基于神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測(cè)控制算法的研究.pdf

1、模型預(yù)測(cè)控制(簡(jiǎn)稱(chēng)預(yù)測(cè)控制)是20世紀(jì)70年代在長(zhǎng)期的工業(yè)實(shí)踐過(guò)程中產(chǎn)生和發(fā)展起來(lái)的一類(lèi)新型計(jì)算機(jī)控制算法，由于預(yù)測(cè)控制對(duì)模型要求低、魯棒性強(qiáng)，并能有效地處理時(shí)變時(shí)滯、多變量和帶約束等問(wèn)題，線性預(yù)測(cè)控制方法目前已經(jīng)被廣泛應(yīng)用在石油、化工、冶金、機(jī)械、機(jī)器人、生物醫(yī)學(xué)等領(lǐng)域，并且取得了非常明顯的經(jīng)濟(jì)效益。但工業(yè)過(guò)程和現(xiàn)場(chǎng)非常復(fù)雜，實(shí)際控制系統(tǒng)往往具有強(qiáng)耦合性、強(qiáng)非線性、時(shí)滯時(shí)變等特性。面對(duì)復(fù)雜的控制對(duì)象和更高的控制性能要求，基于線性模型的

2、預(yù)測(cè)控制很難實(shí)現(xiàn)實(shí)時(shí)而有效的控制，因此研究針對(duì)非線性系統(tǒng)的預(yù)測(cè)控制方法已經(jīng)成為工業(yè)控制界非常關(guān)注的課題。
　　 將人工智能引入控制系統(tǒng)是現(xiàn)代自動(dòng)控制學(xué)科發(fā)展的趨勢(shì)，作為多學(xué)科交叉領(lǐng)域的前沿技術(shù)，人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)不確定性系統(tǒng)動(dòng)態(tài)特性和逼近任意復(fù)雜非線性系統(tǒng)的特點(diǎn)，這使得神經(jīng)網(wǎng)絡(luò)可以應(yīng)用在解決非線性和不確定性系統(tǒng)的建模問(wèn)題中。因此將神經(jīng)網(wǎng)絡(luò)和預(yù)測(cè)控制的優(yōu)勢(shì)結(jié)合起來(lái)的基于神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測(cè)控制逐漸成為了解決非線性系統(tǒng)控

3、制問(wèn)題的重要方法。
　　 基于上述理論，本文首先介紹非線性預(yù)測(cè)控制的產(chǎn)生發(fā)展、非線性預(yù)測(cè)控制的主要研究方法和神經(jīng)網(wǎng)絡(luò)非線性預(yù)測(cè)控制的研究現(xiàn)狀，然后詳細(xì)闡述了預(yù)測(cè)控制的產(chǎn)生發(fā)展和基本原理，并著重介紹廣義預(yù)測(cè)控制的基本算法和參數(shù)選擇原則，同時(shí)指出預(yù)測(cè)控制是針對(duì)線性系統(tǒng)提出的，對(duì)于非線性系統(tǒng)由于難以建立精確模型進(jìn)行多步預(yù)測(cè)，預(yù)測(cè)控制的控制效果往往不理想。因此本文引入具有良好逼近能力的局部動(dòng)態(tài)反饋網(wǎng)絡(luò)Elman神經(jīng)網(wǎng)絡(luò)對(duì)非線性系統(tǒng)進(jìn)行模

4、型辨識(shí)，并在此基礎(chǔ)上提出將改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)應(yīng)用在廣義預(yù)測(cè)控制中。首先利用神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)模型進(jìn)行多步預(yù)測(cè)，并輸出未來(lái)輸出值，然后利用優(yōu)化算法使目標(biāo)函數(shù)達(dá)到最優(yōu)求出最優(yōu)控制量。為了避免通過(guò)推導(dǎo)改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的雅克比矩陣(Jacobian)來(lái)計(jì)算最優(yōu)控制律算法的復(fù)雜性，本文采用動(dòng)態(tài)自適應(yīng)粒子群算法(APSO)作為優(yōu)化算法來(lái)設(shè)計(jì)預(yù)測(cè)控制器。最后，選取典型的強(qiáng)非線性對(duì)象進(jìn)行仿真研究，結(jié)果表明基于改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測(cè)控