大滞后非线性系统PID型多步预测控制.pdfVIP

维普资讯 第31卷 ／第 6期 ／ 河北师范大学学报 ／8然科学版 ／ Vo1．31NO．6 2007年 11月 JOURNALOFHEBEINORMALUNIVERSITY／NaturaIScienceEdition／ Nov．2007 大滞后非线性系统PID型多步预测控制 孙 慧 ， 张 燕 (1．河北师范大学 数学与信息科学学院，河北 石家庄 050016；2．河北工业大学 电气与信息科学学院，天津 300130) 摘 要：简要概述了基于神经网络的大滞后非线性系统多步预测器的实现，在分析直接多步预测中的误差 自 关联 问题 的基础上 ，提出一种较为准确 的去误差直接预测方法 ，引用鲁棒性好 的PID型多步预测 目标函数对滞后 非线性系统实现预测控制．在控制中，采用适用于动态系统的递归神经网络．仿真实验表明了所提方法的有效性． 关键词：多步预测；递归神经网络；大滞后非线性系统；智能控制 中图分类号：TP183；TP273 文献标识码 ：A 文章编号：1000．5854(2007)06．0734—04 预测控制是为了适应复杂工业过程控制而提出的一种鲁棒控制算法，具有多步预测、滚动优化、反馈校 正等先进控制机理 ，基于人工神经网络的预测控制现 已成为实现非线性系统控制的一种有效途径[1-3]．预 测控制中的一个关键问题是求取系统多步预测输出值，基于神经网络的多步预测方法可分为2类，即直接多 步预测和递推多步预测，许多学者在这一领域做了深入研究． 工业对象大多在不同程度上存在纯滞后，常规控制器对这类过程的控制效果不够理想，Smith预估器是 一 种简单的较常用的滞后补偿方法 4【J．但在工业应用中，它有一个显著缺点：对模型的精度要求高，过程模型 和被控对象间不可避免的不匹配，系统的闭环性能可能变得很差，并且对于系统特性不匹配较轻的情况，Smith 预估器也可能变得不稳定．文献[5]采用Adaline神经网络在线辨识系统参数，实现自适应的Smith控制器．文献 [6，7]中采用神经网络实现了非线性系统的大滞后补偿 ，并应用于汽车发动机气管压力系统的预报 ． 本文中，笔者在直接多步预测 的基础上，提出了基于递归神经 网络 的Smith预估器去误差直接预测 方法． 1 基于神经网络的Smith预估器 1．1 Smith预估 器 Smith预估控制的结构框图见图 1．从图 1可以看出，这种方法的特点是利用过程数学模型 以内反馈方 式包围常规控制器 ，构成 Smith预估器 ，再与过程串联构成Smith预测控制系统． 图 1 Smith预测控制系统 图中Gp(s)是被控对象，Gc(s)为控制器，R(s)和 y(s)是系统的输入和输出信号，r为系统时延， G (s)是辨识系统不包含纯滞后部分的传递函数．由图1可知，利用系统辨识建立过程模型G (s)e一出，通过 它来抵消原系统的反馈信号，如果模型是精确的，满足 G (s)=G (s)，r=d，则相加点 Suml的输出 F(s)=G (s)=Gp(s)，此时称模型严格匹配．这样新形成的反馈 回路中就完全消除了过程 的纯滞后对系 统稳定性的影响． 收稿 日期 ：2007—05—08；修回日期 ：2007—07—12 作者简介：孙 慧(1972一)，女，河北定州人，讲师，主要从事计算机应用的研究 维普资讯 · 735 · Smith预估器需要精确的过程模型，模型完全匹配或者基本匹配的Smith预估器在大纯滞后过程的控 制中作用非常显著．在工业实际过程 中模型和被控对象间存在不可避免的不匹配，还存在不可估计的干扰影 响，这样系统的闭环响应可能会变得很差 ，对模型精度的敏感限制了Smith预估器在工业上的应用 ． 1．2 基于神经网络的 Smith预估器 假设 1个 NARMAX模型描述的离散系统 ： y(k)=f[Y(k一1)，…，Y(k— )，U(k—d)，…，U(