预测控制在时滞系统中的应用

《预测控制在时滞系统中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要工业过程中的时滞现象是非常普遍的，大时滞的存在严重影响了系统的稳定性，导致系统的超调量变大，调节时间大大加长，甚至出现振荡、发散，系统的动态品质明显变差。对于大滞后系统，许多补偿方法从理论上讲可以克服纯滞后对控制品质的影响，但这需要掌握对象的准确模型。实际上很多控制系统在运行过程中存在不确定性，所以其准确模型很难建立。为此很有必要研究一种不苛求对象模型、抗干扰能力强、鲁棒性好的控制策略。而预测控制具有适应性强、响应速度快、超调量小、调节时间短、鲁棒性强等特点，而且对模型的精确度要求不高，可以很好的控制时滞系统。．本文在深入研究动态矩阵控制的基础上

2、，并将其应用于时滞系统，得到良好的控制效果；与Smith预估控制比较，显示出良好的鲁棒性。在深入分析广义预测控制的基础上，将其应用于时滞系统，达到令人满意的控制效果；并通过仿真，研究了广义预测控制设计参数的变化对系统性能的影响。由于许多工业过程往往是非线性的，很难建立精确的数学模型，因此，这些基于线性系统建模的预测控制算法就难于应用。神经网络具有良好的非线性逼近功能，而在两种常用的神经网络中，BP神经网络存在学习过程收敛速度慢，可能出现局部收敛，训练速度慢，效率低等缺点；而RBF神经网络恰能克服上述缺点。基于此，本文将RBF神经网络和动态矩阵控制算法

3、相结合，提出了基于RBF的动态矩阵控制。经过仿真研究表明，该方法运用于时滞系统的控制中显示出良好的控制性能。关键词：时滞系统预测控制动态矩阵控制广义预测控制神经网络东北电力大学硕士学位论文AbstractThebigtime—delayphenomenonwithinthemdustryprofessisverywidespread．Itsexistenceaffectsthestabilityofthesystemseriously,causessystemovershotbecomingbig,makesadjusttimebecomelongc

4、onsumedly,andevenappearstoflapanddissipation．Thedynamicqualityofthesystembecomesobviouslybad．ManymethodsCallovercomethebadeffectofthetime-delayqualityintheory,buttlleyneedtheprecisemodelsofthesystems．Infact,itisdifficultt0producethesystemmodelbecauseoftheindeterminationintheind

5、ustryprocess．Soitisnecessarytofmdagoodcontroltacticswithnodependingonsystemmodel，stronganti—interferenceabilityandgoodrobustness．Meanwhilethepredictivecontrolhasthefollowingcharacters：goodself-tuningability,fastresponse，littleovershot,shortadjust-timeandstrongrobustness，etc．Ith

6、ashighercontrolprecisionwithoutthenecessaryofprecisemodel，SOitCancontrolthetime-delaysystem．Inthispaper,theDynamicmatrixControlstudiedandusedintime-delaysystemhasgoodcontroleffectandcomparedwithclassicSmithcontrolitshowsgoodrobustness．OnthebaseofthedeeplystudyofGeneralizedPredi

7、ctiveControltheory,ithasbeenusedintime·delaysystemandgivessatisfactorycontroleffect．Atthesanletime，theimpacttothesystemresponseoftheparametersoftheGPCisstudiedthroughsimulation．Itishardtoproducetheprecisemodeloftheindustryprocessbecauseofthenonlinear,SOitisdifficulttobeusedinre

8、alsystem．Neuralnetworkhasnonlinearconvergenceability,S