滞后环节普遍存在于工业生产过程中,对控制系统的性能会产生极为不利的影响,甚至引起系统闭环的不稳定或根本无法对系统进行有效的控制,因此滞后系统的建模与控制方法一直是控制领域的研究难点。由于人工神经网络具有学习能力和自适应的特点,本文将其应用于滞后系统的控制研究中。 解决滞后问题的关键是对系统未来时刻的输出做出预测,从而克服滞后环节的影响,因此采用预测控制算法非常适合解决滞后系统的控制难题。由于前馈神经网络具有逼近任意非线性函数的能力,本文选用径向基函数神经网络建立系统的预测模型。这种神经网络具有计算量小、收敛速度快、无局部极小等优点,本文针对其存在隐层节点对初始值敏感和节点数难以确定等难题,提出了全监督算法和自适应构造神经网络的算法进行改进,通过仿真表明,改进的方法能够避免上述问题,准确地反映了系统特性,有较好的收敛性和泛化能力。在此基础上,利用递推算法建立多步预测模型,对系统未来时刻的输出做出预测。为了弥补离线建模可能引起的模型误差或系统中存在的不确定性因素的影响,在线控制时对误差进行补偿。本文将广义预测控制理论用于设计控制系统,这是由于这种控制算法引入了预测时域的概念可用于滞后未知的系统。为了检验这种控制方法的有效性,本文选取化工连续搅拌釜反应过程作为被控对象进行研究,同时与基于神经网络的PID控制器的控制效果进行了对比,由仿真结果可以说明,基于径向基函数神经网络的广义预测控制方法可以很好地逼近期望输出序列,具有较强的自适应性、较好的鲁棒性和抗干扰能力。