《针对锅炉大时滞非线性的系统初步方案拟定》由会员分享，可在线阅读，更多相关《针对锅炉大时滞非线性的系统初步方案拟定（2页珍藏版）》请在金锄头文库上搜索。
1、从1957年，Smith预估器出现以来，人们在时滞系统的控制上做出了很多研究，出现了许多控制方法。但大体上可以分为两大类：传统的控制方法和现代的控制方法。传统的控制方法有：Smith预估器及其改进方法、微分先行算法、大林算法、PID算法、根轨迹算法、Bode展开法等。Smith预估控制器用一个预估模型对时滞对象进行补偿得到一个无时滞的超前的被调节量反馈到控制器，使得整个系统的控制犹如没有时滞环节，是一种对时滞控制非常有效的方法。Smith预估器的最大优点是将时滞环节移到了闭环之外，使控制品质大大提高。它的缺点是过十依赖精确的数学模型，当估计模型和实际对象有误差时，控制品质会显著恶化，甚至发散；
2、它的另一个缺点是对外部扰动非常敏感，鲁棒性差。常规的Smith预估器难以在实际中得到应用。在Smith预估器的基础上，许多学者提出了扩展型的或者改进型的方案，这些方案包括：多变量Smith预估控制，非线性系统的Smith预估器，改进的Smith预估器。这些方法由于并没有减小对系统数学模型的依赖程度，因而同样也具有一定的局限性。微分先行控制算法是在PID控制的基础上提出的。在微分先行调节系统中，微分环节的输出包括了被调参数及其变化速度值，将它送入比例积分调节器中，使调节系统克服超调的作用加强了。微分先行系统的超调量比较小，改善了时滞系统的抗干扰性能。大林控制算法是在离散域控制器设计方法中，富有代
3、表性的一种方法，是1968年由IBM公司提出的。大林算法是针对被控对象是带纯滞后的一阶或二阶惯性环节设计的控制算法。但是达林算法的致命缺点是可能存在“振铃”现象，且对过程的模型误差比较敏感。传统控制方法大多要依赖对象的准确模型。然而随着科技发展与被控对象的复杂化，对于现有大范围多参数时变、大滞后、严重非线性和强耦合以及不确定系统，要建立精确数学模型非常困难，基于此，近二十年来发展了多种先进控制理论和技术。先进的控制方法有：自适应控制法、神经网络控制、模糊控制、预测控制、变结构控制等;另外各种控制方法往往不是独立存在的，它们相互结合，优势互补，产生了一些对时滞控制更好的方法:例如模糊PID、神经
4、网络PID、神经网络内模、神经网络Smith预估器、神经网络预测控制等。在各种控制中，占主导地位的思想是去掉过程对象的时滞，这种去掉时滞的思想实质是超前预估，例如基于Smith预估思想的神经网络建模、利用神经网络的超前预估来弥补对象的滞后特性，从而达到较好的控制效果;预测控制也是利用超前的预估值来补偿对象的滞后特性。另外，滑模变结构控制以其在滑动模态对摄动和外扰具有良好鲁棒性的特点，成为对非线性时滞系统进行有效控制的一种重要形式。 为了更好的解决问题理论工作者作了大量工作，提出了许多时滞的辨识方法。瑞典的Bjoklund在文献1详细阐述了线性系统的时滞辨识方法。有时域近似法、频域近似法、Lag
5、uerre域近似法、一步或两步显式方法、采样方法、纯面积方法、和高阶统计方法等。对时滞进行辨识与估计是系统辨识与模型化的重要研究课题之一。Reed等在文献2应用LMS算法来确定相关函数以估计输入与输出信号间的时滞。Teng和Sirisena在文献3提出了扩展多项式以估计时滞的方法。Lim和Macleod在文献4就IIR滤波器提出了一种自适应时滞跟踪方法。Balestrino在文献5等则提出了一种稳态时滞估计策略。然而几乎所有这些方法均是针对线性系统而提出的。 而大多数具有时滞的实际动态系统或多或少含有非线性，因此有必要研究针对非线性系统的时滞建模和估计方法。文献6给出了多层感知器递归神经网络非
6、线性时滞系统的时滞辨识方法。文献7给出了非线性时变时滞系统的两种估计方法，分别称为直接和间接时滞在线估计方法，间接法将时滞估计看作非线性优化问题，而直接法则用神经网络构造时滞估计器来跟踪时滞的变化。本毕业设计拟寻求一种正交神经网络，它的构成思想源于正交函数。正交神经网络的处理单元(神经元)之间满足正交关系。它是一种全局收敛的神经网络，能够避免初始值的选择，网络层数的选择，和每层的神经元的确定等问题。因此训练速度快，便于实现在线辨识。本毕业设计对采用神经网络辨识非线性系统时滞的文献7进行深入分析，重点研究正交递归神经网络对非线性时滞系统的辨识和建模，进而进一步探讨了对非线性时滞系统输入阶次的辨识
7、。并对非线性时滞系统采用了d步超前预测模型的神经网络预测控制，介绍了非线性时滞系统的动态递归神经网络预测控制的两种控制模型：串并联模型和并联模型。将并联模型的RTRL算法用于非线性时滞系统的神经网络预测控制。1 Bjoklund S. A survey and comparison of time-delay estimation methods in linear systems. Linkoping Studies in Science and Techonology, Thesis No. 1061， Department of Electrical Engineering, Linko
8、ping University, 5E-581 83 Linkoping, Sweden, 2003.2 Reed F, Feintuch P, and Berahad N. Time-delay estimation using the LMS adaptive filter-static behavior; dynamic behavior. IEEE Trans. Acoustics, Speech, and Signal Processing, 1981，29(3): 561一576.3 Teng F C, and Sirisena H R. Self-tuning PID contr
9、ollers for dead time processes. IEEE Trans. Industrial Electronics, 1988, 35(1): 119-125.4 Lim T J, and Macleod M D. Adaptive algorithm for joint time-delay estimation and IIR filtering. IEEE Trans. Signal Processing, 1995, 43(4): 841一851.5 Balestrino A, Verona F, and Landi A. On-line process estima
10、tion by ANNs and Smith controller design. IEE Proc., Pt.D.Contr. Theory Appl., 1988, 145(2): 231-235.6 陆燕，杜继宏，李春文.延迟时间未知的时延系统神经网络补偿控制.清华大 学学报，1998, 38(9): 67-69.7 Tan Y H. Time-varying time-delay estimation for nonlinear systems using neural networks. Int. J. Appl. Math. Comput. Sci., 2004, 14(1): 63-68.
