多变量非线性过程控制

【摘要】：本文主要研究了多变量非线性过程控制问题，主要工作和研究成果由五部分组成：一、介绍了对于有纯滞后过程的基于神经网络的预测控制，提出了几种在线反馈校正方法。然后对非线性串联工业过程提出了基于神经网络的多重反馈预测控制、变校正系数及其设计方法。进一步，将此方法推广到多变量非线性系统，提出了带中间状态反馈校正的基于神经网络的多变量非线性预测控制，给出了反馈校正矩阵的设计方法。二、提出了动态多变量非线性系统的静态逆模型概念，给出了基于集成模型的非线性系统的逆系统线性化策略，同时亦提出和讨论了多种有效和实用的静态逆模型求取方法。三、将单输入单输出的Hammerstein模型推广至多输入多输出系统，提出了广义Hammerstein模型，给出了其辨识建模方法。进一步，为了适应更一般的多变量非线性系统，提出了一种由人工神经网络与线性离散差分模型相结合的集成模型，并给出了其辨识训练方法。以此类模型为基础，提出了相应的多变量非线性预测控制算法。它们利用了线性预测控制的成果，避免了通常非线性模型(包括普通人工神经网络模型)预测控制所需的在线数值寻优计算，大大节约了在线计算时间，提高了算法的可靠性和稳定性，确实为一种有效的多变量非线性控制算法。四、提出了一种通过对象输出预测实现对角优化解耦的补偿器设计方法，给出了该补偿器的解耦算式。此预测优化解耦补偿器有别于传统的动态或静态解耦补偿方法，适用于具有非最小相位特性的众多多变量系统的解耦补偿，具有很好的稳定性和可实现性。进一步将基于线性模型的自适应预测优化解耦补偿器的原理推广到非线性系统，设计出适用于一般多变量非线性系统的非线性自适应预测优化解耦补偿器。五、根据解耦补偿和优化控制的思想，提出了一种完全不依赖于对象模型的自适应神经元多变量优化补偿器模型，给出了神经元权系数的在线学习方法，分析了神经元优化补偿器的工作机理。该自适应神经元优化补偿器算法简单、实现容易、完全不需要对象模型。 对本文提出的各种新的控制方法、新的算法均进行了仿真研究，并给出了相应的仿真研究结果。