基于神经网络的预测控制器研究

VIP免费
3.0 陈辉 2024-11-19 4 4 3.11MB 71 页 15积分
侵权投诉
摘 要
预测控制是一种基于模型的控制策略，可以充分利用过去时刻的输入输出信
息建立预测模型，然后利用预测模型对系统未来的输出做出预测，从而通过长时
域的优化获得最优的控制量，实现对被控对象的有效控制。
随着预测控制工业过程中的应用，近年来，预测控制理论研究取得了很大的
进步，但大多是针对线性系统的。经典的辨识方法对于复杂系统在一些情况下，
很难从被控对象中抽取出能够满足非线性预测控制系统要求的预测模型。而神经
网络以其并行处理能力，自学习能力，自适应能力和以任意精度逼近线性和非线
性函数的特点，在系统辨识，控制领域都得到了的应用。
由于上述原因，本课题针对一般形式的系统用人工神经网络来实现对系统的
建模，并在 LabVIEW 中对神经网络建模进行了仿真验证。然后把神经网络模型作
为预测模型应用到预测控制中，并同时用神经网络来建立预测模型和实现预测控
制的滚动优化，即实现了神经网络预测控制器。神经网络辨识器和神经网络预测
控制器采用了 BP 神经网络和 RBF 神经网络。利用 Matlab 编制了控制器程序和辨
识程序，并在 LabVIEW 中进行仿真，实现了 Matlab 和 LabVIEW 的混合编程。为了
研究神经网络预测控制器的性能，本文还利用 Matlab 和 LabVIEW 实现了 PID 控制，
并对两种控制器进行了比较。最后设计了一个基于虚拟仪器技术的神经网络预测
控制仿真实验平台，开发了基于 LabVIEW 的人机交互界面，并且研究了利用中泰
PCI-8333 模入模出接口卡的基于 LabVIEW 平台的实时系统预测控制方法。该平台
操作简便，可视化强，易与理解。
通过 Matlab 的仿真研究和基于虚拟仪器的仿真研究，验证了神经网络作为预
测辨识器和预测控制器的有效性，并在液位实时控制系统中取得了很好的效果。
关键词：预测控制 系统辨识 神经网络模型 神经网络控制器
ABSTRACT
Predictive control is a control strategy based on predict model, it can make the
most of the past input and output information to establish the model. The model can
predict future output of the system .Then use the model to achieve the optimal control
law for a long time domain；It can accomplish the effective control of the controlled
object.
Predictive control theory has made great progress with the application of predictive
control in industry. But it’s aimed at linear system not for non-linear system. But the
systems are becoming ever more complicated, it’s difficult to establish the models
which can meet the requirements of non-lineal system. Classic identification method is
unable to cope with the complex system in some situation. Because of the neural
network has great characteristic. Such as approaching the linearity and nonlinearity
function with arbitrarily accuracy, parallel processing ability, self learning ability,
which is applied in system identification and control field.
In this paper we establish the model of controlled object by neural network for
normal systems, there into BP and RBF neural network are use to identify the system
and achieve the predictive control, then the model is used in predictive control as the
predictive model. The identification and control program is designed in Matlab, the
simulation is done with LabVIEW, the mixed programming between Matlab and
LabVIEW is realized. To do the research on neural network predictive controller, the
PID control method is realized using Matlab and LabVIEW. We compare the two
controllers. This article adopts the method programming Matlab with LabVIEW,
designs a neural network system identification platform based on virtual instruments.
This platform has great visualization, could be manipulated simply, and be easily
understood.
Through the simulation based on Matlab and LabVIEW, the validation of neural
network system identification and neural network controller. In the process of real-time
system, a good result is achieved.
Key Word: Predictive Control, System Identification，Neural Network
Model，Neural Network Controller
目 录
摘 要
ABSTRACT
第一章 绪 论 ......................................................... 1
§1.1 预测控制的发展 ................................................1
§1.1.1 预测控制的基本特点及原理 ................................. 1
§1.1.2 智能预测控制的发展与特点 ................................. 2
§1.2 神经网络与预测控制的结合 ..................................... 3
§1.2.1 神经网络的发展 ........................................... 3
§1.2.2 神经网络的特点及其用于控制的优越性 ....................... 5
§1.2.3 人工神经网络在预测控制中的应用 ........................... 5
§1.2.4 神经网络预测控制的应用现状 ............................... 6
§1.3 课题来源及研究内容 ........................................... 7
§1.3.1 课题的来源 ............................................... 7
§1.3.2 课题研究内容 ............................................. 7
第二章 预测控制及神经网络原理研究 .................................... 9
§2.1 预测控制的基本原理 ........................................... 9
§2.1.1 动态预测模型 ............................................. 9
§2.1.2 滚动优化 ................................................ 10
§2.1.3 反馈校正 ................................................ 10
§2.2 神经网络原理及算法研究 ...................................... 11
§2.2.1 RBF 神经网络的结构及算法 ................................. 11
§2.2.2 BP 神经网络的结构及算法 .................................. 14
第三章 基于神经网络的系统建模与预测控制器设计 ....................... 16
§3.1 神经网络系统辨识器的设计 .................................... 16
§3.1.1 传统辨识与神经网络辨识 .................................. 18
§3.1.2 神经网络系统辨识模型的选择 .............................. 19
§3.1.3 神经网络辨识的基本结构 .................................. 20
§3.1.4 非线性动态系统的神经网络辨识 ............................ 22
§3.1.5 辨识网络的构造及训练方法 ................................ 25
§3.2 神经网络控制器的设计 ........................................ 26
§3.2.1 预测控制器的结构 ........................................ 26
§3.2.2 神经网络预测控制器的设计 ................................ 29
§3.3 参数设计 .....................................................31
§3.3.1 神经网络辨识器参数的设计 ................................ 31
§3.3.2 控制器参数设计 .......................................... 31
§3.3.3 其他参数设计 ............................................ 32
第四章 神经网络模型和预测控制器的仿真 ............................... 32
§4.1 神经网络辨识器的研究 .........................................33
§4.1.1 神经网络辨识器的算法流程图 .............................. 33
§4.1.2 神经网络辨识器的仿真分析 ................................ 34
§4.2 神经网络控制器的研究 ........................................ 37
§4.2.1 神经网络控制器的算法流程图 .............................. 37
§4.2.2 神经网络预测控制器在 LabVIEW 中的实现 .................... 39
§4.2.3 神经网络控制器仿真分析 .................................. 47
第五章 神经网络预测控制的实时控制分析 ............................... 57
§5.1 液位控制系统装置介绍 ........................................ 58
§5.1.1 液位控制系统设备 ........................................ 58
§5.2 PCI-8333 多功能模入模出接口卡概述 ............................59
§5.2.1 工作原理 ................................................ 59
§5.3 液位装置的神经网络预测控制器实时控制与分析 ...................60
§5.3.1 PCI8333 驱动与 LabVIEW 的接口 ............................. 60
§5.3.2 实时系统的控制实现 ...................................... 61
第六章 总结 ......................................................... 63
参考文献 ............................................................ 65
在读期间公开发表的论文和承担科研项目及取得成果 ...................... 68
致 谢 ............................................................... 69
第一章 绪论
1
第一章 绪 论
§1.1 预测控制的发展
二十世纪 60 年代初期，卡尔曼系统地把状态空间法引入到系统和控制理论
中，形成现代控制理论，并且很快在航天，航空等领域取得了巨大的成果，对自
动控制技术的发展起到了积极的推动作用。但是，随着科学技术和生产的迅速发
展，对大型，复杂和不确定系统实行自动控制的要求不断提高，使得现代控制理
论的局限性日益明显。实时工业过程的多变量、非线性、时变和不确定性等特点
以及工程应用中要求考虑控制系统的实时性，有效性和经济等因素，使得以精确
数学模型为基础、立足最优性能指标、且许多算法较为复杂的现代控制理论难以
有效地应用于复杂的工业过程。
为了克服理论与实际应用之间的上述不协调性，自 70 年代以来，人们一方面
为了提高数学模型的精确度及考虑不确定因素的影响加强了对系统辨识，工业过
程的建模，自适应控制等方面的研究，另一方面开始突破传统控制思想的约束，
试图面向实际工业过程的特点研究发展各种对模型要求低、在线计算方便、实时
性好、控制效果佳的控制新算法。预测控制算法就是在这种情况下发展起来的一
类新型控制算法。
预测控制技术最初由 Richalet 和Culter 提出。由于预测控制从工业实践发展
起来，最大限度地结合了工业实际的要求，综合效果好，因而引起了工业控制界
和理论学术界的广泛兴趣和关注，已经在理论和应用方面取得了显著的进展，而
且各种控制算法不断产生并得到发展。
§1.1.1 预测控制的基本特点及原理
预测控制作为一种新的计算机控制算法，它的算法种类多，表现形式多种多
样，但都具有相同的四大本质特征：预测模型、滚动优化、反馈校正和参考轨迹。
它具有下列明显的特点：（1）建模方便，过程的描述可以通过简单的实验获得。
（2）采用非最小化描述的离散卷积和模型，信息冗余量大，有利于提高系统的鲁
棒性。（3）采用了滚动优化策略，即在线反复进行优化计算，滚动实施，使模型
失配、畸变、干扰等引起的不确定性及时得到弥补，从而得到较好的动态控制性
能。（4）可在不增加任何理论困难的情况下，将这类算法推广到有约束条件、大
延迟、非最小相位以及非线性等过程，并获得较好的控制效果。
基于神经网络的预测控制器研究
2
各种预测控制算法具有类似的计算步骤：在当前时刻，基于过程的动态模型
预测未来一定时域内采样周期（或按一定间隔）的过程输出，这些输出为当前时
刻和未来一定时域内控制量的函数。按照基于反馈校正的某个优化目标函数计算
当前及未来一定时域的控制量大小。为了防止控制量剧烈变化及超调，一般在优
化目标函数中都考虑使未来输出以一参考轨迹最优地去跟踪期望设定值。计算出
当前控制量后输出给过程实施控制。至下一时刻，根据新测量数据重新按上述步
骤计算控制量。从预测控制的基本原理可以看出。预测控制是不断优化的局部优
化，而非全局最优。
§1.1.2 智能预测控制的发展与特点
预测控制早期研究的成果主要体现在理论分析、算法的改进与推广以及算法
的比较分析几方面。理论分析包括解释预测控制的算法机理；推导预测控制系统
的闭环传函；分析参数对其稳定性、鲁棒性的影响及其定量分析等。
近几年来，预测控制的研究已经突破早期研究的框架，摆脱了单调的算法研
究模式，从而开始了与极点配置、自适应控制、鲁棒控制、精确线性化、解耦控
制和非线性控制相结合的一类先进预测控制策略的研究。随着智能控制技术的发
展，预测控制也向着智能预测控制方向发展，并将人工智能、大系统递阶原理等
引入预测控制，构成多层智能预测控制模式，由此，进一步增强了预测控制处理
复杂对象、复杂任务的能力，拓展了应用领域。智能预测控制弥补了单纯预测控
制算法在性能上精度不高，仅适用于线性系统，缺乏自学习、自组织，鲁棒性不
强的缺陷，达到了日益提高的控制性能要求。这类控制主要有模糊预测控制和神
经网络预测控制[5][9]。
预测控制最早由日本学者安信等提出，并成功地应用于地铁的列车运行控制
上。近几年来我国学者在这方面也取得了不少研究成果，如将辨识与广义预测控
制相结合进行在线修正的预测控制算法。
神经网络预测控制的研究方向主要有如下两方面：首先是利用神经网络充分逼
近任意非线性函数，学习和适应不确定性系统的动态特性，以及并行处理算法进
行快速运算等能力，建立神经元网络模型作为预测模型。目前广泛采用的有 BP 网
络、Hopfield 网络和径向基函数网络的辨识建模。另一方面，是基于神经网络解
耦的多变量系统广义预测控制，消除多变量系统各控制变量间的相互约束和耦合
影响，包括基于神经网络的静态解耦和动态解耦。
基于智能控制策略的预测控制研究，除了上述两方面以外，还有基于遗传算
第一章 绪论
3
法的预测控制，以及自学习预测控制和基于规则库的专家系统预测控制。
§1.2 神经网络与预测控制的结合
控制科学是 20 世纪中期形成和发展起来的新学科，其应用已遍及众多的技
术和社会领域。控制理论的发展大致经历了经典控制理论、现代控制理论以及 20
世纪 70 年代后期发展起来的智能控制和大系统控制诸阶段。
控制理论在不断取得新的发展中也不断遇到新的挑战。首先，控制对象愈来
愈复杂。对象的复杂性表现在高度的非线性、高噪声干扰、动态突变性等，这些
复杂性都难以用精确的数学模型来描述。同时对象还往往存在着某些难以用精确
的数学方法加以描述的不确定性。另一方面是对控制系统的要求愈来愈高，迫切
要求提高控制系统的智能化水平。传统控制理论（经典控制和现代控制理论）的
设计中要求模型要精确的描述对象的动态特性而忽略了模型误差，同时在解决非
线性问题时也都遇到了困难。面对上面的问题智能控制则体现了较大的优势。智
能控制是以无模型为特征的更接近于人脑思维方式的一种控制理论，其主要优点
是控制器的设计摆脱了系统模型的束缚，算法简单、鲁棒性强。比较典型的方法
有专家控制、模糊控制和神经网络控制等。
神经网络非常适合于复杂系统的建模和控制，特别是当系统存在不确定因素
时，更体现了其优越性，因此，神经网络在控制领域倍受重视。神经网络控制是
指在控制系统中采用神经网络这一工具对难以描述的复杂的非线性对象进行建
模，或充当控制器，或优化计算，或进行推理，或故障诊断等，以及同时兼有上
述某些功能的适当组合。神经网络控制最初是于 1994 年出现在 IFAC 的杂志
《Automatica》第 11 期上，它源于 1992 年H. Tolle. 和E. Ersu 的专著《Neuro
control》。但从 80 年代以来，用神经网络来描述非线性系统，从而用其进行控制
就已成为国际上的研究热点之一。
§1.2.1 神经网络的发展
人工神经网络是人们从模仿生物脑结构和功能的角度出发建立的一种信息系
统，它能智能地对信息进行表示、存储和处理，并具有一定的学习、推理功能。
人工神经网络可以分为以下几个发展时期：
神经网络的研究始于 20 世 纪 40 年代。1943 年，美国生理学家
W.S.McCulloch (麦卡洛克)和数学家 W.Pitts(皮茨)合作首先提出了兴奋与抑制型神
经元二元 MP 模型；1949 年，心理学家 D.O.Hebb(赫布)提出了神经元联接强度
基于神经网络的预测控制器研究
4
的修改规则，他们的研究成果至今仍是许多神经网络模型研究的基础。20 世纪
50 年代末到 60 年代初是神经网络理论研究的第一个热潮。1958 年，F.Rosenblatt
(罗森布拉特)提出了感知器(Perceptron)模型，试图模拟人脑感知能力和学习能力，
这是第一个完整的人工神经网络，初步具备了诸如并行处理、分布存储和学习等
神经网络的一些基本特征，从而确立了从系统的角度研究人工神经网络的基础。
同年 B.Windrow (温德)和M.E.Hoff 提出了自适应线性元件(Adaline)，主要应用于
自适应滤波、预测和模式识别。
1969 年Minsky( 明斯基)和Papert( 帕珀特)合作发表了颇有影响的
《Perceptron》一书，得出了消极悲观的论点，即从数学上证明了简单的线性感知
器不能实现复杂的逻辑功能，并且指出多层感知器还不能找到有效的计算方法，
人工神经网络的研究开始处于低潮。但仍有很多学者坚持他们的研究并取得了许
多有意义的成果。1974 年，Werbos(沃博斯)提出了多层感知器的误差反传算法，
但因当时未充分体会到它的用处而多年未受到重视。1976 年，Grossberg (格罗斯
伯格)根据对生物学和心理学的研究，提出了几个非线性动力系统结构，对神经网
络的研究起到了重要推动作用。1980 Kohonen(霍恩)提出了自组织映射理论。
进入 20 世纪 80 年代，神经网络的研究开始复兴。1982 年，物理学家
Hopfield(霍普菲尔德)对全互联神经网络的动态特性进行了研究，引入了能量函数
的概念，给出了网络的稳定性判据，提出了用于联想记忆和优化计算的新途径，
这项研究成果为神经网络的研究注入了新的活力。1986 年，Rumelhart(鲁姆尔哈
特)等人在神经网络领域取得了突破性进展，重新提出了多层网络的误差反向传播
算法（即 BP 算法），并已经证明，隐含层神经元采用 Sigmoid 型神经元的 BP 网
络，具有任意非线性特性。神经网络的热潮再次掀起。BP 网络已成为广泛使用
的网络，并以此为基础作了许多改进，发展了快速有效的算法。
人工神经网络模型各种各样，现已达数十种。按神经元的连接方式和特点总
的来说可分为四种类型：前向型网络、反馈型网络、随机型网络和自组织竞争型
网络。在控制中按网络的动力学特性分为静态网络和动态网络，静态网络主要是
多层 BP 网及基函数网络，动态网络主要是 Hopfield 网络及在其基础上的一些变
型。伴随着网络模型及应用的进展，网络的学习算法也不断改进。
总之，神经网络在其虽短暂但曲折的发展过程中愈来愈引起人们的广泛兴趣，
尤其近年来，人们对神经网络的研究更是进入了一个空前高涨的时期。神经网络
已经在信号处理、模式识别、目标跟踪、机器人控制、专家系统、组合优化等众
多领域的应用中获得了引人注目的成果。
摘要：

摘要预测控制是一种基于模型的控制策略，可以充分利用过去时刻的输入输出信息建立预测模型，然后利用预测模型对系统未来的输出做出预测，从而通过长时域的优化获得最优的控制量，实现对被控对象的有效控制。随着预测控制工业过程中的应用，近年来，预测控制理论研究取得了很大的进步，但大多是针对线性系统的。经典的辨识方法对于复杂系统在一些情况下，很难从被控对象中抽取出能够满足非线性预测控制系统要求的预测模型。而神经网络以其并行处理能力，自学习能力，自适应能力和以任意精度逼近线性和非线性函数的特点，在系统辨识，控制领域都得到了的应用。由于上述原因，本课题针对一般形式的系统用人工神经网络来实现对系统的建模，并在Lab...

展开>> 收起<<
基于神经网络的预测控制器研究.pdf

共71页,预览8页

还剩页未读， 继续阅读

相关推荐

更多
立即下载
作者：陈辉 分类：高等教育资料 价格：15积分 属性：71 页 大小：3.11MB 格式：PDF 时间：2024-11-19

开通VIP享超值会员特权

  • 多端同步记录
  • 高速下载文档
  • 免费文档工具
  • 分享文档赚钱
  • 每日登录抽奖
  • 优质衍生服务

作者详情

相关内容

更多

推荐作者

热门标签

/ 71
评分 收藏
分享
立即下载 VIP免费下载
客服
关注