论文部分内容阅读
作为智能控制的重要分支,人工神经网络具有良好的非线性映射能力和高度的并行信息处理能力,是解决非线性系统辨识与控制的一条新途径。为此,论文以非线性液位和热交换过程为对象,研究了基于神经网络理论的建模方法和实时控制策略,提出了几种神经网络辨识和控制方案,主要内容概括如下:⑴给出了开放式过程控制系统的硬件结构,重点介绍了所开发的基于 Visual C++平台﹑Matlab 平台﹑LabWindows/CVI 平台的控制软件设计技术,分别给出了实时控制效果。⑵对液位和热交换器的模型特性进行了分析,采用静态 BP 网络和动态 DRNN 网络对两种非线性对象分别进行了模型辨识;实际的辨识结果说明,DRNN 网络更能逼近实际的非线性动态过程,是理想的非线性模型辨识网络类型。⑶扩展线性化神经状态空间(ELNSS)模型是一种特殊的神经网络,具有回归神经网络结构,论文分析了它的非线性特性,证明了参数训练过程的收敛性;将 ELNSS模型用于液位和热交换过程的模型辨识,辨识时采用串-并联结构,利用 EKF 方法训练模型参数;通过检验样本验证 ELNSS 模型具有较好的泛化能力,证明了 ELNSS 模型对非线性系统辨识的有效性。⑷对遗传算法的收敛性进行了讨论;针对简单遗传算法易陷于局部次优解的不足,提出了一种改进的自适应遗传算法,给出了交叉率和变异率自适应调整的计算公式;将改进的遗传算法作为系统辨识的寻优方法训练 DRNN 网络的权值,通过热交换器的模型辨识结果,说明采用遗传算法能提高神经网络模型的辨识精度。⑸将单神经元自适应PID控制﹑BP网络直接自适应控制﹑基于BP网络和DRNN网络的 PID 自适应控制方案,分别应用于液位对象的实时控制,比较实际控制结果,说明 DRNN 网络具有较好的处理动态问题的能力,能够实现具有最佳组合的 PID 自适应控制;同时为消除参数初值对系统控制性能的影响,利用改进的遗传算法训练网络,先求出一组权系数和 PID 参数作为初值,再进行自适应控制。实时控制结果验证了此方法可使自适应控制系统的收敛速度加快,动态性能得到改善。⑹对于多变量系统,讨论了基于神经网络的静态解耦和动态解耦方法,指出了它们的局限性;提出了两种基于解耦与控制的混合解耦方法,即神经元解耦控制和基于遗传算法的 DRNN 网络 PID 解耦控制;混合解耦方法将解耦器和控制器设计成一个 I<WP=5>混合系统,系统根据目标函数要求,完成包含对象在内的系统输入到输出的映射,使输出跟踪期望的给定值,实现多变量系统解耦控制。同时针对一非线性多变量耦合系统,分别进行了仿真试验研究,为多变量系统解耦控制的实施奠定基础。⑺针对热交换器在热量交换过程中因为扰动影响系统动态性能的情况,采用了前馈-反馈结构的动态矩阵预测控制方案,通过对不可控扰动量进行前馈补偿,提高了控制系统的抗干扰能力和稳态性能;同时针对非线性系统预测控制困难这一问题,提出了基于神经网络非线性模型的 DMC 预测控制方法,对预测控制系统的稳定性也进行了分析,并以热交换器为例分别进行了温度的预测控制实验,说明所提方法控制稳定,系统稳态性能良好。