神经网络模型预测控制器.pptVIP

2021/9/12 * 这个结果与[1]中一致,即当用于逼近MPC策略时网络的大小也为11。同时,表1也表明了用一个非线性MPC的结果。MPC策略的预测和控制范围为N=20步。 为了避免局部收敛特性,需要用不同初始点来优化网络的权值。在本例中没有遇到局部最优化值的问题。一般来说,网络权值在第400-500代时就已收敛。所需要的代数与优化MPC策略中神经网络的代数相同[1],且用相同的数据点。然而,当对每一代的轨迹（10）和联想代价（11）进行评估时,用于训练的计算量将比直接逼近要重。从另一个方面说,直接逼近方法在每个数据进行优化MPC控制时所需要的计算量,大体上比以前要重。 2021/9/12 * 应用神经网络控制器和优化MPC策略得到的闭环响应如果图1所示,图2表明了当有一个可测量的白躁声时的响应。注意到图1和图2的设定值是在每个训练数据处都是不同的,为了测试神经网络控制器的性能,在达到一个新的稳定之前改变设定值,响应如图3所示,表明了神经网络控制器的性能很好。 图4为阶跃扰动d（k）在不同稳定值pH处的响应,阶跃变化在时刻k=75处从10到11变化然后又在时刻k=325变回10。在仿真中可测躁声的表示一样。注意到扰动d（k）对于控制器是未知的,神经网络控制器不能用阶跃扰动来训练。稳定状态偏移量的限制根据条件来确定[1]。 2021/9/12 * 仿真结果表明神经网络控制器对于不同类型的扰动都能达到一个近似优化控制的性能。同时注意到神经网络控制器在每段采样数据中仅仅需要238步,这比模型预测控制的平均操作步骤要少0.1%,这个结构与文献[1]中一致。 2021/9/12 * 2021/9/12 * 2021/9/12 * 2021/9/12 * 2021/9/12 * 例2 在这个例子中,同时对集中型和分散型神经网络模型预测控制器进行了仿真,仿真的对象为一个多层非等温连续水箱反应器[8]。过程包括反应物A,期望的产物B,同样还有产物C和D。反应器的模型用四个微分方程表示: 2021/9/12 * 反应系数根据Arrhenius方程确定: 模型参数的数值如表2所示。 2021/9/12 * 控制的目标是操作原料的流速 和吸热的速度 来控制浓度 和反应器温度 浓度和反应器温度可以通过检测得到, 原料的浓度 和原料温度 作为扰动,分别为5.1mol/l,130℃。原料流速 的范围为 吸热的速度 的范围为 用一个欧拉近似值形式的离散系统表示法来对模型（22）进行离散化, 采样时间为20s。控制器的输出为 输入为 将分散型和集中型的神经网络控制器应用在反应器系统中,训练的数据用例1中 的方式模拟产生,输出和设定值的范围为: 对于每个初始稳定状态,选取8个设定值: 2021/9/12 * 剔除落在范围外的数据,这样就有84个初始状态。预测范围的长度设为N=60步。 对于扰动抑制,训练数据由如下构成: 参考信号 初始状态对稳定状态 用四个相等的空间值作为设定值,这样可以得到64个初始状态。预测范围的 长度为N=25。因此训练集中初始状态的总数为M=148,训练数据点总数为6640。 测试数据集包括四个设定的在0.85与0.95之间变化, （如图5-7所示）, 网络的大小与例1一样。 2021/9/12 * 2021/9/12 * 2021/9/12 * 被辨识参考模型的输出作为一阶系统,且有单位增益和一个位于0.8的极点。在集中控制器中,控制器方程如下所示: 以多变量系统为例,神经网络控制器的训练比例1中SISO系统的要复杂,实际上,神经网络权值的优化可能会陷入局部最优值。为了避免这点,在优化的开始时用随机初始值。 2021/9/12 * 在多变量系统中,权值幅值的选择对神经网络的训练有着明显的影响,基于相同权值的优化模型预测控制器对于所有输出都能获得好的控制性能,对于输入也是如此。对于一个神经网络控制器的代价函数的权值集都可以通过第3节中的方法得到好的训练,如图5所示,显示了一个用优化MPC策略得到的闭环响应,最优神经网络逼近器中的代价函数的权值矩阵如下式如示: 2021/9/12 * 从上式可以看出第一个输出对代价函数的贡献比第二个输出要小,通常主要控制第二个输出,而第一个输出则较少控制。从而可以得到第一个输出的权值应为递增的。输入的分析与此类似。 基于权值矩阵的控制器如下: 对于这些权值,每个输出（输入）对于代价函数的贡献都是相同的。 2021/9/12 * 当用方程（24）的控制器输入数据为测试数据时所得到的最优性能的神经网络的隐含层均含有4个神经元,权值为78。训练数据的代价值为2336而测试数据的代价为128.3,同时,优化模型预测控制器的训练代价为1719,而测试代价为125.8。神经网络控制