本文關(guān)鍵詞：基于智能計算的預(yù)測控制及應(yīng)用

  更多相關(guān)文章： 預(yù)測控制 爐溫控制 遺傳算法 神經(jīng)網(wǎng)絡(luò) 系統(tǒng)辨識

【摘要】：隨著現(xiàn)代工業(yè)的飛速發(fā)展,工業(yè)系統(tǒng)的復(fù)雜度大幅提高,針對復(fù)雜非線性時滯系統(tǒng),現(xiàn)有傳統(tǒng)的預(yù)測控制技術(shù)很難實(shí)現(xiàn)對其控制。本文針對加熱爐爐溫控制系統(tǒng)復(fù)雜的非線性、大時滯、多干擾的特性,采用基于智能計算的預(yù)測控制技術(shù),以實(shí)現(xiàn)控制。起先,根據(jù)神經(jīng)網(wǎng)絡(luò)具有的獨(dú)特性質(zhì),利用其對復(fù)雜非線性系統(tǒng)進(jìn)行辨識,構(gòu)建出預(yù)測模型;其次,依據(jù)遺傳算法能夠借助搜索機(jī)制的隨機(jī)性實(shí)現(xiàn)對搜索問題域全局最優(yōu)解的特點(diǎn),采用遺傳算法來實(shí)現(xiàn)預(yù)測控制中的滾動優(yōu)化;再在此基礎(chǔ)上,通過對預(yù)測控制、神經(jīng)網(wǎng)絡(luò)、預(yù)測算法進(jìn)行深入學(xué)習(xí),組合成一個優(yōu)良的控制方案;最后,以加熱爐燃料氣流量為控制變量,加熱爐的出口溫度為被控變量,用MATLAB軟件進(jìn)行仿真,求證本文基于智能計算預(yù)測控制的良好控制性能,完成本文的研究。本文的研究目標(biāo)是將神經(jīng)網(wǎng)絡(luò)、遺傳算法、預(yù)測控制三種理論相互結(jié)合,將神經(jīng)網(wǎng)絡(luò)作為非線性系統(tǒng)的辨識方法,并使用遺傳算法對預(yù)測控制滾動優(yōu)化,以實(shí)現(xiàn)基于智能計算的預(yù)測控制。
【關(guān)鍵詞】：預(yù)測控制 爐溫控制 遺傳算法 神經(jīng)網(wǎng)絡(luò) 系統(tǒng)辨識
【學(xué)位授予單位】：寧波大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TK175;TP273
【目錄】：

• 摘要4-5
• abstract5-8
• 引言8-9
• 1 緒論9-13
• 1.1 研究背景與研究意義9
• 1.2 預(yù)測控制研究現(xiàn)狀9-10
• 1.2.1 先進(jìn)預(yù)測控制現(xiàn)狀9-10
• 1.2.2 基于智能計算的預(yù)測控制現(xiàn)狀10
• 1.3 傳統(tǒng)預(yù)測控制存在的問題10-11
• 1.4 本文研究內(nèi)容及結(jié)構(gòu)11-13
• 2 預(yù)測控制理論基礎(chǔ)13-31
• 2.1 預(yù)測控制的基本原理13
• 2.2 預(yù)測控制的基本結(jié)構(gòu)13-15
• 2.2.1 參考軌跡14
• 2.2.2 預(yù)測模型14
• 2.2.3 滾動優(yōu)化14
• 2.2.4 反饋校正14-15
• 2.3 預(yù)測控制的類型15-16
• 2.3.1 基于非參數(shù)模型的預(yù)測控制15
• 2.3.2 基于參數(shù)模型的預(yù)測控制15
• 2.3.3 其他類型的預(yù)測控制15-16
• 2.4 典型預(yù)測控制算法16-27
• 2.4.1 動態(tài)矩陣控制16-20
• 2.4.2 廣義預(yù)測控制20-25
• 2.4.3 隱式廣義預(yù)測控制25-27
• 2.5 預(yù)測控制相關(guān)參數(shù)分析27-30
• 2.6 本章小節(jié)30-31
• 3 神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識31-44
• 3.1 系統(tǒng)辨識31-33
• 3.1.1 系統(tǒng)辨識概念31
• 3.1.2 系統(tǒng)辨識過程31-32
• 3.1.3 系統(tǒng)辨識方法32-33
• 3.2 神經(jīng)網(wǎng)絡(luò)基本原理33-36
• 3.2.1 神經(jīng)網(wǎng)絡(luò)發(fā)展概況33
• 3.2.2 人工神經(jīng)元模型33-35
• 3.2.3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)35-36
• 3.2.4 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式及規(guī)則36
• 3.3 神經(jīng)網(wǎng)絡(luò)辨識36-37
• 3.3.1 神經(jīng)網(wǎng)絡(luò)辨識原理36-37
• 3.3.2 神經(jīng)網(wǎng)絡(luò)辨識特點(diǎn)37
• 3.4 BP神經(jīng)網(wǎng)絡(luò)辨識37-41
• 3.4.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)37-38
• 3.4.2 BP算法思想38
• 3.4.3 BP算法推導(dǎo)及改進(jìn)38-41
• 3.5 神經(jīng)網(wǎng)絡(luò)辨識效果分析41-43
• 3.5.1 神經(jīng)網(wǎng)絡(luò)辨識參數(shù)選擇41
• 3.5.2 神經(jīng)網(wǎng)絡(luò)辨識仿真41-43
• 3.6 本章小節(jié)43-44
• 4 基于遺傳算法的滾動優(yōu)化44-56
• 4.1 遺傳算法原理44-45
• 4.1.1 基本思想44
• 4.1.2 主要特點(diǎn)44
• 4.1.3 基本操作44-45
• 4.2 遺傳算法優(yōu)化設(shè)計45-48
• 4.2.1 遺傳算法構(gòu)成要素45-47
• 4.2.2 遺傳算法優(yōu)化流程47-48
• 4.2.3 遺傳算法應(yīng)用步驟48
• 4.3 基于遺傳算法的滾動優(yōu)化實(shí)現(xiàn)48-55
• 4.3.1 優(yōu)化實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)參數(shù)48-53
• 4.3.2 優(yōu)化實(shí)現(xiàn)預(yù)測控制參數(shù)53-55
• 4.4 本章小節(jié)55-56
• 5 加熱爐預(yù)測控制系統(tǒng)仿真應(yīng)用56-69
• 5.1 加熱爐爐溫影響因素56
• 5.2 加熱爐預(yù)測控制方案56-58
• 5.3 加熱爐預(yù)測控制模型58-61
• 5.3.1 模型的建立58-61
• 5.3.2 模型的反饋校正61
• 5.4 加熱爐爐溫優(yōu)化控制器61-63
• 5.5 加熱爐預(yù)測控制系統(tǒng)仿真63-67
• 5.6 本章小節(jié)67-69
• 6 總結(jié)與展望69-71
• 6.1 全文總結(jié)69
• 6.2 下一步展望69-71
• 參考文獻(xiàn)71-74
• 致謝74

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 鄒濤,李少遠(yuǎn);帶有輸出區(qū)域控制目標(biāo)特性的多變量預(yù)測控制算法[J];控制與決策;2005年02期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 陳晶;基于GA模糊神經(jīng)網(wǎng)絡(luò)的列車自動駕駛優(yōu)化研究[D];蘭州交通大學(xué);2013年

，

本文編號：683574