的函数，α为承接层的增益。
进一步的，步骤3所述ELMAN神经网络预测分析模型检验按照下式(4)计算：
Figure BDA0003059460900000072
上式(4)中，ε为预先设置的数值。
进一步的，步骤3所述输入工况数据到ELMAN神经网络预测模型获取输出值改造扩张状态观测器包括：
步骤301、获取当前状态下的控制对象干扰因素和控制对象输入值；
步骤302、将当前状态下的控制对象干扰因素和控制对象输入值代入ELMAN神经网络预测分析模型，求解当前工况的迟延时间估计值；
步骤303、将当前工况的迟延时间估计值输入扩张状态观测器进行改造，改造后为下式(5)：
Figure BDA0003059460900000081
上式(5)中，L0＝[β1β2…βnβn+1]T表示状态观测器增益，
Figure BDA0003059460900000082
Figure BDA0003059460900000083
C0＝[1 0 … 0 0]T，
z(t)为扩张状态观测器中的状态变量，
Figure BDA00030594609000000810
为扩张状态观测器中状态变量的导数，
Figure BDA0003059460900000084
为状态扩张观测器对对象输出y(t)的估计值，u(t-(τ0+yout(k)))为输入量u过去(τ0+yout(k))时刻的值。
具体的步骤3为，假设过程对象的模型为：
Figure BDA0003059460900000085
其中，y为系统输出；u为系统输入；w为系统外部扰动；
Figure BDA0003059460900000086
为系统广义扰动，为系统内部未知扰动和系统外部扰动的未知函数；x(t)为系统状态变量；b0为增益系数。
将g扩展为一个新状态，令x1＝y，
Figure BDA0003059460900000087
xn＝y(n-1)，xn+1＝g。
假设g可微且
Figure BDA0003059460900000088
则系统可表示为
Figure BDA0003059460900000089
其中，
Figure BDA0003059460900000091
Figure BDA0003059460900000092
C0＝[1 0 … 0 0]T。
结合ELMAN神经网络模型的输出，将LSEO设计为
Figure BDA0003059460900000093
其中，L0＝[β1β2…βnβn+1]T——状态观测器增益。
基于LESO对系统状态及扰动的估计，系统控制率可设计为：
Figure BDA0003059460900000094
其中状态反馈控制率u0(t)设计为：
Figure BDA0003059460900000095
则可得：
Figure BDA0003059460900000096
其中，r(t)——需跟踪的输入信号，
Figure BDA0003059460900000097
Figure BDA0003059460900000098
——状态反馈增益。
控制器中的剩余未知参数为b0，L0，K0可采用优化算法整定。
本发明并不限于上述实施方式，在不背离本发明实质内容的情况下，本领域技术人员可以想到的任何变形、改进、替换均落入本发明的保护范围。

Claims (8)

1.一种基于神经网络预测的线性自抗扰控制器的设计方法，其特征在于，包括：
步骤1、获取和预处理样本数据，构建样本训练集和样本测试集；
步骤2、利用样本训练集构造ELMAN神经网络预测模型，并用样本测试集进行验证；
步骤3、输入工况数据到ELMAN神经网络预测模型获取输出值改造扩张状态观测器。
2.根据权利要求1所述的基于神经网络预测的线性自抗扰控制器的设计方法，其特征在于，步骤1所述获取和预处理样本数据，构建样本训练集和样本测试集包括：
步骤101、将采集到的历史样本数据划分为训练样本和测试样本，训练样本和测试样本均包括不同工况下被控制对象干扰因素、被控制对象控制量和控制对象输出值；
步骤102、将训练样本和测试样本分别代入控制对象模型计算训练样本延迟时间和测试样本延迟时间，分别定义为有标签数据和无标签数据；
步骤103、根据额定工况条件下的被控制对象干扰因素、被控制对象控制量和控制对象输出值代入控制对象模型计算获取额定工况延迟时间；
步骤104、根据标签输出值计算模型，利用额定工况延迟时间和有标签数据计算有标签输出向量；利用额定工况时间和无标签数据计算无标签输出向量，作为检验构建模型是否满足预先设定的要求。
3.根据权利要求2所述的基于神经网络预测的线性自抗扰控制器的设计方法，其特征在于，步骤103所述控制对象模型如下式计算：
Figure FDA0003059460890000011
上式(1)中，y为控制对象输出值，d为被控对象干扰因素，s为拉普拉斯算子，K为过程的静态增益，u为控制对象输入值，τ为被控对象的迟延时间，T为过程的惯性时间。
4.根据权利要求2所述的基于神经网络预测的线性自抗扰控制器的设计方法，其特征在于，步骤104所述标签输出值计算模型如下式：
f(d，u)k＝τk-τ0.......(2)，
上式(2)中，f(d，u)k为第k个因扰动影响造成的迟延时间偏差量，τk为第k个过程中通过参数辨识得到的迟延时间估计值，k为次数，k∈(1..n)，n代表进行参数辨识的次数。
5.根据权利要求2所述的基于神经网络预测的线性自抗扰控制器的设计方法，其特征在于，步骤2所述利用样本训练集构造ELMAN神经网络预测模型，并用样本测试集进行性验证包括：
步骤201、构建训练数据集X＝(uin，yout)，输入向量为利用训练样本中被控制对象干扰因素d和控制对象输入值u构成，为
Figure FDA0003059460890000021
输出向量为由标签输出向量构成，为
Figure FDA0003059460890000022
步骤202、将训练数据集X＝(uin，yout)代入ELMAN神经网络预测分析模型求解各个参量数值，确定ELMAN神经网络预测分析模型；
步骤203、模型检验，构建测试数据集X'＝(uin test,yout test)，利用无标签数据构建用于测试的输入向量，为uin test，利用无标签输出向量构建用于测试的输出向量，为yout test，将测试的输入向量uin test代入ELMAN神经网络预测分析模型求解预测输出向量y'out test；
步骤204、将预测输出向量y'out test和测试的输出向量yout test代入检验模型判断ELMAN神经网络预测分析模型是否满足预先设定的要求,若不满足预先设定要求，则从新选取样本数据对ELMAN神经网络预测分析模型进行训练，确定最优参量数值，若满足预先设定要求，ELMAN神经网络预测分析模型构建完成。
6.根据权利要求5所述的基于神经网络预测的线性自抗扰控制器的设计方法，其特征在于，步骤3所述ELMAN神经网络预测分析模型如下式计算：
Figure FDA0003059460890000031
上式(3)中，WU(k)，WC(k)和WO(k)为输入层的权重值，承接层和输出层的权重矩阵，uin(k)为包含主要扰动因素和控制量的第k个输入向量，vin(k)为隐藏层的输入向量，yout(k)为第k个输出变量，xH(k)为隐藏层的输出向量，xc(k)为承接层的输出向量。f1和f2为输入层和输出层的函数，α为承接层的增益。
7.根据权利要求5所述的基于神经网络预测的线性自抗扰控制器的设计方法，其特征在于，步骤3所述ELMAN神经网络预测分析模型检验按照下式(4)计算：
Figure FDA0003059460890000032
上式(4)中，ε为预先设置的数值。
8.根据权利要求1所述的基于神经网络预测的改进型线性自抗扰控制器的设计方法，其特征在于，步骤3所述输入工况数据到ELMAN神经网络预测模型获取输出值改造扩张状态观测器包括：
步骤301、获取当前状态下的控制对象干扰因素和控制对象输入值；
步骤302、将当前状态下的控制对象干扰因素和控制对象输入值代入ELMAN神经网络预测分析模型，求解当前工况的迟延时间估计值；
步骤303、将当前工况的迟延时间估计值输入扩张状态观测器进行改造，改造后为下式(5)：
Figure FDA0003059460890000033
上式(5)中，L0＝[β1 β2 … βn βn+1]T表示状态观测器增益，
Figure FDA0003059460890000034
Figure FDA0003059460890000041
C0＝[1 0 … 0 0]T，
z(t)为扩张状态观测器中的状态变量，
Figure FDA0003059460890000042
为扩张状态观测器中状态变量的导数，
Figure FDA0003059460890000043
为状态扩张观测器对对象输出y(t)的估计值，u(t-(τ0+yout(k)))为输入量u过去(τ0+yout(k))时刻的值。
CN202110508816.5A 2021-05-11 2021-05-11 一种基于神经网络预测的线性自抗扰控制器的设计方法 Pending CN113268919A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110508816.5A CN113268919A (zh) 2021-05-11 2021-05-11 一种基于神经网络预测的线性自抗扰控制器的设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110508816.5A CN113268919A (zh) 2021-05-11 2021-05-11 一种基于神经网络预测的线性自抗扰控制器的设计方法

Publications (1)

Publication Number Publication Date
CN113268919A true CN113268919A (zh) 2021-08-17

Family

ID=77230322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110508816.5A Pending CN113268919A (zh) 2021-05-11 2021-05-11 一种基于神经网络预测的线性自抗扰控制器的设计方法

Country Status (1)

Country Link
CN (1) CN113268919A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115408919A (zh) * 2022-10-28 2022-11-29 华中科技大学 一种基于神经网络的重装空投跌落冲击预测方法及其系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110018638A (zh) * 2019-04-03 2019-07-16 江苏大学 交流径向磁轴承用神经网络自抗扰控制器及其构造方法
CN110259590A (zh) * 2019-06-28 2019-09-20 重庆邮电大学 复杂工况下hcci发动机燃烧正时控制系统
US20200239982A1 (en) * 2019-01-28 2020-07-30 East China Jiaotong University Prediction Control Method And System For Component Contents In Rare Earth Extraction Process

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200239982A1 (en) * 2019-01-28 2020-07-30 East China Jiaotong University Prediction Control Method And System For Component Contents In Rare Earth Extraction Process
CN110018638A (zh) * 2019-04-03 2019-07-16 江苏大学 交流径向磁轴承用神经网络自抗扰控制器及其构造方法
CN110259590A (zh) * 2019-06-28 2019-09-20 重庆邮电大学 复杂工况下hcci发动机燃烧正时控制系统

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
JIA; CZ 等: "Combining LIDAR and LADRC for intelligent pitch control of wind turbines", RENEWABLE ENERGY, vol. 169, 16 January 2021 (2021-01-16), pages 1091 - 1105 *
LI; DZ 等: "On Parameter Stability Region of LADRC for Time-Delay Analysis with a Coupled Tank Application", PROCESSES, vol. 8, no. 2, 14 February 2020 (2020-02-14), pages 1 - 19 *
WYSOCKI; A 等: "Elman neural network for modeling and predictive control of delayed dynamic systems", ARCHIVES OF CONTROL SCIENCES, vol. 26, no. 1, 13 April 2016 (2016-04-13), pages 117 - 142 *
刘丽英: "线性自抗扰控制策略在异步电机调速系统中的应用研究", 中国优秀博士学位论文全文数据库（电子期刊）, no. 07, 15 July 2011 (2011-07-15), pages 042 - 20 *
刘学军;段慧达;: "基于动态递归网络PID自适应控制器设计", 微计算机信息, no. 07, 5 March 2008 (2008-03-05), pages 31 - 33 *
李宗俐: "基于干扰观测器的模型预测控制器设计与实现", 中国优秀硕士学位论文全文数据库（电子期刊）, no. 01, 15 January 2019 (2019-01-15), pages 140 - 54 *
沈汉文: "网络控制系统的时延故障诊断方法研究", 中国优秀硕士学位论文全文数据库（电子期刊）, no. 05, 15 May 2019 (2019-05-15), pages 140 - 465 *
王永帅 等: "一阶惯性大时滞系统Smith预估自抗扰控制", 智能系统学报, vol. 13, no. 04, 29 March 2018 (2018-03-29), pages 500 - 508 *
聂玲;黄焕袍;刘禾;韩昊书;吕品;: "神经网络-自抗扰控制策略的过热汽温控制", 控制工程, no. 2, 20 May 2010 (2010-05-20), pages 47 - 50 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115408919A (zh) * 2022-10-28 2022-11-29 华中科技大学 一种基于神经网络的重装空投跌落冲击预测方法及其系统

Similar Documents

Publication Publication Date Title
US6826521B1 (en) System and methodology and adaptive, linear model predictive control based on rigorous, nonlinear process model
CN109839825B (zh) 一种稀土萃取过程组分含量的预测控制方法及系统
CN111308979B (zh) 基于多率迟延状态空间模型的u控制系统
CN111982302B (zh) 一种带噪声滤波和环境温度补偿的测温方法
JP2009516303A (ja) プロセス制御環境において有益なデータを特定する装置および方法
CN108490779A (zh) 一种稀土萃取过程解耦控制方法
CN102004444A (zh) 稀土萃取过程组分含量多模型预测控制方法
CN113268919A (zh) 一种基于神经网络预测的线性自抗扰控制器的设计方法
CN110222825B (zh) 一种水泥成品比表面积预测方法及系统
Zeng et al. DDPG-based continuous thickness and tension coupling control for the unsteady cold rolling process
Liu et al. Fault estimation and control for unknown discrete-time systems based on data-driven parameterization approach
Yu et al. Neural model adaptation and predictive control of a chemical process rig
CN112318511A (zh) 基于数据驱动的机械臂轨迹跟踪控制方法
Knohl et al. Indirect adaptive dual control for Hammerstein systems using ANN
Belikov et al. Model based control of a water tank system
CN110687937B (zh) 基于多变量广义最小方差解耦控制的水箱液位控制方法
CN109725526A (zh) 一种多变量半自适应预测控制方法
Müller et al. Compensation techniques for iterative rig control in multi-axial durability testing
CN110705186A (zh) 通过rbf粒子群优化算法即时在线仪表校验和诊断方法
Dias et al. New switched adaptive controller for the industrial tanks
Bedoui et al. Nonlinear approach for the identification of discrete time delay systems
Sun et al. Multiple interval delay-dependent finite-time control of fuzzy stochastic systems
CN113191082B (zh) 基于机器学习的模型参数获取方法、系统及可读介质
Zhou et al. Identification Modeling Based on RBFNN for an Aerial Inertially Stabilized Platform
Yang et al. Multiple Model Predictive Control of Component Content in Rare Earth Extraction Process.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination