基于模糊与神经网络的预测控制应用研究

摘 要
预测控制是20世纪70年代中后期在欧美工业领域内出现的，它是在新型计算机控制算法基础上发展起来的，是一种基于模型的先进控制技术,亦称为模型预测控制(MPC-model predictive control)。预测控制的主要特点是：预测模型的多样性，滚动优化的时序性，在线校正的适应性和工业过程的实用性。预测控制作为一种面向复杂系统的控制策略，一开始就受到国内外控制界众多学者的重视，并在理论研究和实际应用方面均取得了不少成果。但系统的模型都是线性的。然而，大多数的工业对象都是非线性，由于模型的精确度在预测控制中起到非常重要的作用，对于这些对象如果用线性预测控制方法来设计系统，是行不通的，必须对系统进行非线性建模。
神经网络能够充分逼近复杂的非线性映射关系，能够学习和适应不确定系统的动态特性，具有较强的鲁棒性和容错性。神经网络的这些特点使其成为非线性系统建模与控制的重要方法，将其运用到预测控制当中，则可提高和完善预测控制在非线性系统控制中的控制性能。而模糊控制本身就属于非线性控制，适合于非线性系统，无需建立被控系统的数学模型，发挥前者任意逼近非线性函数，以及后者对系统参数变化有较强的适应能力的特点，将它们有机的结合起来，取长补短，形成优势互补，可以更好的解决纯滞后系统的控制问题。
智能预测控制是近几年研究的一个热点，它是针对复杂的受控对象，采用某种智能控制策略与典型的预测控制算法相结合构成的一类智能预测控制系统，它弥补了单纯预测控制算法在性能上精度不高、仅适用于线性系统、缺乏自学习与自组织功能和鲁棒性不强的缺陷，达到了日益提高控制性能的目的。这类智能预测控制，目前多数在:①建立智能预测模型。②构成高层采用智能控制策略，低层为预测控制算法的多层结构控制系统这两方面展开研究。
本论文主要研究了用RBF神经网络作为预测辨识的辨识模型，并且在此基础上应用RBF神经网络实施预测控制的滚动优化，及其对模糊控制器进行了优化设计。
本论文的研究主要取得了以下几个方面的成果：
1. 在预测辨识的辨识模型方面，采用动态节点生成构造性神经网络学习算法来实现。该算法在神经网络隐层引入新节点，并通过使新节点的输出方向尽力逼近学习残差的方向获取网络参数，从而减少学习误差。
2. 由于预测控制采用以大范围输出预测为基础的在线滚动优化控制策略，使得预测控制闭环输入输出方程非常复杂，难以给出设计参数变化的选择准则。为了解决以上问题，而采用一维搜索法—黄金分割法，不用求解偏微分方程以及大规模动态规划问题，而且保证较快的收敛速度，计算简便。
3. 由于大时滞的存在，使得被控量不能及时反映系统所承受的扰动，会产生明显的超调,系统的输出与期望输出有一定的误差，当用常规的模糊控制器来设计预测系统时，由于对模糊控制器的输入输出量进行量化取整，这样就带来了稳态误差，用带优化修正函数的模糊控制器代替传统的模糊控制器，并在此基础上作了改进，取消原先的量化取整运算，即不对模糊控制器的输入输出量进行量化取整，这样就从本质上消除了因模糊控制器量化取整带来的稳态误差。
本论文的研究结果进一步表明了智能预测控制方法的优势，使其对复杂工业过程具有更强的可适应性。

关键词：预测控制，神经网络，RBF神经网络，模糊控制，模糊控制器，黄金分割法
目 录
1 绪论…………………………………………………………………….1
1.1 引言………………………………………………………………..1
1.2 预测控制的机理与特征……………………………………………2
1.2.1 预测控制的基本思想…………………………………………2
1.2.2 预测控制的基本特征…………………………………………3
1.3 预测控制的研究概况………………………………………………6
1.3.1 预测控制基本算法的发展……………………………………6
1.3.2 自适应模型预测控制…………………………………………7
1.3.3 预测函数控制…………………………………………………8
1.3.4 非线性模型预测控制…………………………………………8
1.4 预测控制的发展现状…………………………………………….8
1.4.1 智能预测控制…………………………………………………9
1.4.2 非线性预测控制…………………………………………….10
1.5 预测控制方法的工业应用及其今后的发展方向……………….10
1.6 本论文的主要工作……………………………………………….11
2 神经网络………………………………………………………………13
2.1引言……………………………………………………………….13
2.2 神经网络的发展与现状………………………………………..13
2.2.1 神经网络的发展…………………………………………….14
2.2.2 神经网络的特点及其用于控制的优越性………………….15
2.3 神经网络的结构与类型………………………………………….16
2.4 RBF神经网络的基本结构及数学模型…………………….…….18
2.4.1 RBF神经网络的基本学习算法………………………………20
2.4.2 RBF神经网络的先进学习算法………………………………20
2.4.3 改进的RBF网络学习算法………………………………….22
2.5 RBF网络的泛化能力…………………………………………….27
3 模糊控制器的设计…………………………………………………… 28
3.1 引言……………………………………………………………….28
3.2 模糊控制的发展与和现状……………………………………….28
3.3 模糊控制基本原理……………………………………………….29
3.3.1 模糊控制基本结构和组成………………………………….29
3.3.2 模糊控制基本原理………………………………………….30
3.4 基本模糊控制器………………………………………………….31
3.4.1 模糊控制器的基本结构…………………………………….31
3.4.2 模糊控制器的规则设计…………………………………….32
3.5 改进的模糊控制器的设计……………………………………….34
3.5.1改进的模糊控制器的设计原则………………………………35
3.5.2改进的模糊控制器设计………………………………………36
3.5.3仿真研究………………………………………………………37
3.6 结论……………………………………………………………….38
4 基于模糊与神经网络的预测控制应用研究…………………………39
4.1 引言……………………………………………………………….39
4.2 神经网络的建模………………………………………………….39
4.2.1 神经网络辨识的内涵……………………………………….39
4.2.2 非线性系统的辨识模型…………………………………….40
4.3 滚动优化…………………………………………………………..42
4.3.1 滚动优化和传统的最优控制的区别……………………….43
4.3.2 黄金分割法………………………………………………….45
4.3.3 优化控制器的设计………………………………………….47
4.4 基于模糊与神经网络的预测控制的研究…………………….50
4.4.1 系统的结构 …………………………………………………50
4.4.2 仿真研究 ……………………………………………………52
4.5 结 论…………………………………………………………….53
5 结束语…………………………………………………………………54
参考文献…………………………………………………………………56
致谢………………………………………………………………………60
攻读学位期间发表的学术论文目录……………………………………61