模糊预测控制算法研究与应用

论文摘要

随着系统控制技术的不断发展和在工业过程中的深入应用,在实际工业过程中受控对象越来越复杂,表现为如下一些特征:多输入多输出、时变性、藕合、时滞、非线性、不确定性等。诸如此类的复杂系统,由于无法建立系统的精确数学模型,从而使得传统控制理论很难给出一个很好的控制效果。针对化工过程的复杂性,本文的主要内容是研究基于Takagi-Sugeno （T-S）模糊模型的非线性系统辨识算法,并在此基础上研究基于模糊模型的非线性预测控制问题,并将基于模糊模型的单变量、多变量广义预测控制算法应用于pH值中和过程非线性控制仿真。主要的工作和创新内容分为以下两个方面:1、研究了T-S模糊模型的辨识问题,主要采用模糊聚类算法辨识T-S模糊模型的前件部分,最小二乘算法辨识后件规则。深入研究了模糊聚类算法,提出了一种基于样本空间密度来改进的减法聚类算法,以更少的训练调节参数能快速、准确地确定合理的聚类中心辨识得到模糊模型前件参数,并且将该方法应用到了现场软仪表设计当中,获得了很好的非线性软测量预测结果。2、深入研究了单变量、多变量的广义预测控制算法,成功实现了将改进的模糊模型辨识方法与广义预测控制结合应用于过程控制仿真。首先研究了T-S模型中的多步线性化模型预测控制,即研究了预测时域内模型误差对于预测控制的影响。仿真结果表明基于单步线性化T-S模型的广义预测控制能够保证很好的控制精度和更好的实时性。过程仿真控制表明T-S模型广义预测控制在大范围内的控制响应快速性和一致性要好于常规PID控制,能有效解决非线性系统控制问题;基于多输入多输出的T-S模型广义预测控制在耦合非线性系统中表现很好的控制性能,能很快抑制扰动使输出都跟踪设定值。pH值中和过程的仿真控制结果表明了研究的基于T-S模型的广义预测控制在非线性系统的模型建模、控制优化计算、耦合控制、抑制干扰等方面的有效性;现场加氢裂化项目软测量的实施表明了改进聚类方法的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景
• 1.2 研究现状
• 1.3 课题研究的意义
• 1.4 本文的主要工作
• 第2章 T-S 模糊模型及模型辨识方法
• 2.1 引言
• 2.2 T-S 模糊模型
• 2.2.1 T-S 模糊模型的一般定义
• 2.2.2 辨识信号的选择
• 2.2.3 简述T-S 模糊系统的通用逼近性和稳定性
• 2.3 模糊辨识方法
• 2.3.1 模糊C-均值聚类（FCM）
• 2.3.2 减法聚类（SUBCLUSTER）
• 2.3.3 模糊模型后件辨识方法
• 2.4 模糊聚类方法在现场应用涉及到的数据处理方法
• 2.4.1 主元分析方法（PCA）
• 2.4.2 偏最小二乘方法（PLS）
• 2.5 小结
• 第3章 基于T-S 模糊模型的广义预测控制
• 3.1 引言
• 3.2 模糊模型的预测控制研究概况
• 3.3 广义预测控制
• 3.3.1 单变量广义预测控制算法
• 3.3.2 多变量广义预测控制算法
• 3.3.3 阶梯式广义预测控制
• 3.3.4 预测控制参数的选择
• 3.4 小结
• 第4章 模糊辨识聚类算法研究与应用
• 4.1 引言
• 4.2 基于数据样本密度改进的模糊聚类算法
• 4.3 基于数据样本密度改进的模糊聚类算法仿真
• 4.4 改进聚类算法在现场软测量中的应用
• 4.4.1 工艺背景简介
• 4.4.2 改进聚类算法在软测量中的应用
• 4.5 小结
• 第5章 基于T-S 模型的预测控制仿真
• 5.1 引言
• 5.2 非线性对象仿真
• 5.2.1 非线性对象辨识
• 5.2.2 非线性对象T-S 模型广义预测控制
• 5.2.3 非线性对象T-S 模型多步线性化模型广义预测控制
• 5.3 pH 值中和过程非线性系统控制仿真
• 5.3.1 pH 值中和过程
• 5.3.2 pH 值中和过程T-S 模型辨识
• 5.3.3 pH 值中和过程常规PID 控制
• 5.3.4 pH 值中和过程模糊预测控制
• 5.4 多输入多输出非线性系统控制仿真
• 5.4.1 双输入双输出pH 中和过程非线性系统
• 5.4.2 双输入双输出pH 非线性系统模糊预测控制
• 5.4.3 双输入双输出pH 非线性系统加入扰动模糊预测控制
• 5.5 小结
• 结论
• 参考文献
• 攻读硕士学位期间取得的学术成果
• 致谢