非线性系统多模型自适应控制方法研究

发布时间：2017-03-17 07:05

  本文关键词：非线性系统多模型自适应控制方法研究，，由笔耕文化传播整理发布。

【摘要】：随着生产力的提高和控制理论的发展,被控对象往往存在高度的非线性。传统的自适应控制针对的是参数不变,或者发生缓慢变化的控制对象。但系统内部特性发生改变或者外部出现大幅扰动时,系统调节时间长,超调量大,控制性能往往不好,甚至是不稳定的。 本课题针对此问题,本文对复杂非线性系统采用多模型自适应控制的方法,从下面几个方面进行研究。 1)对于一类仿射非线性的被控对象,把自适应动态规划(Adaptive Dynamic Programming,ADP)算法与多模型思想相结合,并分析了其收敛性和稳定性。ADP算法方法是利用神经网络等函数近似结构,来逼近动态规划中的性能指标函数和控制策略,并保证控制量有界。但是控制器不能保证系统的动态品质,尤其是瞬态过程,常常导致超调很大。根据多模型控制阶梯状设定值的思路,设定阶梯状的跟踪轨迹,使被控对象的状态从一个设定值跟踪到另一个设定值,逐渐的接近最终目标,最后对仿真结果进行了分析,结果表明了此方法的可行性和有效性。 2)通过反向传播(Back Propagation, BP)神经网络建模,来近似非线性离散时间系统的动态特性,用带死区辨识算法调整神经网络的权值参数。当系统的参数随时间改变时,对应的神经网络权值也不一样。根据不同权值的神经网络构造出多模型,覆盖系统参数的不确定性。设置固定模型和自适应模型的不同组合,每个采样周期,根据性能指标函数选择最佳模型和对应的控制器,取得了很好的控制效果。最后给出了严格的稳定性和收敛性证明。 3)把多模型控制方法应用到实际的高炉布料系统中,根据大量雷达扫描得到的高炉料面数据进行分类,建立多模型料面模型集；设定期望料面,针对料面模型集中的每种料面,设计对应的布料控制策略,求出相应的布料矩阵。在一个布料周期中,根据切换机制把获得的实时料面数据与模型集相匹配,进而采取相应的布料矩阵进行布料,直至达到期望料面。此方法在某钢厂2500m3高炉布料系统中得以实施,生产数据验证了方法的有效性。 本文的主要创新点包括： 1)提出了一种基于ADP算法的多设定值跟踪控制方法。由于控制器约束的存在,引入非二次型的性能指标函数,使得控制量始终在有界的范围内变化。不会由于设定值的微小变化使得输出有大的波动。根据多模型控制的思想,阶段性的跟踪阶梯状的参考设定值,既确保了系统的稳定性,又极大的减小了超调量,改善控制品质。 2)用BP神经网络来近似非线性离散时间系统的动态特性,考虑系统的未建模动态,提出了一种BP神经网络鲁棒多模型自适应控制器。用固定模型和自适应模型的三种不同组合来建立多模型集,通过基于辨识误差的性能指标函数来选择最佳模型和对应的控制器。此部分的主要贡献是给出了严格的BP神经网络鲁棒多模型自适应控制稳定性和收敛性证明。 3)在实际高炉布料控制问题中,建立先验的料面多模型集和对应的布料矩阵,并设立切换机制。由于雷达的在线自动监控,使得高炉内部料面的形状能够实时获得,形成了在线反馈机制,设计出完整的闭环控制系统。此方法克服了传统的高炉布料开环控制方法的不足,提高了布料的精度和效率。
【关键词】：非线性系统 多模型自适应控制 ADP BP神经网络 高炉布料
【学位授予单位】：北京科技大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP273;TP183
【目录】：

• 致谢4-5
• 摘要5-7
• Abstract7-12
• 1 引言12-27
• 1.1 研究目的12-13
• 1.2 研究背景13-24
• 1.2.1 非线性控制13-14
• 1.2.2 自适应控制14-19
• 1.2.3 多模型自适应控制19-24
• 1.3 研究意义24-25
• 1.4 研究内容及创新点25-27
• 2 非线性系统多模型自适应控制27-34
• 2.1 模型集的建立27-28
• 2.2 多模型自适应控制器的分类28-32
• 2.2.1 交互式多模型控制28-29
• 2.2.2 加权式多模型控制29-30
• 2.2.3 间接切换多模型控制30-32
• 2.2.4 直接多模型自适应控制方法32
• 2.3 多模型自适应算法的收敛性和稳定性32-33
• 2.4 本章小结33-34
• 3 基于ADP算法的非线性系统多模型控制34-51
• 3.1 ADP的基本理论35-36
• 3.1.1 ADP原理35
• 3.1.2 ADP的分类35-36
• 3.1.3 无限时域与有限时域自适应动态规划36
• 3.2 带有控制器约束的非线性离散时间系统ADP控制36-42
• 3.2.1 问题描述37-39
• 3.2.2 ADP算法的推导39
• 3.2.3 ADP算法的稳定性39-40
• 3.2.4 ADP算法的神经网络实现40-42
• 3.3 基于ADP算法的多设定值控制器设计42-46
• 3.4 连续搅拌釜CSTR的ADP多模型控制46-50
• 3.5 本章小结50-51
• 4 非线性系统的鲁棒多模型自适应控制51-66
• 4.1 神经网络鲁棒自适应控制52-55
• 4.1.1 线性反馈控制52-53
• 4.1.2 神经网络鲁棒自适应控制53-55
• 4.2 鲁棒多模型自适应控制55-57
• 4.2.1 控制系统结构55-56
• 4.2.2 模型的选择56-57
• 4.2.3 选择切换指标函数57
• 4.3 多模型稳定性证明57-59
• 4.3.1 N个自适应模型57-58
• 4.3.2 N-1个固定模型和一个自适应模型58-59
• 4.3.3 N-2个固定模型,一个自适应模型和一个重新赋初值的自适应模型59
• 4.4 系统仿真59-64
• 4.4.1 问题描述59-60
• 4.4.2 仿真实验60-64
• 4.5 本章小结64-66
• 5 高炉料面多模型控制应用66-89
• 5.1 高炉生产工艺66-76
• 5.1.1 炉料轨迹模型68-70
• 5.1.2 炉料堆角模型70-71
• 5.1.3 基于多雷达观测数据的料面模型71-75
• 5.1.4 多模型料面模型集的建立75-76
• 5.2 布料控制76-84
• 5.2.1 基于固定料面的布料矩阵设计77-79
• 5.2.2 料面类别的确立79-83
• 5.2.3 基于多模型思想的布料控制系统83-84
• 5.3 仿真研究与现场运行结果84-88
• 5.4 本章小结88-89
• 6 结论89-90
• 参考文献90-102
• 作者简历及在学研究成果102-105
• 学位论文数据集105

【参考文献】

中国期刊全文数据库 前10条

1 羌菊兴,舒萦,凌鹰鹤,罗文钦;自适应控制技术在轧钢过程中的应用和拓展[J];宝钢技术;2005年02期

2 孙宇新,刘贤兴;神经元控制器在数字调速系统中的实现和应用[J];电工技术学报;2005年03期

3 陈令坤;于仲洁;周曼丽;;高炉布料数学模型的开发及应用[J];钢铁;2006年11期

4 杨天钧;左海滨;;中国高炉炼铁技术科学发展的途径[J];钢铁;2008年01期

5 徐立新,强文义,王玉琛,周彦,苗立杰;发电用重型燃气轮机的模糊自适应控制[J];哈尔滨工程大学学报;2005年02期

6 孙维,李晓理,王伟;基于多模型的非线性系统自适应最小方差控制[J];控制理论与应用;2002年04期

7 李晓理,王书宁;含有界扰动系统的多模型自适应控制[J];控制理论与应用;2003年04期

8 李晓理;张维存;王伟;;基于有界扰动分区的多模型自适应控制[J];控制理论与应用;2006年02期

9 李晓理;石陇辉;丁大伟;;水箱液位系统多模型控制方法[J];控制理论与应用;2011年03期

10 李晓理,王书宁;基于分片线性化方法的非线性系统多模型自适应控制[J];控制与决策;2002年01期

  本文关键词：非线性系统多模型自适应控制方法研究，由笔耕文化传播整理发布。

本文编号：252517