非线性系统多模型自适应控制研究
发布时间：2020-12-24 18:38
在实际的工业生产中,复杂的非线性系统往往具有一个甚至多个非线性环节,并且常常伴随着外界干扰、子系统动态变化、系统参数跳变等问题的发生,这将会使得系统的控制变得困难。传统的自适应控制方法无法对这类复杂的非线性系统进行有效的控制,而多模型自适应控制(Multiple Model Adaptive Control,MMAC)方法为这类复杂非线性系统的控制提供了一个很好的解决思路。因此,本文利用MMAC方法理论解决了一类复杂非线性系统中存在系统参数未知,系统参数跳变时的控制问题以及MMAC中子模型过多导致系统计算量增大的问题。具体研究如下:1.针对一类参数未知的非线性离散时间动态系统,提出了一种新的基于神经网络的MMAC方法。首先,将系统分为线性部分和非线性部分。针对系统线性部分采用局部化方法建立多个固定模型覆盖系统的参数范围,在此基础上,建立自适应模型来提高系统性能;针对系统非线性部分建立非线性神经网络预测模型来逼近系统的非线性。然后,针对每个子模型设计相应的控制器。最后,设计基于误差范数形式的性能指标函数对控制器进行硬切换。仿真结果表明,所提出的MMAC方法与传统的在参数空间均匀分布的MM...
【文章来源】：兰州理工大学甘肃省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
典型的MMAC系统结构框图
硕士学位论文( ) ( ( 1), , ( ); ( 1), , ( ))m my t f y t y t n u t u t m入取为X (t ) y (t 1), , y (t n ); u (t 1), , u (t m) ，输数取为 log sigmoid函数，即：1( )1xf xe 导数为： '2( )1xxef xe 性系统辨识的 BP 神经网络结构图如下图 2.1 所示：
T [2.6, 1.2,1,0.5]，所建立的固定模型参数i ， i 1,2, ,h按照下面变化，则：0101[2.0,2.2,2.4,2.6,2.8,3.0][ 2.0, 1.6, 1.2, 0.8, 0.4,0.0][0.0,0.4,0.8,1.2,1.6,2.0][0.0,0.2,0.4,0.6,0.8,1.0]aabb （3可知，基于局部化方法一共建立 1296 个固定模型，不妨令 2ir 即可建模的半径要求。所建立的两个自适应模型和神经网络模型的初始参T[2, 1,0.6,1]。对系统的非线性部分分别采用第 3 章 3、4 小节所介绍的 BP 神经网经网络对其进行辨识。输入层节点为 y (t ), y (t 1); u (t ), u (t 1) ，输出层 )t ，基于 3 层结构的 BP 神经网络其参数的选择为：隐含层节点个数取习速率 0.6，并取动量项因子 0.05。基于 RBF 神经网络其参数的含层节点个数取值为 8，学习速率 0.8，并取动量项因子 0.05。
【参考文献】：
期刊论文
[1]基于改进仿射传播的多模型软测量建模及应用研究[J]. 熊伟丽,葛祥振,徐保国. 信息与控制. 2018(02)
[2]一类工业运行过程多模型自适应控制方法[J]. 富月,杜琼. 自动化学报. 2018(07)
[3]基于切换的多模型二阶段自适应控制器设计[J]. 王振雷,毛福兴,王昕. 控制与决策. 2018(01)
[4]基于RBF神经网络的风力发电机组系统辨识研究[J]. 杨震宇,王青,魏新刚,应有,孙勇. 机电工程. 2017(06)
[5]非线性多变量零阶接近有界系统的多模型自适应控制[J]. 黄淼,王昕,王振雷. 自动化学报. 2014(09)
[6]一类非线性系统的基于时间序列的多模型自适应控制[J]. 黄淼,王昕,王振雷. 自动化学报. 2013(05)
[7]基于输入输出数据的一体化多模型建模与控制[J]. 吴一鸣,雷虎民,邵雷,刘代军. 电光与控制. 2011(08)
[8]基于数据的多模型分数阶PID控制方法[J]. 廖勇,麻信洛,齐俊杰,苏锡亮. 北京理工大学学报. 2011(05)
[9]一种基于差分进化算法的多模型建模方法[J]. 李庆良,雷虎民,邵雷,陈治湘. 控制与决策. 2010(12)
[10]基于神经网络和多模型的非线性离散自适应控制[J]. 王大海,王昕,王振雷,钱锋. 计算机与应用化学. 2010(10)
博士论文
[1]非线性离散时间系统多模型自适应控制策略研究[D]. 黄淼.华东理工大学 2015
[2]热工过程多模型控制理论与方法的研究[D]. 郭启刚.华北电力大学（河北） 2007
硕士论文
[1]多模型自适应控制在过热气温控制系统中的应用研究[D]. 于红霞.东北大学 2008
[2]多模型自适应控制及其在热工过程中的应用[D]. 左燕.华北电力大学（北京） 2003
本文编号：2936122
【文章来源】：兰州理工大学甘肃省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
典型的MMAC系统结构框图
硕士学位论文( ) ( ( 1), , ( ); ( 1), , ( ))m my t f y t y t n u t u t m入取为X (t ) y (t 1), , y (t n ); u (t 1), , u (t m) ，输数取为 log sigmoid函数，即：1( )1xf xe 导数为： '2( )1xxef xe 性系统辨识的 BP 神经网络结构图如下图 2.1 所示：
T [2.6, 1.2,1,0.5]，所建立的固定模型参数i ， i 1,2, ,h按照下面变化，则：0101[2.0,2.2,2.4,2.6,2.8,3.0][ 2.0, 1.6, 1.2, 0.8, 0.4,0.0][0.0,0.4,0.8,1.2,1.6,2.0][0.0,0.2,0.4,0.6,0.8,1.0]aabb （3可知，基于局部化方法一共建立 1296 个固定模型，不妨令 2ir 即可建模的半径要求。所建立的两个自适应模型和神经网络模型的初始参T[2, 1,0.6,1]。对系统的非线性部分分别采用第 3 章 3、4 小节所介绍的 BP 神经网经网络对其进行辨识。输入层节点为 y (t ), y (t 1); u (t ), u (t 1) ，输出层 )t ，基于 3 层结构的 BP 神经网络其参数的选择为：隐含层节点个数取习速率 0.6，并取动量项因子 0.05。基于 RBF 神经网络其参数的含层节点个数取值为 8，学习速率 0.8，并取动量项因子 0.05。
【参考文献】：
期刊论文
[1]基于改进仿射传播的多模型软测量建模及应用研究[J]. 熊伟丽,葛祥振,徐保国. 信息与控制. 2018(02)
[2]一类工业运行过程多模型自适应控制方法[J]. 富月,杜琼. 自动化学报. 2018(07)
[3]基于切换的多模型二阶段自适应控制器设计[J]. 王振雷,毛福兴,王昕. 控制与决策. 2018(01)
[4]基于RBF神经网络的风力发电机组系统辨识研究[J]. 杨震宇,王青,魏新刚,应有,孙勇. 机电工程. 2017(06)
[5]非线性多变量零阶接近有界系统的多模型自适应控制[J]. 黄淼,王昕,王振雷. 自动化学报. 2014(09)
[6]一类非线性系统的基于时间序列的多模型自适应控制[J]. 黄淼,王昕,王振雷. 自动化学报. 2013(05)
[7]基于输入输出数据的一体化多模型建模与控制[J]. 吴一鸣,雷虎民,邵雷,刘代军. 电光与控制. 2011(08)
[8]基于数据的多模型分数阶PID控制方法[J]. 廖勇,麻信洛,齐俊杰,苏锡亮. 北京理工大学学报. 2011(05)
[9]一种基于差分进化算法的多模型建模方法[J]. 李庆良,雷虎民,邵雷,陈治湘. 控制与决策. 2010(12)
[10]基于神经网络和多模型的非线性离散自适应控制[J]. 王大海,王昕,王振雷,钱锋. 计算机与应用化学. 2010(10)
博士论文
[1]非线性离散时间系统多模型自适应控制策略研究[D]. 黄淼.华东理工大学 2015
[2]热工过程多模型控制理论与方法的研究[D]. 郭启刚.华北电力大学（河北） 2007
硕士论文
[1]多模型自适应控制在过热气温控制系统中的应用研究[D]. 于红霞.东北大学 2008
[2]多模型自适应控制及其在热工过程中的应用[D]. 左燕.华北电力大学（北京） 2003
本文编号：2936122
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2936122.html
