中国工程论文网
代写工程论文
当前位置:工程论文网 > 控制工程论文 > 终点偏向神经网络控制工程及其应用

终点偏向神经网络控制工程及其应用

时间:2018-10-12 21:04来源:www.e-lunwen.com 作者:lgg 点击:
本文是一篇控制工程论文,控制工程的应用范围早期主要是工业生产过程(如化工、冶金、电气、纺织等)和武器系统(如枪炮等常规兵器,以及火箭、导弹等),后来扩展到企业管理
本文是一篇控制工程论文,控制工程的应用范围早期主要是工业生产过程(如化工、冶金、电气、纺织等)和武器系统(如枪炮等常规兵器,以及火箭、导弹等),后来扩展到企业管理、城市规划、交通管制、生物控制、社会经济的计划和控制等领域。(以上内容来自百度百科)今天为大家推荐一篇控制工程论文,供大家参考。
 
1 绪论
 
1.1 研究背景及意义
近年来,国内外市场竞争日趋激烈,使得生产企业和用户对工业产品质量提出了更高的要求。为了满足这种需求,工业产品生产过程需要具备很好的控制性能【1-3】。在内部机理或外界环境的干扰下,实际工业生产过程中的系统除了具有较强的非线性之外,还存在不确定性、强耦合性、时变性等特点,而建立在线性系统理论的控制方法难以满足工业产品的生产要求。因此,工业生产过程的非线性控制方法研究得到了业内研究人员的重点关注。常见的非线性控制方法有模型预测控制、反馈线性化控制、自适应控制、神经网络控制等。其中,模型预测控制、反馈线性化控制、自适应控制等均需要预先建立被控系统的数学模型,而被控对象是非线性系统或对其特性知之甚少时,数学模型难以建立,导致现有的非线性控制方法无法实施进一步的有效控制,而神经网络控制方法则提供了解决这类系统控制问题的重要途径【4】。由于神经网络控制具有较强的非线性逼近能力、自学习能力,且能够根据被控系统的输入输出特性得到对应的神经网络模型,使得神经网络控制方法得到了进一步的关注和研究。近几年,神经网络成为控制领域的研究热点,其原因主要来自以下三个方面: (1)处理越来越复杂的系统的需要;(2)实现越来越高的设计目标的需要;(3)在越来越不确定的情况下进行控制的需要【5】。神经网络较其它非线性控制方法,不仅具有快速并行计算的优势,而且能够通过简单的函数实现复杂的非线性映射关系。因此,神经网络在解决高度非线性、不确定性、耦合性系统的控制方面具有很大潜力,将神经网络引入控制系统是控制学科发展的必然趋势【6】。迄今为止,神经网络已经被广泛应用于股票预测、模式识别、信号与信息处理、自动控制等领域,成为一门快速发展的交叉学科【7】。现阶段已经提出了基于预测策略、基于反馈线性化策略、基于模型参考策略等多种神经网络控制方法。由于神经网络控制性能与网络参数初值的确定有密切关系,当网络参数的初值设置合理时,这些方法能够获得很好的控制效果;反之,较难获得理想的控制效果。通过查阅文献发现,已有神经网络控制方法的网络参数主要通过在线修正的方式确定,但是神经网络计算量很大,在线修正容易影响系统的实时控制效果。因此,导致现有的神经网络控制方法在实际工程应用中存在较大的局限性。
.........
 
1.2 国内外研究现状
目前,神经网络在控制领域的应用主要从以下三个方面进行深入研究,分别是神经网络控制方法的研究、神经网络参数优化方法的研究以及神经网络结构自适应确定的研究。BP 神经网络 PID 控制方法,且该方法较传统非线性控制方法表现出更好的控制效果。现有的神经网络控制方法主要从辨识和控制两个角度进行研究,分别是神经网络辨识器和神经网络控制器。经典的系统辨识方法的发展已经较为成熟和完善,往往要求被控系统的输入信号具有较为丰富的变化过程,且参数辨识通常依赖于被控对象的数学模型,对于一些复杂系统显得无能为力,尤其是工业过程中的非线性、不确定性、时变性等难以确定数学模型的系统,辨识总是难以到满意的结果。利用神经网络进行辨识的优点是不需要预先建立实际系统的数学模型,而是通过一组输入输出数据来得到实际系统输入输出的映射规律。神经网络辨识器将被控系统的辨识问题转化为非线性函数的逼近问题,进而得到实际系统的神经网络模型。文献【8】中提出了基于反向传播神经网络的并行和串-并行非线性辨识方法。文献【9】对典型的不稳定、非线性、强耦合的倒立摆系统建立了有效的神经网络辨识结构。非线性动态系统辨识作为系统辨识领域的核心研究问题,文献【10】中采用新的 Wiener 神经网络结构辨识非线性动态系统。但是这种传统的神经网络辨识方法难于实现在线辨识,因此,文献【11】从改进网络结构的角度,将神经网络结构变成线性和非线性两部分模型结构,用线性系统参数辨识和非线性多层前向网络辨识分别作用于各自对应的结构,从而有效的加快了网络学习速度。
..........
 
2 基于模型参考的神经网络控制原理
 
2.1 引言
神经网络较强的逼近能力使其成为进行非线性系统建模与非线性控制器设计的普遍选择。迄今为止,神经网络已经成功地应用于动态系统的辨识和控制。众多神经网络控制方法中应用较多的分别是基于神经网络的模型预测控制(NNPC)、基于神经网络的NARMA 控制(反馈线性化)、基于神经网络的模型参考控制(NNRC)。模型预测控制方法是以不同的预测模型为基础,采用在线滚动优化和反馈自校正策略,克服被控对象的不确定性、时滞、时变特性等因素的影响,达到预期控制目标。基于神经网络的模型预测控制分为两种类型,一种是滚动优化控制器和模型预测控制器均采用神经网络结构,另一种是滚动优化控制器采用其他结构,模型预测控制器采用神经网络结构。对于后者,控制器由神经网络预测模型和神经网络优化模型两部分组成,原理框图如 2-1 所示。如图 2-2 所示的原理框图,根据被控系统的不同形式,该控制方法可被称为反馈线性化控制或 NARMA-L2 控制。这种控制方法的核心思想是将闭环非线性系统中的非线性部分代数地转化为一个线性系统。不同于普通线性化,反馈线性化是通过状态变换和反馈得到的,而且输出方程也进行相应的线性化,然后就可以利用线性控制方法来构造控制器。
.......
 
2.2 神经网络辨识
上节介绍的三种控制方法都有各自的优势和劣势,不存在适用于任何系统的控制器,且对于一个未知非线性系统,实现有效控制的第一步均是通过神经网络辨识方法确定被控系统模型。传统的系统辨识方法需要预先确定系统模型的结构与阶次,将模型的建立立足于函数求解,常用来进行线性系统的辨识,而对于未知的非线性系统模型的辨识则显得无能为力,存在许多待改进的地方。相比之下,基于神经网络的系统辨识方法不会受到系统非线性、不确定性的影响,不需要预先确定模型结构和阶次,这即是神经网络辨识的优势所在。但是,不论是传统的系统辨识方法还是神经网辨识方法均是以被控系统的输入输出数据为前提,都需要考虑误差准则的选择,在此基础上完成目标系统的辨识。要求输入信号必须是持续激励的,且能够充分激励系统的所有模态。神经网络辨识的目的是训练一个合适的神经网络模型,令该神经网络模型能很好的反应被控系统的动态特性。神经网络辨识的原理是通过最小化神经网络输出信号与被控系统的实际输出信号之间的偏差,然后根据控制律调整网络权值,以使神经网络模型对某一输入的响应能够近似实际系统对同一输入的响应。如图 2-4 所示为神经网络辨识的原理框图,将神经网络与待辨识系统并联,两者的输出误差用作训练信号,通过学习算法完成网络参数的修正。
........
 
3 终点偏向神经网络控制..........17
3.1 引言..........17
3.2 神经网络控制结构..........17
3.3 目标函数..............19
3.4 差分进化算法......24
3.5 终点偏向神经网络控制算法......27
3.6 仿真实例..............27
3.7 本章小结..............39
4 单/双容水箱液位控制............41
4.1 引言..........41
4.2 单/双水箱系统介绍........41
4.3 单容水箱系统的神经网络液位控制......43
4.4 双容水箱系统的神经网络液位控制......54
4.4.1 双容水箱机理建模...............54
4.4.2 双容水箱系统模型的参数辨识.......55
4.4.3 双容水箱仿真结果与分析...............57
4.4.4 双容水箱实验结果与分析...............60
4.5 本章小结..............62
5 总结与展望......63
5.1 总结..........63
5.2 展望..........64
 
4 单/双容水箱液位控制
 
4.1 引言
在现代工业生产中过程控制发挥着十分重要的作用,而液位控制作为常见的过程控制,广泛存在于日常生活应用与实际工业系统中,如灌装饮料液位控制、卫浴设备液位控制、锅炉液位控制、精馏塔液位控制,污水处理长液位控制等。液位控制与人们日常生活有着密切的关系,比如,锅炉气泡的控制,一旦锅炉内液位过低,会使锅炉过热,引发事故;精馏塔中液位控制的高低和控制精度会直接影响生产产品的质量与成本;民用塔的供水,如果达不到标准的供水位,则会的影响居民的正常用水【55】。可见,液位控制效果直接关系着工业生产设备的质量、产品性能的好坏以及安全性等,为保证控制系统的稳定性、可靠性、安全性,研究有效的液位控制策略和方法具有重要的意义【56-58】。目前,大多数控制方法的研究仅仅停留在理论分析层面,没有应用于实际的工业过程控制中去,缺乏工业背景支持,导致新型控制算法使用率极低,主要原因是控制方法的研究多是在理想状况下完成的,没有充分考虑外界因素对工业系统的影响,使得实际中无法使用;另一方面,对于一些复杂对象,直接在工业对象上进行算法测试,显然不符合实际,因此,需要具有工业特性的实验装置,模拟工业生产中的生产过程,从而将理论和实际相结合【59】。多容水箱系统作为工业过程中典型的复杂非线性系统,通常存在时滞、大惯性的情况,表现出较强的非线性,并且实际工业生产控制中由于外界噪音干扰、电磁辐射干扰、系统内部结构等不确定因素,往往导致系统运行不稳定,具有较强的不确定性,而多容水箱系统的上、中、下水箱之间依次连通,使得不同水箱之间的输出液位相互作用,互相影响,表现出较强的耦合性。因此,基于多容水箱系统的控制方法验证结果具有一定的代表性和说服力。
.......
 
总结
 
随着国内外市场竞争日趋激烈,生产企业对工业产品生产过程的控制性能提出了更高的要求,而实际工业生产过程通常具有较强的非线性、不确定性、耦合性、时变性等特点,这些特性使得建立在线性系统理论的控制方法不再适用。因此,生产过程的非线性控制方法成为了过程控制领域的研究热点。在现有的非线性控制方法中,由于神经网络具有较强的非线性逼近能力、自学习能力,使得该方法得到了进一步的关注和研究。然而,现有的神经网络控制方法在实际工程应用中存在较大的局限性,主要表现在神经网络参数初值的有效确定。当网络参数的初值设置合理时,这些方法能够获得很好的控制效果;反之,较难获得理想的控制效果。为此,本文以模型参考的神经网络控制方法为例,对网络参数的有效确定问题展开研究,主要有以下几方面内容:首先,研究了模型参考神经网络控制方法的参数调节原理。该方法是依据被控对象输出与参考模型输出之间的偏差,利用 BP 算法或 LM 算法对网络参数进行在线调节。这种参数确定方式很大程度依赖于参数初始值的有效确定,当网络参数的初值不合理时,BP 算法或 LM 算法易陷入局部最优,影响控制效果。其次,本文在模型参考神经网络控制方法基础上,提出了终点偏向神经网络控制方法。针对传统均方差目标函数存在的全局较大误差容易掩盖局部较小误差问题,从训练网络参数的目标函数出发,构造了基于均方差的终点偏向目标函数。该方法通过重新分配各子项误差在总误差中所占权重,使参数修正有效地偏向终点误差。考虑到实际生产过程在外界扰动的影响下,通常具有不确定性,而相关熵对于处理非线性、非高斯性和奇异点的情况具有较好鲁棒性,本文将终点偏向思想与最大相关熵结合,又构造了基于最大相关熵的终点偏向目标函数。该方法通过衡量参考值与系统输出的相似性,实现目标函数的误差修正,使得参数确定具有更强的鲁棒性。为了进一步提高参数修正的准确性,避免传统 BP 算法、LM 算法易陷入极值、初值选取困难等缺陷,本文选择具有全局搜索能力的自适应差分进化算法进行网络参数的训练,并给出了终点偏向神经网络控制算法的实现流程。考虑到实际工业被控对象不仅有单输入单输出系统,还存在单输入多输出、多输入多输出等更为复杂的系统。因此,本文选取较为复杂的 3 输入 3 输出系统作为仿真实例,对比分析了三种目标函数下的神经网络控制效果。通过对比仿真结果,可以发现,在理想情况下,基于均方差的终点偏向目标函数下神经网络控制效果优于传统均方差目标函数下的控制效果;在加入有色噪声情况下,基于最大相关熵的终点偏向目标函数下神经网络控制效果优于基于均方差的终点偏向目标函数下的控制效果。
..........
参考文献(略)
(责任编辑:gufeng)
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
发表评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
栏目列表
点击提交代写需求
点击提交代写需求
点击提交代写需求
推荐内容