基于若干智能方法的先進(jìn)控制系統(tǒng)綜合設(shè)計(jì)研究.pdf

1、現(xiàn)實(shí)事物中絕大多數(shù)對(duì)象都是包含噪聲干擾的非線性系統(tǒng)，基于經(jīng)典控制理論、現(xiàn)代控制理論的傳統(tǒng)控制方法往往是針對(duì)線性系統(tǒng)設(shè)計(jì)的，對(duì)包含噪聲干擾的強(qiáng)非線性、復(fù)雜時(shí)變系統(tǒng)的應(yīng)用具有較大的限制。隨著人工智能技術(shù)的不斷發(fā)展，以模糊系統(tǒng)、神經(jīng)網(wǎng)絡(luò)為代表的智能產(chǎn)物顯示出對(duì)復(fù)雜非線性系統(tǒng)強(qiáng)大的處理能力，一系列基于智能控制理論及方法的控制系統(tǒng)被不斷提出和改進(jìn)，在對(duì)復(fù)雜對(duì)象的控制問題上取得了重大的突破和豐碩的成果。然而，由于各種智能產(chǎn)物的基礎(chǔ)理論發(fā)展仍不成熟，

2、在應(yīng)用各種智能控制方法時(shí)存在許多值得改進(jìn)的地方。本論文擬針對(duì)基于智能方法的先進(jìn)控制系統(tǒng)設(shè)計(jì)提出若干新的參考方法和改進(jìn)應(yīng)用方法，具體工作包括以下內(nèi)容： 1.對(duì)智能控制理論的背景及發(fā)展?fàn)顩r進(jìn)行了綜述，評(píng)述了智能控制領(lǐng)域的主要研究方法和獲得的成果，闡述了基于智能方法的控制系統(tǒng)綜合設(shè)計(jì)研究的意義和工程實(shí)用價(jià)值。 2.提出一類以模糊神經(jīng)網(wǎng)絡(luò)和PID神經(jīng)網(wǎng)絡(luò)組成的模糊神經(jīng)PID網(wǎng)絡(luò)；提出一種基于混沌優(yōu)化機(jī)制的粒子群優(yōu)化算法，設(shè)計(jì)了混

3、沌優(yōu)化與粒子群結(jié)合的兩步方案。將上述方法用于控制系統(tǒng)設(shè)計(jì)，具體構(gòu)成為：模糊神經(jīng)PID網(wǎng)絡(luò)用作控制器，優(yōu)化策略為帶混沌機(jī)制的粒子群算法離線優(yōu)化和誤差反傳算法在線調(diào)整相結(jié)合的方法；被控對(duì)象為確定性典型非線性和慣性時(shí)滯對(duì)象。 3.提出一種基于最小二乘支持向量機(jī)建模的自適應(yīng)智能PID控制系統(tǒng)?？刂葡到y(tǒng)具體構(gòu)成：控制器及其優(yōu)化算法采用模糊神經(jīng)PID網(wǎng)絡(luò)和改進(jìn)粒子群算法的方案；引入最小二乘支持向量機(jī)用于離線建模，將控制系統(tǒng)拓展到能處理具有未

4、知特性的不確定對(duì)象的控制問題。 4.提出一種基于改進(jìn)蟻群算法優(yōu)化的大時(shí)滯對(duì)象神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)。控制系統(tǒng)具體構(gòu)成：控制器采用模糊神經(jīng)PID網(wǎng)絡(luò)，其離線優(yōu)化采用一種改進(jìn)的蟻群優(yōu)化算法，在線時(shí)采用誤差反傳算法調(diào)整；利用最小二乘支持向量機(jī)辨識(shí)來獲取系統(tǒng)下一離散時(shí)間步的預(yù)估值，對(duì)不確定大時(shí)滯對(duì)象進(jìn)行離線辨識(shí)和在線辨識(shí)來處理時(shí)滯和不確定性問題。對(duì)空調(diào)房間對(duì)象進(jìn)行了控制仿真。同時(shí)，設(shè)計(jì)了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的空調(diào)系統(tǒng)模型參考自適應(yīng)控制系統(tǒng)，

5、給出了前向型神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)設(shè)計(jì)的一般性方案。 5.針對(duì)航空發(fā)動(dòng)機(jī)對(duì)象，提出一種綜合模糊推理、神經(jīng)網(wǎng)絡(luò)自適應(yīng)和PID控制各自優(yōu)點(diǎn)的控制系統(tǒng)?？刂葡到y(tǒng)具體構(gòu)成：模糊神經(jīng)PID網(wǎng)絡(luò)用作控制器，其參數(shù)優(yōu)化策略采用改進(jìn)蟻群算法離線優(yōu)化和誤差反傳在線調(diào)整的方法；最小二乘支持向量機(jī)用于系統(tǒng)的離線和在線辨識(shí)，其參數(shù)優(yōu)化選取采用交叉驗(yàn)證的方法。對(duì)某型航空發(fā)動(dòng)機(jī)設(shè)計(jì)點(diǎn)處的線性和非線性模型進(jìn)行了控制仿真。 6.針對(duì)航空發(fā)動(dòng)機(jī)加速過程的控制問

6、題，通過結(jié)合多種智能方法，提出了一種基于分類轉(zhuǎn)換策略的控制系統(tǒng)?？刂葡到y(tǒng)具體構(gòu)成：模糊神經(jīng)PID網(wǎng)絡(luò)用作控制器，提出一種改進(jìn)的量子粒子群算法離線優(yōu)化其參數(shù)；利用標(biāo)稱模型將加速過程中發(fā)動(dòng)機(jī)大范圍不確定模型劃分為若干小偏差不確定模型，作為未知控制對(duì)象；離線時(shí)利用最小二乘支持向量機(jī)結(jié)合主成分分析方法對(duì)小偏差模型進(jìn)行分類和辨識(shí)訓(xùn)練，在線時(shí)根據(jù)系統(tǒng)實(shí)時(shí)數(shù)據(jù)利用分類器自動(dòng)選擇相應(yīng)的小偏差模型，同時(shí)利用誤差反傳算法實(shí)時(shí)調(diào)整控制器參數(shù)跟蹤期望信號(hào)；分類

7、器和辨識(shí)器參數(shù)分別采用交叉驗(yàn)證和量子粒子群算法優(yōu)化選取?；枘Ｊ阶R(shí)別思想和智能神經(jīng)網(wǎng)絡(luò)控制實(shí)現(xiàn)了一種新穎的依據(jù)系統(tǒng)信息實(shí)時(shí)選擇對(duì)象模型的非線性PID控制策略。對(duì)某型航空發(fā)動(dòng)機(jī)的加速過程進(jìn)行了控制仿真。 7.研究一類系統(tǒng)參數(shù)在很大范圍內(nèi)變化的不確定對(duì)象，為克服傳統(tǒng)魯棒控制方法的保守設(shè)計(jì)缺陷并進(jìn)一步改善系統(tǒng)的性能，提出一種分類轉(zhuǎn)換控制策略：在已知系統(tǒng)參數(shù)變化上下界前提下，基于類似分段線性化的思想，將系統(tǒng)進(jìn)行分割；對(duì)于分割后的多個(gè)小偏

8、差范圍模型，利用最小二乘支持向量機(jī)結(jié)合主成分分析方法進(jìn)行分類；對(duì)每類模型分別設(shè)計(jì)滑?？刂破?，并利用一種改進(jìn)量子粒子群優(yōu)化算法離線優(yōu)化構(gòu)造近似最佳切換函數(shù)，同時(shí)利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)合誤差反傳算法在線調(diào)整切換項(xiàng)增益的方法降低系統(tǒng)的抖振；在線時(shí)根據(jù)系統(tǒng)實(shí)時(shí)數(shù)據(jù)利用分類器自動(dòng)選擇相應(yīng)的小偏差模型和滑?？刂破鳎瓿上鄳?yīng)的控制作用；為提高最小二乘支持向量機(jī)的分類及泛化性能，利用改進(jìn)量子粒子群算法優(yōu)化其懲罰因子和核參數(shù)。基于以上策略和優(yōu)化配置，對(duì)

9、控制系統(tǒng)進(jìn)行了設(shè)計(jì)與仿真。 8.針對(duì)以模糊神經(jīng)自適應(yīng)方法為核心的未知非線性系統(tǒng)控制問題，以常規(guī)靜態(tài)模糊神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)為基礎(chǔ)，分別就控制器、辨識(shí)器、優(yōu)化算法三個(gè)方面展開研究。以模糊神經(jīng)PID網(wǎng)絡(luò)作為控制器，最小二乘支持向量機(jī)為辨識(shí)器，利用改進(jìn)量子粒子群算法離線優(yōu)化控制器參數(shù)和改進(jìn)粒子群算法優(yōu)化辨識(shí)器的相關(guān)參數(shù)，最后通過對(duì)系統(tǒng)的穩(wěn)定性分析將控制系統(tǒng)逐步完善，完成對(duì)基于模糊神經(jīng)網(wǎng)絡(luò)方法的自適應(yīng)控制系統(tǒng)中各個(gè)環(huán)節(jié)的改進(jìn)。對(duì)某熱交換非線