基于预测函数控制的网络控制系统研究

《基于预测函数控制的网络控制系统研究》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、摘要传感器、控制器与执行器的数据经网络进行传输与交换的闭环控制系统称为网络控制系统。与传统的点对点控制系统相比，网络控制系统具有可靠性高、系统连线少、结构灵活、通信协议开放等诸多优点。然而，由于控制网络采用串行数字通信方式，各节点将按照协议规范共享网络通信资源，从而不可避免将把网络环境中诸多不确定因素引入控制系统。如何在网络环境下，充分考虑网络诱导时延对控制系统的影响，是进行网络控制系统分析与设计的关键。首先针对网络控制系统，由数据传输带来的不确定时延，提出了将增量型预测函数控制应用于网络控制系统的思想，利用预测函

2、数控制的多步预测理论对时延信号的未来进行预测以补偿其在传输中的随机长时延，并与离散PID算法比较，取得良好的控制效果。针对非线性网络控制系统，选用学习速度较快的Davidon最d'-乘法作为神经网络的在线学习算法，把线性化获得的预测函数控制律与非线性前馈增益补偿相结合，构造出适合非线性网络控制系统的前馈补偿预测函数自校正控制器，在网络传输中存在随机长时延及系统存在扰动情况下，与BP神经网络PID算法比较，获得较理想控制效果。为了证明网络控制系统研究成果或设计算法的有效性，必须进行实验，因此设计和实现网络控制系统硬件

3、实验平台是必要的。本文设计的网络控制系统实验平台在硬件设计方面采用星型的网络结构，利用一台以太网交换机连接三台计算机来实现。其中两台计算机分别作为实际控制系统中的控制器和被控对象，控制器和被控对象通过Matlab仿真实现，两者的数据通信通过WinSockAPI实现，VC++与Matlab的数据交换通过matlab引擎技术解决。第三台电脑作为网络中的壅塞数据的产生源，通过发送组播实现不同网络负载下的网络时延。最后在实验平台上验证本文提出理论方法的有效性。关键词：网络控制系统长时延增量型预测函数控制神经网络Davido

4、n最小二乘法非线性前馈增益补偿硬件实验平台NetworkAbstractcontrolsystemOqcs)isakindofclosedloopcontrolsystemswherethesensors，thecontrollerandtheactuatorsexchangedatathroughnetwork．Comparedwiththetraditionalpointtopointcontrolsystems，networkedcontrolsystemswhichareframedonfieldbusha

5、vealotofadvantagessuchashighreliability,littlesystemwiring，flexibleconfiguration，opencommunicationprotocol，realizableinformationresourcesharing,etc．HoweveLthecontrolsystemscommunicateinserialdigitalline，causingnodescompetingfornetworkresourcesbyprotoc01．Thenso

6、meuncertaintyfromnetworkenvironmentwillbebroughtintothecontrolsystemsinevitably．Thekeytonetworkedcontrolsystemsanalysisanddesignwillbehowtohandletheissuecausedbynetworktimedelayinnetworkenvironment．Becauseoftheexistenceofrandomlongdelayduringthedatatransmissio

7、n，theideathattheincrementalpredictivefunctionalcontrol(IPFC)strategyCanbeappliedtotheNCSisproposed．Themultisteppredictivestrategyisemployedtopredictthetimedelayofthesignalandcompensatetherandomlongtimedelayinthetransmission，whichcancometoabeaercontrolresultcom

8、paredtothediscretePIDalgorithm．ByusingDavidonleastsquaremethodasNeuralonlinelearningalgorithm，afeed—forwardcompensationpredictivefunctionalself-tuningcontrollerwhichiScombinedpredi