MPRPE神经网络在非线性过程的预测控制中的应用.pdfVIP

MPRPE神经网络在非线性过程的 预测控制中的应用 古 勇 褚健 (浙江大学工业控制技术研究所，杭州，310027) 摘要 本文将多层神经网络的改进型并行递推预报i晏差(MPRPE)算法，应用于非线性过程的预 测拄制中．提出了一完整的非线性多步预测控制综合方法，在一典型连续搅拌反应釜(CSTR)对 象的仿真研究中．显示了优良的稳定性t很好的跟踪及自适应性能， 关键词：多层神经网络；预测控制；递推预报误差法；连续搅拌反应釜 中图法分类号：TP264 0引言 现今非线性系统控制器的综合缺乏系统的、一般的理论和方法，因此只能分别针对具体 一类对象来进行研究，即使一类中的各个对象也充满了不同的设计技巧．非线性预测控制方 法正成为非线性过程控制的主要途径之一nJ． 非线性系统的预测控制的一基本的问题是怎样给出非线性系统的预测模型．它是滚动 优化和反馈校正的基础．多层前馈神经网络有很强的学习能力，能掌握复杂的非线性动态， 是非线性系统建模的良好选择D]．而神经网络建模充满经验技巧，应从控制系统设计的角度 评价模型的性能．非线性预测控制的突出困难是在线的滚动优化．因为我们每一步面对的都 I● 是很一般的非线性规划问题，很可能是一个NP问题，即计算时间随问题规模呈指数增长． 因此在满足控制稳定性和性能的前提下，应尽量简化在线优化问题o】． Boom“3等将MPC方法应用在可以状态或输入输出反馈线性化的非线性对象上，但是 满足反馈线性化的条件很苛刻，而对象的状态空间模型也很难得到，而将模型偏差及未建模 Matrix 动态纳入不确定描述，用LMI(Linear 模型，此线性模型建立在非线性预测模型的局部摄动和非线性补偿上．应用此算法的关键是 非线性预测模型应从输入输出数据中提取非线性对象的本质特征，并且在线校正能不断地 在某一局部快速稳定地逼近非线性对象．这样来保证控制系统的稳定性和性能，保证非线性 424 浙 江 大 学 学 报(自然科学版) 1998年 补偿的快速收敛，使在线优化在不妨碍控制系统实现的时间内完成．为解决这关键问题，本 文将在早先研究申提出的MPRPE神经网络方法‘63应用在在线校正中，构成了一完整的非 线性多步预测控制综合方法．通过对一典型的CSTR对象‘，1的研究。表明了该方法能取得优 良的稳定性，很好的跟踪及自适应性能． 1 非线性多步预测控制综合方法 非线性多步预测控制综合方法包括了神经网络预测模型的离线建模，基于MPRPE方 法的模型在线校正和扩展DMC方法的在线优化． 1．1神经网络离线建模 非线性多步预测控制综合方法的第一步是根据对象的原始输入输出数据离线辨识初始 Marquardt法j它具有收敛快，数值稳定性好的优点．在预测控制中对预测模型的要求是推 广能力强，这一般取决于辨识样本的分布，预测模型的规模和训练何时终止等等经验选择． 这将在第2节中结合实际对象讨论． 1．2基于MPRPE方法的神经网络预测模型建模 由于离线辨识只有有限样率，神经网络预测模型与非线性对象问必然存在建模偏差．为 保证预测控制系统的稳定性和性能，保证扩展DMC算法中非线性补偿的快速收敛，使在线 优化在不妨碍控制系统实现的时间内完成，本文提出以MPRPE算法为在线辨识算法． _ 在Billings等[B¨”的研究中，基予预报误差原理的多层前馈神经网络的递推预报误差 RPE算法，具有比反向传播BP算法收敛速度快、预报精度高的效果，但若神经网络输入输 出维数较高，隐层结点数亦较高的情况下，RPE算法涉及高维矩阵的计算，计算量激增，使 相对BP算法收敛速度快的优势丧失殆尽，同时内存开销亦激增，限制了