神经网络在线解耦算法的研究

【摘要】： 在工业控制中，被控系统往往是多变量、强耦合的时变系统。针对 多变量系统中被控对象间的耦合随时间或负载而变化的情况，利用神经 网络的特点，研究神经网络解耦器在线学习算法具有十分重要的意义。 本文的研究主要集中在以下几个方面： 在分散解耦的系统框架上提出了基于互相关函数的神经网络解耦器 在线学习算法，该算法定义了一组MIMO过程的互相关函数作为神经网 络解耦器的指标函数，利用遗传算法对神经网络权值进行在线寻优。对 于线性系统，从理论上加以证明，随着输入输出的互相关函数越来越小， 则神经网络就越逼近理想解耦环节，说明所选择的指标函数是可行的。 结合发电厂的磨煤机控制系统，仿真验证该算法。当解耦器训练结 束后，对于两个等效的SISO系统，采用传统PID来进行控制，得到满意 的控制效果。 初步探讨用分散解耦结构和上述在线学习算法来对非线性MIMO系 统进行在线解耦，由于随机信号通过非线性系统的复杂性，本文从仿真 实验上来验证选取互相关函数作为指标函数的可行性。当解耦器训练结 束后，对于非线性对象采用单神经元自适应PID来进行控制，仿真结果 表明，此控制方案效果较好。