【摘要】：由于實際的化工過程作為具有高度復雜性和高度不確定性的非線性對象,很難獲得其精確的機理模型。因此,基于神經網絡(Neural Networks,NNs)和模糊邏輯系統(tǒng)(Fuzzy Logic System,FLS)等計算智能方法的非線性動態(tài)辨識模型以及實現(xiàn)基于計算智能方法的自適應控制器的在線控制,在化工過程辨識與控制中發(fā)揮著重要作用。極限學習機(Extreme Learning Machine,ELM)的本質是一種單隱層前饋神經網絡(Single-hidden Layer Feedforward Neural Networks,SLFNs),由于該方法僅需調整網絡的輸出層權值,極大地提高了網絡的學習速度和泛化能力,避免了采用梯度下降法的神經網絡易陷入局部極小的風險。鑒于此,ELM網絡理應作為計算智能方法的有利候選者。針對強非線性化工過程,本文研究了基于ELM的化工過程的模型辨識與自適應控制方法。論文的主要研究有如下幾個方面:(1)研究ELM網絡的基本結構以及其離線和在線訓練算法。將ELM網絡結合非線性自回歸模型結構(Nonlinear Auto Regressive with exogenous inputs,NARX),針對模型未知的強非線性連續(xù)攪拌反應釜(Continuous Stirred Tank Reactor,CSTR)過程和具有嚴重非線性和大滯后特點的pH酸堿中和過程這兩個典型的化工過程,分別給出了基于NARX-ELM網絡的離線辨識方法和基于NARX-在線極限學習機(Online Sequential Extreme Learning Machine,OSELM)的在線辨識方法,以及為了提高網絡泛化性能給出的基于NARX-正則化ELM的離線辨識方法。在相同實驗條件下,對ELM的離線和在線辨識方法做出了對比分析。(2)在正則化ELM的基礎上研究了當ELM的特征映射函數(shù)h(x)未知時,引入核矩陣的核極限學習機(Extreme Learning Machine with Kernel,KELM)的基本結構及其訓練算法。分別針對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網絡辨識方法,并討論了選取兩種不同核函數(shù)時對系統(tǒng)辨識性能的影響。在相同實驗條件下,將NARX-KELM方法與NARX-ELM方法、NARX-正則化ELM方法、NARX-OSELM方法以及已有文獻中的方法進行比較,實驗結果表明NARX-KELM網絡能夠更有效地反映出系統(tǒng)的動態(tài)性能,具有更小的辨識誤差。(3)針對CSTR非線性化工過程,將其轉換為一類不確定性純反饋非仿射非線性動力學系統(tǒng),提出基于ELM網絡的Backstepping自適應神經控制方法。在所提出方法的每一步Backstepping設計中,應用ELM網絡對子系統(tǒng)的未知非線性項進行在線逼近,通過Lyapunov穩(wěn)定性分析設計的權值參數(shù)自適應調節(jié)律,可以保證閉環(huán)非線性系統(tǒng)所有信號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。仿真結果表明了控制方法的有效性。
【學位授予單位】：蘭州交通大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TQ018

【參考文獻】

相關期刊論文 前10條

1 胡云安;程春華;鄒強;周大旺;;非仿射純反饋系統(tǒng)的間接自適應神經網絡控制[J];控制理論與應用;2014年04期

2 李曉華;李軍;;基于ESN網絡的連續(xù)攪拌反應釜(CSTR)辨識[J];信息與控制;2014年02期

3 李東娟;;連續(xù)攪拌反應釜的自適應神經網絡控制[J];化工學報;2013年12期

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

5 王章利;譚永紅;;基于改進動態(tài)遞歸神經網絡的發(fā)酵過程pH值辯識[J];控制工程;2009年S2期

6 丁香乾;楊曉黎;楊華;;非線性CSTR過程預測控制器設計[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反應器處理木薯酒精廢水研究[J];中國給水排水;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)的自適應神經網絡變結構控制[J];系統(tǒng)工程與電子技術;2008年04期

9 陳非,敬忠良,姚曉東;一種模糊神經網絡的快速參數(shù)學習算法[J];控制理論與應用;2002年04期

10 李檸,李少遠,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：2576233