型自适应控制doc

《型自适应控制doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、水煤浆锅炉的神经网络参考模型自适应控制李毅，杨公训，李林琛(中国矿业大学机电与信息工程学院)摘要：采用神经网络模型参考自适应控制方法对水煤浆锅炉的燃烧系统进行了有效控制。针对水煤浆锅炉的高度非线性、大惯性和多输入多输出的特点设计了一个神经网络辨识器(NNI)与神经网络控制器(NNC)，并对训练步骤和算法进行了详述。仿真结果表明，对水煤浆锅炉的燃烧采用神经网络间接模型参考自适应控制是行之有效的。关键词：水煤浆锅炉；神经网络；参考模型；自适应控制近年来，随着能源危机的日益显现，水煤浆锅炉作为一种节能环保的锅炉被越来越多的应用到实际，但始终因其自动控制

2、水平不高以及其他一些因素而得不到进一步推广。从控制的角度出发，水煤浆锅炉燃烧过程是一个复杂的被控对象，它是一个多输入多输出的系统，并且具有典型的时变和大滞后特点，数学模型难以建立，这些都与普通的锅炉类似。而其本身又有一些特殊的地方，由于水煤浆含有水分，因此燃烧温度相对煤粉燃烧要低，所以其对燃烧的稳定性和安全性有更高的要求，对配风控制的要求也更高。目前绝大多数的水煤浆锅炉还停留在手动控制的阶段，因此寻找能够保持水煤浆锅炉稳定高效燃烧并且满足负荷要求的控制方法成为水煤浆锅炉发展道路上一个迫切需要解决的难题。而神经网络是解决这类问题的有效方法，神经网络

3、控制方法不需要知道被控系统的数学模型，经过训练的神经网络将数学模型和控制方法隐藏在网络及其权系当中，因而使得控制趋于简洁和有效。神经网络的这一特点吸引了许多学者对其进行研究，并在锅炉控制方面进行了大量有益的尝试。笔者将神经网络模型参考自适应控制用于水cwm煤浆锅炉的燃烧系统，并对系统进行了仿真研究。1神经网络模型参考自适应控制模型参考自适应控制(MRAC，ModelReferenceAdaptiveControl)是一种典型的自适应逆控制方案，它用一个参考模型给出所希望的控制系统闭环响应，用实际系统与参考模型的输出误差调整来实时修正控制器参数，以

4、适应对象特性的变化。对于高度非线性和时变的控制对象来说，神经网络模型参考自适应控制相比传统的模型参考自适应控制更具有优势。模型参考自适应控制有2种结构：直接型与间接型，对于研究对象的特性是不确定、不确知情况时，一般采用神经网络间接模型参考自适应控制，如图1所示。1图1神经网络间接模型参考自适应控制其原理是：给定一个由输入/输出对{u(k)，y(k)}表征的被控对象P，由输入/输出对{r(k)，yM(k)}表征的稳定的参考模型M，r是有界的，yM是对象的期望输出，控制的目的是确定控制序列u(k)，使E(k)=lim║yM(k)-y(k)║≤ε，ε>

5、0(1)即当k≥k0时，系统的输出y(k)能跟踪参考模型M的输出yM，即y(k)→yM神经网络直接模型参考自适应控制需要被控对象有确切的逆模型，而由于水煤浆锅炉燃烧过程的复杂性，要想证明其逆过程是否存在是极其困难的，因此水煤浆锅炉的控制采用神经网络间接模型参考自适应控制。图1中NNC和NNI根据就以往的经验均采用3层的BP神经网络，由于水煤浆锅炉燃烧系统基本上可以看成是一个二输入二输出的系统，输入包括锅炉燃料量、送风量，输出包括蒸汽压力、烟气氧量，因此NNC和NNI神经网络的输入层、输出层均为2个节点，它们的隐层通过以往的经验设计为均包含有8个节

6、点。2神经网络训练和算法2.1NNI和NNC的训练步骤对于水煤浆锅炉的神经间接模型参考自适应控制首先需要解决的问题是NNI神经网络的辨识，只有NNI能够较为精确的模拟被控对象，NNC才能得到较好的训练。所以设计好的控制系统需要经过以下3步的训练才能应用到实际系统，训练步骤如下：第1步：由水煤浆锅炉的运行数据中筛选出有代表性的数据500组，对NNI神经网络首先进行离线辨识，再进行在线修正，如图2所示。cwm图2NNI在线修正第2步：把充分训练过的NNI并入整个控制系统，如图3所示，对控制数据进行筛选找出符合水煤浆锅炉控制特点的数据对{r(k)，yM

7、(k)}300组，利用这些数据对NNC进行离线训练。第3步：将控制系统接入水煤浆锅炉，实现对水煤浆锅炉燃烧控制。其中将y与ym进行比较对NNC在线修正，对NNI亦采用相同的方法，将y与y^比较对NNC在线修正，如图3所示。2图3NNC离线训练2.2算法设计NNI和NNC的训练算法均采用传统的BP学习算法。首先计算网络的目标函数J，设Ep为在p组样本输入时，网络的目标函数，取L2范数，则式中，ykp(t)是在第p组样本输入时，经t次权值调整后网络的输出：k是输出层第k个节点。网络的总目标函数是：作为网络学习的评价，然后对J进行判别，若J(t)≤ε算

8、法结束；否则，进行反向传播计算。式中，ε是预先确定的，ε>0反向传播计算的方法为由输出层，依据J，按剃度下降法反向计算，可逐层调整权值。