论文部分内容阅读
实际的工业生产过程中的被控系统本质上都是非线性系统，传统的控制理论对这类对象特别是具有强非线性的控制效果不是很理想。本文采用非线性模型预测控制算法解决非线性系统的控制，它是基于预测模型、滚动优化和反馈校正的一种先进计算机控制算法。非线性系统由于不具有齐次性和叠加性，使得在系统辨识和控制器设计方面往往达不到满意的效果。以非线性系统的模型预测控制算法为研究对象，围绕着其中的预测模型和滚动优化两方面进行探讨，研究一种针对实际应用对象的模型预测控制方法，要求该方法的建立预测模型训练简单、精确，以及应该具有较快的运算速度以实现系统在线滚动优化，且该算法具有较高的鲁棒性。 在非线性模型预测控制中，预测模型的精度具有很重要的作用。回声状态网络（EchoStateNetwork，ESN）作为一种新型的动态递归神经网络，能够很好的辨识非线性系统，其计算时间、数据训练和稳定性相对于传统递归神经网络有了较大进步。本文在深入分析ESN原理和算法的基础上，研究了基于ESN模型对非线性对象的辨识，并将它与BP神经网络对非线性对象的辨识做了对比研究。证明了采用ESN模型对非线性对象辨识的优越性。 本文采用粒子群优化（ParticleSwarmOptimization,PSO）算法对预测控制进行实时在线优化。研究了这种新的群体智能优化算法的基本原理，并具体分析了算法的收敛性，以及给出了该算法中参数选取方法，采用PSO算法对三个非线性的Rosenbrock、Rastrigin和Griewank目标函数在寻优时间以及寻优成功率进行了仿真实验，结果表明了该算法适用于非线性的目标函数优化，且寻优时间也较快。 在利用回声状态网络对非线性模型辨识和粒子群优化在线滚动优化的基础上，提出了一种基于ESN模型和PSO优化的非线性模型预测控制系统的算法，在理论上分析了该算法可行性，并应用于典型化工非线性对象连续搅拌反应釜（ContinuousStirredTankReactor,CSTR），通过参考轨迹阶跃变化、输出有噪声和输出有干扰情况下的仿真实验，本文研究的预测控制算法优于BP和PSO结合的非线性预测控制，以及对CSTR对象进行线性化的模型预测控制。表明了该算法运用于非线性模型预测控制中的有效性。