上篇 基于控制器力学统一性的系统设计方法 1
第1章 热工过程控制策略概述 1
1．1 概述 1
1．2 热工过程先进控制策略研究现状 2
1．2．1 改进的PID控制 3
1．2．2 预测控制 3
1．2．3 自适应控制 5
1．2．4 状态变量控制 6
1．2．5 热工过程控制的研究及存在的问题 7
第2章 基于时间尺度的PID参数整定和二阶系统参数辨识 9
2．1 基于时间尺度的PID控制器参数整定 9
2．1．1 系统的时间尺度 9
2．1．2 基于时间尺度的PID控制器参数整定 10
2．1．3 仿真研究 10
2．2 二阶系统参数辨识 12
2．2．1 线性时不变二阶系统描述 12
2．2．2 时变参数二阶系统及其参数辨识 13
2．3 本章小结 15
第3章 基于匀加速运动方程构建的系统状态观测器 16
3．1 卡尔曼滤波器 16
3．2 状态观测器 19
3．3 基于匀加速运动方程构建的系统状态观测器 21
3．3．1 理论推导 21
3．3．2 仿真研究 27
3．4 基于匀加速运动方程状态观测器构建的控制系统 27
3．4．1 控制系统设计 27
3．4．2 仿真研究 29
3．5 本章小结 29
第4章 大滞后控制系统的几种设计方法 31
4．1 确定性大时滞控制系统的两步整定方法 31
4．1．1 控制系统设计 31
4．1．2 仿真研究 33
4．2 时变大时滞控制系统的两种设计方法 34
4．2．1 纯滞后系统的Smith控制算法 34
4．2．2 史密斯预估控制系统的改进设计 35
4．2．3 基于极点配置的状态观测器及其控制系统 37
4．3 本章小结 40
第5章 几种典型控制器的动力学统一性分析及其设计改进 41
5．1 二阶系统通用控制器 41
5．1．1 通用控制器设计 41
5．1．2 仿真研究 43
5．2 鲁棒控制器 44
5．2．1 鲁棒控制系统概述 44
5．2．2 鲁棒控制器设计 46
5．2．3 仿真研究 51
5．2．4 鲁棒控制器动力学统一性分析 51
5．2．5 控制系统鲁棒性能进一步分析 52
5．3 PID控制器 53
5．3．1 PID控制器动力学统一性分析 53
5．3．2 非线性PID控制器设计 54
5．3．3 自适应（自校正）PID控制器设计 57
5．4 内模控制系统（IMC） 60
5．5 状态反馈控制 61
5．5．1 状态反馈控制的动力学统一性分析 61
5．5．2 仿真研究 63
5．6 预测控制（GPC/MPC） 63
5．6．1 预测控制的动力学统一性分析 63
5．6．2 仿真研究 65
5．7 本章小结 66
第6章 对非线性控制系统设计的探讨 67
6．1 引言 67
6．2 反馈线性化 68
6．3 系统间隙度和非线性系统的优化控制 69
6．3．1 间隙度 69
6．3．2 间隙度的性质 70
6．3．3 仿真研究 71
6．4 本章小结 72
下篇 热工过程计算智能方法及其应用研究 73
第7章 计算智能概论 73
7．1 概述 73
7．2 计算智能在电厂热工系统中的应用 74
第8章 神经网络及其算法研究 77
8．1 BP神经网络及其改进算法 78
8．1．1 BP神经网络的拓扑结构及其学习算法 78
8．1．2 加入动量项的学习算法 79
8．1．3 RPROP——局部自适应的弹性更新值算法 80
8．2 RBF神经网络 82
8．2．1 RBF神经网络拓扑结构及其算法 82
8．2．2 OLS（Orthogonal Least Square）算法 84
8．3 CMAC神经网络 87
8．4 PID神经网络 90
8．4．1 PID神经网络的拓扑结构 90
8．4．2 PID神经网络拟合能力仿真试验 92
8．5 HIOCDRN动态递归神经网络及其在系统辨识中的应用 94
8．5．1 Elman神经网络 94
8．5．2 HIOCDRN神经网络 96
8．5．3 辨识仿真 97
8．6 本章小结 98
第9章 混沌和PSO算法研究及其与神经网络的混合应用 99
9．1 混沌优化策略 99
9．2 RPROP与混沌优化耦合算法 99
9．3 PSO算法 103
9．3．1 粒子群算法的生物模型 103
9．3．2 粒子群算法基本原理 104
9．3．3 标准粒子群算法流程 105
9．3．4 PSO算法的设计步骤 105
9．3．5 PSO与其他进化算法的比较 106
9．4 PSO算法改进策略 107
9．4．1 基本PSO算法性能分析 107
9．4．2 动态变量区间方法和重新启动策略 108
9．4．3 改进算法性能测试 110
9．4．4 改进PSO算法优化主汽温控制系统PID控制器参数 111
9．5 基于PSO的RBF神经网络在热工系统辨识中的应用 113
9．5．1 PSO算法中的非线性惯性因子递减策略 113
9．5．2 辨识原理分析 113
9．5．3 热工对象辨识仿真实验 115
9．6 本章小结 116
第10章 模糊量子遗传算法 117
10．1 标准遗传算法 117
10．1．1 遗传算法的概念 117
10．1．2 遗传算法过程 118
10．1．3 遗传算法中的编码 119
10．1．4 遗传算法中的适应度函数设计 120
10．1．5 遗传操作算子 120
10．2 改进的自适应遗传算法 123
10．3 模糊量子遗传算法 125
10．3．1 量子计算及量子编码 125
10．3．2 基于模糊规则调整的量子旋转门 128
10．3．3 模糊量子遗传算法在热工过程辨识中的应用 130
10．4 本章小结 134
第11章 计算智能在热工控制系统中的应用研究 135
11．1 单神经元神经网络控制器 135
11．1．1 单神经元神经网络控制器原理及算法 135
11．1．2 单神经元自适应控制器在DCS中的实现 137
11．2 基于神经网络的内模控制 139
11．3 神经网络预测控制 143
11．4 基于PID神经网络的干扰观测器设计 148
11．4．1 干扰观测器设计原理 148
11．4．2 基于PID神经网络逆模型的干扰观测器 148
11．5 一种基于神经网络和遗传算法的锅炉燃烧优化方法 151
11．5．1 锅炉燃烧送风控制系统及优化方案 152
11．5．2 锅炉燃烧过程建模 152
11．5．3 遗传算法寻优 153
11．5．4 仿真实验 153
11．6 本章小结 155
第12章 蚁群优化算法及其在热工控制系统中的应用 156
12．1 关于蚁群优化算法 156
12．1．1 概述 156
12．1．2 国内外研究动态 157
12．1．3 本章内容 158
12．1．4 基本蚁群算法及其特点 159
12．1．5 基本蚁群算法流程 163
12．1．6 基本蚁群算法的优点与不足 163
12．1．7 本节小结 164
12．2 具有分工特征的蚁群算法 164
12．2．1 算法的启发思想 165
12．2．2 连续空间中变量编码规则 165
12．2．3 三维坐标信息素体系 166
12．2．4 人工蚂蚁的行为 167
12．2．5 具有分工特征的蚁群算法模型 169
12．2．6 晋级组蚁群与工蚁群工作流程 170
12．2．7 具有分工特征的蚁群算法流程 170
12．2．8 仿真算例 170
12．2．9 本节小结 173
12．3 基于具有分工特征的蚁群算法的热工过程辨识 173
12．3．1 过程辨识的步骤和方法 174
12．3．2 基于具有分工特征的算法的热工过程辨识 174
12．3．3 过程辨识方案设计 176
12．3．4 仿真与应用研究 176
12．4 基于具有分工特征的蚁群算法的控制器参数优化 182
12．4．1 PID控制器参数整定的研究状况 182
12．4．2 基于具有分工特征的蚁群算法的PID参数优化整定 182
12．4．3 应用研究 184
12．4．4 串级PID控制器参数整定 185
12．5 本章小结 187
附录1 KPAACP优化在汽包水位系统中的应用 193
附录2 300MW火电机组再热汽温调节 198
致谢 201
参考文献 202