基于Elman神经网络的预测控制研究及应用

论文摘要

实际工业生产过程中常常含有非线性、滞后环节,特别是在化工、冶炼等生产过程中尤为显著。连续搅拌釜式反应器（Continuous stirred-tankreactor,CSTR）是生产聚合物时用得最广泛的聚合反应器,在化工生产的核心设备当中占有相当重要的地位,在染料、医药、试剂、食品以及合成材料等工业中普遍使用,其被控对象繁多,使系统本身具有较大的时变性、非线性和时滞性,控制起来非常困难,常规方法难以取得令人满意的效果。本文针对CSTR系统的非线性和滞后特性,首先研究了内模控制的结构和性质,分析了神经网络内模控制的实质,研究了内部模型、神经网络控制器的构建方法,在此基础上研究了基于神经网络的内模控制算法。本文在分析CSTR系统特性后,针对CSTR在反应过程中产生大量的反应热,把如何及时地减少反应热保证生产正常进行作为控制的主要目标,融合了内模控制和神经网络的优点,给出了系统的控制方案,采用神经网络内模控制算法来解决非线性、滞后等环节的影响,建立了神经网络内模控制器。内部模型和控制器均采用Elman网络建立,使用LM算法在线更新神经网络的权值。为验证本文的设计方案,在MPCE-1000多功能过程控制实验平台下,对CSTR系统进行仿真分析,仿真结果表明神经网络内模控制优于传统的PID控制算法,具有良好的动、静态性能,解决了非线性、滞后等环节的影响。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究目的及意义
• 1.2 预测控制综述
• 1.2.1 预测控制的发展
• 1.2.2 预测控制的基本原理
• 1.2.3 预测控制的分类
• 1.3 人工神经网络综述
• 1.3.1 人工神经网络的发展
• 1.3.2 人工神经元模型及结构
• 1.3.3 人工神经网络的特点
• 1.3.4 人工神经网络的应用
• 1.4 本文研究内容
• 第2章 内模控制和Elman神经网络原理
• 2.1 内模控制
• 2.1.1 内模控制基本原理
• 2.1.2 内模控制器设计
• 2.2 Elman神经网络
• 2.2.1 Elman网络结构
• 2.2.2 反向传播算法
• 2.3 神经网络内模控制
• 2.3.1 神经网络内模控制结构
• 2.3.2 正模型
• 2.3.3 逆模型
• 2.4 本章小结
• 第3章 CSTR系统神经网络内模控制设计
• 3.1 控制方案
• 3.2 基于神经网络的预测模型原理
• 3.2.1 递推多步预测模型
• 3.2.2 非递推多步预测模型
• 3.3 CSTR系统模型神经网络在线辨识
• 3.3.1 正模型在线辨识
• 3.3.2 逆模型在线辨识
• 3.4 神经网络权值在线计算
• 3.4.1 Levenberg-Marquardt算法
• 3.4.2 正模型在线训练
• 3.4.3 逆模型在线训练
• 3.5 本章小结
• 第4章 基于ARM的控制器设计
• 4.1 嵌入式系统
• 4.2 ARM体系结构
• 4.3 输入输出电路设计
• 4.3.1 A/D转换电路
• 4.3.2 D/A转换电路
• 4.4 嵌入式操作系统μC/OS-Ⅱ
• 4.4.1 μC/OS-Ⅱ简介
• 4.4.2 μC/OS-Ⅱ在S3C44B0X上的移植
• 4.5 控制器软件设计
• 4.5.1 总体结构
• 4.5.2 应用程序设计
• 4.6 本章小结
• 第5章 连续反应过程仿真分析
• 5.1 MPCE-1000简介
• 5.1.1 系统软件功能
• 5.1.2 系统硬件功能
• 5.2 连续反应工艺流程
• 5.3 CSTR反应特性测试
• 5.4 仿真实验
• 5.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢