【摘要】：由于實(shí)際的化工過程作為具有高度復(fù)雜性和高度不確定性的非線性對(duì)象,很難獲得其精確的機(jī)理模型。因此,基于神經(jīng)網(wǎng)絡(luò)(Neural Networks,NNs)和模糊邏輯系統(tǒng)(Fuzzy Logic System,FLS)等計(jì)算智能方法的非線性動(dòng)態(tài)辨識(shí)模型以及實(shí)現(xiàn)基于計(jì)算智能方法的自適應(yīng)控制器的在線控制,在化工過程辨識(shí)與控制中發(fā)揮著重要作用。極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)的本質(zhì)是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)(Single-hidden Layer Feedforward Neural Networks,SLFNs),由于該方法僅需調(diào)整網(wǎng)絡(luò)的輸出層權(quán)值,極大地提高了網(wǎng)絡(luò)的學(xué)習(xí)速度和泛化能力,避免了采用梯度下降法的神經(jīng)網(wǎng)絡(luò)易陷入局部極小的風(fēng)險(xiǎn)。鑒于此,ELM網(wǎng)絡(luò)理應(yīng)作為計(jì)算智能方法的有利候選者。針對(duì)強(qiáng)非線性化工過程,本文研究了基于ELM的化工過程的模型辨識(shí)與自適應(yīng)控制方法。論文的主要研究有如下幾個(gè)方面:(1)研究ELM網(wǎng)絡(luò)的基本結(jié)構(gòu)以及其離線和在線訓(xùn)練算法。將ELM網(wǎng)絡(luò)結(jié)合非線性自回歸模型結(jié)構(gòu)(Nonlinear Auto Regressive with exogenous inputs,NARX),針對(duì)模型未知的強(qiáng)非線性連續(xù)攪拌反應(yīng)釜(Continuous Stirred Tank Reactor,CSTR)過程和具有嚴(yán)重非線性和大滯后特點(diǎn)的pH酸堿中和過程這兩個(gè)典型的化工過程,分別給出了基于NARX-ELM網(wǎng)絡(luò)的離線辨識(shí)方法和基于NARX-在線極限學(xué)習(xí)機(jī)(Online Sequential Extreme Learning Machine,OSELM)的在線辨識(shí)方法,以及為了提高網(wǎng)絡(luò)泛化性能給出的基于NARX-正則化ELM的離線辨識(shí)方法。在相同實(shí)驗(yàn)條件下,對(duì)ELM的離線和在線辨識(shí)方法做出了對(duì)比分析。(2)在正則化ELM的基礎(chǔ)上研究了當(dāng)ELM的特征映射函數(shù)h(x)未知時(shí),引入核矩陣的核極限學(xué)習(xí)機(jī)(Extreme Learning Machine with Kernel,KELM)的基本結(jié)構(gòu)及其訓(xùn)練算法。分別針對(duì)CSTR過程和p H酸堿中和過程,給出了基于兩種不同類型核函數(shù)的NARX-KELM網(wǎng)絡(luò)辨識(shí)方法,并討論了選取兩種不同核函數(shù)時(shí)對(duì)系統(tǒng)辨識(shí)性能的影響。在相同實(shí)驗(yàn)條件下,將NARX-KELM方法與NARX-ELM方法、NARX-正則化ELM方法、NARX-OSELM方法以及已有文獻(xiàn)中的方法進(jìn)行比較,實(shí)驗(yàn)結(jié)果表明NARX-KELM網(wǎng)絡(luò)能夠更有效地反映出系統(tǒng)的動(dòng)態(tài)性能,具有更小的辨識(shí)誤差。(3)針對(duì)CSTR非線性化工過程,將其轉(zhuǎn)換為一類不確定性純反饋非仿射非線性動(dòng)力學(xué)系統(tǒng),提出基于ELM網(wǎng)絡(luò)的Backstepping自適應(yīng)神經(jīng)控制方法。在所提出方法的每一步Backstepping設(shè)計(jì)中,應(yīng)用ELM網(wǎng)絡(luò)對(duì)子系統(tǒng)的未知非線性項(xiàng)進(jìn)行在線逼近,通過Lyapunov穩(wěn)定性分析設(shè)計(jì)的權(quán)值參數(shù)自適應(yīng)調(diào)節(jié)律,可以保證閉環(huán)非線性系統(tǒng)所有信號(hào)半全局最終一致有界,系統(tǒng)的輸出收斂于期望軌跡的很小鄰域內(nèi)。仿真結(jié)果表明了控制方法的有效性。
【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TQ018

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡云安;程春華;鄒強(qiáng);周大旺;;非仿射純反饋系統(tǒng)的間接自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制[J];控制理論與應(yīng)用;2014年04期

2 李曉華;李軍;;基于ESN網(wǎng)絡(luò)的連續(xù)攪拌反應(yīng)釜(CSTR)辨識(shí)[J];信息與控制;2014年02期

3 李東娟;;連續(xù)攪拌反應(yīng)釜的自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制[J];化工學(xué)報(bào);2013年12期

4 朱群雄;王軍霞;;連續(xù)攪拌釜式反應(yīng)器的魯棒最優(yōu)控制[J];化工學(xué)報(bào);2013年11期

5 王章利;譚永紅;;基于改進(jìn)動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)的發(fā)酵過程pH值辯識(shí)[J];控制工程;2009年S2期

6 丁香乾;楊曉黎;楊華;;非線性CSTR過程預(yù)測(cè)控制器設(shè)計(jì)[J];控制工程;2009年02期

7 羅剛;謝麗;周琪;桑文靜;孫佳偉;;高溫厭氧CSTR反應(yīng)器處理木薯酒精廢水研究[J];中國(guó)給水排水;2008年09期

8 杜紅彬;李紹軍;;一類純反饋非仿射非線性系統(tǒng)的自適應(yīng)神經(jīng)網(wǎng)絡(luò)變結(jié)構(gòu)控制[J];系統(tǒng)工程與電子技術(shù);2008年04期

9 陳非,敬忠良,姚曉東;一種模糊神經(jīng)網(wǎng)絡(luò)的快速參數(shù)學(xué)習(xí)算法[J];控制理論與應(yīng)用;2002年04期

10 李檸,李少遠(yuǎn),席裕庚;利用模糊滿意聚類建立pH中和過程模型[J];控制與決策;2002年02期

，

本文編號(hào)：2576233