摘要：为提高大量程六维力传感器的测量精度,提出了一种新型的六维力传感器非线性静态解耦方法,该方法结合混合递阶遗传算法和小波神经网络的优点,采用递阶遗传算法与最小二乘法分别对小波神经网络隐层结构参数以及输出层权值进行优化,再将优化后的小波神经网络模型用于六维力传感器非线性解耦。建立了基于混合递阶遗传算法和优化小波神经网络的六维力传感器非线性解耦模型,设计了基于混合递阶遗传算法的小波神经网络结构及参数优化算法,给出了六维力传感器非线性解耦的具体实现流程。以最新研制的6-UPUR大量程柔性铰六维力传感器为对象进行实验,结果表明,采用该方法六维力传感器的Ⅰ类误差和Ⅱ类误差分别为1.25%和2.59%,比采用BP和RBF神经网络方法的测量精度高。

摘要：原油一般用三相分离器进行脱水。这在工艺上,要求其油水界面高度及罐顶压力保持一定数值。但实际情况表明,界面高度和压力之间存在耦合关系。本文以模糊控制理论为基础,设计了一种模糊解耦控制器,通过仿真计算与应用,得到了较好的效果,与对角线矩阵解耦方法相比,方法简单,可靠。

摘要：在以往结果基础上，利用内模原理，解决了ＭＩＭＯ系统同时镇定渐进跟踪向量值阶跃参 考信号及其静态解耦问题。

摘要：设计了一种八梁结构轮辐式六维力传感器的静态标定试验台,并从传感器的静态耦合特性和解耦算法两方面进行了研究。给出了详细的标定过程,获取了试验数据样本。基于试验样本构造了标定矩阵。结果表明:该传感器在结构上具有良好的自解耦特性,通过解耦算法对传感器输出进行解耦后,传感器的耦合误差基本被消除,满程测量精度能达到2.6%,为该种六维力传感器的实用及其产业化奠定了基础。

摘要：针对水肥一体化施肥机控制系统在交叉耦合、内外不确定条件下难以通过建立精确数学模型进行跟踪控制的问题,提出一种EC和pH改进自抗扰解耦控制策略。利用六次多项式曲线拟合对系统阶跃响应数据进行滤波处理,由面积法构建系统简化数学模型。选择静态解耦法实现系统解耦,对分解后的两个子系统分别设计自抗扰控制器并进行改进,给非线性状态误差反馈率添加类积分项,并引入模糊控制理论实现其参数在线自整定。仿真结果表明,系统EC和pH的调节时间分别为44 s和39 s,超调量分别为5.5%和0.3%,输出绝对误差分别小于0.1 mS/cm和0.2,该控制器能够实现系统高精度独立调节,相比于线性自抗扰和PID控制器,响应速度更快,抗干扰能力和鲁棒性更强。试验结果表明,该控制器调节误差与仿真结果吻合,并且能够使系统用水量、用肥量、用工量分别降低33.13%、35.75%、35.01%,作物产量提升15.16%,节水、节肥、节工和增产效果显著,具有很高的可行性。

摘要：为解决非方时滞系统中耦合和外界输入输出扰动的影响,提出了一种改进的解耦控制方法。首先根据奇异值分解理论对系统进行解耦,结合Smith预估结构并利用内模控制原理设计集中式PI控制器。然后根据过程中的慢动态极点设计改进的反馈滤波器,以加快系统对输入和输出干扰的抑制。仿真实例验证了所设计方法的有效性。

摘要：提出引入σ校正技术的复合模型参考自适应控制方法,可以克服已知的系统干扰。存在未建模动态和未知干扰时,在任何有界的初始条件下,σ校正复合模型参考自适应控制系统的跟踪误差都是有界的。针对典型的汽包锅炉汽轮机系统的非线性模型,将静态状态反馈精确线性化方法和σ校正复合模型参考自适应控制方法相结合,设计了协调控制器。讨论了静态全状态反馈线性化对多输入多输出系统的干扰抑制能力和对多输入多输出摄动系统的鲁棒线性化问题。介绍了非线性σ校正复合模型参考自适应控制器的设计方法。给出了满足约束条件前提下的模型匹配条件的极点配置设计方法。仿真结果表明,所设计的复合控制系统可以实现良好的解耦控制,鲁棒性和抗干扰能力强。

摘要：本文通过对多变量耦合系统的分析和研究,阐述了常用解耦系统的不足,给出了自适应动态解耦系统的设计方法。它包括:模型参考自适应动态解耦系统和自校正解耦系统。

摘要：目的提高注塑机料筒温度控制的精度和稳定性,解决注塑机多段温度控制系统存在的非线性、强耦合、时变性等问题。方法通过分析注塑机的结构及工作原理,利用基于神经网络的静态解耦策略,将相互耦合的回路解耦成单回路系统,并采用粒子群算法优化模糊PID的量化因子。结果仿真及测试表明,各料筒温度响应较迅速,料筒温度超调小,稳态控制误差小,能够获得良好的控制效果。结论通过仿真显示,该控制策略能够克服料筒各段之间的耦合影响,适应性强,稳定性好,有一定的抗干扰能力,使注塑机的温度控制效果得到明显改善,具有一定的实用价值。

摘要：本课题基于奇异非混沌优化(SNO)改进了极限学习机(ELM),并用于解决纸机横幅(CD)定量系统的耦合问题。首先,采用基于分段逻辑映射的SNO方法,对输入层和隐藏层之间随机生成的权重和阈值进行优化,解决了ELM优化不足的缺点。然后,设计奇异非混沌优化极限学习机(SNOELM)解耦器,对多变量系统进行解耦。最后,将其与已提出的改进ELM、鲸鱼优化极限学习机(WOELM)和粒子群优化极限学习机(PSOELM)进行了比较。仿真结果表明,SNOELM解耦方法比ELM具有更好的优化能力,比WOELM和PSOELM具有更高的解耦精度和更快的解耦速度。