论文部分内容阅读
模型预测控制方法是控制理论与计算机技术相结合而产生的一种新型控制策略。传统的模型预测控制方法使用的预测模型都是系统的线性预测模型,不能直接应用于具有强非线性的工业过程中。如何将非线性系统建模理论、非线性优化理论和模型预测控制的思想结合起来,设计基于非线性预测模型的预测控制方法成了工业控制领域研究的重要内容。
本文致力于“基于人工神经元网络的非线性模型预测控制方法的研究”,旨在将人工神经元网络理论和非线性优化理论应用于模型预测控制中,形成一套新的解决非线性控制问题的思路与办法。本文的主要研究工作与贡献如下:
(1)、系统介绍了模型预测控制理论、系统辨识理论、人工神经元网络理论和非线性优化理论的基本原理和典型算法,为论文后续章节的研究工作奠定了理论基础。
(2)、以NARMAX模型的数学表达形式为基础,推导出了基于BP神经网络的非线性一步预测模型。使用牛顿迭代算法设计了无约束一步预测控制律,使用二次规划算法设计了带约束一步预测控制律。通过计算机仿真研究,验证了基于BP神经网络一步预测模型的预测性能和设计的预测控制律的控制性能。
(3)、通过递归调用两层BP神经网络,构造了一个基于两层BP神经网络的非线性多步预测模型。使用Newton—Rhapson算法设计了无约束多步预测控制律。使用SQP算法和遗传算法设计了带约束多步预测控制律。通过计算机仿真研究,验证了基于BP神经网络的多步预测模型的预测性能和设计的预测控制律的控制性能。
(4)、通过比较基于BP神经网络的多步预测模型和静态部分为两层BP网络的NARX神经网络的结构形式,提出了基于NARX神经网络的多步预测模型,克服了基于BP神经网络的多步预测模型预测误差累积现象。根据两种多步预测模型的结构等价性,将基于BP神经网络多步预测模型的预测控制律移植到了基于NARX神经网络的多步预测模型之上。通过计算机仿真研究,验证了基于NARX神经网络的多步预测模型的预测性能和设计的预测控制律的控制性能。
(5)、为了便于先进控制算法的实验室测试和工程化实施,设计并实现了先进控制平台,简要介绍了先进控制平台的系统架构和主要接口描述,展示了先进控制平台的系统主界面。