资源描述：
《大纯滞后在对象控制方法应用研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、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/T>0.5)的系统，常规控制往往无能为力。采用Smith控制是解决对象人纯滞示问题的有效方法，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，由丁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，其特性均町以用模型来描述y(k)=f(y(k-l),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
2、样区间样本集对网络的训练结果有很大的影响的特性，即：在用釆集的样本对神经网络进行训练吋，期望输出与网络输出误差平方和(即网络训练结果)会在不包含笫一个延迟输入量11=€1+1到包含笫一个延迟输入量h=d的输入釆样区间产生突变，由此可以川來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-l),,u(k-h-na)(2)输出y(k-l),y(k-2),,y(k-na)对于最后一个输入中u(k-h-na)中navm经训练的网络的课差d^na时可产生一次上跳突变，而d>na时产主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d-na
3、处也就是说能反映纯滞后时间只冇上跳突变,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來判断如何來选取正确的突变点，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图1控制系统结构图控制系统总体结构如图I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),将具与系统参考轨迹yr(k+d)进行比较，从而求収卜•一吋刻的控制率u(k),这样就可消除
4、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c(k)来在线校止预测模型。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T①=[y(t~l),u(t-d-l),…,u(t-d-N),1]其中，N二12〃当系统在稳态吋出现阶跃响应后，山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K0二019,B二011,先进行参数估计，构造出Smith预
5、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T•扰时，神经元控制器能很快抑制干扰。1.5图3系统的阶跃响应及抗干扰性实验3.1.2鲁棒性实验假定对象的模型变化为一32SG(S)=O.48e/[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吋，神经元控制器仍能取得满意的控制效果。图4系统的鲁棒性实验3.2仿真实例(二)某一系统的动态特性可
6、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二0.1,并在t二20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吋的阶跃响应曲线。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,月•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卜來，而Illi线1则能很快的稳定。说明采川预测控制的方案中rfl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
7、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,预测吋域N二5,K=011,Q=015o图4中,曲线1表示预测控制方案的跟踪曲线,曲线2表示采川预佔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波输出。在控制初期，预测控制所采川的预测模型是根据采集样木离线训练出來的，跟踪效果略好于曲线2中的方案：山于预测模型可不断的在线校正，在方
