《基于通用学习网络的大滞后系统控制》由会员分享，可在线阅读，更多相关《基于通用学习网络的大滞后系统控制（48页珍藏版）》请在金锄头文库上搜索。
1、北京化工大学毕业设计（论文）摘 要 本文中，利用通用学习网络对典型大滞后，非线性系统PH中和过程进行辨识，对比了BP神经网络算法对大滞后系统的训练和泛化效果。通过实验对比，得出结论，在大滞后系统模型的学习上，通用学习网络比BP神经网络要有优势。在本课题中，我们还尝试了改变网络结构，做仿真实验对比，证明了对于复杂对象，多分支与反馈支路能够极大地改善学习效果。与此同时，我们引入了一个常规的二阶带纯滞后对象作为补充，也对其做了仿真实验，对比了训练结果。在对以上两个过程对象充分学习的基础上，我们设计了ULN预估控制器，同时对比了Smith预估器，常规数字增量式PID控制器的控制效果。最后，我们还进行了
2、控制系统鲁棒性分析，指出了，通用学习网络具有自适应，自学习等优点，系统有很强的鲁棒性能。关键词：通用学习网络；大滞后系统；大滞后PH中和过程；预测控制算法ABSTRACTIn this paper, universal learning network(ULN) is adopted to identify the typical nonlinear and long time-delay system-PH neutralization process, and is compared with the training and generalization effect by BP neu
3、ral network. Through comparing the result, we conclude, on indentifying the long time-delay system, universal learning network(ULN) than the BP neural network will have an advantage. In this topic, through changing the the network structure, comparing the simulation effect, we prove that the network
4、 with multiple branching and feedback branches can increase the training effect greatly. Meanwhile a conventional second-order system with pure lag is introduced to the simulation as a supplement, and we have made the simulation experiment for comparison. Based on the fully indentified process, we h
5、ave designed a ULN predictor controller, compared with the Smith predictor and conventional incremental digital PID controller control effect. Finally, we also carry a control system robustness analysis, pointing out that universal learning network has many characteristics, such as the abilities of
6、self-adaption and self-learning, so the system can ensure the robustness very well.Key words：universal learning network, large time-delay system, PH neutralizatoin precess with large time delay, predictive control Algorithm目 录前 言1第1章 绪论2第1.1节 课题来源2第1.2节 课题背景21.2.1大滞后回瞻21.2.2 大滞后控制进展2第1.3节 本文主要工作及结构安
7、排4第二章 神经网络基本原理6第2.1节 人工神经元模型6第2.2节 神经元网络学习方式和学习规则72.2.1神经元网络学习方式72.2.2神经元网络学习规则8第2.3节 BP神经网络92.3.1 BP神经网络结构92.3.2 BP神经网络算法10第2.4节 通用学习网络132.4.1 通用学习网络结构132.4.2 通用学习网络算法142.4.3 通用学习网络编程思路15第2.5节 本章小节16第三章 PH中和对象仿真17第3.1节 PH中和对象介绍17第3.2节 PH中和对象仿真173.2.1 ULN算法仿真173.2.2 BP算法与ULN算法对比23第3.3节 本章小节25第四章 普通纯
8、滞后系统仿真26第4.1节 二阶带滞后对象的介绍26第4.2节 二阶带滞后对象的BP和ULN训练方法比较26第4.3节 本章小节29第五章 控制方案设计30第5.1节 控制方案介绍305.1.1 普通增量式PID控制305.1.2 ULN预估与增量式PID控制315.1.3 Smith预估器325.1.4 基于BP算法的PID控制器34第5.2节 控制效果对比355.2.1 二阶纯滞后系统的控制355.2.1 PH中和过程的控制37第5.3节 控制系统鲁棒性研究395.3.1 PH中和Hammerstein模型控制方案的鲁棒性39第5.4节 本章小结40结 论41参考文献42致 谢4544北京
9、化工大学毕业设计（论文）前 言在化工，炼油，污水处理等工业过程中，广泛地存在着大时滞现象，这也给闭环控制带来了很大的困难。在以往的常规PID控制中，对象的非线性，大时滞会急剧地恶化控制系统的性能，比如超调量增加，调节时间延长，系统震荡加剧，甚至造成闭环系统的不稳定，这对于系统的设计与维护造成了很大的困难。因而，如何对大滞后系统进行有效的控制，自然而然成为了控制领域的一大热点问题。在1957年，Smith首次提出了针对时滞系统采取预估计的方法，这在理论上完成了大滞后系统控制的方案。但是由于对被控对象参数模型的精确要求，系统鲁棒性低等局限性，限制了它在实际工程中的应用。现如今，计算机技术飞速发展，
10、使得现代控制方法层出不穷，比如自适应控制，智能控制等。其中智能控制又包括专家控制，模糊控制，以及神经元网络控制等。神经元网络具有超强的适应能力和学习能力，以及非常强的非线性表达能力，对于不确定的非线性大滞后系统非常适用，而且神经元网络控制对于干扰的抑制，系统的鲁棒性的提高都有非常不错的效果。本文针对神经网络BP算法无法对时滞系统进行有效的训练的特点，实现了通用学习网络对滞后系统的训练和泛化。本文对普通的二阶带纯滞后的系统以及非线性带大滞后的系统进行了仿真控制，实现了基于通用学习网络的预报控制，对比了普通PID控制与基于BP算法的PID控制，改进了控制效果。而仿真结果则表明，基于通用学习网络的控
11、制在大滞后系统方面具有着非常大的优势。第1章 绪论第1.1节 课题来源 随着化工过程的复杂化，在过程对象的控制过程中，不可避免的会出现大滞后系统，比如温度控制，炼油等过程。这些系统的特点是控制器的输出作用需要在一个滞后时间以后才能对系统起作用，这也就使得控制作用的效果不及时，以及被控变量不能及时地反映系统内部的变化，从而使得系统超调量明显增加，调节时间明显变长，系统震荡加剧，甚至不稳定而发散。而系统时滞的特性使得问题变得十分复杂，因而对此类问题的研究具有非常重要的理论和实际意义。第1.2节 课题背景1.2.1大滞后回瞻(1)Smith预估器1957年，Smith首次提出了针对时滞系统采取预估计
12、的方法。Smith预估器能够在理论上较好的解决纯滞后系统的控制问题。(2)Smith预估器的改进此后，其他许多学者在这一领域基础上提出了很多行之有效的方法。，其中包括神经网络Smith预估控制4, 15，非线性Smith预估器5，改进的Smith预估器2。1.2.2 大滞后控制进展(1)自适应控制对大多数的实际系统而言，被控对象的参数不可能保持定常，对于这一类系统，如果采用常规的控制方案，不仅会使得控制效果变差，严重的甚至会造成系统的发散，然而利用自适应控制则会达到比较好的效果。自适应控制的基本思路是依据自适应控制的“ 确定性等价原理”和“ 分离设计原则” 29 , 时变系统的控制器设计可以分
13、为两步进行, 首先假定被控对象的参数已知且定常, 按给定的性能指标设计出相应的控制器, 然后利用参数辨识在线估计出被控对象的参数值, 并以参数估计值代替控制器中所用的真值对系统进行控制3。自适应控制由于具有对时变参数的良好的自适应能力, 因而在时变时滞系统中得到了广泛的应用。现已提出的控制方法包括模型参考自适应预估控制29、自适应预估最优控制11, 13、极点配置最优预报自校正PID控制器、大时滞系统的自抗扰控制、时滞并联自适应控制、零极点配置的自校正内模控制28、动态矩阵控制等等。自适应控制的典型框图为图1-1所示。控制器最优预报参数辨识时变时滞过程R(s) Y(s)图11 自适应控制系统框
14、图(2)智能控制方法随着智能控制理论和技术的飞速发展, 许多学者将模糊控制和神经网络控制技术应用于大时滞控制系统当中。模糊控制的优点是不需要被控对象的精确数学模型, 而且具有很强的鲁棒性, 因而非常适合于不确定性系统。神经网络控制则具有自学习和自适应以及很强的非线性表述能力, 对于不确定的非线性时变系统非常适用。专家系统为解决复杂的不确定性对象的控制提供了另外一条有效途径, 它以控制专家的经验和知识弥补了对象数学模型的缺陷。智能控制方法虽然克服了预估器和自适应控制的缺陷, 但它们本身也并不是完美的。模糊控制的显著缺点是控制精度不高、自适应能力有限、存在稳态误差、可能引起振荡。神经网络控制的缺点
15、是学习和训练比较费时、对训练集的要求也很高。专家控制则过度依赖专家的经验, 缺乏自学习能力, 控制精度不高, 而且同样存在稳态误差。鉴于上述原因, 智能控制方法经常相互融合或者和预估器以及自适应控制相结合, 这也正是时变大时滞系统控制方法目前的研究方向。现已提出的方法包括神经元自适应控制、自调谐模糊控制器、专家控制与控制结合的递阶智能控制器、基于模糊神经网络的预测控制、变结构模糊控制器、基于模糊预测的间歇控制器、基于模糊逻辑的预估器、基于神经网络的非线性预估器、专家预估控制、非自衡系统的智能控制、遗传算法与最小二乘结合的时变时滞系统的在线辨识等等。上述控制方法各具特色, 也都具有相当不错的控制性能, 但是它们并不一定是最优的, 而且各自具有不同的复杂程度, 对于大时滞时变系统, 有些算法可能会导致不稳定, 另外, 目前对时变大时滞工业过程的控制仍然以传统的预估器和控制为主, 许多新型的自适应控制方法和智能控制方法仍然处于理论研究
