过热汽温模糊神经网络预测控制器的设计0压扁线机

过热汽温模糊神经网络预测控制器的设计

过热汽温模糊神经网络预测控制器的设计 2011年12月09日 来源： 1 引言 由于锅炉是一个典型的非线性、慢时变的复杂的热工系统，传统的PID控制参数整定困难，缺乏对动态变化的自适应能力。而一般的模糊控制是一种基于模糊规则的控制系统，由于控制过程的非线性、时变性及随机干扰等因素的影响，造成模糊控制的不适合和不完整，影响控制效果。神经网络以其非线性处理能力以及自学习、自组织、自适应能力为它在控制领域的应用开辟了广阔的应用前景[1~3]。为了解决系统非线性和大时滞，本文将神经网络与预测控制相结合，根据被控对象输入输出数据，建立神经网络模型，采用一种改进的递阶遗传算法对神经网络的权值和结构同时进行训练，并进行多步递推预测，实现了非线性、大时滞复杂系统的精确神经网络模型预测。在此基础上，本文将神经网络与模糊逻辑控制相结合，设计了模糊神经预测控制器，即根据预测模型输出得预测偏差和控制量模糊规则，并通过神经网络实现模糊逻辑控制器的结构，同时为了避免BP算法在训练过程中很可能陷入局部极小点，采用遗传算法对模糊神经网络进行训练，以便达到最佳的控制效果。最后将该控制器作为锅炉过热汽温的前馈－反馈串级控制系统的主控制器，副控制器采用双自由度PID控制器，目的是进一步增强系统的鲁棒性。仿真表明该串级控制系统具有很强的鲁棒性、实时性和抗扰能力，保持了很好的控制性能和运行效果，在工程上是行之有效的。2 前馈－反馈串级控制系统的设计2.1 主、副对象的数学模型 图1为前馈－反馈串级控制系统方框图，R1(s)、R2(s)分别为副控制器和主控制器；G1(s)、 G2(s)分别为导前区和惰性区的传递函数；Wf(s)为负荷D前馈补偿器的传递函数。式中 K1，K2分别为导前区和惰性区的放大系数；T1，T2分别为导前区和惰性区的惯性时间；n1，n2分别为导前区和惰性区的阶次。 过热汽温流量前馈补偿器数学模型的传递函数 式中Tf1,Tf2分别为前馈补偿器的微分系数和惯性时间。2.2 主、副控制器的设计2.2.1 主控制器 主控制器为基于神经网络模型的模糊神经预测控制，它由两个神经网络组成，前者为神经网络预测模型，后者为模糊神经网络控制器。 （1）改进的递阶遗传算法训练的神经网络预测模型 假定时滞非线性系统的输入、输出特性由下述一般形式的时间离散方程描述式中u(k)和y(k)分别为控制对象的输入和输出，m和n分别为系统输入和输出的阶次，d为系统时滞，f为Rn+m+1→R的一未知非线性映射。 若神经网络模型为式中 NN为Rn+m+1→R的已知映射，W为神经网络模型的权值。 则网络预测模型为 模型多步预测实际上是由神经网络模型 NNd当Rn+m+1→R时的d次映射。 在k时刻，由于预测模型（3）中的y(k+d-1),...,y(k+d-n)是未来的输出值，无法测得，所以使用神经网络的模型预测值ym(k+d-1),...,ym(k+d-n)来代替相应的输出值，从而实现了基于一步预报的多步递推的k时刻神经网络模型的多步预测。 此处采用的递阶遗传算法是一种新型的训练方法，它是基于下述事实提出的：生物的染色体是由基因的变化组合而成，基因以一定的层次方式排列，分为序列基因和结构基因。因此，递阶级传算法（HGA）能同时表示解的拓扑结构和参数，即在训练时将权值和结构同时分别编码，通过全局范围内搜索，实现权值和结构同时优化，克服了传统神经网络训练算法中结构事先假定的缺陷，建立的神经网络模型更能准确逼近真实系统，为非线性系统的高精度预测控制提供了保证。另外，在很多优化问题中，寻找最优解并不是

祁阳县人民医院

泗水县人民医院

襄阳第四人民医院

武汉环亚白癜风研究院

广西医科大学附属医院