多模型自适应控制在过热气温控制系统中的应用研究

论文摘要

电厂热工过程的动态特性与整个机组的运行工况密切相关。当负荷变化时,机组的过程模型参数甚至结构都会发生改变。对于这类对象用鲁棒控制方案、自适应控制方案都难以取得满意的控制效果,多模型控制是针对这类对象而提出的一种控制方案。由于人工神经网络具有逼近非线性函数的能力,而且经过结构优化的神经RBF网络具有建模时间短,结构简单、泛化能力好的特点,能够满足工业过程的实时性要求,适合于在线使用。本文将经过结构优化的RBF网络引入到多模型控制中,用以改进多模型控制的控制效果。论文的具体内容如下：回顾多模型控制和神经网络产生、发展、应用的历史；介绍了多模型控制基础知识和神经网络的基本内容以及在过程控制中的应用。并对多模型控制和神经网络在控制中的进一步应用做出了展望。根据RBF网络结构的特点,给出一种快速优化网络结构的算法,将优化的RBF网络用于喷水减温模型的建模。仿真结果表明该网络具有建模速度快,泛化能力好的特点,适合在线使用。本文提出一种基于RBF神经网络的多模型控制结构。在控制方案上实现神经网络和多模型控制的结合,首先根据运行数据确定主要工况,建立固定模型集；其次利用神经网络的在线进行辨识,补偿非线性等因素造成的固定模型与实际模型的不匹配,可以在较小的固定模型库的条件下,极大的改善控制系统的性能。针对过热汽温对象大时延、大惯性、参数时变的特点,采用一种串级多模型控制方案。特点是在线辨识模型的不匹配程度,并根据输出与目标值之间的偏差产生补偿控制作用,以补偿固定控制器控制作用的不足,使多模型控制系统在全工况范围内具有良好的性能。该控制方案以多模型控制为基本框架,充分利用PID技术的成熟性和可靠性,并引入神经网络抑制非线性等因素造成的影响,改善了控制系统的性能,具备一定的可行性,是工程中一种较好的控制策略。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 多模型控制研究的发展及现状
• 1.2 多模型控制的实际应用
• 1.3 锅炉主汽温控制的难点及其重要性
• 1.4 本文工作
• 第二章 多模型控制基本原理
• 2.1 多模型控制系统的结构
• 2.2 模型集的研究
• 2.2.1 模型集的类型
• 2.2.2 动态优化模型集的建立
• 2.3 控制器的结构研究
• 2.3.1 间接多模型控制
• 2.3.2 直接多模型控制
• 2.4 切换性能指标的研究
• 2.4.1 切换性能指标的类型
• 2.4.2 切换性能指标的性质
• 2.5 本章小结
• 第三章 人工神经网络及网络优化方法
• 3.1 神经网络研究的发展及现状
• 3.1.1 神经网络结构及工作方式
• 3.1.2 神经网络的学习方法
• 3.2 神经网络在控制领域中的应用
• 3.2.1 基于神经网络的系统辨识
• 3.3 基于神经网络的控制系统
• 3.4 RBF网络
• 3.4.1 网络结构
• 3.4.2 网络逼近能力
• 3.4.3 学习算法
• 3.4.4 应用
• 3.4.5 优点及问题
• 3.5 快速资源优化网络（FRON）算法
• 3.5.1 FRON网络结构
• 3.5.2 FRON学习算法
• 3.5.3 FRON算法的特点
• 3.5.4 算法实现
• 3.5.5 仿真分析
• 第四章 基于神经网络的多模型控制
• 4.1 问题描述及系统控制结构
• 4.2 基于FRON网络的控制系统设计
• 4.2.1 基于FRON的辨识模型NNI
• 4.2.2 基于FRON预测控制器NNC的设计
• 4.2.3 基于FRON网络的预测控制仿真研究
• 4.3 模型的切换策略
• 4.4 本章小结
• 第五章 过热汽温多模型控制
• 5.1 过热汽温控制的任务
• 5.2 过热汽温控制对象的动态特性
• 5.3 常规串级过热汽温控制系统
• 5.3.1 串级系统的结构和工作原理
• 5.3.2 常规串级系统存在的问题
• 5.4 多模型切换控制在过热汽温控制中的应用
• 5.4.1 过热汽温多模型的建立
• 5.4.2 切换策略
• 5.4.3 典型工况下控制器设计与参数整定
• 5.4.4 多模型控制系统仿真研究
• 5.5 本章小结
• 第六章 结论
• 参考文献
• 致谢