多变量非线性系统RBF直接广义预测的研究.docVIP

多变量非线性系统RBF直接广义预测的研究 　　摘 要:为了避免Diophantine方程求解和矩阵求逆运算,提高广义预测控制算法的实时性,对一类参数未知多变量非线性系统提出一种径向基函数神经网络的直接广义预测控制(GPC)算法。该算法将多变量非线性系统转换为多变量时变线性系统,然后利用径向基神经网络来逼近控制增量,对控制器参数向量,即网络权值中的未知向量基于跟踪误差进行自适应调整。理论证明,该方法可使跟踪误差收敛到原点的一个小邻域内。仿真结果验证了此算法的有效性。 　　关键词:多输入多输出非线性系统;自适应控制;广义预测控制;径向基函数神经网络 　　中图分类号:TG273文献标志码:A 　　文章编号:1001-3695(2010)07-2513-04 　　doi:10.3969/j.issn.1001-3695.2010.07.031 　　Research on RBF neural network direct generalized ??predictive control for multiple nonlinear system 　　LI Gui-qiu??1,CHEN Zhi-wang??2 　　(1.Changzhou Institute of Mechtronic Technology, Changzhou Jiangsu 213164, China;2.Key Lab of Industrial Computer Control Engineering of Hebei Province in Yanshan University, Qinhuangdao Hebei 066004, China)??Abstract:For avoiding resolving Diophantine function and inverse matrix in order to improve the real-time ability of the algorithm, 　　presented radial basis function(RBF) neural network direct GPC for a kind of multi-input multi-output(MIMO)nonlinear system with unknown parameters.It turned the MIMO nonlinear system into a MIMO time-varying linear system, then used RBF neural network to approximate the function of control increment, and adjusted the controller parameters vectors adaptively based on tracking error.It proved that the proposed method could make the tracking error converge to a small neighborhood of the origin.Simulation results demonstrate the effectiveness of this method. 　　Key words:MIMO nonlinear system;adaptive control;generalized predictive control(GPC);RBF neural network 　　0 引言 　　Clarke等人[1]在保留最小方差自校正的在线辨识、输出预测的基础上,吸取现代控制理论中的优化思想,提出了广义预测控制算法。该算法利用对象的实际输出和已施加的输入对模型参数实时进行在线辨识与校正,可以有效地克服系统滞后且具有较强的鲁棒性。 　　 　　多变量非线性系统的建模和控制一直是控制理论中的难点问题,文献[2,3]分别将多变量广义预测控制应用于水力发电站和乙烯聚合反应控制。文献[4,5]提出对角CARIMA 模型MGPC 控制器系数的直接求解方法。该方法利用多变量对角CARIMA 模型直接递推得到简洁的MGPC控制器,避免了Diophantine方程的求解。文献[6,7]将文献[4,5]的方法推广到有约束的情况。文献[8]直接用模糊逻辑系统组成的向量设计广义预测控制器,并基于广义误差向量估计值对控制器中的未知向量和广义误差估计值中的未知矩阵进行自适应调整。然而文献[8]针对的是多变量线性系统,而实际的工业对象以非线性系统居多。文献[9]对参数未知多变量非线性系统提出一种径向基函数神经网络的