1、兰州理工大学硕士学位论文基于神经网络的非线性预测控制研究姓名：屠小娥申请学位级别：硕士专业：控制理论与控制工程指导教师：李炜20070508硕士学位论文摘要随着工业控制要求的提高及控制理论与计算机技术的发展，产生了控制效果好、鲁棒性强，适用于控制不易建立精确数学模型且比较复杂的工业过程的预测控制算法，并已在石油、化工、冶金、机械等工业部门的控制系统中得到了成功的应用，是一类很有发展前途的新型计算机控制算法。本文以工程实际广泛存在的非线性系统为研究背景，以理论研究与仿真实验为重点，研究了基于神经网络辨识的动态矩阵预测控制(DMC)新方法，其实质是利用作为对象辨识模型的神经网络产生输出预测，用滚动
2、优化算法求出控制律，从而实现对非线性系统的预测控制。神经网络分别选用具有良好非线性逼近能力的BP网络和RBF网络，其与动态矩阵预测控制算法相结合，针对非线性系统，对比研究了基于以上两种神经网络的非线性预测控制技术。在课题的研究中，完成的主要工作有：1对动态矩阵控制算法做了深入的探讨和研究，分析了动态矩阵预测控制的预测模型、反馈校正与滚动优化的特征及其稳定性、鲁棒性，并研究了相关参数对控制效果的影响，指出了这种常规预测控制算法直接用于非线性系统存在的问题2针对BP和RBF神经网络的特点，分别研究了一种改进算法，即带动量项的自适应调整学习率的BP算法和递推k均值聚类算法通过MATLAB仿真实验表明
3、：带动量项的自适应调整学习率的BP算法学习速度较快、且辨识精度较高，而采用递推k均值聚类算法，可提高RBF网络的建模能力和跟踪性能。3分别将改进的BP和RBF神经网络与动态矩阵预测控制相结合，提出了基于改进的BP和RBF神经网络辨识的动态矩阵预测控制算法，通过MATLAB仿真证实了所提出新型算法的有效性和可行性，仿真结果还表明基于RBF神经网络的DMC控制效果优于基于BP神经网络的DMC，更利于在实时控制中的应用。关键词：预测控制；神经网络；动态矩阵控制；模型辨识；滚动优化基于神经网络的非线性预测控制研究AbstractAlong with advancement of industrial
4、control demand，development of controltheory and computer technology,a predictive control algorithm is produced witheffective control and strong robustness，It is applicable to complex industrialprocesses and the control system that is not easily to establish the accuratemathematics model，and is succe
5、ssful applied in petroleum，chemical industry,metallurgy and mechanism，and have a good prospect in applicationCombined with nonlinear system in the predictive control engineering practices，the research is developed mainly in theory study and simulation，the idea that a DMCalgorithm based on neural net
6、works identification is proposedActually it uses theneural networks as the identified model of control plant to produce predictive signal，the control law is solved by optimized algorithmAccordingly the predictive controlof the nonlinear system is realizedBP and RBF neural networks are chosen asident
7、ified model for they can approach the function very wellNeural networks theoryand DMC theory are used to solve the problem that the nonlinear system is difficult tocontr01for the nonlinear predictive control based on neural networks，a theoryscheme is put forward which is efficient and feasibleSo a n
8、ew thought and method isput forward to resolve practical system control questionDuring the course of the research，the following achievements are obtained：Firstly,the theory of dynamic matrix predictive control(DMC)is expounded，then in this paper，it makes a detailed analysis including its predictive
9、model，itsmethods of revising feedback and receding horizon optimizationand its stabilityrobustness，it analyzes how the correlative parameters influence on controlling effectSimulation shows DMC has well dynamic performance,strong tracing ability,andperfect control performanceSecondlyfor the characte
10、risticof BP and RBF network，the improved method forBP and RBF are proposed：self-adaption learning rate BP method with momentum napand recursive k-means clustering methodSimulations show the self-adaption learningrate BP method with momentum nap has fast learning rate and good identificationprecision
11、；recursive k-means clustering method improves on the modeling ability ofRBF and tracing performanceThirdly,the DMC algorithms based on the improved BP and RBF networks are硕士学位论文proposedMATLAB simulations show the validity and feasibility of the proposed newalgorithmsThe DMC algorithms based on the i
12、mproved BP and RBF both obtain thedue control effectBut DMC algorithms based on the improved RBF has better controlperformance than the algorithms based on the improved BP,and it benefits itsapplication to real-time systemKey words：Predictive Control；Neural Networks；Dynamic Matrix Control；ModelIdent
13、ification；Receding Horizon Optimizationm兰州理工大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：届4、绦 日期：川年月乎日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权兰州理工大学可
14、以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1、保密口，在 年解密后适用本授权书2、不保密团r(请在以上相应方框内打“4”)蝓贿，Il屠，害名名签签者师作导硕士学位论文11选题的目的和意义第1章 绪论预测控制是一种工程上实用的先进控制算法(APC)，也是一类很有发展前途的新型计算机控制算法。由于它采用多步预测、滚动优化和反馈校正等控制策略，因而控制效果好、鲁棒性强，适用于控制不易建立精确数学模型且比较复杂的工业生产过程，已在石油、化工、冶金、机械等工业部门的控制系统中得到了成功的应用。由于模型形式、优化策略和校正措
15、施的不同，可以形成各种预测控制算法，如动态矩阵控制(DMC)I、模型算法控制(MAC)f2J、广义预测控制(GPC)131等等。常用的预测控制应用于变化比较缓慢的生产过程或对象时，一般能取得较好的结果，而对于变化迅速而复杂的过程或对象，由于模型不精确、控制算法复杂和运算量大，往往难以实现在线实时控制因此，寻找算法简单，建模容易，控制迅速而有效的方法一直是人们努力的方向。将智能技术引入控制系统是控制学科发展的必然趋势，对于大滞后过程来说，由于当前旌加的控制作用，需要经过较长的时问才会在输出中反映出来，可见实现大滞后过程控制的关键在于对系统输出的预测。二十世纪70年代末从实践中发展起来的预测控制算
16、法为大滞后系统的控制提供了一种方法。但现有的一些预测方法，如史密斯预估法，模型算法控制，动态矩阵预报控制等，都需要较精确的系统数学模型，因此建模成了预测控制发展的一个瓶颈。而人工神经网络是最近发展起来的十分热门的交叉学科，具有并行机制、自学习和自适应能力；可以用来逼近任意复杂的非线性系统；能够学习与适应不确定性系统的动态特性；所有定量或定性的信息都分布存储于网络的各个神经元，所以有较强的和鲁棒性和容错性；用并行分布处理方法，使得进行快速大量运算成为可斛41这些特点显示了神经网络在解决非线性和不确定性系统建模与控制方面的巨大潜力，所以将神经网络技术应用于预测控制系统之中，用神经网络来建立高精度、
17、多模态的信息预测模型，将为预测控制突破现有框架，向高层次发展提供了可能。因此将神经网络技术应用于预测控制之中是一个新的研究方向，它融合了神经网络技术与预测控制技术的各自特点，开发出来的新型控制算法具有一定的应用价值和现实意义【5I 16】基于神经网络的动态矩阵预测控制，就是把神经网络与动态矩阵预测控制结合起来，将预测控制的滚动优化思想与神经网络精确描述非线性和不确定性动态过程的特性有机结合神经网络具有逼近任意连续有界非线性函数的能力，给非线性系统的控制带来了新的思路。神经网络在自动控制系统中的应用提高了系统基于神经网络的1线性预测控制研究的信息处理能力和适应能力，提高了系统的智能水平。由于非线
18、性系统的多样性和复杂性，对系统的描述缺乏通用性的模型的特点，应用神经网络方法研究非线性系统预测控制问题具有重要的理论意义和实际应用价值。12预测控制的国内外研究现状与发展趋势以状态空间法为基础的现代控制理论从60年代初期发展以来，已取得了很大进展，对自动控制技术的发展起到了积极的推动作用。但随着科学技术和生产的迅速发展，现代工业迅速向大型化、连续化、复杂化和自动化发展，很多系统极其复杂，具有高度的非线性、时变性、强耦合性、不确定性、信息不完全性和大时滞等特征，并存在苛刻的约束条件，大多数工业过程是多变量的难于建立其精确的数学模型即使一些对象能够建立起数学模型，其结构也往往十分复杂，难于设计并实
19、现有效控制。单单依靠传统的控制技术，如PID控制算法，无法解决上述所存问题。因此，引入先进控制方法成为必然的趋势同时，计算机技术迅猛发展，走向高性能、低成本，特别是1975年Honeywell公司等推出的DCS系统后，给控制系统的硬件带来巨大的变革今天，工业自动控制技术已经综合了传感检测技术、系统控制技术、计算机技术和先进通信技术等新技术，开始使用众多的信息平台软件，这些都为从整体上实现递阶控制结构奠定了硬件技术基础。在此基础上预测控制这一新型计算机控制算法就慢慢地发展起来了In。预测控制是一种基于模型的先进控制技术，亦称模型预测控制。它是20世纪70年代中后期在欧美工业领域内出现的一类新型计
20、算机控制算法1978年，Richalet8】等在著名论文中首先详细地阐述了这类算法的动因、机理以及在工业过程中的应用效果，自此“预测控制”作为一类新型控制算法的统一名称产生了预测控制算法发展至今，虽然有不同的表示形式，但归纳起来，它的任何算法形式不外乎包括：预测模型的多样性；滚动优化的时变性；在线校正的鲁棒性。这三个特征体现了预测控制更符合复杂系统控制的不确定性与时变性的实际情况因此预测控制在复杂控制系统领域得到重视，其具有很强的实用性预测控制算法是基于预测模型、滚动优化、在线反馈校正的优化控制算法到目前为止已经发展了几十种预测控制算法，按其基本结构模式，大致可以分为三类：1)以非参数模型为预
21、测模型的预测控制算法；2)与经典自适应控制相结合的一类长程预测控制算法；3)基于结构设计不同的另一类预测控制算法。但是无论各种算法形式如何不同，都应建立在其三项基本原理基础之上几乎所有实际控制系统都是非线性的。随着预测控制技术的不断发展及预测控制可灵活使用各种模型的优点，人们着力于研究更能真实描述实际控制系统的具有一般形式的非线性系统的预测控制，并且取得了一些可喜的研究成果l，JI”J硕士学位论文非线性预测控制方法是从线性控制理论发展起来的，因此从其来源可分为如下三类【11】1121113】：以直接从工业应用中产生的非参数模型为基础的非线性模型预测控制算法(NLMPC)；由经典自适应控制算法发
22、展起来的一类长程预测控制算法，如修正的GPC方法；从结构设计出发，通过对GPC结构的转换，产生了内模控制(IMc)和推理控制(IC)，并对相应的非线性系统进行研究。目前，非线性预测控制已被成功地应用于蒸馏塔，酸碱中和的pH控制等工业过程中，这些过程均具有较强的非线性，用一般的线性控制模型和方法难以得到良好的控制品质【141但是非线性系统的预测控制，无论在理论上或技术上都还存在不少问题。由于实际工业过程中存在着许多强非线性系统，因此，研究非线性系统的预测控制越来越重要。预测控制的研究和发展，已经突破早期研究的框架，摆脱了单调的算法研究模式，从而开始了与极点配置、自适应控制、鲁棒控制、精确线性化、
23、解耦控制和非线性控制相结合的一类先进预测控制策略；并且随着智能控制技术发展，预测控制也将向着智能预测控制方向发展，如模糊预测控制、遗传算法预测控制，遗传算法借鉴生物的自然选择和遗传进化机制，开发除了一种全局优化自适应概率搜索算法。它使用群体技术，通过对当前群体施加选择、交叉，变异等一系列遗传操作，从而产生出新一代的群体，并逐步使群体进化到包含或接近最优值的状态。如果在遗传算法中加入约束条件，对不满足约束条件的个体进行惩罚，可以方便的进行约束空间中的全局寻优。智能预测控制的出现，弥补了单纯预测控制算法在性能上精度不高、仅适用于线性系统、缺乏自学习自组织功能、鲁棒性不强的缺陷，达到了日益提高的控制
24、性能要求近年来，由于神经网络的自学习和自适应能力，使神经网络控制在非线性控制系统中的应用与研究得到越来越广泛的注意。神经网络多输入多输出的结构形式，也使其易于实现多输入多输出非线性系统的辨识与控制。将神经网络应用到预测控制中，对于任意复杂的非线性系统不仅能快速有效地建模，还能够大大减少计算时间，以满足工业控制的实时性要求。利用神经网络良好的非线性映射能力可以避开复杂的参数估计过程，同时又可以灵活方便地对多成因的复杂的未知系统进行高精度建模，为非线性系统的预测控制提供了一种良好的方法。目前研究方向主要有如下两方面：首先，是利用神经元网络能对任意复杂非线性函数充分逼近，能够学习和适应不确定系统的动
25、态特性；能采用并行分布处理算法快速进行实时运算等特殊能力，建立神经元网络辨识模型作为预测模型。被广泛采用的有BP网络、Hopfield网络以及基于径向基函数的RBF网络的辨识建模。另一方面，是基于神经网络解耦的多变量系统广义预测控制。为了消除多变量系统各控制变量间的相互约束和耦合影响，需要对多变量系统进行解耦，这包括基于神经网络的静态解耦和基于神经网络的动态基1二神经网络的1线性预测控制研究解耦。迄今为止，己有几十种神经网络被开发和利用。许多学者对基于神经网络的非线性预测模型做了大量研究。目前应用于非线性预测控制的神经网络方法主要有：反向传播(Back Propagation，简称BP)神经网
26、络、径向基函数(Radia BasisFunction，简称RBF)神经网络、小脑模型关节控制器(CerebellarModelArticulationController，简称CDMA)神经网络以及动态递归神经网络(Dynamical RecurrentNeural Network，简称DRNN)。国内外主要研究成果有：JSDonatI”】首先提出了利用一个三层BP神经网络建立非线性对象的预测模型，并利用非线性规划优化算法进行优化计算，实现了对搅拌器的非线性预测控制；LiXinWan9116】采用一种特殊结构的网络解决非线性预测控制中的二次规划优化问题减少了计算时间；Hawen Ye17I利
27、用一种贝叶斯神经网络进行非线性对象辨识建立神经预测模型，该网络增强了神经网络预测模型的自适应能力；刘宝坤等人【18】用一个多输出前馈网络实现了对非线性过程的多步预测，控制量的求取基于多步预测的目标函数，采用与网络权值训练相类似的梯度法进行迭代学习获得；刘喜梅【19J提出用一个三层BP网络建立预测模型，采用迭代学习法解决滚动优化问题，并取得了有效的仿真结果；张广莹等人120l将非线性对象的Taylor级数展开式的线性项作为预测模型，用三层BP神经网络做辨识器实时估计系统的建模误差，并对非线性对象进行单步预测控制；陆军等人121l应用CMAC神经网络建立了非线性对象的性能预测模型，并构成预测控制器
28、，将其成功应用于水下机器人通道的运动控制；郭丹等人1221提出在非线性系统的Elman网络辨识模型的基础上，用单神经元设计预测控制器的方案；薛福珍【231提出一种利用先验知识和神经网络建立非线性系统模型的方法，简化了神经网络预测模型，减小了计算量，并在此基础上利用遗传算法进行优化计算，实现了基于先验知识和神经网络的非线性预测控制。近年来，基于神经网络的预测控制在理论上及应用上均取得很大进展，出现了多种实用的方法。在复杂工业过程控制中取得了许多成功的应用Jose等提出一种直接自适应神经网络控制器，能够对未知的非线性系统进行预测控制，并成功地将其应用在热交换过程的流速与温度控制中1241Hu等设计
29、了基于模糊神经网络模型的有约束多步预测控制，并将其应用于烧结生产线的线速度控制中1251Bongards等将神经网络预测器和模糊控制器结合在一起，在污水处理厂上得到了应用I硼。陈增强和袁著祉等将神经网络自校正预测控制应用于涤纶片拉膜生产线横向剖面这个复杂的多变量非线性系统上，极大地提高了产品的优质率12饥王树青等将神经网络预测控制成功地应用到水轮发电机组的转速控制中，大大提高了系统的安全性【2引。Arahal等采用并行结构的递归神经网络在多组热交换器中进行了应用291此外神经网络预测控制在热电厂和太阳能电厂都有成硕士学位论文功应用的实例这些成功的应用实践表明结合神经网络与预测控制的优势而形成的
30、神经网络预测控制在工业过程中具有广阔的应用前景。目前，预测控制系统的研究方向，除了上面所提及的先进预测控制和智能预测控制的研究备受人们关注以外，还对多种新型的预测控制理论与应用研究有极大兴趣，如预测函数控制、多速率采样预测控制、多模型切换预测控制和有约束预测控制等，在这方面我国学者也取得了不少有意义的研究成果【30l，在这里就不再赘述。13本文主要研究内容基于神经网络的动态矩阵预测控制，就是把神经网络与动态矩阵预测控制结合起来，将预测控制的滚动优化思想与神经网络精确描述非线性和不确定性动态过程的特性有机结合神经网络具有逼近任意连续有界非线性函数的能力，正是这种模型辨识能力弥补了动态矩阵预测控制
31、方法的不足，给非线性系统的控制带来7新的思路。神经网络在自动控制系统中的应用提高了系统的信息处理能力和适应能力，提高了系统的智能水平。本文以工程实际广泛存在的非线性系统为研究背景，以理论研究与仿真实验为重点，研究了基于神经网络辨识的动态矩阵预测控制新方法，其实质是利用作为对象辨识模型的神经网络产生输出预测，用滚动优化算法求出控制律，从而实现对非线性系统的预测控制，神经网络选用具有良好的函数逼近能力的BP网络和RBF网络。因此，本课题的主要研究内容有：1)从预测控制研究的现状出发，分析常规预测控制存在的问题；并从神经网络的优点出发提出以神经网络作为模型辨识工具，建立基于神经网络技术的新型预测控制
32、算法，来解决常规预测控制中存在的复杂对象建模难、计算量大、计算周期长等问题。2)介绍了预测控制产生的历史背景、基本原理及结构、特点、预测模型等基本知识，重点讨论动态矩阵预测控制(DMC)基本结构和原理，在此基础上，深入分析动态矩阵预测控制的预测模型、反馈校正与滚动优化方法及其稳定性、鲁棒性，并分析相关参数对控制效果的影响，从而指出这种常规预测控制算法直接用于非线性系统存在的问题。最后通过仿真实验来证实动态矩阵预测控制算法优点及特点。3)从神经网络的基本理论出发，讨论BP神经网络和RBF神经网络结构及其算法，针对BP和RBF神经网络的特点，分别对BP和RBF神经网络提出一种改进算法，并通过MATLAB仿真比较证实所提出的改进算法各自避开自身的缺点，并能达到满意的仿真结果。
