基于神经网络的内模控制在温度控制系统的研究

【摘要】：温度控制系统是现代大多数工业中一个重要的组成部分,这种系统具有典型的大滞后性、大惯性、非线性等特点。由于滞后的存在严重影响了系统的稳定性和控制性能,而基于精确数学模型的常规控制方法通常难以获得满意的动、静态控制性能,并且系统在运行中参数的时变和外界环境的不确定因素的影响下,使这种系统更加难以控制。因此,研究更为先进的控制算法具有重要的理论意义和现实意义。 本文以电加热炉为研究对象,对其特性进行系统分析基础上抽象出该系统的数学模型。基于该模型,着重研究了具有大滞后控制系统的优化算法。主要内容如下:1、基于一些有效时滞控制算法分析的基础上,对Smith预估控制算法和内模控制算法进行重点仿真验证。仿真结果表明,内模控制在时滞控制系统中具有更好的抗干扰性和鲁棒性;由于径向基(RBF)神经网络具有快速学习并能逼近任意非线性函数的优点,本文用径向基网络分别设计内模控制算法中的内部模型和内模控制器,提出基于神经网络的内模控制算法应用在时滞工业控制中; 2、本文针对以下两方面进行了改进:首先,模型逆模型的设计方面,本文深入研究了各种辨识的结构并对它们进行了详细的分析,在此基础上提出了改进型逆模型辨识结构并对其进行了仿真验证;其次,RBF网络隐层中心点的确定和权值修正方面,使用了改进的次胜者受罚的自竞争学习算法对中心进行自适应学习,提高了网络的学习速度;针对权值修正使用带有遗忘因子的最小二乘算法,有效防止饱和现象的发生。 通过仿真实验表明,改进后的算法应用神经网络内模控制中具有上升时间快、鲁棒性好、抗干扰能力强、无超调等很好的控制效果,并有在线自调整的能力。