几种非线性控制算法的比较及控制实验测试
|
摘要
目前,以PID控制为代表的传统控制算法以及以近几十年来发展起来的预测控制算法为代表的先进控制算法无论是在理论上还是实际工业应用中都已经非常成熟。并且这些算法从产生开始就是针对线性被控对象的一类算法,我们可以通称其为线性控制算法。然而,实际的被控系统几乎全都是非线性的,只是它们的非线性有强有弱。对于那些非线性较弱的被控对象,我们可以把它们看成线性系统来进行控制。但是好多被控对象的非线性都比较强,我们再把它们近似看成线性系统来处理,就已经达不到我们的要求了。况且好多时候我们对一些控制的要求比较高,面对这种现实,线性控制算法已经显得力不从心了。
鉴于线性控制算法面临的这些困难,非线性控制算法的研究近些年来已经成为控制领域内的一个热点,本论文就是针对非线性控制算法展开的。并且在本文中,内容的重点就是针对几种非线性控制算法的建模问题展开的。因为,对于非线性控制算法,一个良好反映被控对象特性的模型是控制算法实施的基础。其次,针对神经网络对非线性系统具有良好的逼近特性及其具有自学习的特点,介绍了两种最常见神经网络的辨识算法。并在此基础上,介绍了三种神经网络在非线性控制领域内的应用。在第三章中,介绍了一类实验模型,重点对它们之中最常用的两种Wiener模型和Hammerstein模型进行了简单介绍。并针对Hammerstein模型,提出了一种基于Hammerstein模型的非线性预测控制算法,并对算法在一个pH中和过程上进行仿真,验证了该算法的有效性。本论文的最后一部分是过程控制实验的研究。首先是通过OPC技术实现了MATLAB和组态软件的数据通讯,建立了一个在MATLAB的M文件中编写控制算法,实现对A3000过程实验装置控制的平台。在此基础上,实现前面研究的几种非线性控制算法对控制装置上的非线性单容水箱的液位控制,检验这些算法在实际过程控制系统中的控制效果。
At present, the traditional control algorithms represented by the PID control and the advanced control algorithms represented by the MPC control algorithm which develops in recent decades have been very mature both in theory and practical industrial applications. These algorithms are aimed at linear control process from the beginning of their emergence,so they are called linear control algorithm. However, almost all the actual controlled process are nonlinear, and the only difference between them is that the degree of nonlinearity is strong or weak. For those wake nonlinear object, we can deal with them as linear systems. But when the nonlinear is very strong, the measure mentioned above is short of out request. More over, most of the time we have a high control demand. In face of this condition, linear control algorithm has been outstripping.
In view of the difficulties of the linear control algorithm, nonlinear control algorithm has become a hot topic in the control field in recent years, and this article will pay much attention to it. And in this article, the focus of the content is about modeling for several nonlinear control algorithms, because a good model that can reflect the characteristics of the control process is the foundation of control algorithm implication .Neural network has good approximation properties for nonlinear system and the characteristics of self-learning, so this paper introduces two most common neural network identification algorithm, and on the basis, this article describes three kinds of application for neural network in the field of nonlinear process control. In third chapter, we introduce a class of experiment model, focusing on the most common two of them—Hammerstein model and Wiener model. Beside, in this part we put forward a kind of nonlinear model predictive control algorithm based on Hammerstein model, and the algorithm will be simulated in a pH process to verify the effectiveness of the algorithm. The last part of the thesis is about experiment studies of process control. So in order to realize that, we must actualize the data communication between MATLAB and configuration software through the OPC technology, we can establish such a platform via this way, in which the control algorithm can realize process control of a A3000 experiment system. On this basis above, we achieve the control experiment studies of the previous several non-linear control algorithm aimed at a nonlinear single-tank, which can verify these algorithms’efficiency in the actual process control system.
鉴于线性控制算法面临的这些困难,非线性控制算法的研究近些年来已经成为控制领域内的一个热点,本论文就是针对非线性控制算法展开的。并且在本文中,内容的重点就是针对几种非线性控制算法的建模问题展开的。因为,对于非线性控制算法,一个良好反映被控对象特性的模型是控制算法实施的基础。其次,针对神经网络对非线性系统具有良好的逼近特性及其具有自学习的特点,介绍了两种最常见神经网络的辨识算法。并在此基础上,介绍了三种神经网络在非线性控制领域内的应用。在第三章中,介绍了一类实验模型,重点对它们之中最常用的两种Wiener模型和Hammerstein模型进行了简单介绍。并针对Hammerstein模型,提出了一种基于Hammerstein模型的非线性预测控制算法,并对算法在一个pH中和过程上进行仿真,验证了该算法的有效性。本论文的最后一部分是过程控制实验的研究。首先是通过OPC技术实现了MATLAB和组态软件的数据通讯,建立了一个在MATLAB的M文件中编写控制算法,实现对A3000过程实验装置控制的平台。在此基础上,实现前面研究的几种非线性控制算法对控制装置上的非线性单容水箱的液位控制,检验这些算法在实际过程控制系统中的控制效果。
At present, the traditional control algorithms represented by the PID control and the advanced control algorithms represented by the MPC control algorithm which develops in recent decades have been very mature both in theory and practical industrial applications. These algorithms are aimed at linear control process from the beginning of their emergence,so they are called linear control algorithm. However, almost all the actual controlled process are nonlinear, and the only difference between them is that the degree of nonlinearity is strong or weak. For those wake nonlinear object, we can deal with them as linear systems. But when the nonlinear is very strong, the measure mentioned above is short of out request. More over, most of the time we have a high control demand. In face of this condition, linear control algorithm has been outstripping.
In view of the difficulties of the linear control algorithm, nonlinear control algorithm has become a hot topic in the control field in recent years, and this article will pay much attention to it. And in this article, the focus of the content is about modeling for several nonlinear control algorithms, because a good model that can reflect the characteristics of the control process is the foundation of control algorithm implication .Neural network has good approximation properties for nonlinear system and the characteristics of self-learning, so this paper introduces two most common neural network identification algorithm, and on the basis, this article describes three kinds of application for neural network in the field of nonlinear process control. In third chapter, we introduce a class of experiment model, focusing on the most common two of them—Hammerstein model and Wiener model. Beside, in this part we put forward a kind of nonlinear model predictive control algorithm based on Hammerstein model, and the algorithm will be simulated in a pH process to verify the effectiveness of the algorithm. The last part of the thesis is about experiment studies of process control. So in order to realize that, we must actualize the data communication between MATLAB and configuration software through the OPC technology, we can establish such a platform via this way, in which the control algorithm can realize process control of a A3000 experiment system. On this basis above, we achieve the control experiment studies of the previous several non-linear control algorithm aimed at a nonlinear single-tank, which can verify these algorithms’efficiency in the actual process control system.
引文
[1]席裕庚,预测控制[M],北京:国防工业出版社,1993
[2]舒迪前,预测控制系统及其应用[M],北京:机械工业出版社.1996
[3]陈虹等,非线性模型预测控制的现状和问题[J],控制与决策,2001(4)
[4]向维等.Hammerstein模型基于神经网络的预测控制方法(英文).中国科学院研究生院学报,2008(2)
[5]喻宗泉等,神经网络控制[M],西安电子科技大学出版社,2009
[6]魏东等,非线性系统性神经网络参数预测及控制[M],机械工业出版社,2008
[7]张国忠,智能控制系统及应用[M],中国电力出版社,2008
[8]侯媛彬,杜京义,汪梅.神经网络[M].西安电子科技大学出版社,2007.
[9]师黎,陈铁军等,智能控制实验与综合设计指导[M],清华大学出版社,2008
[10]刘金琨,先进PID控制MATLAB仿真,北京:电子工业出版社,2004
[11]李国勇,智能控制及其MATLAB实现[M],电子工业出版社,2005
[12]钱洁等,Hammerstein模型非线性模型预测控制的研究[J],微计算机信息,2008年第24卷第2期
[13]刘佳芝等,非线性Hammerstein模型的预测控制,计算机信息,2007(1)
[14]史芸,田学民,一种基于Wiener模型的非线性预测控制.江南大学学报(自然科学版)2006年第5卷第4期
[15]邹志云,非线性Hammerstein系统的预测控制及pH过程应用,计算机与应用化学,2006第23卷第2期
[16]史芸,基于H模型和W模型的非线性预测控制[D],中国石油大学(华东)硕士学位论文,2006
[17]余鹤龄,pH过程的非线性最小方差控制,计算机与现代化,1985
[18]王宇红,杨明辉,过程控制工程实验讲义,中国石油大学(华东)信息与控制工程学院,2008
[19]王献忠等,模型预测控制的发展概况[M],自动化与仪器仪表, 1999/04
[20]师黎,陈铁军等,智能控制实验与综合设计指导,清华大学出版社,2008
[21]陈德美,牛秦洲,张烈平,基于OPC的MATLABA与组态王的数据通信[J].长春工业大学学报(自然科学版). 2006, 12(4):387-390.
[22] Gence H. Design of robust constrained model-predictive controllers with Volterra series. AIChE. 1995,41(9):2098～2107.
[23]Richalet.J, Model Predictive Heuristic Control plication on Industrial process.Automatica,1978
[24]王树青,王骥程,预测控制的研究的概况[J],化工自动化及仪表-1995年6期
[25]王伟.广义预测控制理论及其应用[M],北京:科学出版社.1998
[26]李月英等,基于RBF神经网络的非线性系统的预测控制,计算机测量与控制,2006,14(3)
[27]薛福珍等,基于BP网络的一种非线性预测控制算法[J].中国科学技术大学学报,2004年第34卷第5期
[28]关圣涛,楚纪正等,粒子群优化算法在非线性预测控制中的研究应用,北京化工大学学报:自然科学版-2007年6期
[29]宋莹,陈增强,袁著祉,基于混沌优化的非线性预测控制器,控制理论与应用-2007年4期
[30]杨建军等.基于遗传算法的非线性模型预测控制方法.控制与决策,2003年第18卷第2期.
[31] D.W.Clarke.Advances in Model-Based Predictive Control.Advances in Model Predictive Control.Oxfort University Press,1999;2-21
[32] C.E..Garcia,D.M.Prett,M.Morari.Model Predictive Control:Theory and Practice A Survey.Automatic,1989,25(3);335-348
[33]丁淑艳等.基于Bp网络模型的非线性预测控制策略研究.计算机仿真,2004年第24卷第2期
[34]陆冬娜等.基于RBF神经网络的非线性模型预测控制.浙江工业大学学报,2007年第35卷第2期
[35] B.Kouvaritakis,M.Cannon ,J.A.Rossiter. Recent Development in Generalized Predictive Control for Continuous-Time Systems. Int.J.Control,1999,72(2):164-173
[36] HaiRong Sun,PengLi,LiHui zhou.A Strategy of Genera1ized Predictive Control Based on Neural Network Proceeding of the Third International Conference on Machine Learning and Cybernetics,2004,
[37]徐超,陈志刚等.预测控制技术及其发展概述.控制理论与应用,2002
[38]李书臣等.预测控制最新方法综述.系统仿真学报,2004(6)
[39]徐利宏等.预测控制的研究现状及问题.控制理论与应用-1994年1期
[40] Soeteboek R,Prediction Control;A Unified Approch Prentice hall.UK,1992
[41]武俊锋等.模型预测控制的新发展.自动化技术与应用,2004(12)
[42]苏成立,王树青.一种基于Wiener模型的非线性预测控制算法.信息与控制,2007年第36卷第1期
[43]张燕等.基于递归神经网络的多变量预测控制.南开大学学报,2006第39卷第1期
[44]邢宗义等.基于T-S模型的模糊预测控制的研究.控制与决策,2005年第20卷第5期
[45]黄越洋等.基于Bp神经网络的非线性预测控制.辽宁石油化工大学学报,2008年第28卷第1期
[46]郝立军等.广义预测控制及其在干燥塔中的应用.河北科技大学学报,2001年第3期
[47]邹陶等.多变量预测控制及其在锅炉系统中的应用.2003
[48]田学民,袁璞等,FCCU多变量预测控制及其在集散控制系统上的实现.工业控制计算机-1998年6期
[49]钟珞等,人工神经网络及其融合技术[M],科学出版社,2007
[50]袁任光,集散控制系统及其应用技术[M],机械工业出版社,2003
[2]舒迪前,预测控制系统及其应用[M],北京:机械工业出版社.1996
[3]陈虹等,非线性模型预测控制的现状和问题[J],控制与决策,2001(4)
[4]向维等.Hammerstein模型基于神经网络的预测控制方法(英文).中国科学院研究生院学报,2008(2)
[5]喻宗泉等,神经网络控制[M],西安电子科技大学出版社,2009
[6]魏东等,非线性系统性神经网络参数预测及控制[M],机械工业出版社,2008
[7]张国忠,智能控制系统及应用[M],中国电力出版社,2008
[8]侯媛彬,杜京义,汪梅.神经网络[M].西安电子科技大学出版社,2007.
[9]师黎,陈铁军等,智能控制实验与综合设计指导[M],清华大学出版社,2008
[10]刘金琨,先进PID控制MATLAB仿真,北京:电子工业出版社,2004
[11]李国勇,智能控制及其MATLAB实现[M],电子工业出版社,2005
[12]钱洁等,Hammerstein模型非线性模型预测控制的研究[J],微计算机信息,2008年第24卷第2期
[13]刘佳芝等,非线性Hammerstein模型的预测控制,计算机信息,2007(1)
[14]史芸,田学民,一种基于Wiener模型的非线性预测控制.江南大学学报(自然科学版)2006年第5卷第4期
[15]邹志云,非线性Hammerstein系统的预测控制及pH过程应用,计算机与应用化学,2006第23卷第2期
[16]史芸,基于H模型和W模型的非线性预测控制[D],中国石油大学(华东)硕士学位论文,2006
[17]余鹤龄,pH过程的非线性最小方差控制,计算机与现代化,1985
[18]王宇红,杨明辉,过程控制工程实验讲义,中国石油大学(华东)信息与控制工程学院,2008
[19]王献忠等,模型预测控制的发展概况[M],自动化与仪器仪表, 1999/04
[20]师黎,陈铁军等,智能控制实验与综合设计指导,清华大学出版社,2008
[21]陈德美,牛秦洲,张烈平,基于OPC的MATLABA与组态王的数据通信[J].长春工业大学学报(自然科学版). 2006, 12(4):387-390.
[22] Gence H. Design of robust constrained model-predictive controllers with Volterra series. AIChE. 1995,41(9):2098～2107.
[23]Richalet.J, Model Predictive Heuristic Control plication on Industrial process.Automatica,1978
[24]王树青,王骥程,预测控制的研究的概况[J],化工自动化及仪表-1995年6期
[25]王伟.广义预测控制理论及其应用[M],北京:科学出版社.1998
[26]李月英等,基于RBF神经网络的非线性系统的预测控制,计算机测量与控制,2006,14(3)
[27]薛福珍等,基于BP网络的一种非线性预测控制算法[J].中国科学技术大学学报,2004年第34卷第5期
[28]关圣涛,楚纪正等,粒子群优化算法在非线性预测控制中的研究应用,北京化工大学学报:自然科学版-2007年6期
[29]宋莹,陈增强,袁著祉,基于混沌优化的非线性预测控制器,控制理论与应用-2007年4期
[30]杨建军等.基于遗传算法的非线性模型预测控制方法.控制与决策,2003年第18卷第2期.
[31] D.W.Clarke.Advances in Model-Based Predictive Control.Advances in Model Predictive Control.Oxfort University Press,1999;2-21
[32] C.E..Garcia,D.M.Prett,M.Morari.Model Predictive Control:Theory and Practice A Survey.Automatic,1989,25(3);335-348
[33]丁淑艳等.基于Bp网络模型的非线性预测控制策略研究.计算机仿真,2004年第24卷第2期
[34]陆冬娜等.基于RBF神经网络的非线性模型预测控制.浙江工业大学学报,2007年第35卷第2期
[35] B.Kouvaritakis,M.Cannon ,J.A.Rossiter. Recent Development in Generalized Predictive Control for Continuous-Time Systems. Int.J.Control,1999,72(2):164-173
[36] HaiRong Sun,PengLi,LiHui zhou.A Strategy of Genera1ized Predictive Control Based on Neural Network Proceeding of the Third International Conference on Machine Learning and Cybernetics,2004,
[37]徐超,陈志刚等.预测控制技术及其发展概述.控制理论与应用,2002
[38]李书臣等.预测控制最新方法综述.系统仿真学报,2004(6)
[39]徐利宏等.预测控制的研究现状及问题.控制理论与应用-1994年1期
[40] Soeteboek R,Prediction Control;A Unified Approch Prentice hall.UK,1992
[41]武俊锋等.模型预测控制的新发展.自动化技术与应用,2004(12)
[42]苏成立,王树青.一种基于Wiener模型的非线性预测控制算法.信息与控制,2007年第36卷第1期
[43]张燕等.基于递归神经网络的多变量预测控制.南开大学学报,2006第39卷第1期
[44]邢宗义等.基于T-S模型的模糊预测控制的研究.控制与决策,2005年第20卷第5期
[45]黄越洋等.基于Bp神经网络的非线性预测控制.辽宁石油化工大学学报,2008年第28卷第1期
[46]郝立军等.广义预测控制及其在干燥塔中的应用.河北科技大学学报,2001年第3期
[47]邹陶等.多变量预测控制及其在锅炉系统中的应用.2003
[48]田学民,袁璞等,FCCU多变量预测控制及其在集散控制系统上的实现.工业控制计算机-1998年6期
[49]钟珞等,人工神经网络及其融合技术[M],科学出版社,2007
[50]袁任光,集散控制系统及其应用技术[M],机械工业出版社,2003