基于智能计算的预测控制及应用.docx

《基于智能计算的预测控制及应用.docx》由会员分享，可在线阅读，更多相关《基于智能计算的预测控制及应用.docx（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、基于智能计算的推测掌握及应用摘 要：随着现代工业的飞速进展，工业系统的简单度大幅提高，针对简单非线性时滞系统，现有传统的推测控 制技术很难实现对其掌握。本文的争论目标是标是将神经网 络、遗传算法、推测掌握三种理论相互结合，将神经网络作 为非线性系统的辨识方法，并使用遗传算法对推测掌握滚动 优化，以实现基于智能计算的推测掌握。关键词：推测掌握；遗传算法；神经网络本文的争论思路是针对加热炉炉温掌握系统简单的非线性、大时滞、多干扰的特性，承受基于智能计算的推测控 制技术，以实现掌握。首先，结合神经网络的特性，利用神 经网络辨识非线性系统，构建推测模型；其次，依据遗传算 法能够借助搜寻机制的随机性实现

2、对搜寻问题域全局最优解的特点，承受遗传算法来实现滚动优化；再此根底上，通 过对推测掌握、神经网络、推测算法组合成为一个优良的控 制方案；以加热炉燃料气流量为掌握对象，加热炉的出口温 度为被控对象，用 MATLAB 软件进展仿真，求证本文基于智能计算推测掌握的良好掌握性能，通过本文深入争论推测控 制理论，并将其应用在解决非线性时滞系统的建模及掌握等 问题上，对实际工业生产具有重要的理论价值和现实意义。一、 加热炉炉温影响因素对加热炉系统炉温掌握相对较难，为了实现对加热炉系 统炉温的稳定掌握，首先应考虑影响加热炉炉温的因素。影 响加热炉炉温的因素主要有一下四个方面。1 燃料气流量的影响；2 加热炉

3、炉膛压力的影响；3 空燃比变化的影；4 产量波动的影响二、加热炉推测掌握方案如图 1，利用离线数据对神经网络推测模型进展训练， 使其渐渐趋向实际对象，即加热炉炉温；用反响校正环节来 校正与的误差；用炉温优化掌握器优化推测模型参数，并根 据与的差计算最优掌握量，修正推测模型，以提高炉温推测 模型的推测精度，实现对加热炉炉温的推测掌握。三、加热炉推测掌握模型式5乘以权值，得到输出层的输入： 经计算得到输出层的输出为：利用神经网络进展建模的本质就是，将系统的输入输出 关系反映在神经网络的连接权值上，使训练好的神经网络的 输出靠近实际的输出。2. 加热炉神经网络推测掌握模型NNP在对加热炉炉温掌握系统

4、建模时，由于加热炉是分布式 参数系统，故需对其进展分段建模。由于 BP 神经网络具有多种优点，故本文在建立加热炉炉温推测掌握系统时，承受的三层 BP 神经网络对被控对象的进展建模，实现对炉温的掌握。本文通过神经网络建立了燃料流量 gas 与炉温之间的模型。煤气流量 gas 与炉温 T 的关系可由下式表示：式中， 为模型推测的炉温； 为白噪声；Tk为 k 时刻的炉温；na，nb 分别为系统的输入输出阶次；gask表示 k 时刻的煤气流量； 为非线性函数，且 。三层 BP 神经网络建立的炉温推测模型构造图如图 3 所示。网络训练的样本为：k 时刻以及 k 时刻以前的系统 T 及gas；网络的输入为

5、： 网络的输出为：2. 遗传算法优化掌握参数神经网络推测掌握中，有下述参数需要提前设定 、n、NNC 与 NNP 的初始权值与学习参数。因此考虑使用 GA 事先对这些参数的取值进展优化。（1） 决策变量：柔化系数 、推测时域n、NNC 与 NNP 的初始权值与学习参数。（2） 目标函数：目标函数公式 22式中，et为系统误差；超调量 eyt=yt-yt-1，yt为被控对象输出；ut为掌握器输出；tu 为上升时间；w1w4 为权值。（3） 个体适应度：通过分析可知，个体的适应度函数 为目标函数的倒数，即通过运用遗传算法，来优化推测掌握模型的掌握参数， 从而调整神经网络推测模型的相关参数，使推测模

6、型更加真 实的靠近实际掌握对象模型。五、 加热炉推测掌握系统仿真1. 推测模型构造用滤波后的数据建立加热炉炉温推测模型。通过收集整 理数据信息，共选取 260 组样本，其中 180 组作为训练样本， 剩余的全部作为测试样本。在用训练样本数据对神经网络推测掌握模型 NNP 训练之前，应将训练样本数据统一归一化处理，以防止数据的选 取不当而造成神经网络不能收敛的问题。故本文用 公式归一化样本数据，然后用学习率可变的动量 BP 算法修正神经网络的权值和阈值。算法中?用的是标准 Sigmoid 函数，动量系数 mc=0.9，学习减小系数 lr_dec=0.65，学习率增长系数 lr_inc= 1.35

7、，学习率 lr=0.01，最大误差 max_perf_inc=1.040，训练步数 epochs= 10000。对于隐层节点的选取，可取范围在4，13之间。由于隐层节点的选取是在某一范围内，故本文对不同隐层节点数神经模型仿真分析，结果如以下图所示。 承受如下公式：式中：Eerror、Derror分别为推测误差的平均值、均方差。便能检验出实测数据与推测结果的拟合程度。经过屡次仿真，分析比照屡次 MATLAB 计算结果，可以觉察当隐层节点为 9 时炉温推测误差值最小，故本文承受5-9-1 构造的推测模型。在得出推测模型后，通过反响校正环节提高模型的推测 精度，由于本系统的推测误差要求在以内，所以可

8、用一级反 馈校正环节校正模型。2. 优化掌握器优化掌握器为： ，选取 na=2，nb=3。所以炉温优化掌握器可用下面式子表示：选用整理好的训练样本数据对进展离线训练，经过仿真 分析，本文建立了 6-14-1 BP 网络构造的优化掌握器。仿真结果分析图如图 5 所示。通过分析图 5 可知，所设计的优化掌握器能满足系统的要求。3. 系统仿真经过前文的分析可知，本文建立推测模型后，用炉温优 化掌握器对模型进展反响校正，进而得出加热炉炉温推测控 制系统。为检验本文方案的可行性，需进展仿真验证。假设给定 温度为，通过 Matlab 屡次仿真，其仿真结果如图 6，图 7 所示。通过比照上述仿真图可知，被控对象能够很好的实现对 参考轨迹的跟踪，并且掌握效果较好。通过屡次仿真分析，验证了本文所设计方案的可行性， 仿真结果说明，基于智能计算的推测掌握方案是成功的，具 有较强的自适应性与鲁棒性，明显优于传统的掌握方案。