论文部分内容阅读
摘 要：随着现代工业的飞速发展，工业系统的复杂度大幅提高，针对复杂非线性时滞系统，现有传统的预测控制技术很难实现对其控制。本文的研究目标是标是将神经网络、遗传算法、预测控制三种理论相互结合，将神经网络作为非线性系统的辨识方法，并使用遗传算法对预测控制滚动优化，以实现基于智能计算的预测控制。
关键词：预测控制；遗传算法；神经网络
本文的研究思路是针对加热炉炉温控制系统复杂的非线性、大时滞、多干扰的特性，采用基于智能计算的预测控制技术，以实现控制。首先，结合神经网络的特性，利用神经网络辨识非线性系统，构建预测模型；其次，依据遗传算法能够借助搜索机制的随机性实现对搜索问题域全局最优解的特点，采用遗传算法来实现滚动优化；再此基础上，通过对预测控制、神经网络、预测算法组合成为一个优良的控制方案；以加热炉燃料气流量为控制对象，加热炉的出口温度为被控对象，用MATLAB软件进行仿真，求证本文基于智能计算预测控制的良好控制性能，通过本文深入研究预测控制理论，并将其应用在解决非线性时滞系统的建模及控制等问题上，对实际工业生产具有重要的理论价值和现实意义。
一、 加热炉炉温影响因素
对加热炉系统炉温控制相对较难，为了实现对加热炉系统炉温的稳定控制，首先应考虑影响加热炉炉温的因素。影响加热炉炉温的因素主要有一下四个方面。
（1） 燃料气流量的影响；（2） 加热炉炉膛压力的影响；（3） 空燃比变化的影；（4） 产量波动的影响
二、加热炉预测控制方案
如图1，利用离线数据对神经网络预测模型进行训练，使其逐渐趋向实际对象，即加热炉炉温；用反馈校正环节来校正与的误差；用炉温优化控制器优化预测模型参数，并根据与的差计算最优控制量，修正预测模型，以提高炉温预测模型的预测精度，实现对加热炉炉温的预测控制。
三、加热炉预测控制模型
式（5）乘以权值，得到输出层的输入：
经计算得到输出层的输出为：
利用神经网络进行建模的本质就是，将系统的输入输出关系反映在神经网络的连接权值上，使训练好的神经网络的输出逼近实际的输出。
2. 加热炉神经网络预测控制模型（NNP）
在对加热炉炉温控制系统建模时，由于加热炉是分布式参数系统，故需对其进行分段建模。由于BP神经网络具有多种优点，故本文在建立加热炉炉温预测控制系统时，采用的三层BP神经网络对被控对象的进行建模，实现对炉温的控制。本文通过神经网络建立了燃料流量gas与炉温之间的模型。
煤气流量gas与炉温T的关系可由下式表示：
式中， 为模型预测的炉温； 为白噪声；T（k）为k时刻的炉温；na，nb分别为系统的输入输出阶次；gas（k）表示k时刻的煤气流量； 为非线性函数，且 。
三层BP神经网络建立的炉温预测模型结构图如图3所示。
网络训练的样本为：k时刻以及k时刻以前的系统T及gas；
网络的输入为：
网络的输出为：
2. 遗传算法优化控制参数
神经网络预测控制中，有下述参数需要提前设定—— 、n、NNC与NNP的初始权值与学习参数。因此考虑使用GA事先对这些参数的取值进行优化。
（1） 决策变量：柔化系数 、预测时域n、NNC与NNP的初始权值与学习参数。
（2） 目标函数：目标函数
（公式22）
式中，e（t）为系统误差；超调量ey（t）=y（t）-y（t-1），y（t）为被控对象输出；u（t）为控制器输出；tu为上升时间；w1～w4为权值。
（3） 个体适应度：通过分析可知，个体的适应度函数为目标函数的倒数，即
通过运用遗传算法，来优化预测控制模型的控制参数，从而调整神经网络预测模型的相关参数，使预测模型更加真实的逼近实际控制对象模型。
五、 加热炉预测控制系统仿真
1. 预测模型结构
用濾波后的数据建立加热炉炉温预测模型。通过收集整理数据信息，共选取260组样本，其中180组作为训练样本，剩余的全部作为测试样本。
在用训练样本数据对神经网络预测控制模型NNP训练之前，应将训练样本数据统一归一化处理，以防止数据的选取不当而造成神经网络不能收敛的问题。故本文用 公式归一化样本数据，然后用学习率可变的动量BP算法修正神经网络的权值和阈值。
算法中釆用的是标准Sigmoid函数，动量系数mc=0.9，学习减小系数lr_dec=0.65，学习率增长系数lr_inc= 1.35，学习率lr=0.01，最大误差max_perf_inc=1.040，训练步数epochs= 10000。对于隐层节点的选取，可取范围在[4，13]之间。
由于隐层节点的选取是在某一范围内，故本文对不同隐层节点数神经模型仿真分析，结果如下图所示。
采用如下公式：
式中：E（error）、D（error）分别为预测误差的平均值、均方差。便能检验出实测数据与预测结果的拟合程度。
经过多次仿真，分析对比多次MATLAB计算结果，可以发现当隐层节点为9时炉温预测误差值最小，故本文采用5-9-1结构的预测模型。
在得出预测模型后，通过反馈校正环节提高模型的预测精度，由于本系统的预测误差要求在以内，所以可用一级反馈校正环节校正模型。
2. 优化控制器
优化控制器为： ，选取na=2，nb=3。所以炉温优化控制器可用下面式子表示：
选用整理好的训练样本数据对进行离线训练，经过仿真分析，本文建立了6-14-1 BP网络结构的优化控制器。仿真结果分析图如图5所示。
通过分析图5可知，所设计的优化控制器能满足系统的要求。
3. 系统仿真
经过前文的分析可知，本文建立预测模型后，用炉温优化控制器对模型进行反馈校正，进而得出加热炉炉温预测控制系统。
为检验本文方案的可行性，需进行仿真验证。假设给定温度为，通过Matlab多次仿真，其仿真结果如图6，图7所示。
通过对比上述仿真图可知，被控对象能够很好的实现对参考轨迹的跟踪，并且控制效果较好。
通过多次仿真分析，验证了本文所设计方案的可行性，仿真结果表明，基于智能计算的预测控制方案是成功的，具有较强的自适应性与鲁棒性，明显优于传统的控制方案。
关键词：预测控制；遗传算法；神经网络
本文的研究思路是针对加热炉炉温控制系统复杂的非线性、大时滞、多干扰的特性，采用基于智能计算的预测控制技术，以实现控制。首先，结合神经网络的特性，利用神经网络辨识非线性系统，构建预测模型；其次，依据遗传算法能够借助搜索机制的随机性实现对搜索问题域全局最优解的特点，采用遗传算法来实现滚动优化；再此基础上，通过对预测控制、神经网络、预测算法组合成为一个优良的控制方案；以加热炉燃料气流量为控制对象，加热炉的出口温度为被控对象，用MATLAB软件进行仿真，求证本文基于智能计算预测控制的良好控制性能，通过本文深入研究预测控制理论，并将其应用在解决非线性时滞系统的建模及控制等问题上，对实际工业生产具有重要的理论价值和现实意义。
一、 加热炉炉温影响因素
对加热炉系统炉温控制相对较难，为了实现对加热炉系统炉温的稳定控制，首先应考虑影响加热炉炉温的因素。影响加热炉炉温的因素主要有一下四个方面。
（1） 燃料气流量的影响；（2） 加热炉炉膛压力的影响；（3） 空燃比变化的影；（4） 产量波动的影响
二、加热炉预测控制方案
如图1，利用离线数据对神经网络预测模型进行训练，使其逐渐趋向实际对象，即加热炉炉温；用反馈校正环节来校正与的误差；用炉温优化控制器优化预测模型参数，并根据与的差计算最优控制量，修正预测模型，以提高炉温预测模型的预测精度，实现对加热炉炉温的预测控制。
三、加热炉预测控制模型
式（5）乘以权值，得到输出层的输入：
经计算得到输出层的输出为：
利用神经网络进行建模的本质就是，将系统的输入输出关系反映在神经网络的连接权值上，使训练好的神经网络的输出逼近实际的输出。
2. 加热炉神经网络预测控制模型（NNP）
在对加热炉炉温控制系统建模时，由于加热炉是分布式参数系统，故需对其进行分段建模。由于BP神经网络具有多种优点，故本文在建立加热炉炉温预测控制系统时，采用的三层BP神经网络对被控对象的进行建模，实现对炉温的控制。本文通过神经网络建立了燃料流量gas与炉温之间的模型。
煤气流量gas与炉温T的关系可由下式表示：
式中， 为模型预测的炉温； 为白噪声；T（k）为k时刻的炉温；na，nb分别为系统的输入输出阶次；gas（k）表示k时刻的煤气流量； 为非线性函数，且 。
三层BP神经网络建立的炉温预测模型结构图如图3所示。
网络训练的样本为：k时刻以及k时刻以前的系统T及gas；
网络的输入为：
网络的输出为：
2. 遗传算法优化控制参数
神经网络预测控制中，有下述参数需要提前设定—— 、n、NNC与NNP的初始权值与学习参数。因此考虑使用GA事先对这些参数的取值进行优化。
（1） 决策变量：柔化系数 、预测时域n、NNC与NNP的初始权值与学习参数。
（2） 目标函数：目标函数
（公式22）
式中，e（t）为系统误差；超调量ey（t）=y（t）-y（t-1），y（t）为被控对象输出；u（t）为控制器输出；tu为上升时间；w1～w4为权值。
（3） 个体适应度：通过分析可知，个体的适应度函数为目标函数的倒数，即
通过运用遗传算法，来优化预测控制模型的控制参数，从而调整神经网络预测模型的相关参数，使预测模型更加真实的逼近实际控制对象模型。
五、 加热炉预测控制系统仿真
1. 预测模型结构
用濾波后的数据建立加热炉炉温预测模型。通过收集整理数据信息，共选取260组样本，其中180组作为训练样本，剩余的全部作为测试样本。
在用训练样本数据对神经网络预测控制模型NNP训练之前，应将训练样本数据统一归一化处理，以防止数据的选取不当而造成神经网络不能收敛的问题。故本文用 公式归一化样本数据，然后用学习率可变的动量BP算法修正神经网络的权值和阈值。
算法中釆用的是标准Sigmoid函数，动量系数mc=0.9，学习减小系数lr_dec=0.65，学习率增长系数lr_inc= 1.35，学习率lr=0.01，最大误差max_perf_inc=1.040，训练步数epochs= 10000。对于隐层节点的选取，可取范围在[4，13]之间。
由于隐层节点的选取是在某一范围内，故本文对不同隐层节点数神经模型仿真分析，结果如下图所示。
采用如下公式：
式中：E（error）、D（error）分别为预测误差的平均值、均方差。便能检验出实测数据与预测结果的拟合程度。
经过多次仿真，分析对比多次MATLAB计算结果，可以发现当隐层节点为9时炉温预测误差值最小，故本文采用5-9-1结构的预测模型。
在得出预测模型后，通过反馈校正环节提高模型的预测精度，由于本系统的预测误差要求在以内，所以可用一级反馈校正环节校正模型。
2. 优化控制器
优化控制器为： ，选取na=2，nb=3。所以炉温优化控制器可用下面式子表示：
选用整理好的训练样本数据对进行离线训练，经过仿真分析，本文建立了6-14-1 BP网络结构的优化控制器。仿真结果分析图如图5所示。
通过分析图5可知，所设计的优化控制器能满足系统的要求。
3. 系统仿真
经过前文的分析可知，本文建立预测模型后，用炉温优化控制器对模型进行反馈校正，进而得出加热炉炉温预测控制系统。
为检验本文方案的可行性，需进行仿真验证。假设给定温度为，通过Matlab多次仿真，其仿真结果如图6，图7所示。
通过对比上述仿真图可知，被控对象能够很好的实现对参考轨迹的跟踪，并且控制效果较好。
通过多次仿真分析，验证了本文所设计方案的可行性，仿真结果表明，基于智能计算的预测控制方案是成功的，具有较强的自适应性与鲁棒性，明显优于传统的控制方案。