（模式识别与智能系统专业论文）基于神经网络的非线性预测控制的研究.pdf

大连理工大学硕士学位论文 摘要 随着在工业中取得的成功应用，基于线性模型的预测控制己成为当前控制理论界和工 业控制界十分关注的一个热门课题。在实际中，工业生产过程常表现出非最小相位、多变 量强耦合等强非线性特性，预澳4 控制技术己被扩展到非线性过程。近年来，神经网络以其 独特的优势被广泛应用于非线性系统的建模与控制中。基于神经网络模型的非线性预测控 制逐渐成为解决复杂非线性系统控制问题的重要方法，在工业过程控制中己显示了其优良 的控制性能，有着非常广阔的应用前景。 本文综述了预测控制和神经网络在理论和应用上的进展，并以神经网络为基础，围绕 神经网络建模、预测与控制等主题展开了一系列研究。将传统p i d 控制和神经网络相结 合，针对非最小相位系统、多变量强耦合非线性系统分别设计了有效实用的预测控制方 案。由于递归神经网络是一种非线性动态网络，能够很好地模拟动态系统和过程，因此， 本文采用的神经网络类型为递归神经网络。 本文以传统p d 控制器为基础，结合神经网络与预测控制，针对非线性系统提出了在 p i d 型预测性能指标函数下的控制方法。并将其用于两种类型的非线性系统：一种是单输 a - - 单输出( s i s o ) 系统；另一种是多输入一多输g b ( m i u o ) 系统。对于s i s o 系统，先分析 了直接多步预测和递推多步预测各自的特点，提出一种较为准确的去误差直接预测方法， 仿真验证了该方法的有效性。再分别利用前馈神经网络和局部递归神经网络实现了非线性 系统辨识和控制器参数的在线整定，设计了一种线性预测型p i d 控制器。通过仿真研究验 证了对非线性系统的优良控制性能。对于m i m o 系统，针对其耦合性，在前面s i s o 系统提 出的非线性p i d 控制器基础上，以多个控制器采用并联形式构造了多变量系统的解耦控制 器，进一步研究了多变量系统的两种预测控制方法：基于递归多步预测的控制和多步预测 目标函数下的控制。 关键词：预钡控制；神经网络；智能p i d ；非线性 佟哲琼：基于神经网络的非缘 生预测控制的研究 s t u d yo f p r e d i c t i v ec o n t r o lb a s e do nn e u r a ln e t w o r k i n n o i l l i l l e a r s y s t e m a b s t r a c t w i mt h es u c c e s s f u la p p l i c a t i o ni nt h ep r o c e s si n d u s u - y p r e d i c t i v ec o n t r o li so n eo f t h em o s t p r o m i s i n gc o n t r o lm e t h o d s i na c a d e m i aa n di ne n g i n e e r i n g i th a sr e c e i v e dc o n s i d e r a b l ea t t e n t i o n i nt h el a s td e c a d e t o d a y , i ti su n i v e r s a lp h e n o m e n o nf o rn o n - m i n i m u mp h a s en o n l i n e a rs y s t e m ， m u l t i v a r i a b l en o n l i n e a rs y s t e md u r i n gm a n yi n d u s l x i a lp r o c e s s e s m u c he f f o r th a sb e e nm a d et o e x t e n dt h ep r e d i c t i v ec o n t r o la l g o r i t h mt on o n l i n e a rs y s t e m s o v e rt h ep a s ts e v e r a ly e a r s ，n e u r a l n e t w o r k sh a v eb e e nw i d e l ya p p l i e dt oi d e n t i f i c a t i o na n dc o n t r o lo fn o n l i n e a rs y s t e m t h e o r e t i c a l w o r k sh a v e b e e np r o v e nt h a t , e v e nw i t ho n eh i d d e nl a y e r ，n e u r a ln e t w o r k sc a nu n i f o r m l y a p p r o x i m a t ea n yc o n t i n u o u sf u n c t i o no v e rac o m p a c td o m a i n a r t i f i c i a ln e u r a ln e t w o r k sb a s e d p r e d i c t i v ec o n t r o lh a sa t t r a c t e dm o r e a n dm o l ea t t e n t i o n i nt h i st h e s i s ，w ew i l la d d r e s ss o m en o n l i n e a rp r e d i c t i v ec o n l r o lp r o b l e m sb a s e du p o nn e u r a l n e t w o r k s f i r s t l y ，f o rn e u r a ln e t w o r ka n dp r e d i c t i v ec o n t r o l ，t h er e c e n tt h c o r e f i c a la c c o m p l i s h m e n t s a n da p p l i c a t i o n sa l et h o r o u g h l ys u r v e y e d s e c o n d l y , b a s e do nn e u r a ln e t w o r k s ，as e r i e so fw o r k s a r ed e v e l o p e do nt h ef o l l o w i n gt o p i c s ：n e u r a ln e t w o r km o d e l i n g , p r e d i c t i o na n dc o n t r o lf o rh i g h l y n o n - m i n i m u mp h a s es y s t e m , m u l t l v a r i a b l en o n l i n e a rs y s t e m ，e t c b e c a u s ed r n n ( d y n b i l l l i c r e c u r r e n tn e u r a ln e t w o r k ) i sa d y n a m i cn e t w o r ko f n o n l i n e a rs y s t e mw h i c hc a ns i m u l a t ed y n a r c s y s t e ma n dp r o c e s sv e r yw e l l ，i nt h i st h e s i s , d r n n i sa d o p t e d i nt h i sp a p e r , b yu t i l i z i n gt h ec o n v e n t i o n a lp i dc o n t r o l l e ra n dp r e d i c t i v ec o n t r o lt h e o r y ，t h e m e t h o di sp r o p o s e du n d e rt h ep i d - t y p ep r e d i c t i v ec o s tf u n c t i o n a n dt h em e t h o di su s i n gt o n o n l i n e a rs y s t e mo f t w ot y p e s ：o n ei ss i s os y s t e m ；t h eo t h e ri sm i m os y s t e m t os i s os y s t e m , f i r s t l yt h em u l t i - s t e pp r e d i c t i v ea l g o r i t h m sb a s e do nn e u r a ln e t w o r k sa r ei n v e s t i g a t e df o rn o n l i n e a r s y s t e m i ti sk n o w nt h a tt h ep r e d i c t i o nr e s u l t so f t h ed i r e c tm u l t i - s t e pp r e d i c t o ra r em o r ea c c u r a t e t h a nt h er e c u r s i v ep r e d i c t o r an e wd i r e c tc u t t i n g - e r r o rm u l t i - s t e pp r e d i c t i o nm e t h o di sp r o p o s e d t h es m a l l e rm u l t i s t e pp r e d i c t i o ne l t o i sc a nb eo b t a i n e d t h e nf e e d - f o r w a r dn e u r a ln e t w o r k sa n d l o c a lr e c u r r e n tn e u r a ln e t w o r k sa r eu s e dt om o d e la n dt u l l et h ec o n t r o l l e r sp a r a m e t e r so n - l i n e ， r e s p e c t i v e l y al i n e a rp r e d i c t i v ep i dc o n t r o l l e ri sp u tf o r w a r d a n db yr e s u l to fe m u l a t i o ni t i s p r o v e dt h a tt h en o n l i n e a rs y s t e mh a sw e l lc o n t r o l l i n gc a p a b i l i t y t om m os y s t e m ，b a s e do nt h e n o n l i n e a rp i dc o n t r o l l e ro fs i s os y s t e m , s e v e r a ln o n l i n e a rp i dc o n t r o l l e r sa r ea d o p t e di np a r a l l e l u n d e rt h ed e c o u p l i n gc o s tf u n c t i o n , ad e c o u p l i n gc o n t r o ls t r a t e g yi s p r e s e n t e df o rn o n l i n e a r i i 大连理工大学硕士学位论文 证陆v 撕a b l e 剐s 晒n f u r t h e r m o r et w op r e d i c t 蛐1m e m o d so fn o f l m e a rs y s 锄na r es t u d i e d ： r 舢i v em d f i - s t e pp 础c f i v ec o n 们la n dm d f i s t e p p r e d i c t i v ec o s tf u n c t i o nc o n 叻1 k e yw o r d s ：p r e d i c 咖ec o n t r o l ； n e u m ln e 柳o r ke o n t r o l ； h t e m g e n t p i dc o n t r o i n o n 岫r s y s t e m 独创性说明 作者郑重声明：本硕士学位论文是我个人在导师指导下进行的研究工作 及取得研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文 中不包含其他人已经发表或撰写的研究成果，也不包含为获得大连理工大学 或者其他单位的学位或证书所使用过的材料。与我一同工作的同志对本研究 所做的贡献均已在论文中做了明确的说明并表示了谢意。 作者签名：日期： 大连理工大学硕士研究生学位论文 大连理工大学学位论文版权使用授权书 本学位论文作者及指导教师完全了解“大连理工大学硕士、博士学位论文版权使用 规定”，同意大连理工大学保留并向国家有关部门或机构送交学位论文的复印件和电子 版，允许论文被查阅和借阅。本人授权大连理工大学可以将本学位论文的全部或部分内 容编入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论 文。 作者签名 导师签名 墨垫蠡、 弓龟乞已 年月日 大连理工大学硕士学位论文 1 绪论 1 1 引言 自动化和智能化是人类自古以来一直孜孜以求的梦想，控制科学和智能科学正是人 类在实现这一梦想的探索中产生和发展的，它促进了人们对自然的探索和对人自身智能 的认识，推动了科学技术和生产力的发展。在人类历史不同的发展阶段，控制科学和智 能科学本身不断涌现出新的手段和形式，成为长盛不衰的科学技术分支。 人类在社会实践中很早就希望构造一些精巧的机器能够代替自身自动完成一些复杂 的操作。2 0 世纪2 0 年代电子技术的发展以及b o d e ，n i c h o l s ，n y q u i s t 等人的贡献促进了 信息处理和自动控制的发展，形成经典的反馈控制理论，得到了广泛的应用。 在过程工业界，从2 0 世纪4 0 年代开始，采用p i d 控制规律的单输入单输出简单反 馈控制回路己成为过l 垦控制的核心系统。其理论基础是经典控制理论。目前，p i d 控制仍广泛 应用，即便是在大量采用集散控制系统( d c s ) 控制的最现代化装置中，这类回路仍占总 回路数的8 0 9 0 。这是因为p i d 控制算法是对人的简单而有效操作方式的总结与模 仿，足以维持一般工业过程的平稳操作与运行；而且，这类算法简单且应用历史悠久， 工业界比较熟悉且容易接受。但是，单回路p i d 控制并不能适用于所有过程的不同要 求。 5 0 年代末发展起来的以状态空间方法为主体的现代控制理论，从理论上解决了系 统的可控、可观、稳定性及许多复杂系统的控制问题，为过程控制带来了状态反馈、输 出反馈、解耦控制等一系列多变量控制系统的设计方法。与此同时，计算机技术的持续 发展使计算机控制在工业生产过程中得到了广泛的应用，这一切孕育着过程控制领域的 新突破。 1 9 8 0 年前后，j r i c h a l e t 和c r c u t l e r 分别提出了著名的模型预测启发式控制 ( m p i i c ) 和动态矩阵控制( d m c ) ，这表明过程工业已开始接受现代控制概念，从而引发 了预测控制等先进控制策略在工业过程控制中的大量应用。 先进控制主要是指那些不同于常规单回路控制，并具有比常规p i d 控制效果更好的 控制策略的统称，而非专指某种计算机控制算法。先进控制的任务非常明确，即为了解 决那些采用常规控制效果不佳，甚至无法控制的复杂工业过程控制问题。由于先进控制 的内涵丰富，同时带有较强的时代特征，至今对先进控制还没有严格、统一的定义。 与控制理论、仪表、计算机、计算机通信与网络等技术密切相关的先进控制系统具 有以下特点： ( 1 ) 与传统的p i d 控制不同，先进控制通常是一种基于模型的控制策略，如：模型预 佟哲琼：基于神经网络的非线性预测控制的研究 测控制和推断控制等，这些控制策略充分利用工业过程输入输出有关信息建立系统模 型，而不必依赖对反应机理的深入研究。目前，基于知识的控制，如专家控制和神经网 络控制等智能控制技术正成为先进控制的一个重要发展方向。 ( 2 1 先进控制系统通常用于处理复杂的多变量过程控制问题，如多变量耦合、被控 变量与控制变量存在着各种约束等。采用的先进控制策略是建立在常规单回路控制基础 之上的动态协调约束控制，可使控制系统适应实际工业生产过程动态特性和操作要求。 ( 3 ) 先进控制系统的实现需要较高性能的计算机作为支持智能控制技术平台。由于 先进控制受控制算法的复杂性和计算机硬件两方面因素的影响复杂系统的先进控制算 法通常是在上位机上实施的。随着d c s 功能的不断增强和先进控制技术的发展，部分 先进控制策略可以与基本控制回路一起在d c s 上实现。后一种方式可有效地增强先进 控制的可靠性、可操作性和可维护性。 著名过程控制专家d e s e b o r g 给出按应用程度分类的先进控制策略有：解耦控制、 模型预测控制、自适应控制、最优控制、专家系统、非线性控制、神经网络控制、模糊 控制、鲁棒控制等。 发达国家经验表明：采用先进控制和过程优化将增加3 0 的投资，但可以提高产品 档次和质量，降低能源和原材料消耗，从而增加8 5 的经济效益。全世界投用的先进控 制己有数千项，先进控制的投入产出效益己被公认。我国的许多大型企业，例如石油化 工企业，整套设备和d c s 都是引进的，从硬件上讲与国外的差距并不大，但运行的并 不理想，重要原因之一是没有配置先进控制与优化软件。 1 2 预测控制的发展和现状 预测控制是从工业实践过程中发展起来的，最大限度的结合了工业实际的要求，综 合效果好，因而引起了工业控制界和理论学术界的广泛兴趣和关注，己经在理论和应用 方面取得了显著的进展。各种新型的预测控制算法不断产生并得到发展：滚动时域控 制、模型算法控制或模型启发预测控制、动态矩阵控制、广义预测控制、二次规划动态 矩阵控制、状态空间模型预测控制或状态反馈预测控制等，可统称为模型预测控制。 近年来，国内外对预测控制的研究和应用日趋广泛。从1 9 8 4 年起，每年的美国控 制年会( a c c ) 上都有关于预测控制的专题组。1 9 8 7 年召开的国际自控联合会( i f a c ) 第1 0 届世界大会上，专题讨论了预测控制及其应用，被认为是特别吸引人的两个专题讨论之 一。1 9 8 8 年，i f a c 又组织了以预测控制为主题的“基于模型的过程控制”工作讨论 会。关于预测控制及其应用的文献越来越多地出现在各种控制杂志和会议上。 标志着预测控制应用广泛、成熟的另一个标志是自预测控制提出和应用以来，许多 大公司不断推出和更新各种预测控制工程软件。目前软件产品己进入第三代。第一代产 大连理工大学硕士学位论文 品主要以a d e r s a 公司的i d c o m 和s h e lo i l 公司的d m c 为代表，可处理无约束的预测 控制问题：第二代以s h e l lo i l 公司的q d m c 为代表，它增加了用于处理输入输出有约 束的多变量对象的技术：第三代有s f j p o i n t 公司的i d c o m m ，a d e r s a 公司的 h i e c o n 和p f c h o n e y w e l l 公司开发的r m p c t 等。在我国的许多学校都开展了预测控 制的研究，取得了不少新的成果，并在工业过程中获得了成功的应用。m a t h w o r k s 公司 开发的m a t l a b 软件包中有模型预测控制工具箱，只需调用一个函数，就能实现相应 的功能。这些事实表明，预测控制已成为当前控制理论界和工业控制界均十分关注的一 个热门课题。在某种程度上可以说，预测控制已经成为了先进控制的代名词。 1 2 1 预测控制算法的研究 n 1 算法的在线改进 在实际应用中，由于g p c 的计算涉及至l j d i o p h a n f i n e 方程求解和矩阵求逆，因此在线计 算量相当大，一些学者针对这一问题进行了研究。c l a r k e 等提出g p c 算法时，给出了递推求 解d i o p h a n t i i 】e 方程的方法【旧。袁著社提出了递推广义预测控制器，解决了递推求逆矩阵问 题翻。 f 2 ) 多变量系统的预测控制算法 工业过程通常是由许多相互作用的变量组成的多输入多输出删o ) 系统，因而产生于 过程控制的预测控制从一开始就被推广到多变量系统o m o ) ，并取得了许多重要的结果。 k o u v a r i t a k i s 等采用非常简单的方法把s g p c 推广到m s g p c 【4 l 。柴天佑用在线修正目标中前馈 加权的方法结合最小二乘法，对预测控制实现了近似解耦1 5 】。苏佰丽等在对系统进行对角解 耦的基础上，设计了带约束输入的广义预测控制算法 6 1 。 f 3 1 预测控制的参数优化设计 由于预测控制算法采用多步预测的方式，参数较多，不易直接观察它们的取值对控制 性能的影响，只能通过试凑和仿真研究来初步选定，这些都给设计者在设计预测控制时带 来困难。罗刚等提出了运用满意解原理，通过仿真进行参数优化的方法网。郭巧等采用 c a r i 模型和改进的广义预测控制来提高温度控制系统的控制精度，并缩短了响应时间嘲。 h ) 新型预测控制方法 随着对预测控制研究的不断深入，研究领域的不断扩展，有关将先进控制策略与预测 控制原理相结合的研究越来越多，主要涉及如下几个方面的研究： 模糊预测控制。张化光等提出了基于模糊模型实现了模糊自校正控制，主要在预测控 制基础上利用了模糊逻辑系统的万能逼近功能，该算法可适用于非线性系统例。 佟哲琼：基于神经网络的非线性预澳4 控制的研究 混杂预测控制。方法的提出主要是由于整数变量和线性约束条件可用来描述过程的启 发式知识。随着整数变量的引入，m p c 的有些方法可扩展到混杂系统中，从而可以综合系 统物理规律和逻辑规则方法实现对系统的有效控制。 变结构预测控制。将非线性中的变结构理论与预测控制结合的控制方法。尽管思想新 颖并取得了一些成果，但由于涉及到复杂的数学过程，其研究结果相对较少。 基于神经网络的预澳控制。由于神经网络理论在求解非线性方面的巨大优势，很快被 应用于非线性预测控制中，并形成许多不同的算法 1 0 o 基于遗传算法的广义预测控制也得 到了研究i 】。 基于小波理论的预测控制。小波分析是近年来兴起的新理论，是信号处理的强有力工 具。杨青等提出了基于小波变换的非线性广义预测控制算法 1 2 】。 1 2 2 预测控制的展望 ( 1 ) 智能预测控制。工业生产优化控制的需要，是预测控制产生的直接动因，也始终是 它发展的强大动力。面对用传统的模型和优化方法难以描述与处理的大量不确定性，工业 界己提出要进一步解决不确定性的描述、不确定环境下的优化、多目标优化、专家系统、 高速计算等而向实际的问题。预测控制面临这一挑战，需要从人工智能、控制理论等多方 面汲取有价值的思想，向智能化的方向发展。预测控制与智能控制的结合，不是抛弃原有 的预测控制算法，而是在有不确定性、多目标要求等复杂情况下对现有算法的补充和发 展。预测控制的智能化，在结构上表现为控制的递阶分层，在算法上表现为非常规的模型 预测和优化。而预测控制的一般方法原理。正为这种智能化发展提供了可能性。由此可 见，预1 狈控制向智能化的发展，将形成多层智能预测控制的模式，是预测控制的一个重要 发展方向。 ( 2 ) 理论研究。在目前预测控制的文献中，理论分析大多集中于单变量的基础算法，成 功应用的报导却大多是复杂的多变量系统。这种矛盾反映了预测控制的理论研究落后于实 际应用。而智能预测控制的发展，必将给理论分析工作提出更多新的要求。 1 3 神经网络 国际著名的神经网络专家、第个计算机公司的创始人和神经网络实现技术的研究领 导a , _ n e c h i - n i e l s o n 给神经网络的定义是：神经网络是一个以有向图为拓扑结构的动态系统， 它通过对连续或断续式的输入作为状态响应而进行信息处理。 神经网络的研究己断断续续经历t 5 0 多年。1 9 4 3 年w a r r e nm c c u l l o c h 芹l l w a l t e rp i t t s 建立 了第一个神经网络的数学模型，即m 斗神经元。6 0 年代中期，m i i l s b 在“p e r c e p t i o n ”一书 中指出了感知器的局限性，同时由于基于符号的人工智能技术迅速发展，使得许多研究人 大连理工大学硕士学位论文 员将注意力从神经网络研究转移开来。7 0 年代n 8 0 年代初期，一些科学家仍坚持在神经网 络领域的研究，并取得了一些重要成果。h o p f i e l d 提出了离散递归神经网络模型和连续递归 神经网络模型，引入了能量函数，给出了网络稳定性判据，并对连续模型进行了放大器电 路实现。这一突破性的工作标志着神经网络研究高潮的重新兴起。1 9 8 6 年，r u m e l h a r t 提出 并行分布处理( p d p ) ，重新发现并改进了b p 算法，对神经网络研究起到了巨大的推动作用。 近年来，神经网络引起了众多研究人员和社会团体的热情，对神经网络寄予了很高的希 望，大量的理论和应用研究成果涌现在各种刊物，包括物理、心理、电子、计算机、自动 化、数学等不同知识背景的人加入了研究行列，将神经网络技术应用到了智能控制、先进 控制、信号处理、非线性优化、混沌控制与反控制、机器人、生物医学工程等领域，取得 了很大的进展。 1 3 1 神经网络的结构及学习算法 神经网络以并行机制处理数据信息，具有自适应、自学习、自组织的能力。神经网络 模型迄今为止已经有大约1 0 0 多种。根据神经元之间连接的拓扑结构的不同，大致可分为： 前馈网络( b p 网络等) 、反馈网络( 递归网络，h o p f i e l d n 络等) 、相互结合型网络和混合 型网络等。其中前馈网络是目前非线性系统建模、控制中使用最普遍的网络。其中前馈网 络( m z n n ，m u l t i l a y e rf e e d f o r w a r dn e u r a ln e t w o r k ) 是目前非线性系统建模、控制中使用最普 遍的网络。 网络权值的( 快速) 收敛性和实时行是衡量各种学习算法优劣的重要尺度，评价一个 学习算法的标准是：简单性、可塑性和有效性。一般的，简单的算法并不有效，可塑的算 法又不简单，而有效的算法则要求算法的专一性、完美性，又与算法的可塑性、简单性相 冲突。目前广泛研究的前馈网络中采用的是误差反向传播( b p ) 算法。b p 算法具有简单和可 塑的优点，使得神经网络的适应性在工程应用中获得了广泛的应用。但它的致命缺点是： 学习速度慢、易受局部极小点的困扰。因此针对b p 算法提出了许多改进措施：基于标准 梯度下降的改进方法，如：附加动量项的b p 算法，学习速率可变的b p 算法和弹性b p 算法 等；改变激励函数，如把s i g m o i d i 函数修正为分段函数，用小波函数替代m 卧i n 中的激励 函数形成的小波网络等；基于标准数值优化的改进方法。权值训练过程中不仅利用了目 标函数的一阶导数信息，而且包含了二阶梯度信息，以获得更快的学习( 收敛) 速度，这些算 法包括拟牛顿法、共扼梯度法等。 l e u n g 等应用递推最小二乘法在权值的学习。p u s k o r i u s 等提出了m f n n 下的解耦型扩展 卡尔曼滤波算法，并引入到神经网络权值的在线训练。林茂琼系统研究了阻尼最小二乘 法，将神经网络权值约束引入到学习算法的目标函数中，取得了很好的数值鲁棒性【。为 佟哲琼：基于神经网络的非线性预测控制的研究 了提高m f n n 网络收敛速度。多个学者提出了层到层改进网络，把m f n n 每一个隐含层分 成线性和非线性两部分。 一般谈到神经网络算法都是用于调整网络权值，实际上，人脑中神经元在一生中有生 长、休服、死亡等不同状态，神经网络结构是动态变化的。另外，神经网路用于辨识和控 制时，其结构设计需要一些先验知识，或者进行不停的人工调整。有关神经网络逼近原理 并没有说明网络的确切结构选取，h c c h t - n i c l s o n 针对3 层m f n n ，并且隐含层中有2 n + l - 个神 经元( 其中1 1 为网络输入神经元的个数) ，指明该网络可以逼近任意连续非线性函数。 网络结构学习研究的问题是结构的自我调整算法。一般凭经验凑，在工程应用中最广 泛。结构学习可分为析构方法和构造方法。析构法从一个大网络开始，然后学习中除掉不 必要的权值、节点。构造法则从一个小的简单的网络结构开始，通过增加节点和权值而提 高映射精度。 1 3 2 神经网络的辨识与控制 神经网络的一类重要应用是对非线性系统进行逼近，由于在处理大规模非线性问题时 的简单一致性和潜在的并行处理机制，神经网络技术在非线性动态系统的辨识和控制中有 独特的优点，在某些应用中实现了传统控制理论难以完成的控制，展示出良好的应用前 景。 图1 1 和1 2 是两种典型的神经网络辨识结构。串并联结构比较常用，在辨识建模上通常 可以得到较好的稳定结果，但是由于所有的延迟输出数据都取自系统的实际观测值，因而 对数据要求高。n a r e n d r a 认为在采用并联结构辨识模型时，系统受严重噪声耦合或系统与神 经网络模型很接近时比较实用，但不能从理论上保证这种辨识方式的参数收敛或此并联辨 识模型与实际系统的输出偏差收敛州。 神经网络控制即基于神经网络的控制，神经网络控制的结构多种多样，比较典型的结 构有逆动态控制、内模控制、前馈控制和反馈控制、自校正控制、模型参考自适应控制、 p i d 控制、预测控制、自适应激励控制及混沌控制等，它们或平行，或交叉，大多隶属于直 接控制和间接控制两种基本结构，或是二者的复合形式。 神经网络的收敛性和稳定性等性能分析主要是针对采用在线学习方案的神经网络控制 器或学习控制器而展开的，还需要进一步深入研究。 1 4 基于神经网络的非线陛预测控制研究 预测控制算法的最初是针对线性系统提出的，已经广泛应用于工业生产过程，它一般 局限于生产过程线性或非线性不太严重的过程。但是在实际中，工业生产过程常表现出强 非线性特性，因而近年来，线性模型预测控制技术已被扩展到非线性过程，这其中许多是 大连理工大学硕士学位论文 图l _ 1 串并联辨识结构图 f i g 1 1s t r u c t u r eo f s e r i e s - p a r a l l e lc o n n e 甜o n i d e n f i f l c a f t o i l 图1 2 并联辨识结构图 f 嘻1 2s l r u c t u r eo f p a r a l l e lc o n n e c t i o n i d e n t i f i e a t i o n 论在求解非线性方面的巨大优势，很快被应用于非线性预测控制中，但目前还没有建立 个系统的研究体系，己提出的方法大致有如下几种： ( 1 ) 线性化方法 线性化一直是处理非线性问题的常用方法，通过各种线性化逼近，可以将非线性控制规 律的求解加以简化，提高实时计算速度。杨煌普等采用复合神经网络对系统实现了多步预测 控制1 5 】。m i g u e l ，h e 等基于神经模型和反馈线性化理论提出非线性预测控制方案【1 t 1 7 1 。 ( 2 ) 预测偏差补偿的方法 基于线性模型对非线性较强的过程进行多步预测时，就会产生较大的预测偏差，可采 用神经网络对其进行补偿校正，并与基于线性模型的预测控制律结合而构成非线性预测控 制器。刘贺平等根据神经网络预测模型的特点，提出模型修正与偏差补偿结合的反馈校正 策略【1 8 1 。不仅提高了该算法的实时性，有效的克服了不确定性因素的影响。梁禹等提出了 一种动态矩阵的斩断误差校正方法f 】纠。 ( 3 ) 数值计算和解析相结合的方法 林茂琼等基于估计的神经网络模型，依据辨识与控制的对偶原则，设计了基于阻尼最 小二乘法的一步预测控制器 1 3 i 。傅志刚等采用与神经元模型相适应的、无需求解目标函数 导数的最降梯度法求得未来的控制序列。张日东等利用非线性激励函数的局部线性表示 提出一种神经网络模型的约束广义预测控制算法【2 l 】。 ( 4 ) 多变量预测控制方法 神经网络本质是一个多输入多输出网络，因而为将线性模型预测控制技术扩展到非线 性m i m o 系统带来了生机。a d e b i y i 等应用动态神经网络实现对多变量过程的建模辨识瞄l 。 隋美青、王正欧提出了一种基于神经网络的多变量自适应控制策略，应用在发酵过程的非 佟哲琼：基于神经网络的非线性预测控制的研究 线性控s uc v v 3 1 。谢春利等提出将多变量系统的解耦控制分散为若干的单边量系统的解耦控 制刚。 f 5 1 控制网络求解的方法 通常这种方案基于两个神经网络，一个是建模网络，用于过程的动态建模以获取对过 程的预测信号，另一个是控制网络，它按照与预测控制目标函数相应的驱动信号来调整整 个网络的权值，以获取对预测控制律函数的逼近。陈增强等提出一种非线性系统间接预测 控制，控制网络为多输入单输出，输出量为要计算的当前时刻控制信号，各个输入量为对 过程的多步预测序列与相应的设定值柔化序列之差1 2 5 j 。 由于神经网络最主要的性质是能产生输入输出映射，因此逆控制是神经网络应用于控 制领域的一个重要方向。v i l a 等基于递推多步预测，实现了不缺定随机离散系统的逆控制， 并对系统闭环稳定性进行了分析，系统辨识预测模型和控制器模型均采用随：d b a y e s i a n 规则 离线选取1 2 6 1 。 ( 6 ) 与其它方法结合 王群仙等用神经网络在线修正p i d 型g p c 的参数，获得自整定p i d 。g p c 能够有效的控制 时变系统和非线性系统【2 7 l 。李奇等推导了一种具有预测功能的神经网络p i d 控制器口舯。李翔 等利用t s 模糊神经网络特点构建了广义预测控制咧。 1 5 本文的研究动机及目的 随着现代工业生产过程大型化、复杂化，对生产过程的产品质量、生产率、安全性及 环境影响的控制要求越来越高，许多复杂、时变、多变量系统的控制，常规的控制方法己 不能胜任。智能预测控制在复杂巨系统中已显示了优良的控制性能，展现了诱人的应用前 景。工业过程的需要、控制理论和计算机技术的发展是智能预测控制发展最有力的推动 力。另一方面，在实施控制的过程中，会碰到许多富有挑战性的问题，反过来又促进智能 预测控制向更高层次发展。 实际系统对象本身和所处的复杂环境，都只能得到一定程度上的刻划。面对具有高度 非线性、耦合性强、系统规模庞大等特征的复杂巨系统，单纯依靠神经网络来描述其复杂 动力学特性显然是不够的。预测控制是2 0 世纪7 0 年代从实践中发展起来的一种控制方法， 它包括预测模型、滚动优化和反馈校正，既具有优化功能又利用了实时反馈信息，结合了最优 控制与反馈控制的优点，在实践中已得到了较好的应用。由于神经网络具有并行处理、分布 式存储以及很好的鲁棒性和自适应、自学习的特性，为它在控制领域中的应用开辟了广阔的 前景。预测控制对模型不苛求结构形式，只强调其预测功能，所以出现了很多利用神经网络作 预测模型的预测控制。从而能较好地解决非线性动态系统的建模和预测问题，也使得优化问 题在有限时域内进行，实现在线控制。通常基于神经网络的多步预测控制中，控制算法利用 大连理工大学硕士学位论文 神经网络的梯度信息。剃度算法与神经网络之间取长补短，相互结合，可以克服各自的局 限性。结合相应的机理模型，可以使得神经网络建模、预测成为工业过程控制中的重要手 段。 1 6 本文的研究工作及内容安排 基于上述思想的启发和实际应用的需求，本文围绕神经网络预测控制策略的研究及其 应用有关方面进行研究，全文结构安排如下： 第一章回顾了预测控制产生、发展、现状及存在的问题，并对神经网络预测控制的研 究和应用现状做了相应的阐述，分析了其研究发展趋势。 第二章主要简述了预测控制和神经网络基本的模型、原理，同时也介绍了神经网络预 测控制的发展、原理和算法，更详细介绍了动态神经网络。 第三章主要讨论了动态递归神经网络的结构、学习算法，对基于神经网络的非线性系 统预测实现方法做了一个简要概述。分析了直接多步预测中的误差自关联问题，进而提出 一种较为准确的去误差直接预测方法，应用于闭环控制中。 第四章着重于在p d 控制思想上设计非线性系统的多步预测控制器。在传统p i d 控制器 的基础上，引入多步预测思想，分别利用前馈神经网络和局部递归神经网络实现了非线性 系统辨识和控制器参数的在线整定。采用鲁棒性好的p i d 型预测目标函数设计了非线性控制 器。仿真研究验证了对非线性系统的优良控制性能。 第五章研究了神经网络对多变量非线性系统的建模与控制。通过构造一种智能的非线 性p 控制器，并以并联形式构造了多变量解耦控制器，把该控制器应用于多输入多输出系 统。进一步研究了多变量系统的两种预测控制方法：基于递归多步预测的控制和多步预测 目标函数下的控制。 最后，总结全文，并对基于神经网路的非线性系统预测控制的发展提出进一步的研究 方向。 佟哲琼：基于神经网络的非线性预测控制的研究 2 预测控制与神经网络 2 1 1 预测控制的产生 预测控制是7 0 年代后期产生的一类新型计算机控制算法。它的问世，一方而受到了 计算机技术发展的推动，另一方而也来自复杂工业实践向高层优化控制提出的挑战。多年 来，随着它处理复杂系统控制的策略思想日益为人们所认识，以及它在工业实践中的大量 成功应用，这一控制技术的生命力及诱人的应用前景己引起了控制理论界和工业控制界的 广泛兴趣。 最早提出的典型预测控制算法有r i c h a l e t , m e h r a 等提出的建立在脉冲响应基础上的模型 预测启发控制( m p h c ) 和模型算法控n ( m a c ) ，以及c u t l e r 等提出的建立在阶跃响应基础上 的动态矩阵控制( d m c ) 。被控对象的脉冲响应或阶跃响应一般称为非参数模型。这两类响 应易于从生产现场检测到，且不需要事先知道过程模型的结构和参数等先验知识，也不必 通过使用复杂的系统辨识技术便可设计控制系统。这些预测控制算法汲取了现代控制理论 中的优化思想，但用不断的在线有限优化，即所谓的滚动优化取代了传统的优化控制。由 于在优化过程中利用测量信息不断进行反馈校正，所以这在一定程度上克服了不确定性的 影响，增强了控制的鲁棒性，此外，这些控制算法的在线计算比较简单。这些特点使它们 更适合于工业过程控制实际要求，因此在石油、化工等领域取得了成功的应用。 除了上述基于脉冲响应或阶跃响应的非参数模型用于预测控制算法外，还出现了另一 类基于离散时间参数模型的预测控制算法。8 0 年代初期，人们在自适应控制的研究中发 现，为了增加自适应控制系统的鲁棒性，有必要在广义最小方差控制的基础上，汲取预测 控制中的多步预测优化策略，提高自适应控制系统的实用性，因此出现了基于辨识被控过 程参数模型且带有自适应机制的预测控制算法，其中最具代表性的就是c l a r k e 等人提出的广 义预测控带i j ( o e n e r a t i z e dp r e d i c t i v ec o n t r o l ，g p c ) 。 基于参数模型的预测控制算法仍然保留了基于非参数模型的m a c 和d m c 等预测控制算 法的基本特征，不过这里的被控对象模型采用的是受控自回归积分滑动平均模型( c a r i m a ) 或受控自回归滑动平均模型( c a r m a ) 。由于参数模型是最小化模型，需要己知模型结构， 但模型参数远比非参数模型要少，减少了预测控制算法的计算量。为了克服模型参数失配 对输出预测误差的影响，在基于参数模型的预测控制算法中，引进了自适应控制的在线递 推算法估计模型参数，并用估计的参数取代原模型参数，从而可进行预测控制算法的计 算。由于将自适应控制与预测控制相结合，因而由于过程参数慢时变所引起预测模型输出 1 0 大连理工大学硕士学位论文 误差得以及时的修正，从而改善系统的动态性能，同m a c 和d 眦预测控制算法一样。广义 预测控制也在工业过程控制中获得了许多成功的应用，从而引起工业控制界广泛的兴趣。 2 1 2 预测控制的基本原理 就一般的意义来说，预测控制不论其算法形式如何不同，都应建立在下述三项基本原 理基础上。 f 1 ) 预测模型。预测控制是一种基于模型的控制算法，这一模型称为预测模型。预测模 型的功能是根据对象的历史信息和未来输入预测其未来输出。这里只强调模型的功能而不 强调其结构形式。因此，状态方程、传递函数这类传统的模型都可作为预测模型。对于线 性稳定对象，甚至阶跃响应、脉冲响应这类非参数模型也可直接作为预测模型使用。此 外，非线性系统、分布参数系统的模型，只要具备上述功能，也可在对这类系统进行预测 控制时作为预测模型使用。 预测模型具有展示系统未来动态行为的功能，这样，我们就可像在系统仿真时那样任 意地给出未来的控制策略。观察对象在不同控制策略下的输出变化，从而为比较这些控制 策略的优劣提供基础。 ( 滚动优化。预测控制是一种优化控制算法，它是通过某一性能指标的最优来确定未 来的控制作用。这一性能指标涉及到系统未来的行为。例如，通常可取被控对象输出在未 来的采样点上跟踪某一期望轨迹的方差为最小，但也可取更广泛