神經(jīng)網(wǎng)絡(luò)在流速儀檢定系統(tǒng)中的應用研究.pdf

1、隨著科學技術(shù)的發(fā)展,控制對象變得越來越復雜,對控制指標的要求也越來越高,常規(guī)的控制方法和控制技術(shù)都不能實現(xiàn)對它們的滿意控制.人工神經(jīng)元網(wǎng)絡(luò)作為人工智能在控制領(lǐng)域的應用之一,越來越引起人們的重視.該文從遼寧省水文站的流速儀檢定系統(tǒng)的速度控制出發(fā),對RBF神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂频膶嶋H運用進行了一些研究.由于流速儀檢定調(diào)速系統(tǒng)要求用來檢定流速儀各項性能指標的檢定車的速度控制十分精密、準確.檢定車的速度范圍在(0.01m/s~4.00m/s),調(diào)速比

2、1:400,所以采用了德國西門子的6RA70系列直流調(diào)速器對直流電動機調(diào)速.盡管6RA70調(diào)速器上具有PID功能,但由于該系統(tǒng)來說調(diào)速范圍非常大,很難找到一組既適用于低速又適用于高速的PID參數(shù)(現(xiàn)場實驗己證明了這一點),因而,檢定系統(tǒng)的設(shè)計采用了基于神經(jīng)網(wǎng)絡(luò)自適應PID算法,并在此基礎(chǔ)上運用了RBF神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂?在系統(tǒng)辨識中,采用了自組織特征映射網(wǎng)絡(luò)實現(xiàn)RBF中心聚類,并與遞推最小二乘法構(gòu)成遞推混合學習算法,從而改善了中心聚類效果

3、;同時,權(quán)值的調(diào)整和控制器的設(shè)計均基于所選擇的Lyapunov函數(shù),所以能保證閉環(huán)系統(tǒng)的穩(wěn)定性以及權(quán)值和誤差信號的有界性.網(wǎng)絡(luò)訓練時,根據(jù)過程實測的輸入輸出數(shù)據(jù),將實際對象輸出的過去值包含進RBF網(wǎng)絡(luò)的輸入層,從而得到一動態(tài)神經(jīng)網(wǎng)絡(luò),作非線性系統(tǒng)的預測模型.在動態(tài)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,采用了對象-正模型-逆系統(tǒng)的實現(xiàn)方法,設(shè)計了基于神經(jīng)網(wǎng)絡(luò)的非線性內(nèi)?？刂品桨?論文介紹神經(jīng)網(wǎng)絡(luò)內(nèi)模控制和控制器設(shè)計,并且提出了一種在線自適應跟蹤辨識方法,既利