大纯滞后在对象控制方法应用研究.doc

大纯滞后控制系统仿真 一般工业过程中都具有非线性大纯滞后的特点，特别是滞后较大(即额定滞后S/T0.5)的系统,常规控制往往无能为力。采用Smith控制是解决对象大纯滞后问题的有效方法，但它需要建立对象的精确的数学模型，而且鲁棒性和抗干扰能力较差，面向对象的神经元模型及其学习算法具有算法简单、适应性好等优点，但是对于大纯滞后过程，由于被控量的偏差不能及时反映控制量的变化影响了神经元的控制效果。1 滞后时间参数的辨识对于一般纯滞后系统,其特性均可以用模型来描述y(k)=f(y(k-1)，.y(k-n)，u(k-d).，u(k-m-d) (1)对非线性系统滞后时间参数进行辨识时，主要是利用不同的输入采样区间样本集对网络的训练结果有很大的影响的特性，即：在用采集的样本对神经网络进行训练时，期望输出与网络输出误差平方和(即网络训练结果)会在不包含第一个延迟输入量h=d+1到包含第一个延迟输入量h=d的输入采样区间产生突变，由此可以用来辨识出系统的纯滞后时间。训练时采集的输入输出数据包括(1) 输入u(k-h)，u(k-h-1)，.，u(k-h-na)(2) 输出y(k-1)，y(k-2)，.，y(k-na)对于最后一个输入中u(k-h-na) 中 nana时产生上跳突变和下跳突变上跳突变对应的点为系统的纯滞后时间值，下跳突变对应的则是dna处也就是说能反映纯滞后时间只有上跳突变，在进行纯滞后时间辨识时不能仅仅根据训练误差是否突变来判断纯滞后时间点，而应该更具体的判断出是上跳突变后才能得到准确的参数信息。区别上跳突变和下跳突变的最好方法就是其梯度信息，所以采用网络训练误差的梯度来判断如何来选取正确的突变点，以便获取正确的纯滞后参数。2 克服大纯滞后的预测控制1 预测控制系统的总体结构控制系统总体结构如图1所示，在神经网络对被控系统的纯滞后时间参数d辨识后，在k时刻通过神经网络预测模型预测出系统在k+d时刻的输出yC(k+d)，将其与系统参考轨迹yr(k+d)进行比较，从而求取下一时刻的控制率u(k)，这样就可消除纯滞后对系统的影响。并用k时刻预测模型输出延迟d步与系统实际输出y(k)间的误差e(k)来在线校正预测模型。3 仿真实例分析3.1仿真实例（一）为验证该方法的有效性，现考虑一个高阶的冷水加热系统G(S)=0.4e-24S/ (13.8S+1)(6.1S+1)(3.9S+1) 控制仿真实验中,取采样周期为2s,结构变量取为T=y(t-1),u(t-d-1), ,u(t-d-N),1其中，N=12当系统在稳态时出现阶跃响应后，由文中给出的系统滞后步数的测定方法可得到对象的滞后步数d。使用式(21)的神经元控制算法，控制器参数选取为K0=019，B=011,先进行参数估计，构造出Smith预估器，然后投入控制。3.1 .1系统的阶跃响应及抗干扰性实验系统的仿真结果如图3所示，当t=200s时,系统突加幅值为30%的阶跃干扰。由图3可见，神经元控制器具有良好的动态性能，系统的阶跃响应无超调、无静差,无振荡当系统出现较大幅度的定值干扰时,神经元控制器能很快抑制干扰。3.1.2鲁棒性实验假定对象的模型变化为G(S)=0.48e-32S/16.5S+1)(7.3S+1)(4.7S+1)系统的阶跃响应如图4所示由图4可见,当被控对象发生较大变化时,神经元控制器仍能取得满意的控制效果。3.2仿真实例（二）某一系统的动态特性可表示为y(k)=0.368y(k-1)+0.26y(k-2)+u(k-10)+0.632u(k-11)(1)单位阶跃响应仿真采样周期Ts=0.1，并在t=20时加入幅值为0.1的负阶跃干扰。图3中，曲线1表示为采用预测控制时的阶跃响应曲线，曲线2为模型精确时预估补偿与结合的控制方案时的阶跃响应曲线。从图3可看出在控制初期曲线1的上升速度略快于曲线2，且曲线2需要的稳定时间要长一些；但明显曲线2对运行条件很敏感，在t=20受到干扰后,需要一段时间才能稳定下来，而曲线1则能很快的稳定。说明采用预测控制的方案中由于预测模型可在线调整，能实时跟踪被控系统，提高了其抗干扰能力。(2)方波跟踪仿真，选择参考输入为幅度为0.5的方波信号，方波周期为200,控制时域Nu=4，预测时域N=5，K=011，Q=015。图4中，曲线1表示预测控制方案的跟踪曲线，曲线2表示采用预估补偿方案的跟踪曲线，由图中可以看出，滞后的存在使得曲线1和曲线2都是稍有停顿后才开始跟踪方