论文部分内容阅读
由于实际的化工过程作为具有高度复杂性和高度不确定性的非线性对象,很难获得其精确的机理模型。因此,基于神经网络(Neural Networks,NNs)和模糊逻辑系统(Fuzzy Logic System,FLS)等计算智能方法的非线性动态辨识模型以及实现基于计算智能方法的自适应控制器的在线控制,在化工过程辨识与控制中发挥着重要作用。极限学习机(Extreme Learning Machine,ELM)的本质是一种单隐层前馈神经网络(Single-hidden Layer Feedforward Neural Networks,SLFNs),由于该方法仅需调整网络的输出层权值,极大地提高了网络的学习速度和泛化能力,避免了采用梯度下降法的神经网络易陷入局部极小的风险。鉴于此,ELM网络理应作为计算智能方法的有利候选者。针对强非线性化工过程,本文研究了基于ELM的化工过程的模型辨识与自适应控制方法。论文的主要研究有如下几个方面:(1)研究ELM网络的基本结构以及其离线和在线训练算法。将ELM网络结合非线性自回归模型结构(Nonlinear Auto Regressive with exogenous inputs,NARX),针对模型未知的强非线性连续搅拌反应釜(Continuous Stirred Tank Reactor,CSTR)过程和具有严重非线性和大滞后特点的pH酸碱中和过程这两个典型的化工过程,分别给出了基于NARX-ELM网络的离线辨识方法和基于NARX-在线极限学习机(Online Sequential Extreme Learning Machine,OSELM)的在线辨识方法,以及为了提高网络泛化性能给出的基于NARX-正则化ELM的离线辨识方法。在相同实验条件下,对ELM的离线和在线辨识方法做出了对比分析。(2)在正则化ELM的基础上研究了当ELM的特征映射函数h(x)未知时,引入核矩阵的核极限学习机(Extreme Learning Machine with Kernel,KELM)的基本结构及其训练算法。分别针对CSTR过程和p H酸碱中和过程,给出了基于两种不同类型核函数的NARX-KELM网络辨识方法,并讨论了选取两种不同核函数时对系统辨识性能的影响。在相同实验条件下,将NARX-KELM方法与NARX-ELM方法、NARX-正则化ELM方法、NARX-OSELM方法以及已有文献中的方法进行比较,实验结果表明NARX-KELM网络能够更有效地反映出系统的动态性能,具有更小的辨识误差。(3)针对CSTR非线性化工过程,将其转换为一类不确定性纯反馈非仿射非线性动力学系统,提出基于ELM网络的Backstepping自适应神经控制方法。在所提出方法的每一步Backstepping设计中,应用ELM网络对子系统的未知非线性项进行在线逼近,通过Lyapunov稳定性分析设计的权值参数自适应调节律,可以保证闭环非线性系统所有信号半全局最终一致有界,系统的输出收敛于期望轨迹的很小邻域内。仿真结果表明了控制方法的有效性。