计算机科学 ›› 2019, Vol. 46 ›› Issue (6A): 138-141.

• 智能计算 • 上一篇    下一篇

面向燃气调压应用的RBF人工智能控制策略

何进1, 仲元昌2, 孙利利2, 张晓帆2   

  1. 重庆工程职业技术学院电气工程学院 重庆4022601;
    重庆大学微电子与通信工程学院 重庆4000442
  • 出版日期:2019-06-14 发布日期:2019-07-02
  • 通讯作者: 仲元昌(1965-),男,博士,教授,主要研究方向为通信与测控系统、多目标跟踪等,E-mail:zyc@cqu.edu.cn
  • 作者简介:何 进(1976-),男,硕士,副教授,主要研究方向为计算机信息技术等;孙利利(1996-),硕士生,主要研究方向为通信与测控系统;张晓帆(1993-),硕士生,主要研究方向为通信与测控系统。
  • 基金资助:
    本文受国家“973”项目(2012CB215202),中央高校基本科研业务费专项项目(106112018CDPTCG000/41,106112017CDJZRPY0101),重庆市科技创新专项(cstc2017shmsA40003),重庆市教委科研项目(KJ1603206)资助。

RBF Artificial Intelligence Control Strategy for Gas Pressure Regulating Application

HE Jin1, ZHONG Yuan-chang2, SUN Li-li2, ZHANG Xiao-fan2   

  1. Chongqing Vocational Institute of Engineering,Chongqing 402260,China1;
    School of Microelectronics and Communication Engineering,Chongqing University,Chongqing 400044,China2
  • Online:2019-06-14 Published:2019-07-02

摘要: 针对现有中低压调压站调压精度差、可靠性差的不足,提出一种面向燃气调压器应用的RBF神经网络控制策略。其智能燃气调压器利用高阶系统的降阶近似处理方法,得到简化的电动燃气调压系统数学模型;然后,针对调压系统的非线性、不确定性特征,充分利用RBF神经网络对非线性函数良好的逼近效果,实现PID参数自整定。通过基于MSP430单片机开发板对调压器的算法性能及功能进行测试,测试结果表明,相比于传统PID控制算法,改进的算法的调节时间缩短约10%,超调量减少约6%,且抗干扰性能优越,调压器能实现数据采集、调压、串口通信、安全报警功能。

关键词: 智能燃气调压器, 神经网络, PID控制, MSP430

Abstract: In order to overcome the shortcomings of poor accuracy and reliability of the existing medium and low voltage regulator stations,a RBF neural network control strategy for gas regulator application was proposed.The intelligent gas regulator uses the reduced order approximation method of high-order system to obtain a simplified mathematical model of electric gas regulator system.Then,according to the characteristics of non-linearity and uncertainty of the regulator system,it makes full use of the good approximation effect of RBF neural network for the non-linear function to realize the self-tuning of PID parameters.The performance and function of the voltage regulator are tested based on MSP430 MCU development board.The test results show that compared with the traditional PID control algorithm,the improved algorithm reduces the adjustment time by about 10% and the overshoot by about 6%,and the anti-interference performance is superior.The voltage regulator can realize data acquisition,voltage regulation,serial communication and safety alarm functions.

Key words: Intelligent gas regulator, Neural network, PID control, MSP430

中图分类号: 

  • TP181
[1] 季良俊.城市燃气发展中存在的问题及解决对策[J].建筑工程技术与设计,2014(16):1284-1285.
[2] 王中元,罗东坤,刘璘璘.我国城市燃气发展阶段及其主要特征[J].油气储运,2016,35(2):115-123.
[3] 王中元,罗东坤,刘璘璘.“十三五”时期中国城市燃气发展环境分析与对策[J].天然气与石油,2016,34(11):1-7.
[4] 白龙.中国天然气市场发展现状[J].石化技术,2017,24(7):176-176.
[5] 李鑫.燃气输配系统事故统计分析及对策[J].城市建设理论研究,2015,5(22):532-533.
[6] 孟普.面向燃气电动调压的PID神经网络控制系统设计与FPGA实现[D].重庆:重庆大学,2015.
[7] 贾筱东.浅谈燃气调压站内电气设备的管理[J].科技资讯,2017,15(24):51.
[8] 徐箭,张飞飞,潘良.区域调压站的智能化实践[J].上海煤气,2016(5):13-15.
[9] 王帆.电动燃气调压器气压检测的信息融合研究[D].重庆:重庆大学,2014.
[10] 张晓帆.基于RBF神经网络的智能燃气调压器研究 [D].重庆:重庆大学,2018.
[11] 黄桂华.基于压缩感知的电动燃气调压器气压检测研究[D].重庆:重庆大学,2015.
[12] 陈林.阀门流量系数和流阻系数测量不确定度评定[J].现代测量与实验室管理,2016,24(3):36-39.
[13] 仲元昌,郭耿涛,贾年龙,等.晶体生长炉的PID神经网络温度控制算法[J].人工晶体学报,2010,39(5):1302-1307.
[14] 仲元昌,范群群,李秀珍,等.热丝法炉渣分析仪的智能温度测控系统[J].传感技术学报,2010,23(1):34-37.
[15] 仲元昌,杜坚,康劲.光学冷加工抛光液温度控制系统[J].重庆大学学报,2002,25(10):110-112.
[16] SONG Y,HUANG X,WEN C.Robust Adaptive Fault-Tolerant PID Control of MIMO Nonlinear Systems With Unknown Control Direction[J].IEEE Transactions on Industrial Electronics,2017,64(6):4876-4884.
[1] 周燕, 曾凡智, 吴臣, 罗粤, 刘紫琴. 基于深度学习的三维形状特征提取方法[J]. 计算机科学, 2019, 46(9): 47-58.
[2] 李青华, 李翠平, 张静, 陈红, 王绍卿. 深度神经网络压缩综述[J]. 计算机科学, 2019, 46(9): 1-14.
[3] 王鑫, 孟浩浩, 姜小涛, 陈胜勇, 孙凌云. 基于神经网络的角色运动合成研究进展[J]. 计算机科学, 2019, 46(9): 22-27.
[4] 王嫣然, 陈清亮, 吴俊君. 面向复杂环境的图像语义分割方法综述[J]. 计算机科学, 2019, 46(9): 36-46.
[5] 孙中锋, 王静. 用于基于方面情感分析的RCNN-BGRU-HN网络模型[J]. 计算机科学, 2019, 46(9): 223-228.
[6] 缪永伟, 李高怡, 鲍陈, 张旭东, 彭思龙. 基于卷积神经网络的图像局部风格迁移[J]. 计算机科学, 2019, 46(9): 259-264.
[7] 江泽涛, 秦嘉奇, 胡硕. 基于多路卷积神经网络的多光谱场景识别方法[J]. 计算机科学, 2019, 46(9): 265-270.
[8] 石晓红, 黄钦开, 苗佳欣, 苏卓. 基于卷积网络的边缘保持滤波方法[J]. 计算机科学, 2019, 46(9): 277-283.
[9] 郭旭, 朱敬华. 基于用户向量化表示和注意力机制的深度神经网络推荐模型[J]. 计算机科学, 2019, 46(8): 111-115.
[10] 于洋, 李世杰, 陈亮, 刘韵婷. 基于改进YOLO v2的船舶目标检测方法[J]. 计算机科学, 2019, 46(8): 332-336.
[11] 麦应潮,陈云华,张灵. 具有生物真实性的强抗噪性神经元激活函数[J]. 计算机科学, 2019, 46(7): 206-210.
[12] 王乐乐,汪斌强,刘建港,张建辉,苗启广. 基于递归神经网络的恶意程序检测研究[J]. 计算机科学, 2019, 46(7): 86-90.
[13] 王雅慧, 刘博, 袁晓彤. 基于近似牛顿法的分布式卷积神经网络训练[J]. 计算机科学, 2019, 46(7): 180-185.
[14] 张琳娜,陈建强,陈晓玲,岑翼刚,阚世超. 面向行车视频目标实时检测的轻量级SSD网络[J]. 计算机科学, 2019, 46(7): 233-237.
[15] 孔繁钰, 周愉峰, 陈纲. 基于时空特征挖掘的交通流量预测方法[J]. 计算机科学, 2019, 46(7): 322-326.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 伍建辉,黄中祥,李武,吴健辉,彭鑫,张生. 城市道路建设时序决策的鲁棒优化[J]. 计算机科学, 2018, 45(4): 89 -93 .
[2] 刘博艺,唐湘滟,程杰仁. 基于多生长时期模板匹配的玉米螟识别方法[J]. 计算机科学, 2018, 45(4): 106 -111, 142 .
[3] 王振武,吕小华,韩晓辉. 基于四叉树分割的地形LOD技术综述[J]. 计算机科学, 2018, 45(4): 34 -45 .
[4] 李珊,饶文碧. 基于视频的矿井中人体运动区域检测[J]. 计算机科学, 2018, 45(4): 291 -295 .
[5] 廖星,袁景凌,陈旻骋. 一种自适应权重的并行PSO快速装箱算法[J]. 计算机科学, 2018, 45(3): 231 -234, 273 .
[6] 杨羽琦,章国安,金喜龙. 车载自组织网络中基于车辆密度的双簇头路由协议[J]. 计算机科学, 2018, 45(4): 126 -130 .
[7] 韩奎奎,谢在鹏,吕鑫. 一种基于改进遗传算法的雾计算任务调度策略[J]. 计算机科学, 2018, 45(4): 137 -142 .
[8] 瞿中,赵从梅. 一种抗遮挡的自适应尺度目标跟踪算法[J]. 计算机科学, 2018, 45(4): 296 -300 .
[9] 郑秀林,宋海燕,付伊鹏. MORUS-1280-128算法的区分分析[J]. 计算机科学, 2018, 45(4): 152 -156 .
[10] 罗霄阳,霍宏涛,王梦思,陈亚飞. 基于多残差马尔科夫模型的图像拼接检测[J]. 计算机科学, 2018, 45(4): 173 -177 .