SISO非线性系统的PID神经网络自适应逆控制

论文摘要

大多数工业过程往往有着很强的非线性,并且随着系统的运行和工业环境的变化,其内部动态也在时刻发生变化,因此难以用解析表达式对其进行精确的描述。而随着对系统控制的精度、稳定性及适应能力的更高要求,经典控制理论和现代控制理论这些基于模型的控制方法已无法胜任。自适应逆控制是于1986年正式命名提出来的,以其强大的调节能力、良好的稳定性、鲁棒性受到了广泛的关注,并应用于实践当中去。在非线性自适应逆控制研究过程中存在着两个主要问题：一是如何选择自适应滤波器使其拥有更快的收敛速度和更简单的结构；二是如何消除扰动对系统的干扰。针对这两点,许多学者做了大量的研究。本文在阅读了大量的自适应逆控制和神经网络文献基础上主要进行了以下研究：首先,针对目前应用神经网络来实现非线性系统自适应逆控制的方法中存在的算法收敛性和结构复杂性的问题,引入一种特殊的动态网络——PID神经网络作为自适应滤波器。分析了这种神经网络在网络结构上和算法收敛上的优越性。然后,根据现有的神经网络自适应逆控制方法,结合PID神经网络结构上的特殊性,设计神经网络辨识器,辨识被控对象的正、逆模型；按照直接逆控制、模型参考逆控制等思想,设计相应的神经网络逆控制器,控制系统的内部动态。通过比较仿真效果,找到一种控制系统内部动态效果最好的控制策略。最后,针对系统中存在的扰动问题,在上一部分选择出的控制结构的基础上,设计相应的神经网络扰动消除器。提出了一种带有扰动消除器的BPTM-PIDNN控制方法,在控制对象内部动态的同时,消除系统的扰动。仿真结果验证了这种方法的可行性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题研究的背景和意义
• 1.2 自适应逆控制的国内外发展现状
• 1.3 本文的主要工作
• 第2章 神经网络自适应逆控制基本概念
• 2.1 非线性系统逆的存在性
• 2.1.1 SISO非线性系统的可逆性
• 2.1.2 MIMO非线性系统的可逆性
• 2.2 非线性系统逆模型的实现
• 2.2.1 逆系统的解析实现
• 2.2.2 逆系统的非解析实现——神经网络逆系统
• 2.3 PID神经网络自适应滤波器
• 2.3.1 自适应滤波器
• 2.3.2 神经网络自适应滤波器
• 2.3.3 PID神经网络自适应滤波器
• 2.4 本章小结
• 第3章 PID神经网络系统辨识
• 3.1 系统辨识简介
• 3.2 模型类的选择——PID神经网络
• 3.2.1 现有的神经网络模型类
• 3.2.2 选择PID神经网络作为模型类的原因
• 3.3 模型的确定——辨识正逆模型的方法
• 3.3.1 现有的神经网络辨识方法
• 3.3.2 本文采用的辨识方法
• 3.4 准则的选取
• 3.5 本章小结
• 第4章 PID神经网络自适应逆控制
• 4.1 自适应逆控制概述
• 4.2 无扰动时的自适应逆控制
• 4.2.1 直接逆动态控制
• 4.2.2 PID控制器与神经网络逆控制器的复合控制
• 4.2.3 逆-逆动态控制
• 4.2.4 BPTM逆控制
• 4.3 有扰动时的自适应逆控制
• 4.3.1 内模控制扰动消除器的设计
• 4.3.2 开环扰动消除器的设计
• 4.3.3 本文采用的扰动消除结构
• 4.4 本章小结
• 第5章 仿真结果
• 5.1 被控对象描述
• 5.2 无扰动时的辨识和控制
• 5.2.1 辨识对象正模型
• 5.2.2 辨识对象逆模型
• 5.2.3 直接逆控制
• 5.2.4 PID控制器与逆控制器的复合控制
• 5.2.5 逆-逆控制
• 5.2.6 BPTM控制
• 5.3 有扰动时的辨识和控制
• 5.3.1 有扰动时的在线直接逆控制
• 5.3.2 有扰动时的BPTM-PIDNN
• 5.3.3 带扰动消除器的BPTM-PIDNN
• 5.4 本章小结
• 第6章 结论
• 6.1 本文总结
• 6.2 方法扩展及展望
• 参考文献
• 致谢