基于一种集成模型的多变量非线性预测控制.docVIP

基于一种集成模型的多变量非线性预测控制 　　摘要： 提出了一种由人工神经网络与线性ARX模型相结合的集成模型，给出了其辨识训练方法.以此模型为基础，提出了一种多变量非线性预测控制算法.它利用线性预测控制的成果，得到一解析式的非线性优化控制输入，避免了通常非线性模型(包括普通人工神经网络模型)预测控制所需的在线数值寻优计算，节约了在线计算时间，提高了算法的可靠性和稳定性.进一步给出了在CSTR反应器上的仿真实验结果. 　　关键词： 预测控制； 多变量非线性系统； 人工神经网络； 集成模型； CSTR反应器 Multivariable Nonlinear Predictive Control Based on an Integrating Model Huang Daoping,　Zhu Xuefeng　and　Zhou Qijie (Department of Automatic Control Engineering,South China University of Technology*Guangzhou,510640,P.R.China) 　　Abstract: An integrating model combining the artificial neura l network with the linear ARX model and its identification method is proposed.Based on that model,a multivariable nonlinear predictive control algorithm is persented.The algorithm employs the result of the linear predictive control,obtains explicit nonlinear optimal controlling inputs and doesn’t need on-line numerical optimizing which is necessary in general nonlinear model (including ANN model) predictive control.That greatly decreases on-line computing consumption,strengthens the reliability of the algorithm and the stability of the system.The simulation results in CSTR are shown. 　　Key words: predictive control; multivariable nonlinear system; A NN; integrating model; CSTR 1　引言(Introduction) 　　预测控制(Model Predictive Control,简称MPC)是目前工业过程控制中最具生命力的控制算法之一.初期的预测控制是基于线性模型的线性预测控制，后来又发展了非线性预测控制(Nonlinear Model Predictive Control,简称NMPC)［1,2］.在NMPC中，采用一个非线性模型来预测过程未来之输出，在每个采样时刻，通过求解一非线性规划问题来对输入量、状态变量及输出量进行约束.然而，在实际应用中，这类算法由于本身的在线寻优迭代性质，使得计算时间相当长，而且在理论上尚未解决诸如收敛性、闭环系统稳定性等问题.本文提出一种将人工神经网络DLF网络(Direct Linear Feedthrough)模型［3,4］与多变量线性ARX模型相结合的集成模型，它可以描述大部分多变量非线性过程.以此模型为基础，提出了一种多变量非线性预测控制算法.此算法利用线性预测控制的成果，不需要在线数值寻优、计算量小.在CSTR反应器上的仿真实验表明了此算法的有效性和实用性. 2　一种集成模型的结构及辨识训练方法(Architectur e and identification training method of an integrating model) 2.1　集成模型的结构(Architecture of an integrating model) 　　此集成模型结构如图1所示，由两大部分组成：非线性静态DLF网络和动态线性ARX模型.DLF网络［3，4］与BP网络的唯一差别在于其输入层和输出层之间的直接联系，即输入层的每个神经元均与输出层相互联结.整个集成模型可由下面式(1)，(2)描述. 图1 一种（多变量非线性）集成模型的结构 Fig.1 Archi