基于模糊神经网络的直流蒸汽发生器压力协调控制

合集下载

自动化专业毕业论文外文文献翻译

目录Part 1 PID type fuzzy controller and parameters adaptive method (1)Part 2 Application of self adaptation fuzzy-PID control for main steam temperature control system in power station (7)Part 3 Neuro-fuzzy generalized predictive control of boiler steam temperature ..................................................................... (13)Part 4 为Part3译文：锅炉蒸汽温度模糊神经网络的广义预测控制21Part 1 PID type fuzzy controller and Parametersadaptive methodWu zhi QIAO, Masaharu MizumotoAbstract: The authors of this paper try to analyze the dynamic behavior of the product-sum crisp type fuzzy controller, revealing that this type of fuzzy controller behaves approximately like a PD controller that may yield steady-state error for the control system. By relating to the conventional PID control theory, we propose a new fuzzy controller structure, namely PID type fuzzy controller which retains the characteristics similar to the conventional PID controller. In order to improve further the performance of the fuzzy controller, we work out a method to tune the parameters of the PID type fuzzy controller on line, producing a parameter adaptive fuzzy controller. Simulation experiments are made to demonstrate the fine performance of these novel fuzzy controller structures.Keywords: Fuzzy controller; PID control; Adaptive control1. IntroductionAmong various inference methods used in the fuzzy controller found in literatures , the most widely used ones in practice are the Mamdani method proposed by Mamdani and his associates who adopted the Min-max compositional rule of inference based on an interpretation of a control rule as a conjunction of the antecedent and consequent, and the product-sum method proposed by Mizumoto who suggested to introduce the product and arithmetic mean aggregation operators to replace the logical AND (minimum) and OR (maximum) calculations in the Min-max compositional rule of inference.In the algorithm of a fuzzy controller, the fuzzy function calculation is also a complicated and time consuming task. Tagagi and Sugeno proposed a crisp type model in which the consequent parts of the fuzzy control rules are crisp functional representation or crisp real numbers in the simplified case instead of fuzzy sets . With this model of crisp real number output, the fuzzy set of the inference consequence willbe a discrete fuzzy set with a finite number of points, this can greatly simplify the fuzzy function algorithm.Both the Min-max method and the product-sum method are often applied with the crisp output model in a mixed manner. Especially the mixed product-sum crisp model has a fine performance and the simplest algorithm that is very easy to be implemented in hardware system and converted into a fuzzy neural network model. In this paper, we will take account of the product-sum crisp type fuzzy controller.2. PID type fuzzy controller structureAs illustrated in previous sections, the PD function approximately behaves like a parameter time-varying PD controller. Since the mathematical models of most industrial process systems are of type, obviously there would exist an steady-state error if they are controlled by this kind of fuzzy controller. This characteristic has been stated in the brief review of the PID controller in the previous section.If we want to eliminate the steady-state error of the control system, we can imagine to substitute the input (the change rate of error or the derivative of error) of the fuzzy controller with the integration of error. This will result the fuzzy controller behaving like a parameter time-varying PI controller, thus the steady-state error is expelled by the integration action. However, a PI type fuzzy controller will have a slow rise time if the P parameters are chosen small, and have a large overshoot if the P or I parameters are chosen large. So there may be the time when one wants to introduce not only the integration control but the derivative control to the fuzzy control system, because the derivative control can reduce the overshoot of the system's response so as to improve the control performance. Of course this can be realized by designing a fuzzy controller with three inputs, error, the change rate of error and the integration of error. However, these methods will be hard to implement in practice because of the difficulty in constructing fuzzy control rules. Usually fuzzy control rules are constructed by summarizing the manual control experience of an operator who has been controlling the industrial process skillfully and successfully. The operator intuitively regulates the executor to control the process by watching theerror and the change rate of the error between the system's output and the set-point value. It is not the practice for the operator to observe the integration of error. Moreover, adding one input variable will greatly increase the number of control rules, the constructing of fuzzy control rules are even more difficult task and it needs more computation efforts. Hence we may want to design a fuzzy controller that possesses the fine characteristics of the PID controller by using only the error and the change rate of error as its inputs.One way is to have an integrator serially connected to the output of the fuzzy controller as shown in Fig. 1. In Fig. 1,1K and 2K are scaling factors for e and ~ respectively, and fl is the integral constant. In the proceeding text, for convenience, we did not consider the scaling factors. Here in Fig. 2, when we look at the neighborhood of NODE point in the e - ~ plane, it follows from (1) that the control input to the plant can be approximated by(1)Hence the fuzzy controller becomes a parameter time-varying PI controller, itsequivalent proportional control and integral control components are BK2D and ilK1 P respectively. We call this fuzzy controller as the PI type fuzzy controller (PI fc). We can hope that in a PI type fuzzy control system, the steady-state error becomes zero.To verify the property of the PI type fuzzy controller, we carry out some simulation experiments. Before presenting the simulation, we give a description of the simulation model. In the fuzzy control system shown in Fig. 3, the plant model is a second-order and type system with the following transfer function:)1)(1()(21++=s T s T K s G (2) Where K = 16, 1T = 1, and 2T = 0.5. In our simulation experiments, we use thediscrete simulation method, the results would be slightly different from that of a continuous system, the sampling time of the system is set to be 0.1 s. For the fuzzy controller, the fuzzy subsets of e and d are defined as shown in Fig. 4. Their coresThe fuzzy control rules are represented as Table 1. Fig. 5 demonstrates the simulation result of step response of the fuzzy control system with a Pl fc. We can see that the steady-state error of the control system becomes zero, but when the integration factor fl is small, the system's response is slow, and when it is too large, there is a high overshoot and serious oscillation. Therefore, we may want to introduce the derivative control law into the fuzzy controller to overcome the overshoot and instability. We propose a controller structure that simply connects the PD type and the PI type fuzzy controller together in parallel. We have the equivalent structure of that by connecting a PI device with the basic fuzzy controller serially as shown in Fig.6. Where ~ is the weight on PD type fuzzy controller and fi is that on PI type fuzzy controller, the larger a/fi means more emphasis on the derivative control and less emphasis on the integration control, and vice versa. It follows from (7) that the output of the fuzzy controller is(3)3. The parameter adaptive methodThus the fuzzy controller behaves like a time-varying PID controller, its equivalent proportional control, integral control and derivative control components are respectively. We call this new controller structure a PID type fuzzy controller (PID fc). Figs. 7 and 8 are the simulation results of the system's step response of such control system. The influence of ~ and fl to the system performance is illustrated. When ~ > 0 and/3 = 0, meaning that the fuzzy controller behaves like PD fc, there exist a steady-state error. When ~ = 0 and fl > 0, meaning that the fuzzy controller behaves like a PI fc, the steady-state error of the system is eliminated but there is a large overshoot and serious oscillation.When ~ > 0 and 13 > 0 the fuzzy controller becomes a PID fc, the overshoot is substantially reduced. It is possible to get a comparatively good performance by carefully choosing the value of αandβ.4. ConclusionsWe have studied the input-output behavior of the product-sum crisp type fuzzy controller, revealing that this type of fuzzy controller behaves approximately like a parameter time-varying PD controller. Therefore, the analysis and designing of a fuzzy control system can take advantage of the conventional PID control theory. According to the coventional PID control theory, we have been able to propose some improvement methods for the crisp type fuzzy controller.It has been illustrated that the PD type fuzzy controller yields a steady-state error for the type system, the PI type fuzzy controller can eliminate the steady-state error. We proposed a controller structure, that combines the features of both PD type and PI type fuzzy controller, obtaining a PID type fuzzy controller which allows the control system to have a fast rise and a small overshoot as well as a short settling time.To improve further the performance of the proposed PID type fuzzy controller, the authors designed a parameter adaptive fuzzy controller. The PID type fuzzy controller can be decomposed into the equivalent proportional control, integral control and the derivative control components. The proposed parameter adaptive fuzzy controller decreases the equivalent integral control component of the fuzzy controller gradually with the system response process time, so as to increase the damping of the system when the system is about to settle down, meanwhile keeps the proportional control component unchanged so as to guarantee quick reaction against the system's error. With the parameter adaptive fuzzy controller, the oscillation of the system is strongly restrained and the settling time is shortened considerably.We have presented the simulation results to demonstrate the fine performance of the proposed PID type fuzzy controller and the parameter adaptive fuzzy controller structure.Part 2 Application of self adaptation fuzzy-PID control for main steam temperature control system inpower stationZHI-BIN LIAbstract: In light of the large delay, strong inertia, and uncertainty characteristics of main steam temperature process, a self adaptation fuzzy-PID serial control system is presented, which not only contains the anti-disturbance performance of serial control, but also combines the good dynamic performance of fuzzy control. The simulation results show that this control system has more quickly response, better precision and stronger anti-disturbance ability．Keywords：Main steam temperature；Self adaptation；Fuzzy control；Serial control1. IntroductionThe boiler superheaters of modem thermal power station run under the condition of high temperature and high pressure, and the superheater’s temperature is highest in the steam channels．so it has important effect to the running of the whole thermal power station．If the temperature is too high, it will be probably burnt out. If the temperature is too low ,the efficiency will be reduced So the main steam temperature mast be strictly controlled near the given value．Fig l shows the boiler main steam temperature system structure.Fig.1 boiler main steam temperature systemIt can be concluded from Fig l that a good main steam temperature controlsystem not only has adequately quickly response to flue disturbance and load fluctuation, but also has strong control ability to desuperheating water disturbance. The general control scheme is serial PID control or double loop control system with derivative. But when the work condition and external disturbance change large, the performance will become instable. This paper presents a self adaptation fuzzy-PID serial control system. which not only contains the anti-disturbance performance of serial control, but also combines the good dynamic character and quickly response of fuzzy control ．1. Design of Control SystemThe general regulation adopts serial PID control system with load feed forward ．which assures that the main steam temperature is near the given value 540℃in most condition ．If parameter of PID control changeless and the work condition and external disturbance change large, the performance will become in stable ．The fuzzy control is fit for controlling non-linear and uncertain process. The general fuzzy controller takes error E and error change ratio EC as input variables ．actually it is a non-linear PD controller, so it has the good dynamic performance ．But the steady error is still in existence. In linear system theory, integral can eliminate the steady error. So if fuzzy control is combined with PI control, not only contains the anti-disturbance performance of serial control, but also has the good dynamic performance and quickly response.In order to improve fuzzy control self adaptation ability, Prof ．Long Sheng-Zhao and Wang Pei-zhuang take the located in bringing forward a new idea which can modify the control regulation online ．This regulation is:]1,0[,)1(∈-+=αααEC E UThis control regulation depends on only one parameter α.Once αis fixed ．the weight of E and EC will be fixed and the self adaptation ability will be very small ．It was improved by Prof. Li Dong-hui and the new regulation is as follow;]1,0[,,,3,)1(2,)1(1,)1(0,)1({321033221100∈±=-+±=-+±=-+=-+=ααααααααααααE EC E E EC E E EC E E EC E UBecause it is very difficult to find a self of optimum parameter, a new method is presented by Prof ．Zhou Xian-Lan, the regulation is as follow:)0(),ex p(12>--=k ke αBut this algorithm still can not eliminate the steady error ．This paper combines this algorithm with PI control ，the performance is improved ．2. Simulation of Control System3.1 Dynamic character of controlled objectPapers should be limited to 6 pages Papers longer than 6 pages will be subject to extra fees based on their length ．Fig .2 main steam temperature control system structureFig 2 shows the main steam temperature control system structure ，)(),(21s W s W δδare main controller and auxiliary controller,)(),(21s W s W o o are characters of the leading and inertia sections,)(),(21s W s W H H are measure unit.3.2 Simulation of the general serial PID control systemThe simulation of the general serial PID control system is operated by MATLAB, the simulation modal is as Fig.3.Setp1 and Setp2 are the given value disturbance and superheating water disturb & rice .PID Controller1 and PID Controller2 are main controller and auxiliary controller ．The parameter value which comes from references is as follow ：667.37,074.0,33.31)(25)(111111122===++===D I p D I p p k k k s k sk k s W k s W δδFig.3. the general PID control system simulation modal3.3 Simulation of self adaptation fuzzy-PID control system SpacingThe simulation modal is as Fig 4.Auxiliary controller is:25)(22==p k s W δ.Main controller is Fuzzy-PI structure, and the PI controller is:074.0,33.31)(11111==+=I p I p k k s k k s W δFuzzy controller is realized by S-function, and the code is as fig.5.Fig.4. the fuzzy PID control system simulation modalFig 5 the S-function code of fuzzy control3.4 Comparison of the simulationGiven the same given value disturbance and the superheating water disturbance，we compare the response of fuzzy-PID control system with PID serial control system. The simulation results are as fig.6-7.From Fig6-7,we can conclude that the self adaptation fuzzy-PID control system has the more quickly response, smaller excess and stronger anti-disturbance．4. Conclusion(1)Because it combines the advantage of PID controller and fuzzy controller, theself adaptation fuzzy-PID control system has better performance than the general PID serial control system.(2)The parameter can self adjust according to the error E value. so this kind of controller can harmonize quickly response with system stability．Part 3 Neuro-fuzzy generalized predictive controlof boiler steam temperatureXiangjie LIU, Jizhen LIU, Ping GUANAbstract: Power plants are nonlinear and uncertain complex systems. Reliable control of superheated steam temperature is necessary to ensure high efficiency and high load-following capability in the operation of modern power plant. A nonlinear generalized predictive controller based on neuro-fuzzy network (NFGPC) is proposed in this paper. The proposed nonlinear controller is applied to control the superheated steam temperature of a 200MW power plant. From the experiments on the plant and the simulation of the plant, much better performance than the traditional controller is obtained.Keywords: Neuro-fuzzy networks; Generalized predictive control; Superheated steam temperature1. IntroductionContinuous process in power plant and power station are complex systems characterized by nonlinearity, uncertainty and load disturbance. The superheater is an important part of the steam generation process in the boiler-turbine system, where steam is superheated before entering the turbine that drives the generator. Controlling superheated steam temperature is not only technically challenging, but also economically important.From Fig.1,the steam generated from the boiler drum passes through the low-temperature superheater before it enters the radiant-type platen superheater. Water is sprayed onto the steam to control the superheated steam temperature in both the low and high temperature superheaters. Proper control of the superheated steam temperature is extremely important to ensure the overall efficiency and safety of the power plant. It is undesirable that the steam temperature is too high, as it can damage the superheater and the high pressure turbine, or too low, as it will lower the efficiency of the power plant. It is also important to reduce the temperaturefluctuations inside the superheater, as it helps to minimize mechanical stress that causes micro-cracks in the unit, in order to prolong the life of the unit and to reduce maintenance costs. As the GPC is derived by minimizing these fluctuations, it is amongst the controllers that are most suitable for achieving this goal.The multivariable multi-step adaptive regulator has been applied to control the superheated steam temperature in a 150 t/h boiler, and generalized predictive control was proposed to control the steam temperature. A nonlinear long-range predictive controller based on neural networks is developed into control the main steam temperature and pressure, and the reheated steam temperature at several operating levels. The control of the main steam pressure and temperature based on a nonlinear model that consists of nonlinear static constants and linear dynamics is presented in that.Fig.1 The boiler and superheater steam generation process Fuzzy logic is capable of incorporating human experiences via the fuzzy rules. Nevertheless, the design of fuzzy logic controllers is somehow time consuming, as the fuzzy rules are often obtained by trials and errors. In contrast, neural networks not only have the ability to approximate non-linear functions with arbitrary accuracy, they can also be trained from experimental data. The neuro-fuzzy networks developed recently have the advantages of model transparency of fuzzy logic and learning capability of neural networks. The NFN is have been used to develop self-tuning control, and is therefore a useful tool for developing nonlinear predictive control. Since NFN is can be considered as a network that consists of several local re-gions, each of which contains a local linear model, nonlinear predictive control based onNFN can be devised with the network incorporating all the local generalized predictive controllers (GPC) designed using the respective local linear models. Following this approach, the nonlinear generalized predictive controllers based on the NFN, or simply, the neuro-fuzzy generalized predictive controllers (NFG-PCs)are derived here. The proposed controller is then applied to control the superheated steam temperature of the 200MW power unit. Experimental data obtained from the plant are used to train the NFN model, and from which local GPC that form part of the NFGPC is then designed. The proposed controller is tested first on the simulation of the process, before applying it to control the power plant.2. Neuro-fuzzy network modellingConsider the following general single-input single-output nonlinear dynamic system:),1(),...,(),(),...,1([)(''+-----=uy n d t u d t u n t y t y f t y ∆+--/)()](),...,1('t e n t e t e e (1)where f[.]is a smooth nonlinear function such that a Taylor series expansion exists, e(t)is a zero mean white noise and Δis the differencing operator,''',,e u y n n n and d are respectively the known orders and time delay of the system. Let the local linear model of the nonlinear system (1) at the operating point )(t o be given by the following Controlled Auto-Regressive Integrated Moving Average (CARIMA) model:)()()()()()(111t e z C t u z B z t y z A d ----+∆= (2) Where )()(),()(1111----∆=z andC z B z A z A are polynomials in 1-z , the backward shift operator. Note that the coefficients of these polynomials are a function of the operating point )(t o .The nonlinear system (1) is partitioned into several operating regions, such that each region can be approximated by a local linear model. Since NFN is a class of associative memory networks with knowledge stored locally, they can be applied to model this class of nonlinear systems. A schematic diagram of the NFN is shown in Fig.2.B-spline functions are used as the membership functions in theNFN for the following reasons. First, B-spline functions can be readily specified by the order of the basis function and the number of inner knots. Second, they are defined on a bounded support, and the output of the basis function is always positive, i.e.,],[,0)(j k j j k x x λλμ-∉=and ],[,0)(j k j j k x x λλμ-∈>.Third, the basis functions form a partition of unity, i.e.,.][,1)(min,∑∈≡j mam j k x x x x μ(3)And fourth, the output of the basis functions can be obtained by a recurrence equation.Fig. 2 neuro-fuzzy network The membership functions of the fuzzy variables derived from the fuzzy rules can be obtained by the tensor product of the univariate basis functions. As an example, consider the NFN shown in Fig.2, which consists of the following fuzzy rules: IF operating condition i (1x is positive small, ... , and n x is negative large),THEN the output is given by the local CARIMA model i:...)()(ˆ...)1(ˆ)(ˆ01+-∆+-++-=d t u b n t y a t y a t yi i a i in i i i a )(...)()(c i in i b i in n t e c t e n d t u b c b -+++--∆+ (4)or )()()()()(ˆ)(111t e z C t u z B z t yz A i i i i d i i ----+∆= (5) Where )()(),(111---z andC z B z A i i i are polynomials in the backward shift operator 1-z , and d is the dead time of the plant,)(t u i is the control, and )(t e i is a zero mean independent random variable with a variance of 2δ. The multivariate basis function )(k i x a is obtained by the tensor products of the univariate basis functions,p i x A a nk k i k i ,...,2,1,)(1==∏=μ (6)where n is the dimension of the input vector x , and p , the total number of weights in the NFN, is given by,∏=+=nk i i k R p 1)( (7)Where i k and i R are the order of the basis function and the number of inner knots respectively. The properties of the univariate B-spline basis functions described previously also apply to the multivariate basis function, which is defined on the hyper-rectangles. The output of the NFN is,∑∑∑=====p i i i p i ip i i i a y aa yy 111ˆˆˆ (8) 3. Neuro-fuzzy modelling and predictive control of superheatedsteam temperatureLet θbe the superheated steam temperature, and θμ, the flow of spray water to the high temperature superheater. The response of θcan be approximated by a second order model:The linear models, however, only a local model for the selected operating point. Since load is the unique antecedent variable, it is used to select the division between the local regions in the NFN. Based on this approach, the load is divided into five regions as shown in Fig.3,using also the experience of the operators, who regard a load of 200MW as high,180MW as medium high,160MW as medium,140MW as medium low and 120MW as low. For a sampling interval of 30s , the estimated linear local models )(1-z A used in the NFN are shown in Table 1.Fig. 3 Membership function for local modelsTable 1 Local CARIMA models in neuro-fuzzy modelCascade control scheme is widely used to control the superheated steam temperature. Feed forward control, with the steam flow and the gas temperature as inputs, can be applied to provide a faster response to large variations in these two variables. In practice, the feed forward paths are activated only when there are significant changes in these variables. The control scheme also prevents the faster dynamics of the plant, i.e., the spray water valve and the water/steam mixing, from affecting the slower dynamics of the plant, i.e., the high temperature superheater. With the global nonlinear NFN model in Table 1, the proposed NFGPC scheme is shown in Fig.4.Fig. 4 NFGPC control of superheated steam temperature with feed-for-ward control.As a further illustration, the power plant is simulated using the NFN model given in Table 1,and is controlled respectively by the NFGPC, the conventional linear GPC controller, and the cascaded PI controller while the load changes from 160MW to 200MW.The conventional linear GPC controller is the local controller designed for the“medium”operating region. The results are shown in Fig.5,showing that, as expected, the best performance is obtained from the NFGPC as it is designed based on a more accurate process model. This is followed by the conventional linear GPC controller. The performance of the conventional cascade PI controller is the worst, indicating that it is unable to control satisfactory the superheated steam temperature under large load changes. This may be the reason for controlling the power plant manually when there are large load changes.Fig.5 comparison of the NFGPC, conventional linear GPC, and cascade PI controller.4. ConclusionsThe modeling and control of a 200 MW power plant using the neuro-fuzzy approach is presented in this paper. The NFN consists of five local CARIMA models.The out-put of the network is the interpolation of the local models using memberships given by the B-spline basis functions. The proposed NFGPC is similarly constructed, which is designed from the CARIMA models in the NFN. The NFGPC is most suitable for processes with smooth nonlinearity, such that its full operating range can be partitioned into several local linear operating regions. The proposed NFGPC therefore provides a useful alternative for controlling this class of nonlinear power plants, which are formerly difficult to be controlled using traditional methods.Part 4 为Part3译文：锅炉蒸汽温度模糊神经网络的广义预测控制Xiangjie LIU, Jizhen LIU, Ping GUAN摘要：发电厂是非线性和不确定性的复杂系统。

蒸汽发生器传热管的凹痕尺寸测量

蒸汽发生器传热管的凹痕尺寸测量
罗炜;邓道勇;张立殷;代勤龙;程怒涛
【期刊名称】《无损检测》
【年(卷),期】2024(46)1
【摘要】压水堆核岛主设备蒸汽发生器传热管在制造安装过程中易产生凹痕,要对凹痕进行残余应力分析、壁厚损失计算和运行寿命评估等工作,须获得凹痕的深度、长度和宽度等关键尺寸信息。

针对已安装的传热管系密集和蒸汽发生器壳体限制导致凹痕尺寸无法直接测量的问题,提出了一种利用视频内窥镜测量凹痕深度、同轴
线圈内穿涡流测量凹痕长度及阵列内穿涡流测量凹痕宽度的方法。

该方法为传热管凹痕的定量分析提供了依据,为后续核岛主设备热交换器传热管凹痕质量问题的处
理累积了宝贵经验。

【总页数】6页(P51-56)
【作者】罗炜;邓道勇;张立殷;代勤龙;程怒涛
【作者单位】东方电气(广州)重型机器有限公司
【正文语种】中文
【中图分类】TG115.28
【相关文献】
1.蒸汽发生器传热管内穿涡流检测的噪声特性及其测量方法
2.蒸汽发生器传热管导热系数的测量研究
3.基于神经网络的核电蒸汽发生器环焊缝局部热处理过程U型
管凹痕预防技术4.蒸汽发生器抗振条与换热管间隙的测量5.蒸汽发生器传热管凹痕与缺陷的涡流检测信号分析
因版权原因，仅展示原文概要，查看原文内容请购买。

直流蒸汽发生器控制系统研究

段汽水重量比。
．
一
Ｃｐ（ｖ７８ＷｐＴｐ－ＷｐＴｐ）ｇｇ－Ｑｐｓ
ＣｐＦｐｐ１ｓ７８８
二二塑Ｃ瞄ｙＦＺ８８
ｄｔ。１ｄ８ｔｄ丁瑚ｄｆ丁ｍ８８ｄｌＺｄｔ８
ｄ８Ｔｓｄ８ＷＴＴｓ８ｌｓ９一Ｗ丁＋Ｑ９７７ｓ８
在逐渐展开。
动态数学模型，进行了动态特性分析。并
根据直流蒸发器的特点，照二回路工质按的状态将其划分为预热段、态沸腾段、核膜态沸腾段和过热段四个段。这些段的边界根据体积水／汽比焓Ｈ和蒸汽偏离核态沸腾点的含汽蒸
一
Ｗｓ９一Ｗ７Ｆ８７ｓ
９为各区段出人口处工质流量；）Ｑ（＝２４，，
６８为各区段载热剂放热量；（＝２４６８，）Ｑｉ，，，）为各区段工质吸热量；（Ｑ＝２４６８为各，，，）区段管壁吸热量；ｆ饱和水比容；为饱和ｓ为蒸汽比容；核沸腾段汽水重量比；膜沸腾ＡＢ
指导意义。
关键词流蒸发器；态特性；制系统；级控制；：动控串自学习；糊控制；经网络模神程 ∞直
ｄ
１概
培
述
２动态特性分析
动态数学模型是用来描述对象的各种参

基于模糊逻辑控制的气体流量调节系统研究

基于模糊逻辑控制的气体流量调节系统研究气体流量调节系统是机械、化工、电子等行业中广泛使用的一种设备。

为了实现准确、可靠、高效的气体流量调节，研究并应用基于模糊逻辑控制的气体流量调节系统越来越受到关注。

模糊逻辑控制是一种基于模糊集合理论的智能控制方法。

相比于传统的PID控制方法，模糊逻辑控制能够更好地应对系统复杂多变的控制需求。

该方法的基本思想是将输入和输出量视为模糊集合，通过设计一套模糊逻辑推理规则来实现对输出量的控制。

在气体流量调节系统中，采用模糊逻辑控制的方法可以帮助调节系统在不同工况下实现流量控制的准确性和稳定性。

首先，利用温度、压力、流量等传感器获取实时的系统反馈信号，通过建立一系列的隶属函数来模糊化反馈信号，进而构建一个模糊控制器。

其次，通过模糊推理规则和模糊控制规则实现对气体流量设定值进行计算，进而控制执行机构的输出来达到控制流量的目的。

在模糊逻辑控制的过程中，需要对模糊数学的知识进行深入理解和运用。

例如，如何确定隶属度函数的参数、如何构建规则库、如何进行推理运算等。

此外，还需要对专业技术和实验室设备进行深入了解与使用，例如气体流量传感器、气体流量控制阀门等。

基于模糊逻辑控制的气体流量调节系统具有以下优势：1.适应性强：模糊逻辑控制方法能够在不同的工况下对系统进行自适应控制。

这使得气体流量调节系统在实际使用中具有更强的适应性和稳定性。

2.精度高：相比传统的PID控制方法，模糊逻辑控制方法能够更准确地控制气体流量，从而达到更高的控制精度。

3.应用广泛：气体流量调节系统是工业生产中不可或缺的设备，在化工、机械、电子等行业中都得到了广泛应用。

基于模糊逻辑控制的气体流量调节系统具有更好的控制效果和应用前景。

总之，基于模糊逻辑控制的气体流量调节系统是一种具有很高实用价值的技术方法。

无论在控制精度、适应性还是应用范围上，都能够带来很大的提升和优化。

我们相信，在未来的应用中，将有越来越多的气体流量调节系统采用这种方法来进行精确、可靠的控制。

锅炉蒸汽温度模糊神经网络的广义预测控制(毕业设计)

毕业设计（论文）外文翻译Neuro-fuzzy generalized predictive control ofboiler steam temperature锅炉蒸汽温度模糊神经网络的广义预测控制本科电气与信息学院自动化讲师学生姓名学历层次所在院系所学专业指导教师教师职称锅炉蒸汽温度模糊神经网络的广义预测控制摘要：发电厂是非线性和不确定的复杂系统。

现代电厂在运作上的，为确保高效率和高负荷的能力，可靠的控制过热蒸汽温度是必要的。

本文提出了一类在非线性广义预测控制器的基础上的模糊神经网络（ nfgpc ）。

所提出的非线性控制器适用于控制一台200 MW电厂的过热蒸汽温度。

从实验的移植和仿真移植上获得比传统的控制器好得多的性能。

关键词：模糊神经网络;广义预测控制;过热蒸汽温度。

1 引言这种持续不断的电厂和电力站复杂系统的特点是非线性、不确定性和负载扰动。

蒸汽发电的过程中锅炉-汽轮机温度过热是一个重要的过程，蒸汽加热后，进入涡轮驱动发电机。

控制过热蒸汽温度不仅是在技术上具有挑战性，但在经济上也是十分重要的。

图 1锅炉过热器和蒸汽生成过程。

从图1看出，产生的蒸汽从锅炉汽包通过低温过热器后进入辐射型屏。

水变成喷涂的蒸汽，以控制过热蒸汽的温度。

适当的控制电厂过热蒸汽温度是极其重要的，可以确保整体效率和安全性。

蒸汽温度太高是不可取的地方，因为过热它可损害和高压力汽轮机，太低也不行，因为它会降低电厂效率的。

减少温度波动内过热也是重要的，因为它有助于减少在单位内机械应力造成的微裂纹，延长单位秩序寿命，并减少维修成本。

作为GPC的推导应该尽量减少这些波动，它是众多的控制器是最适合实现这一目标的。

多变量多步自适应调节已适用于控制过热蒸汽温度在150吨/ h锅炉，提出了广义预测控制以控制蒸汽温度。

非线性长程预测控制器基于神经网络发展是以控制主蒸汽温度和压力。

控制主蒸汽压力和温度的基础上，非线性模型的构成是非线性静力常数和非线性动力学。

神经网络自学习模型控制器在直流蒸汽发生器控制中的应用

后趋于稳定。
本文采用二维模糊控制器，以误差和误差的变
化为输入变量，以控制量的变化为输出变量。描述
输入变量Ｅ的语言值的模糊词集为：Ｅ＝｛大，中，小，零，零，负负负负正正小，中，正
０概
述
发生很大变化，干点是变化的，过热蒸汽压力变蒸在
化很小时，热蒸汽温度变化很大，过这对于螺旋盘管
热疲劳分析是相当重要的。
在国内，由于新型船用核动力装置拟采用直流
蒸汽发生器，因此对直流蒸汽发生器的研究和探讨
描述输出变量Ｕ和输入变化Ｅ的模糊词集Ｃ
为：
化为蒸汽的比例也降低，因此二回路蒸汽压力又慢
慢降低。但一回路载热剂温度扰动相对于负荷与给水扰动来说，二回路蒸汽压力的变化的影响要小。对
直流蒸发器的各段长度均发生变化，受干扰所
也在逐渐展开。根据新型船用核动力装置的运行方案的要求，流蒸汽发生器过热蒸汽的压力必须控直制在规定范围之内，且船用核动力装置变负荷特而性，致产生蒸汽量的变化，导如何保证要求的干度和蒸汽压力的稳定，必须进行蒸汽压力控制策略研也究。由于直流蒸汽发生器水容积小，蓄热能力小，因

微电网混合储能系统控制策略研究及其应用

微电网混合储能系统控制策略研究及其应用摘要：微电网是一种新型的电力系统，能够有效地利用分布式可再生能源，提高电能质量和供电可靠性。

混合储能系统是微电网中的重要组成部分，能够平衡微电网中的功率波动，提高系统的稳定性和经济性。

本文综述了目前微电网混合储能系统的控制策略，分析了其优缺点，指出了面临的挑战和可能的解决方案。

同时，本文介绍了几个典型的微电网混合储能系统的实际应用案例，总结了应用中遇到的问题和解决方案。

最后，本文对微电网混合储能系统的发展前景进行了展望。

关键词：微电网；混合储能；控制策略；应用一、微电网混合储能系统的控制策略（一）现有的控制策略概述微电网混合储能系统通常由不同类型的储能装置组成，如蓄电池、超级电容器、飞轮等。

不同类型的储能装置具有不同的特性，如能量密度、功率密度、寿命、效率等。

因此，如何有效地协调和控制各种储能装置，使其发挥各自的优势，是微电网混合储能系统的关键问题。

目前，微电网混合储能系统的控制策略主要有以下几种：1.基于滤波器的控制策略利用滤波器将微电网中的功率分解为不同频率成分，然后根据不同类型的储能装置的特性，将不同频率成分分配给相应的储能装置。

例如，将低频成分分配给蓄电池，将高频成分分配给超级电容器。

这种控制策略简单易实现，但是需要考虑滤波器的参数设计和调节。

2.基于优化算法的控制策略利用优化算法来求解微电网混合储能系统的最优功率分配问题，以达到某种目标函数的最优值。

例如，最小化运行成本、最大化寿命、最小化损耗等。

这种控制策略可以考虑多种约束条件和目标函数，但是需要较高的计算复杂度和实时性。

3.基于模糊逻辑或神经网络的控制策略利用模糊逻辑或神经网络来建立微电网混合储能系统的非线性模型，并根据模型输出来调节各种储能装置的功率。

这种控制策略可以适应复杂和不确定的环境，但是需要较多的训练数据和学习过程。

（二）控制策略的优点和缺点表1列出了上述三种控制策略的优点和缺点。

（三）面临的挑战和可能的解决方案微电网混合储能系统的控制策略还面临着以下几个方面的挑战：1.微电网混合储能系统的建模问题微电网混合储能系统涉及多种储能装置和多种运行模式，其系统模型具有高度的非线性、时变性和不确定性，难以用传统的数学方法进行精确建模。

基于BP神经网络整定的蒸汽发生器水位PID控制及仿真研究

ｆｒｔｅｗａｅｅｅｎｔｅｎｃｅｒｓｅｍｅｅａｏｏｈｔｒｌｖｌｈｕｌａｔａｇｎｒｔｒｉ
ＷＡＮＧａｇ－ｏＺＨＡＮＧｍｌ－ｕＷｎｄｕＧｕｇｆ
ＳｈｏｆｖｌｃｉｃｕｅａｄＰｗｅｇｎｅｉｇＮａａＵｎｖｒｉｆｇｎｅｎＷｕａ４０３ｃｏｌｏＮａａＡｒｈｔｔｒｎｏｒＥｎｉｅｒｅｎｖｌｉｅｓｔｏｙＥｎｉｅｒｇｉｈｎ３０３ＡｂｔａｔＣｍｂｎｎｅｒｌｅｗｏｋｗｉｓｒｃｏｉｉｇｎｕａｎｔｒｔｈＰＴｃｎｔｔｃｎｑｅａｍｅｈｄｆＰｎｕａｎｔｒ－ｎｎＩｍｎｒｌＤｏｔｄｅｈｉｕ．ｔｏｏＢｅｒｌｅｗｏｋｔｉｇＰＤｕｔｏ
ｆｒｔｅｗａｅｖｌｃｎｒｌｎｔｅｎｃａｔｍｅｅａｏｒｐ￣．ＴｅｂｃｒｐｇｔｎａｇｒｈｄｐｅｐａｅｏｈｔｒｌｅｏｔｏｕｌｒｓｅｎｇｎｒｔｒｓｐｏｏｅｉｈｅｉｈａｋｐｏａａｉｏｔｍｉａｏｔｔｕｄｔｏｌｉｓｄＯ
维普资讯
船海工程
文蕈编号１７ —９３２０）５０７ —４６１７５（０６０ —０８０
２００６年第５期（总第１４）７期
基于ＢＰ神经网络整定的蒸汽发生器水位ＰＤ控制及仿真研究Ｉ
周期。
参考文献
收稿日期
２０ —１１ ห้องสมุดไป่ตู้０５１－８

基于模糊-PID的汽轮机转速控制系统

ＴｒｉｅＳｐｅｎｒｌｓｄｏｕｚ — ｕｂｎｅｄＣｏｔｏＢａｅｎＦｚｙＰＩ－Ｄ
ＳＵＮｉｎｈａ．Ｊａ－ｕＷＡＮＧｅｚＷｉＹＵｉａ，Ｈａ－ｎｙ
（．ｐ．ｆｎｒｌｃｅｃｄＥｇｎｅｉｇＨｕＺｏｇＵｎｖｒｉｆｃｅｃａｄＴｃｎｌｇ，ｕａ３０４Ｃｉａ１ＤｅｔｏＣｏｔＳｉｎｅａｏｎｎｉｅｒ，ａｈｎｎｉｅｓｙｏＳｉｎｎｔｅｅｈｏｏｙＷｈｎ４０７，ｈｎ；
２ＷｕａｎｈｐＤｅｉｎａｄＲｓａｃｎｔｕｅＷｕａ４０６，ｈｎ）．ｈｎ２ｄＳｉｓｎｇｅｅｒｈＩｓｔｔ，ｈｉｎ３０４Ｃｉａ
Ａｂｓｒｃ：Ｔｈｕｔｐｅｐａａｔｒｆｔｅｍａｉｅｎｃｅｒｐｗｅｌｎｔｈｎｅｔｒｕｈｓｅｍｅｅａｏｒｔｏｇｙｃｕｌｄｔａｔｅｍｌｌｒｍｅｅｓｏｒｎｕｌａｏｒｐａｔｗｉｔｅｏｃ —ｈｏｇｔａｇｎｒｔｒａｅｓｒｎｌｏｐｅ，ｉｈｈａｄｔｅｎｒｌＤｏｔｏｆｔｅｔｒｉｅｓｅｄｃｎｔｍｅｔｔｅｃｎｒｌｅｎｈｏｍａＰＩｃｎｒｌｏｈｕｂｎｐｅａ ’ ｅｈｏｔｏｍａｄＴｈｓｐｐｒｉｔｏｕｅｕｂｎｐｅｄｎ．ｉａｅｎｒｄｃｓａｔｒｉｅｓｅｄ
维普资讯
工业控制与应用

基于神经网络的工业用汽轮机性能预测与优化

基于神经网络的工业用汽轮机性能预测与优化工业用汽轮机是一种重要的能量转换设备，在工业生产中扮演着至关重要的角色。

为了提高工业用汽轮机的性能和效率，基于神经网络的性能预测与优化方法被广泛应用。

本文将介绍基于神经网络的工业用汽轮机性能预测与优化的方法和应用。

首先，我们会简要介绍神经网络的基本原理和工作方式。

神经网络是一种模仿人脑神经系统的计算模型，它由多个相互连接的神经元组成。

通过输入层、隐藏层和输出层的层次结构，神经网络可以实现复杂的非线性映射关系。

通过调整神经元之间的连接权重和阈值，神经网络可以学习和推理出输入与输出之间的映射关系。

基于神经网络的工业用汽轮机性能预测主要通过建立一个神经网络模型，将输入的特征参数与输出的性能指标进行映射。

首先，我们需要确定输入特征参数，这可能包括汽轮机的转速、进气温度、进气压力、出气温度等。

然后，我们需要收集大量的实验数据，通过对这些数据进行训练，调整神经网络的连接权重和阈值，使得神经网络能够准确地预测出汽轮机的性能指标。

在工业用汽轮机性能预测中，基于神经网络的方法具有很多优势。

首先，神经网络能够处理非线性关系，而汽轮机的性能往往受到多个复杂的因素的影响，因此神经网络可以更好地捕捉这种复杂的关系。

其次，神经网络可以通过学习大量的实验数据来提高预测的准确性，而不需要进行复杂的理论分析。

此外，神经网络还能够适应输入数据的变化，并具有一定的容错性。

除了性能预测，基于神经网络的方法还可以应用于工业用汽轮机的优化。

通过建立一个优化模型，我们可以将输入的控制参数与输出的优化目标进行映射。

然后，通过调整控制参数，使得输出的优化目标达到最优。

为了实现这一目标，我们需要将神经网络与其他优化算法相结合，例如遗传算法、粒子群优化算法等。

工业用汽轮机性能预测与优化的应用非常广泛。

首先，它可以帮助工程师预测和评估不同工况下汽轮机的性能，为工业生产提供参考和指导。

其次，它可以用于优化汽轮机的控制策略，提高汽轮机的效率和性能。

锅炉蒸汽温度自动控制系统——模糊控制

锅炉蒸汽温度自动控制系统摘要：电厂实现热力过程自动化，能使机组安全、可靠、经济地运行。

锅炉是火力发电厂最重要的生产设备，过热蒸汽温度是锅炉运行质量的重要指标之一，过热蒸汽温度控制是锅炉控制系统中的重要环节。

在实现过程控制中，由于电站锅炉系统的被控对象具有大延迟，大滞后、非线性、时变、多变量耦合的复杂特性，无法建立准确的数学模型，对这类系统采用常规PID控制难以获得令人满意的控制效果。

在这种情况下，先进的现代控制理论和控制方法已经越来越多地应用在锅炉汽温控制系统。

本文以电厂锅炉汽温系统为研究对象，对其进行了计算机控制系统的改造。

考虑到锅炉汽温系统的被控对象特点，本文分别采用了常规PID控制器和模糊-PID控制器，对两种控制系统对比研究，同时进一步分析了一般模糊-PID控制器的控制特点，在此基础之上给出了一种改进算法，通过在线调整参数，实现模糊-自调整比例常数PID控制。

在此算法中，比例常数随着偏差大小而变化，有效地解决了在小偏差范围内，一般的模糊-PID控制器无法实现的静态无偏差的问题，提高了蒸汽温度控制系统的控制精度。

关键词:锅炉蒸汽温度模糊控制随着我国经济的高速发展，对重要能源“电”的要求快速增长，大容量发电机组的投入运行以及超高压远距离和赢流输电的混和电网的建设，以三峡电网为中心的全国性电力系统的形成，电力系统的不断扩大，对其自动控制技术水平的要求也越来越高。

同时，地方性的自备热电厂亦有长足发展，随着新建及改造工程的进行，其生产过程自动控制与时俱进，小容量机组“麻雀虽小，五脏俱全”，自备热电厂其自身特点：自供电、与主电网的关系疏及相互影响小，供热及采暖季节性等，可以提供更多的应用、尝试新技术、新产品的机会和可能性。

这样做的重要目标是提高和保证电力，热力及牛产过程的安全可靠、经济高效。

为了适应发展并实现上述目标，必须采取最新的技术和控制手段对电力系统的各种运铲状态和设备进行有效的自动控制。

火力发电厂在我国电力工业中占有主要地位，是我国重点能源工业之一。

直流蒸汽发生器滑模模糊控制

写如下【 ’ 】
ｄ，ｄｆ
段出入口处工质流量；ｓＣ为预热段、过热段工质的平均比热；，，为预热段、过热段工质平均重。度；Ｆ为二回路流通截面积。ｓ
３滑模模糊控制器
３１滑模控制器．
滑模控制器是变结构控制器。基本上，变结
管壁截面积；Ｔｆｓ为各区段工质温度；Ｗｓ为各区ｆ
２动态数学模型
本文所采用的数学模型是针对螺旋盘管式直流蒸汽发生器所建立的非线性模型。根据直流蒸汽发生器的工作特点，按照二回路工质的状态将直流蒸汽发生器分为预热段、核沸腾段、膜沸腾段和过热段。各段的数学模型简
构控制器包含几个不同的连续函数，这些函数可Ｃｉｐ（来自一一川川）一Ｑ，
ｃｐｙ｜Ｆｐｌ｝
，ｌｄ，
ｌｍ｜
以将对象状态映射为一控制平面，并且在不同函数之间的切换是由切换函数表示的对象状态来确
定的。
（）１
滑模控制器的二阶控制模式如式（）４所示
中图分类号：Ｔ３３．３Ｌ５１文献标识码：Ａ
ｄ，ｄｆｃｓｔＦｙｌｌｍｉ
１引言体化反应堆的概念源于船用堆的设计，具
一
（）３
有较高的安全可靠性，特别适用于中小规模核电站。蒸汽发生器是一体化压水堆的关键设备，在目前的设计中多采用直流蒸汽发生器。直流蒸汽发生器对控制的要求较高。直流蒸汽发生器的控制方法主要有ＰＤ控制、串级ＰＤＩＩ控制、前馈反馈控制、神经网络自学习控制以及模糊控制等等。为了进一步提高直流蒸汽发生器的控制水平，智能控制策略的进一步研究是十分必要的。本文研究了直流蒸汽发生器的滑模模糊

小型模块化反应堆控制方法综述

2024 年 3月第 61 卷第 2 期Mar. 2024Vol. 61 No. 2四川大学学报（自然科学版）Journal of Sichuan University （Natural Science Edition ）小型模块化反应堆控制方法综述张薇薇1，何正熙2，万雪松1，刘方圆3，邓科1，肖凯2，罗懋康1（1.四川大学数学学院，成都 610064； 2.中国核动力研究设计院核反应堆系统设计技术重点实验室，成都 610213； 3.中国核动力研究设计院反应堆燃料及材料重点实验室，成都 610213）摘要: 小型模块化核反应堆具有建造周期短、安全性高、运维成本低、适应性强、应用领域广等显著优势，广受世界各国关注，也是我国的战略性需求.发展具有自适应、强鲁棒、高可控和高可信特性的新型控制方法，有效降低甚至消除对控制人员值守的依赖，是小型模块化核反应堆的一个重要发展趋势.智能化、自动化的反应堆控制系统通过高效的控制动作来实时跟踪负荷需求，进而有效提高反应堆的稳定性、可靠性和安全性.本文对小型模块化核反应堆控制方法的研究现状进行了综述.本文首先回顾了基于经典控制理论的传统PID 控制方法的原理及其优缺点，然后总结了当前应用于反应堆控制系统的一些高精度、高效率智能控制方法，如模糊控制、神经网络控制、智能优化控制、复合控制方法等的主要特点.最后，针对当前小型模块化反应堆控制系统的应用需求和技术难点，本文对智能控制方法的可能发展方向进行了展望.关键词: 小型模块化反应堆；反应堆控制； PID 控制；智能控制；复合控制中图分类号: O29 文献标志码: A DOI : 10.19907/j.0490-6756.2024.020001A review on the control methods in small modular reactorsZHANG Wei -Wei 1， HE Zheng -Xi 2， WAN Xue -Song 1， LIU Fang -Yuan 3，DENG Ke 1， XIAO Kai 2， LUO Mao -Kang 1（1.School of Mathematics ， Sichuan University ， Chengdu 610064， China ； 2.Science and Technology on Reactor System Design Technology Laboratory ， Nuclear Power Institute of China ， Chengdu 610213， China ；3.Science and Technology on Reactor Fuel and Materials Laboratory ， Nuclear Power Institute of China ，Chengdu 610213， China ）收稿日期:2023-10-26基金项目: 基于机器学习的复杂系统模型机理数据融合技术研究(SCU ＆DRSI -LHCX -6)作者简介: 张薇薇（1995—），女，河南开封人，博士研究生，主要研究方向为人工智能.E -mail: lfyzwscu@ 通讯作者: 何正熙.E -mail: hezhengxi0002@特约综述何正熙，男，中共党员，研究员级高级工程师，长期从事核电站仪表与控制系统相关研究设计工作，申请专利百余件，公开发表论文30余篇，负责制定IEC 国际标准1项、国家标准1项、能源行业标准2项，获省部级二等奖3项、三等奖5项，荣获中核集团彭士禄核动力创新青年人才、中国核能行业协会青年优秀创新人物等荣誉称号.第 61 卷四川大学学报（自然科学版）第 2 期Abstract: Due to the significant advantages such as short construction cycle， high safety performance， low operation and maintainence costs and strong adaptability， the small modular reactors （SMRs） have long been a focus of researchers around the world.Nowadays，it has also become a strategic need of our country.Re‑cently， it has been clear that one of the promising development directions of intelligent control systems of the SMRs lies in the unmanned control systems therein some advanced control methods are applied with high ro‑bustness and reliability.These control systems can track load demand in real-time through efficient control ac‑tions and thus effectively improve the stability， reliability and safety of SMRs.Meanwhile， these systems can also reduce or even eliminate the dependence on operators significantly.In this paper， the mainstream control methods applied in SMRs are briefly reviewed.Firstly，principles and characteristics of the traditional PID control method based on the classical cybernetics are surveyed.Then， some intelligent control methods with higher accuracy and efficiency implemented in the reactor control systems，such as the fuzzy logic inference method， the neural network control method， the compound control method and the composite control method are summarized.Finally， facing to the requirements and technical problems of control systems in the SMRs，some potential research directions of intelligent control methods are prospected.Keywords: Small modular reactor； Reactor control； PID control； Intelligent control； Compound control1　引言随着经济发展和生活水平的不断提高，全球的能源需求持续增长.当前在全球范围内，能源的主要来源依然是煤、石油、天然气等化石能源.这些能源不但污染大，而且在短时间内不可再生［1］，无法满足人类长期可持续的能源需求.因此，发展可再生、安全且清洁的能源技术是解决能源危机的必然选择［2］，核能正是其中一种高效清洁能源［3］.历史上，核反应堆经历了先军用后民用的发展历程.民用反应堆一般通过提升反应堆的功率来降低成本、提高市场竞争力，这就导致核电厂逐渐大型化.另一方面，受到实际功率需求和使用空间的限制，军用核反应堆的功率水平一般远小于民用反应堆，更偏向小型化.相对于大型核反应堆，小型化反应堆普遍采用模块化和一体化设计，并采用非能动安全系统［4-6］，以便有效提高反应堆的安全性和经济性.小型模块化反应堆（Small Modular Reactor，SMR）具有功率密度低、体积小、建造周期短、安全性能高、运行维护成本较低、选址成本低、适应性强、部署灵活性高［7］等显著优势，因而在世界各国得到广泛应用［8-11］.当前，我国对不受环境影响、长寿命且安全可靠的无人化SMR的需求十分迫切.在国家发展改革委、国家能源局发布的《能源技术革命创新行动计划（2016—2030年）》［12， 13］中，明确提出我国将继续深入实施创新驱动发展战略，进一步完善核能领域科技研发体系，重点支持SMR的发展和研究.值得注意的是，美国、日本等国家从上世纪九十年代初［14］就已经对SMR及其应用开展了相当规模的研究，而我国在这方面的研究尚处于起步阶段.在确保安全的前提下，无人化SMR能够摆脱对操控人员的值守依赖，提升反应堆的控制效能，是小型模块化反应堆的重要发展趋势之一.SMR高可用性的关键是避免不必要的停堆和减少换料维修时间.这需要有一套具有足够容错性、鲁棒性的高可靠、自动化控制系统.这些控制系统的设计和运转各有其控制方法和策略，具有不同的效能和应用领域.传统的PID控制方法虽然操作简单灵活，静态特性好，且在工程中已有广泛应用［15］，但该方法仅适用于线性时不变系统的控制［16］.对于核反应堆等复杂非线性系统而言［5］，其本身具有较强的模型和参数不确定性，在运行过程中会受到大量外部干扰，因而传统PID控制方法无法很好地控制和处理这些强不确定因素.近年来，随着控制理论的发展［17］，国内外研究者为提高核反应堆控制系统的性能不断探索新的控制方法，逐渐发展出一些智能化的控制和优化方法，较好地解决反应堆控制系统中普遍存在的强耦合、多变量、长时延及非线性等关键控制问题.在此基础上，出现了一些复合控制方法，如神经网络PID控制、模糊神经网络控制等，进一步融第 2 期张薇薇，等：小型模块化反应堆控制方法综述第 61 卷合了多种智能控制方法.应用这些智能化控制方法，反应堆可以通过更高效的控制动作来实时跟踪负荷需求，显著提高控制效率和安全性能.在本文中，我们系统总结了当前应用于反应堆控制系统中的一些传统和智能化控制方法，分析了经典PID 控制方法以及智能控制方法的机制、优缺点及研究现状.最后，基于应用需求和问题难点，我们展望了SMR 控制方法的发展趋势和研究方向.2　PID 控制方法PID 控制方法不依赖于控制对象的精确数学模型，而是通过控制变量偏差的变化幅度、累积效果和趋势及控制变量之间的简单相互影响关系等使得控制变量的输出逐渐趋近预期的控制效果.PID 控制方法具有原理清晰易懂、易于工业实现、鲁棒性好等优点.PID 控制方法在核反应堆控制系统中已有普遍应用.汪等［18］采用PID 控制方法实现对钍基熔盐堆核能功率的控制.在合适的PID 参数集下，该方法可以实现控制系统的快速响应、良好系统鲁棒性和抗干扰能力.雍等［19］基于压水堆核电厂蒸汽发生器水位模型分别设计了单PID 控制器、串级PID 控制器及双PID 控制器，并分析了每种控制方案的优缺点.多数反应堆控制系统方案基于经典控制论的单输入单输出闭环串级PID 控制方法，其原理如图1所示.该方法主要考虑系统的外部特性，是对系统的不完全外部描述，适用于单输入单输出、线性、定常、集中参数的对象［16］.PID 控制方法的原理简单［16， 20］，且在反应堆长期运行过程中积累了相当多的参数调节经验，因而当前在工程控制领域具有主导地位.但是，传统的PID 控制方法缺乏自调节能力.这就使得该方法在面对复杂控制对象时的响应速度、超调量等指标难以实现进一步优化，因而在非线性系统中难以获得理想的控制效果.此外，常规的PID 控制系统不能自动地适应反应堆运行环境的复杂变化，在面对复杂工况时仍需要反应堆运行维护人员频繁进行手动操作，持续监督系统重要参数的变化，因而对操作人员的专业能力和心理素质要求较为苛刻，可能影响核动力装置的经济效益和安全可靠性.3　智能控制方法核反应堆系统极其复杂，通常无法用数学模型较好地进行概括和近似，从中提取出理想的控制模型.在这种情况下，神经网络、模糊控制等非解析方法可能具有较为明显的优势.3.1　神经网络控制方法不同于经典PID 控制方法，神经网络控制方法不依赖于数学模型，而是从对象的输入输出数据中学习得到仿真模型，避开人为提取被控对象或设计控制器解析模型这一难题.该方法利用智能方法的预测和优化能力将控制系统的设计问题转化为优化问题.由于其具有自学习、非线性、并行计算和强鲁棒性等特点，在控制领域内得到了广泛应用.肖等［21］针对反应堆堆芯具有非线性、时变性等特点，且经典控制方法难以实现全工况内反应堆功率的良好控制的情况，提出了一种反应堆功率的神经网络预测控制方法.他们以国际革新安全反应堆（IRIS ）为研究对象进行了仿真验证，结果表明该方法可以实现堆芯入口温度扰动和变负荷工况下反应堆功率的良好控制.张等［22］采用核电站的真实监测数据，分别优化了基于时间序列的LSTM 和基于特征再提取的CNN 模型，发现基于上述模型可以有效预测核反应堆堆芯热功率分布.Lu 等［23］以KLT -40S 核反应堆堆芯和蒸汽发生器作为研究对象，建立了基于深度学习的核反应堆系统热工参数预测方法，实现了对核反应堆系统热工参数的快速预测.Xiao 等［24］提出了一种小型压水堆的神经网络预测功率控制方法，以解决目前反应堆控制中采用的预测控制算法模型普遍存在识别精度较低的问题.小型压水堆的堆芯在典型瞬态工况下的仿真结果表明，该方法具有良好的负荷跟踪性能和较强的抗干扰能力.袁等［25］设计了一种神经网络监督控制系统，用于船用一体化压水堆功率的控制，其中的PID 控制器是反馈控制器，神经网络则是前馈控制器，其结构如图2所示.对压水堆功率控制的仿真结果表图1　单输入单输出PID 控制系统原理Fig.1　Block diagram of the single input and single outputPID control principle第 61 卷四川大学学报（自然科学版）第 2 期明，与传统的PID 控制相比，神经网络监督控制具有较强的鲁棒性和自适应能力，能有效地提高控制精度.经过文献调研，我们认为目前将神经网络控制方法应用于小型反应堆控制系统中主要有3种思路：（1）利用神经网络的自适应、自学习功能优化控制系统的参数；（2）建立描述控制对象输入输出的映射关系（模型），即建立输入与输出之间的神经网络模型；（3）与其他方法相结合形成复合神经网络控制［26］，如与进化算法结合实现反应堆功率控制，与鲁棒控制技术结合实现对蒸汽发生器水位的控制等.这种复合控制方法可以将神经网络和其他智能算法的优势结合起来，有望取得较好控制效果.总之，神经网络不依赖数学模型但可以不断逼近模型的函数，其核心是修改激励命令与对象状态之间的映射来提高控制效果，并对网络连接权重进行优化.相对于传统的PID 控制方法，该方法具有诸多优点，如神经网络具有并行机制、模式识别、记忆和自学习能力的特点，能够学习与适应不确定系统的动态特性，能够充分逼近任意复杂的非线性系统，有很强的鲁棒性和容错性，等.但同时该方法也存在参数选择和优化过程复杂、训练时间长、可解释性差、对数据质量的要求较高等不足.3.2　模糊控制方法模糊控制方法的基本思想是把人的操作经验当作控制模型，把模糊语言、模糊集及模糊推理作为数学工具，将准确测量结果模糊化，再经过模糊推理后准确化，进而实现智能控制.基于被控系统的物理特性，模糊控制能够模拟人的思维方式和控制经验，提供一种基于自然语言描述规则的控制规律的新机制.一般而言，凡是无法或难以建立数学模型的问题都可以通过模糊控制方法来解决［27-30］.模糊控制可以忽略对象的输入输出数据，从获取对象的“知识”这一角度出发来认识被控对象，甚至直接从专家和操作人员的知识和经验中形成“model -free ”控制器.模糊推理是模糊控制方法的核心，具有基于模糊概念的拟人化推理能力.该推理过程基于模糊逻辑中的蕴含关系及推理规则来进行［31］，其控制单元的基本功能结构如图3所示.模糊控制方法在反应堆控制系统中也有应用.Li 和Ruan ［32］比较了模糊控制、PID 控制及自适应模糊控制等控制方法在反应堆控制方面的效果，发现模糊控制与PID 控制相比具有较好的灵活性、鲁棒性，而且先进模糊控制可以动态调整规则库，具有更强的鲁棒性.Kim 等［33］设计了一种用于稳定蒸汽发生器水位的智能模糊控制器，获得了良好的控制效果.Rojas -Ramírez 等［34］提出一种控制反应堆功率调节至设定值的自适应模糊控制系统，通过建立李雅普诺夫函数来保证系统的稳定性，实现反应堆在安全范围内快速调节到设定功率的目的，减少了运行过程中的功率波动.原和黄［35］针对核蒸汽供应复杂系统的控制问题，提出了一种基于T -S 模糊控制器的控制系统.仿真结果表明，该方法比传统的线性PI 控制器具有更好的控制效果.贾等［36］在多用途重水研究堆上研究了功率调节系统的模糊控制，设计了Mamdani 型二维模糊功率控制器.仿真结果显示，其反应堆功率调节系统在采用该模糊控制器后是稳定的，并且负荷跟随特性良好，其控制性能优于经典PID 控制器.综上，在小型反应堆控制系统的应用中，相比PID 控制方法，模糊控制方法无需被控对象的精准数学模型，具有强鲁棒性，且处理过程模仿人的思维，更适用于解决小型反应堆控制过程中非线性、强耦合、时变滞后等方面的问题，并在一定程度上图2　压水堆功率控制系统原理［26］Fig.2　Block diagram of the PWR power control systemprinciple［26］图3　模糊控制单元的基本功能结构Fig.3　Basic functional structure of a fuzzy control unit第 2 期张薇薇，等：小型模块化反应堆控制方法综述第 61 卷抑制噪声.但是，由于信息的模糊处理容易导致系统的控制精度降低，并且该方法缺乏系统性，无法定义控制目标，因而该方法在小型反应堆的控制应用中需要与其他控制方法结合才能达到更好控制效果.3.3　专家系统控制方法1983年， Astrom ［37］首先将专家系统引入智能控制领域，并于1986年正式提出了专家控制的概念.专家系统可以处理定性、启发式的或不确定的知识信息，通过推理［38， 39］来实现任务目标.基于专家系统发展而来的专家控制方法具有许多领域专家的知识和经验，能够解决专门性问题.该控制方法改变了传统控制方法依赖数学模型的方式，实现了知识模型与数学模型、知识处理技术与控制技术的结合［40， 41］，有利于解决复杂非线性系统的控制难题.按照作用机理，我们可将专家控制系统的结构类型分为直接型专家控制和间接型专家控制两种［42］.直接型专家控制系统直接控制生产过程与被控对象，其原理如图4所示.该控制器的任务和功能相对简单，专家系统直接被包含在控制回路中，直接给出控制信号来控制被控过程.在每一个采样时刻，控制系统均需要专家系统根据知识库规则和测量过程信息推导给出控制信号，因而该类控制系统对推理速度的要求较高.间接型专家控制是常规PID 控制器、自适应控制和专家系统的结合，其控制原理如图5所示.该方法的作用方式是根据系统运行情况调整控制器参数，选择合适的控制方法［41］，以实现优化适应、协调、组织等高层决策的智能控制.间接型控制器可以实现优化、适应、协调、组织高层决策.目前，专家控制与其他控制方法的结合在反应堆控制中更为普遍.陈等［43］针对核电厂系统的故障特征建立了一个专家系统，通过引入Rough 集理论来解决专家系统中的知识获取问题.该方法可以准确诊断系统中的故障问题.彭和余［44］为解决识别核动力装置的故障问题，采用面向对象的模糊Petri 网知识表示方法对专家系统的知识库进行改进.这种改进的专家系统可以准确地识别系统故障.Liao 等［45］开发了一种反应堆冷态功能试验智能专家系统，改变了依靠人工读取、传输和处理数据的传统低信息化测试方法，该系统具有试验过程控制、实时数据采集与结果分析和数据存储等功能.综上，专家控制方法是在控制闭环中加入经验丰富的控制专家，控制系统作为工具可以自行选择各种方法，本质上是对“控制专家”的思路、经验、策略的模拟、延伸、扩展，具有透明度高、灵活性强、知识信息处理系统强等优点.但该方法需要获得专家知识，因而建造通用专家开发工具，并且稳定性和可控性理论分析较难.4　智能优化方法近年来，随着优化理论的不断发展，除了前面提到的模糊控制、神经网络控制等方法之外，还有许多智能优化算法被用于解决反应堆控制系统中的参数优化问题.这些算法主要包括粒子群算法、遗传算法、禁忌搜索算法等.遗传算法（Genetic Algorithm ， GA ）是由密歇根大学的Holland 教授于1962年首次提出的，其基本思想是模拟生物进化中优胜劣汰、适者生存的法则，根据适应度函数衡量解的品质并通过复制、交叉等动作筛选个体，提高群体的适应度，进而迭代得到当前最优，最终得到全局最优［39， 46］.该算法适用于解决非线性、非凸、多峰等复杂函数的优化问题［47， 48］.应用遗传算法，Panda 和Padhy ［49］对核反应堆的电力系统稳定器和输电系统控制器进行了协调控制，给出了各扰动条件下电力系统的非线性仿图4　直接型专家控制系统原理Fig.4　Block diagram of the direct expert control systemprinciple图5　间接型专家控制系统原理Fig.5　Block diagram of the indirect expert control systemprinciple第 61 卷四川大学学报（自然科学版）第 2 期真结果，验证了该方法的有效性.刘等［50］设计了一种反应堆平均温度线性自抗扰控制器，采用遗传算法优化控制器参数，解决了自抗扰控制器参数不易整定的问题.仿真结果表明，该优化方法对控制器参数进行优化是有效的，且具有良好的鲁棒性.Wan和Zhao［51］采用带精英策略的非支配排序遗传算法，对AP1000反应堆轴向功率分步控制系统中冷却剂平均温度（Tavg）通道的超前/滞后时间常数和功率偏差通道的非线性增益进行了多目标优化，以阶跃瞬态时反应堆功率的超调量和Tavg超调量作为最小为优化目标.结果表明，优化后的反应堆功率和Tavg控制效果能够得到明显改善.粒子群优化算法（Partical Swarm Optimiza‑tion， PSO）是Eberhart和Kennedy受到鸟群觅食行为的启发于1995年提出的一种基于群体协作的随机搜索算法［52］.该算法通过个体之间的协同合作寻找适应度最小的最优解.同遗传算法相比，该算法需要调整的参数更少，更易实现.目前，粒子群算法已被广泛应用于反应堆控制系统中函数优化、神经网络训练、模糊系统控制等方面［53］.Wang等［54］采用惯性权重线性递减的粒子群优化算法对AP1000反应堆轴向功率分布控制系统进行了参数优化，优化过程以Tavg控制回路中的超前/滞后时间常数和磁滞回环区间域的上、下限为优化变量，以减小核功率偏差和M棒组的移动步数为目标构建目标函数，同时在目标函数中增加罚函数，以保证在优化过程中所选取的优化变量满足约束条件，并使AO棒组始终在其目标控制带之内.结果表明，优化后的反应堆功率和轴向功率偏差在瞬态过程中的超调量减少、响应速度加快.5　复合控制方法复合控制方法是近年来控制论研究领域的热点之一，它融合了多种智能控制方法，将模糊推理、神经网络、PID控制、智能优化等控制方法交叉融合，以进一步提高控制系统的性能.目前，该方法在实验验证中已经取得了良好的控制效果. 5.1　智能PID控制方法随着控制论、计算机技术相关理论和方法的发展，在传统PID控制方法的基础上，部分研究者将PID控制方法与其他智能控制或优化方法相结合，提出了多种新的PID控制方法.其中比较典型的有神经网络PID控制、模糊PID控制方法以及基于智能优化的PID控制方法，等.5.1.1　神经网络PID控制方法　在小型反应堆控制系统中，PID控制是最常用且不依赖模型的控制方法，其控制效果依赖于比例、积分和微分系数的选取是否准确.但是，反应堆系统的复杂性、模型的不确定性使得比例、积分和微分增益的选取较为困难，进而影响到控制效果.神经网络与PID 控制器相结合的控制方法可以很好地抑制PID控制器所产生的超调问题，提高控制系统的稳定性、可靠性和灵活性.神经网络和PID控制方法相结合主要有以下几种方式：（1）将神经网络作为优化工具在线调整PID控制控制系统的参数；（2）将神经网络与PID控制器连接，通过优化神经网络的连接权值来调整PID控制器的参数；（3）神经网络作为控制器，将PID控制方法融合到神经网络结构中；（4）PID神经网络多变量解耦控制，等.Kong等［55］提出了一种基于径向基函数的神经网络蒸汽发生器液位PID控制策略，通过RBF神经网络对蒸汽发生器的数学模型进行辨识，然后根据过程的特征变化对PID参数进行调整.仿真结果表明，该方法能够根据过程的动态特性自适应优化PID控制器的参数，表明这个控制策略是有效的.肖等［56］为了实现PID控制器参数的在线调节，利用BP神经网络的自适应能力对PID参数进行实时整定，建立了堆芯功率BP神经网络PID 控制系统.仿真结果表明，BP神经网络PID控制方法与传统的PID控制方法相比具有超调量小、响应速度快等优点，控制效果好.Ding［57］提出了一种基于模糊神经网络模型的PID神经网络控制方法，采用模糊神经网络模型和梯度下降法在线调整PID神经网络权值，并将该方法应用于循环流化床锅炉床层温度控制.Govin‑dan和Pappa［58］设计了一种基于反馈线性化在线学习的神经网络自适应控制器，采用基于改进增量规则和投影算法的在线权值调整算法在线调整神经网络卡和PID控制器的参数，以解决高阶点动态压水堆（PWR）在局部、全局负荷跟随和应急工况下功率水平跟踪问题.该方法具有更快的响应速度、较好的自适应性和较小的稳态误差.Liu和Xia［59］针对PID控制器无法对复杂系统进行有效控制的问题，设计了一种基于有监督。

基于模糊神经网络的温度控制系统设计

基于模糊神经网络的温度控制系统设计
近年来，随着国家科技发展的不断提升，以模糊神经网络为基础的温度控制系统设计也受到越来越多的关注。

随着技术的发展，模糊神经网络可以实现对温度及温度变化的控制，从而可以给家政、农业、照明等行业的环境控制提供有效的解决方案。

基于模糊神经网络的温度控制系统设计可以有效的改善环境控制效果，充分利用模糊神经网络的特性，控制温度变化的曲线，使环境温度能够保持在一个合适的水平。

基于模糊神经网络的温度控制系统设计，可以有效的利用自然资源，减少能源的损耗，减少污染，改善环境。

基于模糊神经网络的温度控制系统设计，充分发挥模糊神经网络的优势，将温度控制与环境控制连接在一起，实现温度控制不仅精准而且更加稳定。

以家政行业为例，基于模糊神经网络的温度控制系统不仅可以准确控制室内温度，而且可以有效的控制家用电器的能源消耗，减少能源浪费，节省能源，改善室内环境。

基于模糊神经网络的温度控制系统设计，可以满足多种不同的温度控制需求，通过智能传感器实现对环境温度的监测和控制，可以有效的节省能源，改善环境，实现家居环境温度的最佳控制。

总之，基于模糊神经网络的温度控制系统设计在温度控制和环境控制方面具有重要的意义，它不仅可以准确控制温度，而且可以有效的节省能源，减少污染，改善室内环境。

因此，基于模糊神经网络的温度控制系统设计可以为中国家庭提供完善的温度控制解决方案。

双级蓄热与双运行模式的塔式太阳能热发电系统

3、采用所提出的建模与控制方法后，塔式太阳能热发电蒸汽系统的稳定性和经济性得到了显著提高，故障率也得到了有效降低。
结论与展望
本次演示通过对塔式太阳能热发电蒸汽系统的建模与控制方法进行研究，提出了一种集成了精细化建模、全局优化和控制于一体的综合方案。应用结果表明，该方案在提高系统效率和稳定性方面具有显著优势。然而，仍存在一些问题和挑战：
结论与展望
本次演示通过对八达岭塔式太阳能热发电蒸汽蓄热器动态特性的仿真分析，得出以下结论：
1.八达岭塔式太阳能热发电蒸汽蓄热器具有较高的热效率和稳定的发电能力，是一种具有发展潜力的可再生能源利用技术； 2.太阳辐射强度、工质流量和温度等参数对系统的性能具有显著影响。
提高太阳辐射强度和工质流量可以提高系统的发电能力，但需要对系统进行优化设计以避免过大的压力损失； 3.蓄热器在系统中具有重要的作用。通过合理设计蓄热器的结构和材料，可以有效地提高系统的稳定性和可靠性，使其在实际应用中发挥更大的作用；
1、技术创新：随着科技的不断进步和创新，未来的双级蓄热与双运行模式的塔式太阳能热发电系统将更加高效、可靠和经济。如采用新型高效率的吸热材料、优化系统设计、改进控制策略等手段，进一步提高系统的性能和效率。
2、市场需求增加：随着全球能源结构的转型和可再生能源政策的推进，对太阳能热发电系统的需求将不断增加。而双级蓄热与双运行模式的塔式太阳能热发电系统能够更好地满足市场需求，提高系统的竞争力和市场份额。
然而，该系统也存在一些劣势：
1、成本较高：双级蓄热与双运行模式的塔式太阳能热发电系统相较于传统单级蓄热模式需要更多的设备和材料，导致成本较高。
2、技术要求高：双级蓄热与双运行模式的实现需要更高的技术支持和人员素质要求，需要具备相关领域的专业技能。

基于自适应模糊神经网络的冶金控制系统设计及应用

基于自适应模糊神经网络的冶金控制系统设计及应用随着人工智能技术的不断发展，自适应模糊神经网络成为了许多领域中的重要应用技术之一。

在工业控制领域，自适应模糊神经网络在冶金控制系统设计及应用方面得到了广泛的应用。

本文将重点介绍基于自适应模糊神经网络的冶金控制系统设计及应用。

一、自适应模糊神经网络的基本原理自适应模糊神经网络是一种基于模糊理论和神经网络理论相结合的新型智能控制方法。

它能够将系统的输入和输出映射成模糊集合，并通过不断的学习和适应更新神经网络参数，以实现对系统的自适应控制。

自适应模糊神经网络的基本结构包括模糊化单元、规则库、模糊推理单元、神经网络单元等模块，并通过反向传播算法进行学习和调整核心参数实现控制的过程。

二、基于自适应模糊神经网络的冶金控制系统设计冶金控制系统的设计需要根据具体生产的需要，进行实时的数据采集和处理，以实现对加热、冷却、控温等过程的有效控制。

自适应模糊神经网络在冶金控制系统设计中，可以结合传感器实时监测的数据，进行分析和判断，以实现对各个环节的自适应性控制。

例如，在冶金高温炉内加热的过程中，自适应模糊神经网络可以通过对环境温度、物料温度等传感器实时采集的数据进行分析，通过不断学习适应，实现对炉内温度的精准控制。

三、自适应模糊神经网络在冶金控制系统中的应用案例1、自适应模糊神经网络在冶金炉内温度控制中的应用利用自适应模糊神经网络对冶金高温炉内的温度进行控制，可以实现精准的温度控制，避免因温度过高导致生产线停工等不必要的损失。

同时，通过对温度数据的实时采集和分析，可以帮助生产线工作人员及时发现温度异常情况，做出及时的调整，确保生产线的稳定运行。

2、自适应模糊神经网络在冶金质量检测中的应用自适应模糊神经网络在冶金质量检测中的应用，可以通过对金属制品的相关参数进行数据分析，以实现对金属制品的质量检测。

例如，在金属制品的强度、硬度等参数检测中，利用自适应模糊神经网络，可以对数据进行分析，判断金属制品是否符合质量要求，并提示工作人员做出相应的调整。

基于模糊神经网络的发电机PID励磁控制研究的开题报告

基于模糊神经网络的发电机PID励磁控制研究的开题报告1.研究背景和意义随着我国科技的不断发展，电力系统的需求不断增加。

其中，发电机在电力系统中起着核心作用，而励磁系统是保证发电机稳定运行的关键部分。

目前，传统的发电机励磁PID控制算法存在一些问题，如模型精度低、控制性能差等。

为此，本文将研究基于模糊神经网络的发电机PID励磁控制算法，以提高发电机的控制精度和稳定性。

2.研究内容和方法2.1 研究内容本文主要研究基于模糊神经网络的发电机PID励磁控制算法，主要研究内容包括以下几个方面：（1）分析发电机励磁系统的工作原理及其控制方法。

（2）建立基于模糊神经网络的发电机PID励磁模型，对模型参数进行优化。

（3）设计发电机PID励磁控制算法，并采用模拟仿真和实验验证法来验证控制效果。

2.2 研究方法本文采用以下几种研究方法：（1）文献调研和整理：对发电机励磁系统的控制方法及相关研究进行文献调研和整理，了解现状和问题。

（2）建立模型：根据调研结果，建立基于模糊神经网络的发电机PID励磁模型，并对模型参数进行优化。

（3）设计控制算法：设计基于模糊神经网络的发电机PID励磁控制算法，并进行仿真和验证。

3.预期成果本文主要的预期成果包括：（1）建立基于模糊神经网络的发电机PID励磁模型，并进行优化；（2）设计基于模糊神经网络的发电机PID励磁控制算法，并进行仿真验证；（3）验证算法的有效性，探究其在实际应用中的潜力和优势。

4.研究难点和挑战本文的研究难点和挑战主要包括以下几个方面：（1）发电机PID励磁系统的模型精度较难掌握，需要通过大量的实验数据对模型参数进行优化。

（2）模糊神经网络的设计和优化需要充分考虑不同的因素和变量，确保模型的稳定性和正确性。

（3）通过仿真和实验验证算法的控制效果，需要充分考虑系统的实际应用情况，避免误差和偏差的出现。

5.研究计划5.1 时间安排第一年：进行文献调研和整理，建立基于模糊神经网络的发电机PID励磁模型，并进行优化。

基于神经网络的自学习模糊控制

基于神经网络的自学习模糊控制
冯冬青;张希平
【期刊名称】《郑州大学学报（工学版）》
【年(卷),期】2003(024)004
【摘要】将神经网络与模糊控制相结合,提出了一种基于神经网络实现自学习模糊控制的方法,并给出了神经网络训练、控制器离线自学习、控制器在线自学习的相应算法.利用该方法,可以实现控制器的离线自学习和在线自学习,从而在控制对象发生变化时,通过控制器自学习改善系统的控制性能.仿真结果表明了该方法的有效性.【总页数】5页(P6-10)
【作者】冯冬青;张希平
【作者单位】郑州大学电气工程学院,河南,郑州,450002;郑州大学电气工程学院,河南,郑州,450002
【正文语种】中文
【中图分类】TP273.5
【相关文献】
1.一种自学习策略及其在模糊控制与神经网络控制中的应用 [J], 钱大群;赵元平
2.基于神经网络的漂浮基空间机械臂的自学习模糊控制 [J], 洪昭斌;陈力
3.采用神经网络和遗传算法组合的自学习模糊控制器 [J], 方建安;邵世煌
4.神经网络自学习模糊控制及其在合成氨生产中的应用 [J], 王晓晔;李少远
5.神经网络自学习模糊控制器在直流蒸汽发生器控制中的应用 [J], 付明玉;夏国清;陈德娟
因版权原因，仅展示原文概要，查看原文内容请购买。