《多变量预测控制及神经网络控制若干问题研究》由会员分享，可在线阅读，更多相关《多变量预测控制及神经网络控制若干问题研究（54页珍藏版）》请在金锄头文库上搜索。
1、摘 要摘 要预测控制是控制理论中充满活力的部分，近些年来，它与神经网络技术的结合，更使其焕发出新的青春。本文在充分吸收前人研究成果的基础上，做了以下几个方面的工作:通过改进预测控制器的日标函数，将广义预测控制器扩展为具有比例积分结构的广义预测控制器 ( P I G P C ) ;并对算法进行了化简，降低了计算量;进一步在预测步限后面更远一段进行预测值的等式约束，推导了具有比例积分结构的有约束后移步限控制器; 仿真研究表明这两种控制器对多变量系统控制具有良 好的动态性能。变尺度方法是求解无约束极值问题的一种有效方法，它既避免了计算二阶导数矩阵及其求逆过程，又比梯度法的收敛速度快，本文将它应用于神
2、经网络的权值学习，了变尺度二阶快速神经网络辨识算法，通过与 B P算法的仿真比较.表明该算法收敛速度快。逼近精度高。将神经网络与广义预测控制相结合，根据泰勒遥近原理，了基于前馈神经网络的泰勒逼近预测自 适应控制器， 仿真验证了该控制器对非线性控制的有效性。将控制理论成果应用于生活生产实践是控制理论发展的最终目标。本文最后介绍了一个自 动化控制系统设计的实例，它充分利用最新的计算机硬、软件技术，使工业控制系统变得更加方便、实用。关键词:自 适应控制，预测控制，神经网络，非线性控制，多变量控制P I 控制，变尺度，泰勒展开摘 要ABS TRACTP r e d i c t i v e c o n
3、t r o l i s a p a r t f u l l o f e n e r g y i n c o n t r o l t h e o ry. I n r e c e n t y e a r s ,wi t h t h e c o mb i n a t i o n o f n e u r a l n e t wo r ka n d p r e d i c t i v eo f t h e p r e v i o u sc o n t r o l , i t h a s b e e n i nn e w b l o o m . C o n s i d e r i n g t h e a
4、c h i e v e me n tr e s e a r c h a s f o l l o ws :r e s e a r c h e r s , we ma d eB y m o d i f y i n g t h e c o s t f u n c t i o n o f p r e d ic t i v e c o n t r o l , w e e x t e n d t h eg e n e r a l i z e d p r e d i c t i v e c o n t r o l l e r t o n e w t y p e o f g e n e r a l i z e
5、 d p r e d i c t i v e c o n t r o l l e rw i t h p r o p o r t i o n - i n t e g r a t i o n s t r u c t u r e ( P I G P C ) ; t h e n s i m p l if y t h e a l g o r i t h m , l o wt h e a m o u n t . o f c o m p u t i n g ; f u r t h e r m o r e , a d d i n g a e q u a t i o n c o n s t r a i n t
6、o fp r e d i c t iv e v a l u e i n f a r t h e r s e c t i o n a f t e r p r e d i c t i v e h o r i z o n , a c o n s t r a i n e dr e c e d i n g h o r i z o n p r e d i c t iv e c o n t r o l l e r w i t h p r o p o r t i o n - i n t e g r a t io n s t r u c t u r e i sg iv e n . S i m u l a t i
7、 o n r e s e a r c h v e r i f i e s t h a t t h e t w o c o n t r o l l e r s h a v e b e t t e r t r a n s i e n tp e r f o r m a n c e .V a r i a b l e m e t r i c a l g o r i t h m i s a n e f f i c i e n t a l g o r i t h m f o r r e s o l v i n g n o -c o n s t r a i n t e x t r e m u m p r o
8、b l e m . I t d o e s n t n e e d t o c o m p u t e s e c o n d o r d e rd i f f e r e n t i a l m a t r i x a n d i n v e r s e m a t r i x , a n d c o n v e r g e s f a s t e r t h a n g r a d i e n ta l g o r i t h m . I n t h i s p a p e r , w e a p p l y i t i n w e i g h t s t u d y i n g o f
9、n e u r a l n e t w o r k s ( N N ) ,a n d p r e s e n t v a r i a b l e m e t r i c f a s t s e c o n d o r d e r l e a r n i n g a l g o r i t h m i n t h e n e u r a ln e t w o r k s i d e n t i f i c a t i o n . T h r o u g h c o m p a r i s o n t o B P ( b a c k p r o p a g a t i o n )a l g o r
10、 i t h m , i t i s s h o w e d t h a t t h e n e w a l g o r i t h m h a s f a s t e r c o n v e r g e n c e s p e e d a n dc o n v e r g e n c e p r e c i s i o n .C o m b i n i n g n e u r a l n e t w o r k s a n d g e n e r a l i z e d p r e d i c t i v e c o n t r o l l e r , b a s e do n T a y
11、l o r e x p a n s i o n e q u a t i o n , w e g e t t h e T a y l o r a p p r o x i m a t i n g p r e d i c t i v ea d a p t iv e c o n t r o l l e r b a s e o n f e e d f o r w o r d n e u r a l n e t w o r k s . T h e v a l i d i t y o f t h ec o n t r o l l e r o n n o n l i n e a r s y s t e m i
12、 s p r o v e d .A p p l y i n g c o n t r o l t h e o ry i n t o l i f e a n d p r o d u c t i o n is t h e f i n a l t a r g e t o f1 1摘 要d e v e l o p i n ga u t o ma t i cc o n t r o l t h e o r y . F i n a l l y , w e i n t r o d u c e a nc o n t r o l . I t u t i l i z e s t h e l a t e s t h a
13、 r d wa r e a n de x a mp l e o f i n d u s t r i a ls o f t w a r e o f c o mp u t e r ,m a k i n g i n d u s t r i a l c o n t r o l s y s t e m c o n v e n i e n t a n d e f f i c i e n t .K e y w o r d s : a d a p t i v e c o n t r o l , p r e d i c t i v e c o n t r o l , n e u r a l n e t w o
14、r k s , n o n l in e a rc o n t r o l , m u l t i v a r i a b l e c o n t r o l , P I c o n t r o l , v a r i a b l e m e t r i c , T a y l o r e x p a n s i o nm第一章 绪论第一章 绪论 1 . t 预测控制; 1 . 1 . 1 预测控制的产生预测控制是 7 0年代后期产生的一类新型计算机控制算法。它的问世，一方 而受到了计算机技术发展的推动，另一方而也来自复杂工业实践向高层优化控 制的挑战.t o多年来，随着它处理复杂系统控制的策
15、略思想日益为人们 所认识，以及它在工业实践中的大量成功应用，这一控制技术的生命力及诱人的应用前景己引起了控制理论界和工业控制界的广泛兴趣。预测控制的产生，并不是理论发展的需要，而首先是工业实践向控制 的挑战。众所周知，6 0年代初形成的现代控制理论，在航天、航空等领域都取得了辉煌的成果。利用状态空间法分析和设计系统，提高了人们对被控对象 的洞察能力，提供了在更高层次上设计控制系统的手段。特别是，立足于最优 性能指标的设计理论和方法己 趋成熟， 这对于在工业过程中 追求更高控制质量 和经济效益的控制工程师来说， 无疑具有极大的吸引力。 然而， 人们不久发现， 在完美的理论与控制实践之间还存在着巨
16、大的鸿沟。这主要表现在以下几个方面:( 1 )现代控制理论的基点是对象精确的数学模型，而在工业过程中所 涉及的对象往往是多输入、 多输出的高维复杂系统， 其数学模型很难精确建立， 即使建立了模型，从工程实用的角度来说， 往往需要简化，从而很难保证得到对象精确的模型。( 2 )工业对象的结构、参数和环境都具有很大的不确定性。由于这些不确定性的存在，按照理想模型得到的最优控制在实际上往往不能保持最优，有时甚至会引起控制品质的严重下降。在工业环境中，人们更关注的是控制系 统在不确定性影响下保持良好性能的能力，即所谓鲁棒性，而不能只是追求理想的最优性。( 3 )工业控制中必须考虑到控制手段的经济性，对工业控制计算机的第一章 绪论要求不能太高。因此，控制算法必须简易以满足实时性的要求。而现代控制理论的许多算法往往过于复杂，难以用低性能的计算机实现。这些来白实际的原因，阻碍了现代控制理论在复杂工业过程中的有效应用，也向控制理论了新的挑战。为了克服理论与应用之间的不协调，7 0年代以来，除了加强对系统辨识、 模型简化、自 适应控制、 鲁棒控制等的研究外， 人们开
