21、工业控制与电力系统中智能算法与神经网络的应用

工业控制与电力系统中智能算法与神经网络的应用

1. FBAILC算法在间歇聚合反应釜控制中的应用

1.1 干扰模拟分析

在间歇聚合反应釜的控制中，FBAILC（反馈辅助迭代学习控制）算法展现出了独特的性能。通过对测量噪声的控制曲线分析，我们可以更深入地了解该算法在不同干扰情况下的表现。
- 恒定干扰 ：在图3a中，分别在70分钟和160分钟时向测量值中加入 +5℃ 和 -5℃ 的恒定干扰。随着重复次数的增加，系统对相同幅度恒定干扰的调节时间逐渐缩短，这表明FBAILC算法在处理恒定干扰时具有良好的适应性，能够更快地使系统恢复稳定。
- 线性变化干扰 ：图3b中，在70分钟开始向测量值中加入每分钟增加1℃ 的干扰，而在160分钟以相反方式加入下降干扰。尽管这种干扰设置较为夸张，但随着试验次数的增加，控制变量的幅度逐渐减小，说明FBAILC算法在处理这种复杂干扰时也能逐渐优化控制效果。
- 随机干扰 ：图3c中，向测量值中加入幅度为 ±1℃ 的随机干扰。在这种情况下，FBAILC算法与PID控制表现相同，无法对随机干扰进行有效改善。这表明FBAILC算法在处理随机干扰方面存在一定的局限性。

1.2 过程参数移动模拟分析

通过对过程时间常数和增益移动的模拟曲线分析，我们可以评估FBAILC算法在过程参数变化时的性能。
|控制类型|时间常数增加|增益增加|
| ---- | ---- | ---- |
|PID控制|过程时间常数以 1 + 2 + … + k 的幅度增加（kc = 2.5，ti = 6.0