基于神经网络的多变量非线性系统的广义预测控制
基于神经网络的污水处理多变量广义预测控制
基于神经网络的污水处理多变量广义预测控制基于神经网络的污水处理多变量广义预测控制污水处理是保护环境和人类健康的重要任务。
随着城市化进程的推进和人口的增加，污水处理厂越来越面临处理容量、水质稳定性和排放标准等方面的挑战。
为了提高污水处理厂的运行效率和水质稳定性，多变量广义预测控制技术应运而生。
本文将重点介绍基于神经网络的污水处理多变量广义预测控制方法。
首先，我们将介绍神经网络的基本原理。
神经网络是一种模拟人脑神经元网络的数学模型，其核心是通过调整网络连接权重和阈值来实现输入与输出之间的映射关系。
对于污水处理的多变量广义预测控制，我们可以将输入设置为污水处理厂的进水水质、进水流量等变量，输出设置为污水处理厂的出水水质、出水流量等变量。
通过训练神经网络，我们可以建立起输入与输出之间的复杂关系，实现对污水处理过程的精确预测和控制。
其次，我们将介绍多变量广义预测控制的基本原理。
多变量广义预测控制是一种针对具有多个输入和输出变量的系统进行预测和控制的方法。
在污水处理过程中，不同的输入变量和输出变量之间存在着相互影响的复杂关系，传统的单变量控制方法难以达到理想的控制效果。
多变量广义预测控制通过建立输入与输出之间的数学模型，综合考虑多个变量之间的相互作用，实现对污水处理过程的综合预测和控制。
接下来，我们将介绍基于神经网络的污水处理多变量广义预测控制方法。
首先，我们需要收集大量的污水处理过程数据，包括进水水质、进水流量、出水水质、出水流量等变量。
然后，我们利用这些数据训练神经网络，建立起输入与输出之间的映射关系。
接着，我们可以使用训练好的神经网络对未来的污水处理过程进行预测，在此基础上制定合理的控制策略，实现对污水处理过程的优化控制。
最后，我们将介绍基于神经网络的污水处理多变量广义预测控制的优势和应用前景。
与传统的单变量控制方法相比，基于神经网络的多变量广义预测控制具有更高的预测和控制精度，能够更好地应对污水处理过程中的复杂性和非线性。
先进控制技术综述
先进控制技术综述1 引言在实际的工业控制过程中，很多系统具有高度的非线性、多变量耦合性、不确定性、信息不完全性和大滞后等特性。
对于这种系统很难获得精确的数学模型，并且常规的控制无法获得满意的控制效果。
面对这些复杂的工业控制产生了新的控制策略，即先进控制技术。
先进控制技术包括：自适应控制，预测控制，推理控制，鲁棒控制以及包括模糊控制与神经网络在内的智能控制方法。
本文详细介绍了自适应控制、预测控制以及这两种先进控制的应用领域和优缺点[1]。
2 自适应控制自适应控制的思想是对于系统中的不确定性，以及控制任务的艰巨性，对于部分未建模的动态特性、变化的被控对象和干扰信号，及时地测得它们的信息，并根据此信息按一定的设计方法，自动地做出控制决策、修改控制器结构和参数，使其控制信号能够适应对象和扰动的动态变化，在某种意义上达到控制效果最优或次优。
2．1 自适应控制介绍目前自适应控制的种类很多，从总体上可以分为三大类：自校正控制、模型参考自适应控制和其他类型的自适应控制。
自校正控制的主要问题是用递推辨识算法辨识系统参数，根据系统运行指标来确定调节器或控制器的参数。
其原理简单、容易实现，现已广泛地用在参数变化、有迟滞和时变过程特性，以及具有随机扰动的复杂系统。
自校正控制系统的一般结构图如图1所示。
自校正控制适用于离散随机控制系统[2]。
图1 自校正控制结构图模型参考自适应控制，利用可调系统的各种信息，度量或测出各种性能指标，把模型参考自适应控制与参考模型期望的性能指标相比较；用性能指标偏差通过非线性反馈的自适应机构产生自适应律来调节可调系统，以抵消可调系统因“不确定性”所造成的性能指标的偏差，最后达到使被控的可调系统获得较好的性能指标的目的。
模型参考自适应控制可以处理缓慢变化的不确定性对象的控制问题。
由于模型参考自适应控制可以不必经过系统辨识而度量性能指标，因而有可能获得快速跟踪控制。
模型参考自适应控制结构框图如图2所示，模型参考自适应控制一般用于确定性连续控制系统。
基于神经网络的广义预测控制综述
基于神经网络的广义预测控制综述第18卷第3期2005年6月常州工学院JournalofChangzhouInstituteofTechnologyV o1.18NO.3Jun.2005基于神经网络的广义预测控制综述李东侠张忠禄(常州T学院电子信息与电气工程学院,江苏常州213002)摘要:概括叙述了广义预测控制的发展现状,对具有误差校正的预测控制方法进行了概括,介绍了与神经网络相结合的非线性系统的预测控制方法,并在此基础上讨论了神经网络非线性预测控制中存在的问题及进一步研究的方向.关键词:预测控制;误差校正;神经网络;非线性系统中图分类号:TPI83文献标识码:A文章编号:1671—0436(2005)03—0012—041广义预测控制的发展现状广义预测控制是随着自适应控制的研究而发展起来的一种预测控制方法.GPC基于参数模型,引入了不相等的预测水平和控制水平,系统设计灵活方便,具有预测模型,滚动优化和在线反馈校正等特征,呈现出优良的控制性能和鲁棒性.到现在为止,人们已经对该控制算法作了大量的研究,并且取得了许多研究成果.1.1广义预测控制的间接算法广义预测控制算法有两类主要算法,即问接算法和直接算法(也称为显式算法和隐式算法). 间接算法在被控对象参数未知时,必须首先辨识被控对象的参数,然后利用辨识出来的参数计算求解控制律所需要的中问参数,最后才计算控制量.问接算法中需要进行Diophanfine方程的求解,矩阵求逆,递推最小二乘法的求解,计算量较大.为了减少在线计算量,针对这一问题,提出了许多改进方法.文[1]给出了Diophantine方程递推求解的方法;文[2]利用参数辨识的结果直接求解控制器,不用求解Diophantine方程,减少了计算量;文[3]采用递推的方法建立预测模型,避免了求解Diophantine方程,而且不受多项式稳定的限制;文[4]利用待求逆矩阵中下三角矩阵元收稿日期:2005-03—30素的特点,给出了一种递推求解逆矩阵的方法;文[5]提出了并行结构分解的算法,提高了在线计算效率;文[6]分别针对状态空间模型和输入输出模型,采用递推的方法,将GPC化为解Riccafi 方程,基于脉冲阵列结构提出了参数辨识的并行方法.1.2广义预测控制的直接算法同问接方法相比较,直接算法不需要求解Di. ophantine方程和逆矩阵,直接估计控制器的参数.文[7]在假定被控对象的阶跃响应前Ⅳ项已知的情况下,给出了一种直接算法和全局收敛性分析;文[8]使用带死区的参数估计方法估计控制器参数;文[9]引入等价性能指标,采用两个辨识器,先辨识被控对象的参数,得到广义输出,然后再用改进的最小二乘法估计控制器的参数;文[10]通过求性能指标的等值曲面,分析了受幅度和变化率约束下的优化问题,给出了一种基于几何分析的约束直接广义预测控制算法;文[11]分析了被控对象的开环参数,闭环参数和控制器参数之问的关系,采用三个辨识器,通过辨识开环系统的参数来递推计算系统的预测输出和参考轨迹,通过辨识闭环系统得到系统的广义输出,在此基础上辨识控制器的参数.除了上述基于受控自回归积分滑动平均模型第3期李东侠,张忠禄:基于神经网络的广义预测控制综述13 (CARIMA)的间接算法和直接算法以外,还有许多其他的广义预测控制算法,如与PID相结合的广义预测控制算法¨,与模糊控制相结合的GPC算法¨,变结构的预测控制算法和有约束的广义预测控制算法儿"等,许多学者还提出了一些改进算法,如加权控制律的GPC算法161,增量型广义预测控制…等.2基于神经网络误差校正的广义预测控制2.1误差校正原理对预测控制来说,核心问题是怎样根据对象的已知信息做出较好的预测.由于对象的验前信息的不充分性,基于此类信息集合得到的预测模型,用于在线预测时,其预测值与实测值之间一定存在一个偏差,我们称其为预测误差.预测误差越大,控制效果越差.当前采用的各种预测控制方法,不管是间接算法,还是直接算法,一般其预测输出的预测模型都是建立在数学模型的基础上,都没有考虑建模误差的影响.虽然一般的广义预测控制算法对模型失配有一定的抑制作用, 但目前的算法对模型失配的抑制能力是有限的, 当建模误差较大时,随着预测长度的增加,预测误差必然也会急剧增加,从而有可能破坏预测控制系统的鲁棒性,只有根据实测信息不断进行反馈校正,才能保证预测趋于准确.为了克服这一缺点,考虑引入预测误差对预测输出进行校正,即: 利用预测误差的过去信息建立误差的预测模型, 通过对误差的预测修正系统的预测输出,进一步克服模型失配的影响,提高控制系统的鲁棒性. 引入预测误差以后,系统的预测输出可以表示为: Y(t+k/t)=Y(t+k/t)+Y(t+k/t)(1)其中,Y(t+k/t)表示在t时刻对t+时刻系统输出的预测,Y(t+k/t)表示系统基于数学模型的输出预测,Y,(t+k/t)是根据预测误差的历史数据对模型预测的修正.2.2建立误差预测模型的方法为了克服建模误差的影响,增强预测控制的鲁棒性,许多学者对误差的预测进行了研究.传统方法是用时刻已知的模型输出误差e(k)=Y(k)一Y(k)来修正,文[18]中提出了利用预测误差的历史数据建立误差预测模型,通过对误差的预测修正纯粹基于数学模型的预测,采用时序分析里的AR模型,利用参数辨识的最小二乘法递推估计误差模型参数,建立误差的预测模型.由于神经网络能够逼近任意复杂的非线性函数关系,采用并行分布式信息处理方法,可同时综合定量和定性信息,既可在线学习也可离线计算, 灵活性大,所以用神经网络建立误差预测模型的方法有很大的发展空间.文[19]采用与神经网络相结合的方式,基于BP结构神经网络,对系统的建模误差进行预测, 建立误差的预测模型,取得了较好的控制效果.网络的输入向量为X=[Y(t),Y(t一1),…Y(t一),H(t—1),…,"(t一七一1)],其中Y(?)为系统的输出值,U(?)为系统的控制量,网络的输出向量为Y=[Y(t),…,Y(t—k)],而Y(t一七)Ay(t一七)一Y(t—k/t—k—),k=1,2,…,P(2)其中,Y(t—k)是t—k时刻系统的输出值,Y (t—k/t—k—d)是在t—k—d时刻基于数学模型对Y(t—k)的预测值,d为系统时滞,P为训练样本数.文[2O]提出了一种改进的全局寻优自适应快速BP算法,并应用于广义预测控制算法中, 用该网络建立误差预测模型,解决了限制GPC实时控制的快速性问题.文[21]采用动态BP网络对模型预测误差进行在线补偿,提高了预测精度. 文[22]中提出了利用径向基函数神经网络(RBFNN)来补偿由系统的非线性和外界干扰引起的预测误差,也取得了较好的控制效果.3基于神经网络的非线性系统的广义预测控制实际中的控制对象都带有一定的非线性,大多数具有弱非线性的对象可用线性化模型近似, 并应用已有的线性控制理论的研究成果来获得较好的控制效果.而对具有强非线性的系统的控制则一直是控制界研究的热点和难点,模型线性化无法满足系统控制要求,在某些极端情况下,线性化的参考模型甚至会导致控制系统稳定性的丧失,将广义预测控制对线性系统的良好控制作用l4常州工学院2005正推广到非线性系统,也是预测控制研究的方向之一.就预测控制的基本原理而言,只要从被控对象能够抽取出满足要求的预测模型,它便可以应用于任何类型的系统,包括线性和非线性系统.但由于非线性系统的复杂多样性,在实现的技术上和理论分析上难度比线性系统要大得多.近年来人们对非线性系统的预测控制做了大量的研究,并提出了不少有意义的方法.与神经网络,多模型控制,微分集合理论和微分代数理论等算法相结合,是非线性系统的GPC研究的有效途径之一.由于神经网络理论在求解非线性方面的巨大优势,很快被应用于非线性预测控制中,并形成许多不同的算法.如神经网络的内模控制,神经网络的增量型模型算法控制等,近来一些学者对有约束神经网络的预测控制也作了相应的研究.基于神经网络的非线性GPC研究还处于起步阶段, 这方面的研究成果很少,其主要原因是利用神经网络进行多步预测还没有直接有效的方法.文[24]设计了多层前馈神经网络,使控制律离线求解.文[25]采用两个网络进行预测,但结构复杂,距实际应用还有一定的距离,文[26]利用递阶遗传算法,经训练得出离线神经网络模型,经多步预测得出对象的预测模型,给出了具有时延的非线性系统的优化预测控制.将神经网络用于GPC的研究成果有利用Tank—Hopfield网络处理GPC矩阵求逆的算法,基于神经网络误差修正的GPC算法,利用小脑模型进行提前计算的GPC算法,基于GPC的对角递归神经网络控制方法以及用神经网络处理约束情形的预测控制算法.非线性系统的GPC研究成果还有基于双线性模型的GPC算法等,但算法都具有一定的局限性.4基于神经网络的预测控制中存在的问题众所周知,评价一个神经网络的主要性能指标是学习收敛速度和泛化能力.前者表现在以一定的精度逼近学习样本所需的时间,而后者表现在对学习样本集外的样本的逼近程度.采用Sigmoid函数作为网络单元函数的多层前馈网络(BPN)是当今应用最广的一种网络.这类网络采用反向传播(BP)学习算法.虽然BP网络是应用最多的一种神经网络,但它仍存在一些缺陷:(1)学习速度慢,即使一个比较简单的问题,也需要几百次甚至几千次的学习才能收敛;(2)不能保证收敛到全局最小点; (3)网络隐含层的层数及隐含层的单元数的选取尚无理论上的指导,而是根据经验确定.因此,网络往往有很大的冗余性,无形中增加了网络学习的时间;(4)网络的学习,记忆具有不稳定性.所以以下问题有待进一步完善:(1)神经网络的收敛速度一直是限制其应用的主要问题,要进一步提高神经网络的收敛速度及泛化能力,提高神经网络的实用性.(2)利用神经网络进行多步预测还没有直接有效的方法.(3)对非线性系统的预测控制还没有很好的解决,由于广义预测控制算法本身的特殊性和非线性系统的复杂多样,这方面的研究成果也较少.目前在非线性预测控制中使用的神经网络大多为静态的网络,限制了神经网络的非线性表达能力,并且网络结构复杂计算量大,快速有效的预测控制方法有待进一步研究.[参考文献][1]ClarkeD.W.andMohtadi,C.andTufts,P.S,mGeneralized PredictiveContro1.PartI.TheBasicAlgorithmic.PartIIExtcn—sionsandInterpretations[J].Automatic,1987,23(2):137一l6O.[2]袁着祉,崔保民.新型随机广义预测自校正控制器[J].自动化,1992,18(3):282—289.[3]金元郁.预测控制算法研究[D].沈阳:东北工学院博士学位论文,1990.[4]郭庆鼎,金元郁,胡耀华.求解GPC中逆矩阵的递推算法[J].控制与决策,1996,11(4):510—513.[5]扬健,席裕庚,张钟俊.预测控制滚动优化的时间分解方法[J].自动化,1995,21(5):555—561.[6]慕德俊,戴冠中.基于状态空间模型广义预测控制的并行算法[J].控制理论与应用,1995,12(5):646—652.[7]王伟.广义预测控制自适应控制的直接算法和全局收敛性分析[J].自动化,1995,21(1):57—62.【8]Wangwei.ADirectAdaptiveGeneralizedPredictiveControlAb gorithmwithGuaranteedStabillity[J].Int.J.ofAdaptiveControl&SignalProcessing,1994,8(3):211—227.第3期李东侠,张忠禄:基于神经网络的广义预测控制综述[9]舒迪前,石中锁.隐式自适应广义预测控制器及全局收敛性分析[J].自动化,1995,21(5):545—554.[10]张峻,席裕庚.基于几何分析的约束预测控制直接算法[J].控制与决策,1997,12(2):184—187.[11]胡耀华,贾欣乐.广义预测控制的直接算法[J].控制与决策,2000,15(2):221—223.[12]陈增强,车海平,袁着祉.具有比例积分结构的广义预测自校正控制器[J].控制与决策,1994,9(2):105—110.[13]张化光,吕剑虹,陈来九.模糊广义预测控制及其应用[J].自动化,1993,19(1):9—17.[14]毛志忠,杨琳.一种解决预测控制输入信号受约束问题的方法[J].控制与决策,1994,9(3):230—233.[15]LimKW,HoWK,LeeTH,LingKV,XuW.Generalized PredictiveControllerwithPoleRestriction[J].IEEProc—D, 1998,145(2):219—225.[16]周德云,陈新海.采用加权控制律的自适应广义预测控制器[J].控制与决策,1991,6(1):7—13.[17]孙明玮,陈增强,袁着祉.增量型广义预测控制[J].控制理论与应用,2000,17(2):165—168.[18]古钟璧,王祯学,王苇.具有误差预测修正的预测控制算法[J].控制与决策,1992,7(6):432—436.[19]李少远,刘浩,袁着祉.基于神经网络误差修正的广义预测控制[J].控制理论与应用,1996,13(5):677—680.[20]王一晶,左志强.基于改进BP网络的广义预测控制快速算法[J].基础自动化,2002,9(2):l0一l2.[21]刘晓华,王秀红,杨振光.基于动态BP网络误差修正的广义预测控制[J].青岛大学,2002,15(1):34—39.[22]张彬,李平,陈红艳.基于径向基函数神经网络偏差补偿的预测函数控制[J].哈尔滨理工大学,2003,8(1):46—49.[23]席裕庚.预测控制[M].北京:国防丁业出版社.1993.[24]ParisiniT,SanguinetiandZoppoliR.Nonlinearstabilizationby receding—hodzonneuralregulator[J].Int.J.Control,1998,70(3):341—362.[25]SchenkerB.AgarwalM.LongRangePredictiveControlfor PoorlyKnownSystems[J].Int.J.Control,1990,62(1):227—238.[26]刘宝坤,王慧,曹明,李光良.基于神经网络模型直接优化预测控制[J].信息与控制,1998,27(5):386—390.[27]胡耀华,贾欣乐.广义预测控制综述[J].信息与控制,2000,29(3):248—256.[28]史国栋,王洪元,薛国新.基于径向基函数模型的非线性预测控制策略研究[J].模式识别与人工智能,2000,13(4):361—365.[29]PhilipDWasserman.NeuralComputingTheoryandPractice[M].NewY ork:VanNostrandReinhold.1989.124—129. SummarizationofGeneralizedPredictiveControlBasedonNeuralNetworkLIDong?-xiaZHANGZhong?-lu(SchoolofElectronicInformation&ElectricEngineering,ChangzhouInstituteofTech nology,Changzhou213002)Abstract:ThispapersummarizestheactualityofGeneralizedPredictiveControl(GPC).The predic.tivecontrolmethodwitherrorcorrectionissummedup.Thenitrecommendsthepredictiveme thodscom.binedwithneuralnetworkofnonlinearsystem.Basedonthisitpresentstheproblemsexistingi nthepredic. tivecontrolofnonlinearsystemandfurtherresearchtrendsarealsodiscussed. Keywords:predictivecontrol;errorcorrection;neuralnetwork;nonlinearsystem责任编辑:张秀兰。
基于神经网络误差补偿的预测控制研究毕业论文
基于神经网络误差补偿的预测控制研究毕业论文目录摘要............................................... 错误!未定义书签。
1 预测控制 (2)1.1 预测控制的产生 (2)1.2 预测控制的发展 (3)1.3 预测控制算法及应用 (4)1.3.1模型控制算法（Model Algorithmic Control，MAC） (5)1.3.2动态矩阵控制（Dynamic Matrix Control，DMC） (5)1.3.3广义预测控制（Generalized Predictive Control，GPC） (5)1.3.4极点配置广义预测控制 (5)1.3.5内模控制 (5)1.3.6模糊预测控制 (6)1.4 预测控制的基本特征 (6)1.4.1预测模型 (6)1.4.2反馈校正 (6)1.4.3滚动优化 (6)1.5预测控制的现状 (7)2 神经网络 (7)2.1 人工神经网络的生理原理 (8)2.2 神经网络的特征 (10)2.3 神经网络的发展历史 (11)2.4 神经网络的内容 (12)2.5 神经网络的优越性 (14)2.6 神经网络研究方向 (14)2.7 神经网络的应用分析 (14)2.8 神经网络使用注意事项 (17)2.9 神经网络的发展趋势 (18)2.10 BP神经网络 (18)2.10.1 BP神经网络模型 (18)2.10.2 BP网络模型的缺陷分析及优化策略 (19)2.10.3 神经网络仿真 (20)3．动态矩阵控制 (22)3.1 预测模型 (22)3.2 滚动优化 (23)3.3 反馈校正 (24)3.4 有约束多变量动态矩阵控制及其线性化 (27)3.5 动态矩阵控制仿真 (29)4 基于神经网络误差补偿的预测控制 (32)4.1 研究背景 (32)4.2 传统PID控制 (33)4.2.1位置式PID控制 (33)4.2.2 增量式PID控制 (35)4.3 基于神经网络的动态矩阵控制 (37)4.4 基于神经网络输出反馈的动态矩阵控制研究 (40)4.5 基于神经网络误差补偿的动态矩阵控制 (46)4.6 仿真效果验证 (51)总结 (57)参考文献 (58)1 预测控制1.1 预测控制的产生预测控制的产生，并不是理论发展的需要，而首先是工业实践向控制提出的挑战。
基于RBF神经网络的直接广义预测控制
ｏ ｔａ ｉ ｏ ａ Ｃ ｓｏ — ｎ ｃ ｒ ｉ ｎｏ Ｄｉ ｐ ａ ｔ ｅ ｍａ ｒ ｖ ｒ ｉ ｎｅ ｃ Ｉ ｉ ｍｅｈ ｄ ｔ ｅＭ Ｉ Ｏ ｏ ｌ ｅ ｓｅ ｉ ｔ ｒ ｅ ｔ ｆ ｒ ｄｔ ｎ ｌ ｉ ＧＰ ａ ｎ ｌ ｅｒ ｕ ｓ ｆ ｏ ｈ ｎ ｉ ， ｉ ｅ ｏ ｎ ｔ ｘ ｉ ｅ ｓｏ ｔ ． ｎ ｔ ｓ ｔ ｏ ， ｈ Ｍ ｉ ｎ ｈ ｎ ｎ ｉ ａ ｓ ｔｍ ｎ ｄｉ ｏ ｎｒ ｙ ｓｕ ｎ
值对控 制器参数 向量 即网络权值 向量 和广义误差估 计值 中的未知 向量 进行 自适应调整 。仿真结 果验证 了此算法的有效性。
关键词 ： 人工 智能； 径向基 函数神 经 网络 ；广 义预测控 制 ； 多变量 非线性 系统； 时 变线性 系统
中图 法分类号 ： Ｐ ７ Ｔ ２３
文献标 识码 ： Ａ
ｍｕｔ ｌ— ｐ ｔ ｌｐ ｅｏ ｔｕ ＭＩ ｌ ｐｅｉ ｕ ｔ ｌ—ｕｐ ｔ（ ＭＯ） ｎ ｎｉｅ ｒ ｙ ｔｍ ｔ ｎ ｎ ｗｎｐ ｒｍｅｅｓｉｐ ｅｅ ｔｄｔ ｖ ｒｏ ｅｈｇ ａ ｆ ｏ ｕｉｇ ｉ ｎ ｍｕ ｉ ｏ ｌ ａ ｓｅ ｗｉ ｕ ｋ ｏ ａａ ｔｒ ｒｓｎｅ ｏ ｅｃ ｍｅ ｉｈｌ ｄｏ ｃ ｍｐ ｔ ｎ ｓ ｈ ｓ ｏ ｈ ｔ ｏ ｎ
ｖｃｏｓ ａｄｔｅ ｎ ｎ ｗ ｅｔｒ ８ｉｔｅ ｓ ｍａｉ ｎｒｌ ｅ ｒｒ ｅ ｄｕｔｄ ｄｐｉ ｌ ｔｓ ｒｖｄｔａｔｅ ｒｐ ｓｄ ｔｏ ｅｔｒ ｎ ｋ ｏ ｎｖｃｏｓ ｔ ｔ ｎｏ ｇ ｅａｉ ｄｅ ｏ ｊｓ ａ ｔ ｅｙ ｏ ｅ ｔｈ ｏ ｏｅ ｈ ｄ ｈｕ ｎｈ ｅｉ ｏ ｆ ｅ ｚ ｒ ａ ａ ｒ ｅａ ｖ ．Ｉｉｐ ｈ ｐ ｍｅ
多变量非线性系统RBF直接广义预测研究
变量 非线性 系统提 出一 种径 向基 函数神 经 网络的 直接 广 义预 测控 制 （ Ｐ 算 法。该 算 法将 多 变量 非线 性 系统 Ｇ Ｃ） 转换 为 多变量 时变线性 系统 ， 然后 利 用径 向基神 经 网络 来逼近控 制增 量 ， 对控 制 器参数 向量 ， 网络 权值 中的未 即
第２ ７卷 第பைடு நூலகம்７期
２１ ０ ０年 ７ 月
计 算 机 应 用 研 究
Ａｐ ｌ ａ ｉｎ Ｒｅ ｅ ｒ ｈ ｏ ｍｐ ｔ ｒ ｐ ｉ ｔ ｓ ａ ｃ ｆＣｏ ｕ ｅ ｓ ｃ ｏ
Ｖｏ ． ７ Ｎｏ ７ Ｉ２ ．
Ｊ １ ０１ ｕ ．２ ０
多 变 量 非 线 性 系 统 Ｒ 接 广 义 预 测 研 究 Ｂ Ｆ直
ｔ ｅ ｏ ｉｉ ． ｍｕｌｔｏ ｅ ｕｌｓｄ ｍｏ ｔａ ｅ ｔ ｆｅ ｔｖ ｎ ｓ ｆｔ ｉ ｔ ｄ． ｈ ｒｇ ｎ Ｓｉ ａ ｉｎ ｒ ｓ ｔ ｅ ｎｓｒｔ ｈｅ ｅｆｃｉ ｅ ｅ ｓ ｏ ｈ ｓｍｅｈｏ
Ｋｅ ｒ ｓ ｙｗｏ ｄ ：ＭＩ ｏ ｌ ｅ ｒ ｙｔｍ；ａ ａ ｔ ｅｃ ｎｒｌ ｅ ｅａ ｚｄ ｐｅ ｉｔ ｅｃｎｒｌ Ｇ Ｃ ；Ｒ Ｆ ｎ ｕ ａ ｎ ｔ ｏｋ ＭＯ ｎ ｎｉ ａ ｓ ｎ ｓ ｅ ｄ ｐｉ ｏ ｔ ；ｇ ｎ ｒｌ ｅ ｒｄｃ ｖ ｏ ｔ （ Ｐ ） Ｂ ｅ ｒ ｅｗ ｒ ｖ ｏ ｉ ｉ ｏ ｌ
ＬＩＧｕ — ｉ ． ＣＨＥＮ ｉｗａ ｇ ｔｑ ｕ Ｚｈ — ｎ
（ ． ｈ ｎｚｏ ｎｔｕｅｆＭｅ ｔ ｎ ｅｈ ｏ ｇ Ｃ ａ ｇｈｕＪａ ｇｕ２ ３ ６ ，Ｃ ｉａ ． ｅ ａ ｎ ｕｔａ ｏ ｐ ｔ ｏ ｔ ｌ ｎ ｉｅｒ ｇ １ Ｃ ａ ｇｈ ｕＩｓｉｔ ｏ ｃ ｒ ｉ Ｔｃｎｌ ｙ， ｈ ｎ ｚｏ ｉｎｓ １ １４ ｈｎ ；２ ＫｙＬ ｂｆＩｄｓｒ ｌ ｍ ｕｅ Ｃ ｎｒ ｇｎｅｉ ｔ ｈｏｃ ｏ ｏ ｉ Ｃ ｒ ｏＥ ｎ ｆ Ｈ ｂｉ ｒｖ ｅ ｎ ａｓａ ｎ ｅ ｔ Ｑｎ ｕ ｎ ｄｏＨ ｂｉ ６０ ４， ｈｎ ） ｏ ｅｅ Ｐ ｏｉｃ ｉ Ｙ ｎｈ ｎＵ ｉｒｉ ， ｉｈ ａ ｇａ ｅｅ０ ６ ０ Ｃ ｉａ ｎ ｖ ｓｙ
不同PID控制算法的温控器在温度控制中的应用
不同PID控制算法的温控器在温度控制中的应用仪表制造有限公司工程师在本文介绍各种PID控制算法的温控器的控制特性、功能及主要应用场合，对大家合理选用用于温度控制的温控器具有很强实用性。
常用温控器控制算法包括常规PID、模糊控制、神经网络、Fuzzy-PID、神经网络PID、模糊神经网络、遗传PID及广义预测等PID算法。
常规PID控制易于建立线性温度控制系统被控对象模型；模糊控制基于规则库，并以绝对或增量形式给出控制决策；神经网络控制采用数理模型模拟生物神经细胞结构，并用简单处理单元连接成复杂网络；Puzzy-PID为线性控制，且结合模糊与PID控制优点。
1、引言温度控制系统是变参数、有时滞和随机干扰的动态系统，为达到满意的控制效果，具有许多控制方法。
故对几种常见的控制方法及其优缺点进行了分析与比较。
2、常见温度控制方法2.1 常规经典PID控制算法的PID控制PID控制即比例、积分、微分控制，其结构简单实用，常用于工业生产领域。
原理如图1。
图1 常见PID控制系统的原理框图明显缺点是现场PID参数整定麻烦，易受外界干扰，对于滞后大的过程控制，调节时间过长。
其控制算法需要预先建立模型，对系统动态特性的影响很难归并到模型中。
在我国大多数PID调节器厂家生产的温控器均为常规经典PID控制算法。
2.2 模糊PID控制算法的PID控制模糊控制(Fuzzy Control)是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的计算机控制。
原理如图2。
昌晖仪表YR-GFD系列傻瓜式PID调节器使用的就是模糊控制PID控制算法。
图2 模糊控制系统原理框图2.3 神经网络PID控制算法的PID控制神经网络控制采用数理模型的方法模拟生物神经细胞结构，用简单处理单元连接形成各种复杂网络，并采用误差反向传播算法(BP)。
原理如图3：图3 神经网络控制系统的原理框图2.4 Fuzzy-PID控制算法的PID控制模糊控制不需知道被控对象的精确模型，易于控制不确定对象和非线性对象。
基于神经网络的非线性预测控制综述
收稿日期:2002-06-05基金项目:国家自然科学基金资助项目(60174021);天津自然科学基金重点资助项目(013800711)作者简介:陈增强(1964-),男,天津人,博导,博士,主要从事预测控制、智能控制、工业过程控制等方面的教学与科研工作。
控制工程Control Engineering of China J ul.2002Vol.9,No.42002年7月第9卷第4期文章编号:100523662(2002)0420007205基于神经网络的非线性预测控制综述陈增强,袁著祉,张 燕(南开大学自动化系,天津 300071)摘 要:基于神经网络的非线性预测控制是智能控制中的重要前沿课题,在工业过程控制领域有着非常大的应用前景。
从预测方式、控制律求解方法和典型应用等几个角度对基于神经网络的非线性预测控制做了综述。
对其中的关键技术做了深入阐述。
并指明了今后的发展方向。
关 键 词:预测控制;神经网络;非线性系统;非线性预测控制;工业过程控制中图分类号:TP 272 文献标识码:A1 引 言基于模型的预测控制的思想始于20世纪70年代,经历了模型预测搜索控制(MPHC )[1]、动态矩阵控制(DMC )[2]、广义预测控制(GPC )[3]等几个重要的发展里程碑。
由于预测控制具有多步预测、滚动优化、反馈校正等机理,因此能够克服过程模型的不确定性,体现出优良的控制性能,在工业过程控制中取得了成功的应用,成为先进控制中的重要内容。
GPC 基于参数化模型,便于和自校正控制相结合形成自校正预测控制。
通过引入了不相等的预测步限和控制步限,减小了计算量,并使系统设计更灵活,更加便于工程应用。
近年来,预测控制在理论上及应用上均取得很大进展,出现了多种实用的方法。
许多的自动化产品厂家,如Shell 公司,Honeywell 公司,Cen 2tum 公司,都在它们的分布式控制系统DCS 上装备了商业化的预测控制软件包,并广泛地将其应用于石油、化工、冶金等工业过程中。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
１ 问题 的提 出
广义预测 控制 （ Ｐ ㈨ 日臻 成熟 ， Ｇ Ｃ） 在工 业过程控制 、 航空 航海导航 等实际系统获得了广泛 的应用 ， 并且在理论工作上也有深入 的研究 。然
・
．
一
± 厂
．
一
－ ３Ｉ ∞ Ｉ ｑ ７ｌ 。 ｌ ３．＇ 。 Ｊ
一
＿ 一Ｉ Ｂ ｘ ，
：
Ｌ
旦Ｌ ｈ ．
—
一
１ “ ・
被
控
对
：
一
而， 一方 面 ， 虽从原理 上说单变量 Ｇ Ｃ可 以平行推 广到多变量 系统 ， Ｐ 但 是在实 际工业 过程 中， 系统的多个环节之 间有着较强 的耦 合 ， 只简单地
套用单 变量的控制算 法 ，很 难使每一 回路 的输 出都得到满 意的控制效 果 。并且 计算过 程也相 当复杂 ， 因此有必要对 Ｇ Ｃ的控制器进行解 耦设 Ｐ 计 ］ 。另一方面 ， 与其 他成熟的 自适应控制理论一样 ， 广义预测控制理论 只能局 限于线性系统 ， 对于复杂的非线性 系统 ， 义预测控 制则显得有 广 些力不从心。神经网络¨］ 以其对一般非线性 函数 的映射和逼近能力 ， 给 非线性 系统的解耦注入 了新的活力 ， 同样也 为广 义预测控制理论 对非 这 线性 系统控制提供了一条新 的途径 。 文先用神经 网络对其进行 开环解 本
充、 互相验证 。
位测试 、 岩土试验 等 ）施工检测 、 ＿ 监测 成果进行对 比 、 、 施Ｔ 验证 ， 建立相 对应 的经验关 系， 从而建立定量分析 、 判定标准 ， 确保工程勘察质量。
（ 责任编辑 ： 培荣） 薛
第一作者简 介： 赵忠铭 ， ，９ １生 ，９ １ 男 １６ １８ 年毕业 于郑州 地质学 校 ， 工程师 ， 山西省第三地质工程勘察院 ， 山西省晋中市榆次区 ，３ ６０ ００ ０ ．
｝∑［ ］ ） （！
一
： Ｏ
（ ２ ）
（） ３
根据 Ｂ Ｐ学习算法 ， 网络中权 值的更新 由下式决定 ：
Ａ （） ７ ｗ ｋ一 ７ ＋ｔｗ ｋ １ ｃ （— ） Ａ
相结合 ， 疑是解决岩土工程勘察 存在的技术 问题的最佳途径 ， 们通 无 我 过采用浅层地震 、 电阻率 Ｃ 勘探 ， Ｔ 有效地解决 了工程建设 对 口泉断裂避 让范围。但是， 任何 的技术都有其局限性和适用性 ， 要有效地解决某些复 杂的岩土工程 勘察技术 问题 ， 须采用多种 勘察手段联合使 ， 必 互相补
维普资讯
科技情报开发与经济
文 章 编 号 ：０ ５ ６ ３ （０ ８ １— １ ２ ０ １０ — ０ ３ ２ ０ ） １０ ４ — ３
Ｓ ＩＴ Ｃ Ｆ Ｒ Ｔ Ｏ Ｅ Ｅ Ｏ ＭＥ Ｔ＆Ｅ Ｏ Ｏ Ｙ Ｃ — Ｅ ＨＩ Ｏ ＭＡ Ｉ Ｎ Ｄ Ｖ Ｌ Ｐ Ｎ Ｎ ＣＮ Ｍ
进行 开环解耦得到单 变量非线性 系统后 ， 采用一种复合 多层前馈神 经网络 结构 作为单 变量非线性 系统预测模型 ，利 用递推最 小二乘 法和 Ｄ ｖ ｏ ａｉ ｎ最小二乘法作为在 线学习 ｄ
算 法 ， 立 了一 种 适合 多 变量 非 线 性 系统 的 自校 正 广 义 预 测控 制 器 。 建 关键 词 ： 经 网络 ； 变量 非 线性 系统 ； 神 多 解耦 ； 义预 测 广
系统 。
～
Ｊ ］ ｌ１∑［（ ＝ ）
一
（ １ ）
： ０
为了不失一般性 ， 我们只考 虑双输入 双输 出的非线性系统（ 见网 １ ， ） 对 于这 样一 个系统 ，用 两个误差 反向传播 （ Ｐ Ｂ ）神经网络解耦器 Ｎ Ｄ，
同样 ， 神经网络解 耦器 Ｎ 的指标函数为 ：
各 种间接勘察手段所获取 的资料应与传统的勘察方法 （ 如钻探 、 原
Ｓ ｌ ｉ ｈｅＴｅ ｈｎ ｃ ｌＰｒ ｂｌｍ ｓｉ ｅ ｔ ｃ ｎｉａ ｏ ｖ ｎｇｔ ｃ ｉａ ｏ ｅ ｎ Ｇ ｏ ｅ ｈ ｃ ｌ Ｅｎｇｎｅ ｒｎｇ ｉ ｅｉ Ｉ ｅ ｔｇ ｔｏ ｂｙＵｓｎｇ Ｇ ｅ ｐｈ ｉａ ｐ ｏｒ ｔｏ ｎｖ ｓｉ ａ ｉ ｎ ｉ ｏ ｙｓｃ ｌ Ｅｘ ｌ ａ ｉ ｎ
为使广 义对 象开环解耦 ， 先断开控制器 ， 仅在神 经网络解耦 器的输 入端 加入输入 信号 ， 若已实现解耦 ， 应等于 ０ 这样神经 网络解耦器 ｙ ｚ ，
Ｎ Ｄ 的指标函数为 ：
．
耦， 得到单变量非线性 系统 ， 然后用一种 复合多层前 馈神经 网络结构作
为单变量非线性系统的预测模 型 ，利用递推最小二乘法和 Ｄ ｖｄｎ最小 ａｉｏ 二乘法 作为在线学 习算法 。从而使广 义预测成功应用于多变量非线性
１
～
Ｎ ： Ｄ， 使解耦后 的广 义对象成为一个无耦合的对象。 然后使用单变量广义
预测控制器 ｃ ，： 。ｃ 进行控制 。 图 ｌ中， ［３ １ ＝ １ ， ： １１ ３ ［。 Ｙ， 是系统 的设定值 向量 和输 出向量 ；＝ ］ ［ 耽］ 是控制器 ｃ。 的输 出向量 ；＝ ，２ｒ ｒ ， ｃ １］ 是神经 网络 解耦器 的输 ）
Ｌ Ｊ ｝ ｒ１ ｌ工
一
＿ 厂 Ｎ１ ： Ｄ
一 ———— 、 ．— 一 — —
竺 象 பைடு நூலகம் 一 ～
一
图 １ 双输入双输出的非线性 系统周 出向量；＝ ／，２ 是控制输入向量。 ／ ［ ／］ ／
２ 多变 置非 线性 系统 的神 经 网络解 耦设 计
在实 际工业过 程中 ， 可根据实际 的需要 和对 象的特性来决定输入与 输 出的配对问题。在 此假设 “ 控制 Ｙ， 。 一 控制 。 “
２０ 年 ０８
第 ｌ卷 ８
第 １ 期 １
收 稿 日期 ：０ ８ Ｏ —４ ２ ０ ～ １ ２
基于神经网络的多变量非线性系统的广义预测控制
郑秀 萍
（ 太原科技大学 电子信息工程学 院 ， 山西太原 ，３ ０ ４ ００２ ）
摘 要 ： 了使 广 义 预 测 控 制 的 思 想 成 功 应 用 于 多 变量 非 线 性 系统 ， 为 用神 经 网络 对其