基于ＥＳＮ和ＰＳＯ的非线性模型预测控制

2012年03月27日11:13:36 本网站我要评论(2)字号：T | T | T

柴　毅，周海林，付东莉，罗德超
重庆大学自动化学院，重庆

中国汽车工程研究院，重庆

摘　　　要：针对传统的控制理论对实际的工业生产过程中的被控系统，特别是具有强非线性的系统控制效果不是很理想，而应用非线性模型预测控制算法能够较好解决非线性系统的控制问题，提出了一种基于回声状态网络（ＥｃｈｏＳｔａｔｅＮｅｔｗｏｒｋ，ＥＳＮ）模型进行非线性系统辨识
和粒子群优化（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）进行滚动优化的非线性模型预测控制系统的算法。ＥＳＮ能够很好地辨识非线性系统，其计算时间、数据训练和稳定性相对于传统递归神经网络有了较大进步，ＰＳＯ具有全局优化和较快的寻优速度。针对典型化工非线性对象连续搅拌槽反应器（ＣｏｎｔｉｎｕｅＳｔｉｒｒｅｄＴａｎｋＲｅａｃｔｏｒ，ＣＳＴＲ）的仿真实例表明，此模型在预测控制优于ＢＰ和ＰＳＯ结合的非线性预测控制，以及传统的ＰＩＤ控制，证明了该算法运用于非线性模型预测控制中的有效性。

关　键　词：模型预测控制；回声状态网络（ＥＳＮ）；粒子群优化；反馈校正；ＣＳＴＲ

１　引　言
目前，线性的模型预测控制的理论研究已经比较成熟，将其运用于实际工业工程的强非线性对象会得不到满意的控制效果。神经网络能够充分逼近任意复杂的非线性函数，因而神经网络刚应用到控制领域就出现了基于神经网路的预测控制［１２］。文献［３］提出了基于ＢＰ网络的非线性预测控制算法，存在的问题是ＢＰ网路的训练较复杂和局部较小值以及神经网路拓扑结构的确定，且预测模型的预测精度不高。文献［４］提出基于ＰＩＤ的预测控制算法，虽然算法简单，但是控制效果并不好。回声状态网络（ＥＳＮ）在非线性系统辨识方面较传统的神经网络有较大的改进［５７］。在经典的ＭａｃｋｅｙＧｌａｓｓ８４步标杆预测问题的预测精度上已经有数量级的提高。粒子群优化（ＰＳＯ）算法是近年来发展起来的一种新的进化算法，是一种基于迭代的优化工具。ＰＳＯ有快速收敛、全局寻优和较高的运算精度的优点。为此，鉴于ＥＳＮ和ＰＳＯ这些方面的优点，本文提出一种基于ＥＳＮ和ＰＳＯ的非线性预测控制算法，通过仿真实例表明基于该算法的预测控制输出能够较好地跟踪参考轨迹。

登录网站后可下载文件

基于ＥＳＮ和ＰＳＯ的非线性模型预测控制

相关阅读: