两类新型神经网络及其在非线性系统控制中的应用

发布时间：2018-05-10 06:51

本文选题：BP神经网络 + RBF神经网络　；参考：《东北石油大学》2015年博士论文

【摘要】：在石油、炼化与制药领域,反应器至关重要,也是在其生产过程中不可或缺的工具,它的操控情况直接影响产品生产速率与质量标准。反应器是工业生产和科学实验中不可或缺的实验设备,特别是在石油开采、石油炼制以及生物医学工程等领域具有十分重要的地位。反应器的工作过程及其控制方式直接影响着化工产品的数量和质量,其操作过程是工业生产的主要控制目标。连续搅拌反应釜作为最重要的反应器之一,其运行过程中反应物的温度、压力、浓度反映了化学工艺本质特征,其特征在此也会对生产质量的好坏有很大的影响。所以,为了保证化工生产过程质量测量并校正相关反应特征的参数十分重要。化工生产过程中的主要控制参数包括温度、压力、液位、流量以及浓度等,这些参数的控制质量是控制效果的主要表征。所以,为了保证化工过程的控制质量,应该从以上参数的测量与控制入手。本文将以连续搅拌反应釜为研究对象进行相应的控制系统设计。连续搅拌反应釜的控制系统通常为非线性、时变系统,且存在滞后、噪声干扰等因素影响,因此经典的PID控制理论难以在连续搅拌反应釜控制上取得好的控制效果。本文在通过全面分析了连续搅拌反应釜的控制特点的基础上,给出找到了该控制系统精度差的根本原因。基于此,本文着重研究的是,给出了基于神经网络的连续反应釜智能控制系统设计方案。首先,本文提出并证明了一种不需任何简化的递推Newton算法,有效改进了传统BP网络学习速度慢等缺点,同时避免由于模型简化造成的信息缺失。针·对神经网络中最常用的BP神经网络进行了改进。BP神经网络至关重要的问题是怎么解决学习算法。经典的BP神经网络学习算法学习算法是BP神经网络的核心,也是需要解决的关键问题。一般而言,经典的BP神经网络的缺陷都是由学习算法造成的,一般表现为具有收敛速度慢,甚至于发散等缺点。Karayiannis提出的二阶算法,对BP神经网络权值调整过程中的Hessian阵的递推公式作了一些简化处理简化了Hessian阵的递推过程,加快了BP神经网络的权值调整过程。其中丢失了目标函数的二阶导数的某些信息是有用的,因此对算法的某些性能有所影响,也会因算法推导不够彻底,乃至算法的计算量还是比较大。对这一问题,本文给出并验证了递推Newton算法是不用任何简化的,它同Newton法一样拥有二阶收敛速度。但是,这一算法的推导过程并未对算法的复杂性有了根本上的降低,其计算过程与原始的BP算法相比,不仅使得推导过程的目标函数的有效信息丢失,而且降低了算法的性能。新算法的“惯性”项能对算法导致的震荡有所预防,因此会提速收敛过程,而且此惯性项能在线自适应计算,免除了人为拼凑烦恼。文中提出的算法收敛速度快、自适应能力强,不仅有效防止了算法迭代过程中的收敛振荡问题,而且惯性项参数无需试凑,减低了人为主观因素的影响新算法充分利用了权值误差的一阶和二阶导数的一切信息,是有效的二阶算法。该算法是真正意义上的二阶算法,这是因为新算法不仅使用了BP算法中的一阶导数信息,而且还应用了权值误差矩阵的二阶导数信息。通过计算量看,新算法的计算量稍大于通常的递推最小二乘法,却比Karayiannis算法的计算量小。其次,提出一种新型混合算法用来辨识径向基神经网络的结构、参数和权值,有效地提高了径向基函数神经网络的辨识精度和泛化能力。径向基函数神经网络作为另外一种常用的人工神经网络也是本文的研究目标。在径向基函数神经网络中,由于隐含层调整作用函数的参数,采取非线性优化方法,导致学习速度缓慢。造成学习速率慢的主要因素是由于其优化策略的非线性,该非线性优化算法主要是对隐层神经元的作用函数进行调整。而且,径向基函数神经网络的学习过程一般分为两个层次进行,隐层采用自组织的学习方法,而输出层用有导师的学习方法,所以整体是个混合的学习过程。在研究了径向基函数神经网络原理,给出了一个优选聚类算法,并让其算法与正交最小二乘法与最优化方法中梯度法相结合来给出一种最新混合算法,并用其进行辨识径向基函数神经网络的结构、参数和权值首先分析了径向基函数神经的工作过程、正交最小二乘法以及与之相关的最优化算法,在此基础上将提出的优选聚类算法与梯度法相结合,提出了一种混合算法,并将该新型混合算法用于辨识径向基神经网络的结构,调整网络权值和参数。通过控制聚类合理性函数的优选聚类算法,为进一步精确辨识径向基函数的参数和网络的权值提供了可靠的基础。采取新提出的混合算法辨识径向基函数神经网络的结构、参数和训练径向基函数神经网络的权值,充分的提高了径向基函数神经网络的辨识精度和改进了其泛化能力将新型混合算法用于径向基函数的结构辨识、参数设置以及权值调整过程,大大提高了神经网络泛化能力,而且在其辨识精度上亦有较大改进。然后,基于改进的BP神经网络设计了连续搅拌反应釜PID自校正控制方案,文中采用BP神经网络来调整PID控制器参数,BP神经网络的逼近特性和自适应能力大大改善了控制效果。通过仿真实例对基于BP神经网络设计的自适应PID控制器性能和经典的PID控制器性能进行比较,结果显示：在相同的暂态响应时间下,前者的超调量更小,而且控制器具有较小的输出量。最后,基于改进的径向基函数神经网络分别设计了直接控制方案和自适应控制方案。针对这两种控制方案,分别进行了闭环系统的控制律设计和稳定性分析。通过Lyapunov函数的分析方法可以看出,两种控制方案都是渐近稳定的。而且仿真实例进一步说明了控制方案的有效性。基于神经网络的连续搅拌反应釜控制系统属于智能控制的范畴。该类控制策略不需要掌握受控对象的精确数学模型,有较强的鲁棒性,对噪声干扰有较强的抑制能力,非常适合这种模型未知或多变的复杂控制系统,具有较高的工业实用价值。
[Abstract]:In order to ensure the control quality of chemical process , it is very important to improve the control quality of chemical process . The main control parameters in this paper are as follows : temperature , pressure , liquid level , flow rate and concentration etc . The main control parameters in the process are temperature , pressure , liquid level , flow rate and concentration . In this paper , a new hybrid algorithm is proposed to identify the structure , parameter and weight of radial basis function neural network . Based on the improved radial basis function neural network , the direct control scheme and adaptive control scheme are designed respectively . According to the two control schemes , the control law design and the stability analysis of the closed - loop system are respectively carried out .

【学位授予单位】：东北石油大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP183;TQ052

【相似文献】