神经网络预测控制研究和基于虚拟仪器的控制应用
|
摘要
工业生产过程广泛地存在着非线性现象，而线性预测控制难以满足非线性系统的控制要求。神经网络预测控制可以解决过程模型未知的复杂非线性系统的控制问题。所以本文研究了基于神经网络模型的预测控制的基本理论，并以酸碱中和反应的pH值控制为例实现神经网络预测控制仿真。在仿真过程中，借助Matlab和Simulink并结合S函数模块实现复杂的先进控制程序。首先研究了基于BP网、径向基函数网和小波网络的网络辨识模型，并通过仿真比较了这三种网络模型的精度和训练速度。接着采用梯度下降法求解非线性预测控制的优化问题，设计了基于小波网络模型和RBF网络模型的多步预测控制器。仿真结果表明，该控制算法实时性好，通过参数调节可使其达到较好的控制效果。
虚拟仪器代表着仪器发展的最新方向和潮流，利用虚拟仪器实现工业过程的先进控制更具有一定的实际意义。所以本文还研究了如何基于虚拟仪器实现工业过程的实时先进控制。首先介绍了虚拟仪器技术、LabVIEW软件和数据采集的基本理论，然后利用LabVIEW与Matlab混合编程方法，对酸碱中和反应的pH值进行基于神经网络模型的预测控制仿真。最后采用数据采集卡、信号调理板、LabVIEW软件和温控炉对象，设计了温控炉的控制虚拟仪器。通过LabVIEW编程和界面设计，对模型未知的温控炉进行了基于神经网络模型的预测控制。实验结果表明，可以通过调节控制器参数使控制器达到较满意的控制效果。
Nonlinear phenomena widely exist in the industry process and the linearpredictive control can’t qualify the control of the nonlinear system. Thepredictive control based on neural network model can control the complicatednonlinear systems whose models are unknown. So this paper studies the theoryof predictive control based on neural network (NN) model, and simulates thepredictive control based on neural network (NN) scheme taking example for thepH control of the neutralization process. Matlab, Simulink and the Sfunctionmodule in Simulink are used to design the complicated advanced controlprogram. Firstly, neural network identification models based on BP network,RBF network and wavelet network are researched. The simulation results provethat these predictive models using NN identification are efficient. Secondly, thegradient descent method is adopted to solve the optimal problem in thenonlinear predictive control and the multisteppredictive controllers aredesigned based on the wavelet net and RBF predictive models. The simulationresults show that this control algorithm has good real time characteristics. It cancontrol well by adjusting the parameters.
Virtual instrument represents the development direction and fashion of theinstrument. It is significant to make use of virtual instrument to implementadvanced process control. So this paper also studies how to implement the real time advanced control in process based on the virtual instrument. After thetheories of the virtual instrument technology, the LabVIEW software and thedata acquisition are researched, the predictive control based on NN is simulatedusing the hybrid programming method with LabVIEW and Matlab, takingexample for the control process of the pH in the neutralization. In the end, avirtual instrument is designed using a DAQ board, a signal processing board,LabVIEW and a temperature control stove. Through programming anddesigning of the interface in LabVIEW, the predictive control based on NN iscarried out for the temperature control stove whose model is unknown. Theresults of the control experiment show that the controller can provide goodperformance by adjusting its parameters.
虚拟仪器代表着仪器发展的最新方向和潮流，利用虚拟仪器实现工业过程的先进控制更具有一定的实际意义。所以本文还研究了如何基于虚拟仪器实现工业过程的实时先进控制。首先介绍了虚拟仪器技术、LabVIEW软件和数据采集的基本理论，然后利用LabVIEW与Matlab混合编程方法，对酸碱中和反应的pH值进行基于神经网络模型的预测控制仿真。最后采用数据采集卡、信号调理板、LabVIEW软件和温控炉对象，设计了温控炉的控制虚拟仪器。通过LabVIEW编程和界面设计，对模型未知的温控炉进行了基于神经网络模型的预测控制。实验结果表明，可以通过调节控制器参数使控制器达到较满意的控制效果。
Nonlinear phenomena widely exist in the industry process and the linearpredictive control can’t qualify the control of the nonlinear system. Thepredictive control based on neural network model can control the complicatednonlinear systems whose models are unknown. So this paper studies the theoryof predictive control based on neural network (NN) model, and simulates thepredictive control based on neural network (NN) scheme taking example for thepH control of the neutralization process. Matlab, Simulink and the Sfunctionmodule in Simulink are used to design the complicated advanced controlprogram. Firstly, neural network identification models based on BP network,RBF network and wavelet network are researched. The simulation results provethat these predictive models using NN identification are efficient. Secondly, thegradient descent method is adopted to solve the optimal problem in thenonlinear predictive control and the multisteppredictive controllers aredesigned based on the wavelet net and RBF predictive models. The simulationresults show that this control algorithm has good real time characteristics. It cancontrol well by adjusting the parameters.
Virtual instrument represents the development direction and fashion of theinstrument. It is significant to make use of virtual instrument to implementadvanced process control. So this paper also studies how to implement the real time advanced control in process based on the virtual instrument. After thetheories of the virtual instrument technology, the LabVIEW software and thedata acquisition are researched, the predictive control based on NN is simulatedusing the hybrid programming method with LabVIEW and Matlab, takingexample for the control process of the pH in the neutralization. In the end, avirtual instrument is designed using a DAQ board, a signal processing board,LabVIEW and a temperature control stove. Through programming anddesigning of the interface in LabVIEW, the predictive control based on NN iscarried out for the temperature control stove whose model is unknown. Theresults of the control experiment show that the controller can provide goodperformance by adjusting its parameters.
引文
[1] 诸静.智能预测控制及其应用[M].浙江：浙江大学出版社，2002年:105147
[2] 李杰.基于神经网络的非线性预测控制及在FCCU上的应用研究[硕士学位论文],中国石油大学，山东：2001年
[3] 郑小洋.小波神经网络及其应用[硕士学位论文]，重庆大学，重庆：2003年
[4] 陈海华.广义预测控制理论与虚拟仪器技术[硕士学位论文]，南开大学，天津：2002 年
[5] 杨青.非线性预测控制器设计及应用[博士学位论文]，中国石油大学，山东：2006 年
[6] 陈博,钱锋,刘漫丹.一种基于BP网络的预测控制算法及其应用.华东理工大学学报, 2003年；第29卷,第4期：400404
[7] 席裕庚,耿晓军,陈虹.预测控制性能研究的新进展.控制理论与应用，2000年；第17卷，第4期：469475
[8] Micheal A.Henson. Nonlinear model predictive control: current status andfuture directions. Computures and Chemical Engineering. 1998, 23: 187202.
[9] Norquay S L,Palazoglu A. Nonlinear model predictive control of pHneutralization using Wiener model. Proc 13th IFAC World Cong. 1996:3136.
[10] Farouq S. Mjalli.Neural network modelbasedpredictive control ofliquid–liquid extraction contactors. Chemical Engineering Science. 60(2005): 239253.
[11] Bernt M. Akesson, Hannu T. Toivonen, Jonas B. Waller, Rasmus H.Nystrom.Neural network approximation of a nonlinear model predictivecontroller applied to a pH neutralization process. Computers and ChemicalEngineering. 29 (2005): 323335.
[12] 刘宝坤，王慧，曹明等. 基于神经网络模型的直接优化预测控制.信息与控制，1998 年10 月；第27 卷第5 期:386-390
[13] 陈虹，刘志远，解小华．非线性模型预测控制的现状与问题．控制与决策，2001；16(4)：385391
[14] Mircea Lazar, Octavian Pastravanu. A neural predictive controller for nonlinearsystems. Mathematics and Computers in Simulation. 60 (2002): 315324.
[15] Mark Cannon. Efficient nonlinear model predictive control algorithms.Annual Reviews in Control, 28 (2004): 229237.
[16] 张日东,李平,陈江林.基于神经网络的非线性系统约束预测控制[J].工业仪表与自动化装置,2004年第1期:3-6
[17] S. Joe Qin, Thomas A. Badgwell. A survey of industrial model predictivecontrol technology. Control Engineering Practice. 11 (2003): 733764
[18] H. Chen, F. Allg ??ower. Nonlinear model predictive control schemes withguaranteed stability, in: R. Berber (Ed.). Nonlinear Model Based ProcessControl. Kluwer, Dordrecht, 1998.
[19] Adam Allerhand and Alice DobieGaluska,Implementation of LabVIEWfor Computer Controlled Experiments in General Chemistry LaboratoryInstruction. Chem. Educator. 2000, Vol. 5, No. 2: 7176.
[20] Fernando A.C.C. Fontes. A general framework to design stabilizingnonlinear model predictive controllers. System & Control Letters. 2001,Vol. 42, No.1:127143.
[21] 王学武谭得健.神经网络的应用及发展趋势.计算机工程与应用,2003年3月：98110
[22] 吴天鹏等.基于小波神经网络辨识的PID神经MRAC研究.航空计算技术,2004年3月；第34卷,第1期,1720
[23] 谭永红等.基于动态小波神经网络的非线性动态系统辨识.系统仿真学报,2001年8月；第13卷增刊: 51-55
[24] 黄德先,金以慧.基于小波神经网络的非线性约束预测控制.信息与控制,1999年8月；第28卷增刊: 107-112
[25] 丁国锋等.基于径向基函数网络的一步超前预测控制研究.控制与决策.1996年7月；第11卷，第4期:485-489
[26] 宋利霞等.基于径向基函数神经网络在非地震数据中的应用.计算机仿真，2006年,第2期第23卷:143145
[27] Hui Peng, ZiJiangYang, et al. Nonlinear system modeling and robustpredictive control based on RBFARXmodel. Engineering Applications ofArtificial Intelligence. 20 (2007): 19.
[28] Nand Kishor, S.P. Singh. Simulated response of NN based identificationand predictive control of hydro plant. Expert Systems with Applications. 32(2007) : 233244.
[29] 王正林等.Matlab/Simulink与控制系统仿真[M].北京：电子工业出版社，2005年7月
[30] 王洪斌，吴健等.Simulink(Sfunction)在复杂控制系统仿真中的应用[J].系统仿真学报，2001年8月；第13卷增刊:131-132
[31] 姚世锋，薛德庆等.LabVIEW与Matlab 的混合编程.兵工自动化，2005年；第24卷第6期:111-112
[32] 李宇华编译.虚拟仪器开发平台软件LabIVEW 介绍.计算机自动测量与控制,1996 年第3 期，4549
[33] 曹会国.基于LabVIEW 的虚拟仪器VI(virtual instrument)及应用.潍坊学院学报,2005年3月；第5卷第2期，1315
[34] Dominik Bender, Jens Schuster, Dirk Heider. Flow rate control duringvacuumassistedresin transfer molding (VARTM) processing. CompositeScience and Technology. 66 (2006): 22652271.
[35] 谢建君，薛平贞. 基于NI LabVIEW和DAQ卡的液位控制系统.仪器仪表学报, 2004年8月；第25卷第4期增刊: 889-891
[36] 张凯，周陬，郭栋编著. LabVIEW虚拟仪器工程设计与开发[M].国防工业出版社.2004年
[37] Mike J. Doma,Paul A.Taylor and Peter J. Vermeer. Closed loopidentification of MPC models for MIMO processes using geneticAlgorithms and dithering one variable at a time: Application to anindustrial distillation tower.Computer chemical Engineering.Vol.20.Suppl,1996:10351040
[38] 张毅刚. 虚拟仪器技术介绍.国外电子测量技术,2006年6月；第25卷第6期：1-6
[39] 陆绮荣，康鹏亮，吴卜升.虚拟仪器使用现状及发展趋势研究.科技资讯,2006年；第29期：11-13
[40] 程顺.虚拟仪器技术发展趋势. 肇庆学院学报，2004年10月；第25卷第5期：26-28
[41] 张研，谭世语，杨尚军. 虚拟仪器技术在化工检测中的应用展望. 石油化工自动化，2006年；第1期：52-54
[42] 魏相华，张士文，赵继敏. 虚拟仪器(VI) 的发展现状和前景.工业控制计算机, 2001年；第14卷第3期：1-2
[43] 陈增强，袁著祉，张燕. 基于神经网络的非线性预测控制综述.控制工程，2002年7月；第9卷第4期：7-10
[44] 张海涛，陈宗海，向微等.机理混合自适应时延神经网络建模和控制算法.系统仿真学报，2004年；第16卷，第12期，27092712
[45] Q.M. Zhu. A back propagation algorithm to estimate the parameters ofnonlinear dynamic rational models. Applied Mathematical Modelling, Vol.27, 2003: 16918
[2] 李杰.基于神经网络的非线性预测控制及在FCCU上的应用研究[硕士学位论文],中国石油大学，山东：2001年
[3] 郑小洋.小波神经网络及其应用[硕士学位论文]，重庆大学，重庆：2003年
[4] 陈海华.广义预测控制理论与虚拟仪器技术[硕士学位论文]，南开大学，天津：2002 年
[5] 杨青.非线性预测控制器设计及应用[博士学位论文]，中国石油大学，山东：2006 年
[6] 陈博,钱锋,刘漫丹.一种基于BP网络的预测控制算法及其应用.华东理工大学学报, 2003年；第29卷,第4期：400404
[7] 席裕庚,耿晓军,陈虹.预测控制性能研究的新进展.控制理论与应用，2000年；第17卷，第4期：469475
[8] Micheal A.Henson. Nonlinear model predictive control: current status andfuture directions. Computures and Chemical Engineering. 1998, 23: 187202.
[9] Norquay S L,Palazoglu A. Nonlinear model predictive control of pHneutralization using Wiener model. Proc 13th IFAC World Cong. 1996:3136.
[10] Farouq S. Mjalli.Neural network modelbasedpredictive control ofliquid–liquid extraction contactors. Chemical Engineering Science. 60(2005): 239253.
[11] Bernt M. Akesson, Hannu T. Toivonen, Jonas B. Waller, Rasmus H.Nystrom.Neural network approximation of a nonlinear model predictivecontroller applied to a pH neutralization process. Computers and ChemicalEngineering. 29 (2005): 323335.
[12] 刘宝坤，王慧，曹明等. 基于神经网络模型的直接优化预测控制.信息与控制，1998 年10 月；第27 卷第5 期:386-390
[13] 陈虹，刘志远，解小华．非线性模型预测控制的现状与问题．控制与决策，2001；16(4)：385391
[14] Mircea Lazar, Octavian Pastravanu. A neural predictive controller for nonlinearsystems. Mathematics and Computers in Simulation. 60 (2002): 315324.
[15] Mark Cannon. Efficient nonlinear model predictive control algorithms.Annual Reviews in Control, 28 (2004): 229237.
[16] 张日东,李平,陈江林.基于神经网络的非线性系统约束预测控制[J].工业仪表与自动化装置,2004年第1期:3-6
[17] S. Joe Qin, Thomas A. Badgwell. A survey of industrial model predictivecontrol technology. Control Engineering Practice. 11 (2003): 733764
[18] H. Chen, F. Allg ??ower. Nonlinear model predictive control schemes withguaranteed stability, in: R. Berber (Ed.). Nonlinear Model Based ProcessControl. Kluwer, Dordrecht, 1998.
[19] Adam Allerhand and Alice DobieGaluska,Implementation of LabVIEWfor Computer Controlled Experiments in General Chemistry LaboratoryInstruction. Chem. Educator. 2000, Vol. 5, No. 2: 7176.
[20] Fernando A.C.C. Fontes. A general framework to design stabilizingnonlinear model predictive controllers. System & Control Letters. 2001,Vol. 42, No.1:127143.
[21] 王学武谭得健.神经网络的应用及发展趋势.计算机工程与应用,2003年3月：98110
[22] 吴天鹏等.基于小波神经网络辨识的PID神经MRAC研究.航空计算技术,2004年3月；第34卷,第1期,1720
[23] 谭永红等.基于动态小波神经网络的非线性动态系统辨识.系统仿真学报,2001年8月；第13卷增刊: 51-55
[24] 黄德先,金以慧.基于小波神经网络的非线性约束预测控制.信息与控制,1999年8月；第28卷增刊: 107-112
[25] 丁国锋等.基于径向基函数网络的一步超前预测控制研究.控制与决策.1996年7月；第11卷，第4期:485-489
[26] 宋利霞等.基于径向基函数神经网络在非地震数据中的应用.计算机仿真，2006年,第2期第23卷:143145
[27] Hui Peng, ZiJiangYang, et al. Nonlinear system modeling and robustpredictive control based on RBFARXmodel. Engineering Applications ofArtificial Intelligence. 20 (2007): 19.
[28] Nand Kishor, S.P. Singh. Simulated response of NN based identificationand predictive control of hydro plant. Expert Systems with Applications. 32(2007) : 233244.
[29] 王正林等.Matlab/Simulink与控制系统仿真[M].北京：电子工业出版社，2005年7月
[30] 王洪斌，吴健等.Simulink(Sfunction)在复杂控制系统仿真中的应用[J].系统仿真学报，2001年8月；第13卷增刊:131-132
[31] 姚世锋，薛德庆等.LabVIEW与Matlab 的混合编程.兵工自动化，2005年；第24卷第6期:111-112
[32] 李宇华编译.虚拟仪器开发平台软件LabIVEW 介绍.计算机自动测量与控制,1996 年第3 期，4549
[33] 曹会国.基于LabVIEW 的虚拟仪器VI(virtual instrument)及应用.潍坊学院学报,2005年3月；第5卷第2期，1315
[34] Dominik Bender, Jens Schuster, Dirk Heider. Flow rate control duringvacuumassistedresin transfer molding (VARTM) processing. CompositeScience and Technology. 66 (2006): 22652271.
[35] 谢建君，薛平贞. 基于NI LabVIEW和DAQ卡的液位控制系统.仪器仪表学报, 2004年8月；第25卷第4期增刊: 889-891
[36] 张凯，周陬，郭栋编著. LabVIEW虚拟仪器工程设计与开发[M].国防工业出版社.2004年
[37] Mike J. Doma,Paul A.Taylor and Peter J. Vermeer. Closed loopidentification of MPC models for MIMO processes using geneticAlgorithms and dithering one variable at a time: Application to anindustrial distillation tower.Computer chemical Engineering.Vol.20.Suppl,1996:10351040
[38] 张毅刚. 虚拟仪器技术介绍.国外电子测量技术,2006年6月；第25卷第6期：1-6
[39] 陆绮荣，康鹏亮，吴卜升.虚拟仪器使用现状及发展趋势研究.科技资讯,2006年；第29期：11-13
[40] 程顺.虚拟仪器技术发展趋势. 肇庆学院学报，2004年10月；第25卷第5期：26-28
[41] 张研，谭世语，杨尚军. 虚拟仪器技术在化工检测中的应用展望. 石油化工自动化，2006年；第1期：52-54
[42] 魏相华，张士文，赵继敏. 虚拟仪器(VI) 的发展现状和前景.工业控制计算机, 2001年；第14卷第3期：1-2
[43] 陈增强，袁著祉，张燕. 基于神经网络的非线性预测控制综述.控制工程，2002年7月；第9卷第4期：7-10
[44] 张海涛，陈宗海，向微等.机理混合自适应时延神经网络建模和控制算法.系统仿真学报，2004年；第16卷，第12期，27092712
[45] Q.M. Zhu. A back propagation algorithm to estimate the parameters ofnonlinear dynamic rational models. Applied Mathematical Modelling, Vol.27, 2003: 16918