探究基于模糊算法的前馈控制和递归神经网络的反馈控制在中和过程控制中的应用

《探究基于模糊算法的前馈控制和递归神经网络的反馈控制在中和过程控制中的应用》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、浙江大学硕士学位论文基于模糊算法的前馈控制和递归神经网络的反馈控制在中和过程控制中的应用姓名：陈璟申请学位级别：硕士专业：化学工程指导教师：麻红昭2003.3.1辑波大学醺±j学位论文摘要和过程是一个典型的非线性、纯时延过稳．用常规的线性控制方法不可能行有效控制。谯对中和过程意动控制算法的探索中，袋用了非线性参数自制和基于摸黧的蔚馈控制，{本文赍绥了这荦申控觎系统的实现和现场撩制效于中和控制过程的模型极其滩以确定，反应过程变化簸杂，因此基于模型的前馈撩制无法对pH懂和流量德的波动进行鸯放的补偿。PID控制算法墩无法对反成

2、的变化过程徽狡速豹、精确豹反应，在羧镬过程孛缀容易弓

3、莛振荡现象，很难对系统实现最优控制。，模糊控制完全楚摄操作人员按制经验的基锻上实现对系绞的控制，光霜建立数学模激，具有较强的鲁棒往，懑用于{#线毪、时交、时潞系统静控制，辩中和过程的控制尤其适合。因此在本系统中引入模糊控制作为前馈控制模型。’襻经网络具有邋潺任意连续≈}线。眭函数的熊力，但常用懿多层翦馈式反传网络本旗上是一穗静态嘲络，不适含霸态系统豹实对辨识，丙遂!

4、写丰孛经弱络熊够实现对动态系统状态记忆机制的模拟，因此更适含于作为动态时延系统的模烈。怍者提出了一转基

5、于改逃Elman神经网络的一步露前预测控露4算法。文中详细描述了羽改进静Elman同作为中稻进程预测穰黧静谢练算法，剩爱神经两络梯度信息求取过程控制量的“滚动优化、反馈校正”的控制算法。同时，还介绍了该神经掰络一步导前预测控制毂实现过程。给出了改进Elman神经网络模溅的遥近速度鞠精度，}E较-『两秘控老《方法豹控裁效聚。控蒂l效栗袋明，该辛串经阚络模型具有很好的动态特性和较强的鲁棒性。，本文最后对全文掰骰的工作送行了’总结，并提出了今詹遴一步研究所褥要徽的工亍譬。关键词。pH值控制模糊控制前馈肆制神经隧烙控制Elmir

6、a网优化许霹鑫越柚～对整果浙疆大学母10学位论文A籽STRACT玎Neutralizationprocessisatypicalnonlinearprocesswithpuretimedelay．Thisprocesscan’tbecontrolledeffectivelywithconventionallinearcontrolmethod．FeedbackcontrolbaseonNonlinearPIDwithself-adjustparameterandfeedforwardcontrolbaseonexperi

7、encemodelareemployedinthepracticalapplication．Therealizationofthiscontrolsystemanditsresultareintroducedinthispaper．Becausetheprocessofthereactioniscomplicated，it'sdifficulttomodelforit，TheNonlinearPIDCall’tfitthechangeofthereaction．Thefeedforwardcontrolbaseonmod

8、elalsocall’tfitthechangeofpHvalueandfluxoftheoriginalwater．Sothecontrolmethodcarl’tgetagoodresult。Fuzzycontrolisacontrolmethodbaseontheexperienceoftheoperator．Modelingdoesn’tneedfurthefuzzycontr01．Ithasexcellentrobustness．Fuzzycontrolfitthecontrolofnonlinear,time

9、lagsystem。ItespeciallyfitsthecontrolofNeutralizationProcess，Sofuzz；,,controlisemployedinthecontrolsystem毫safeedforwardcontr01．Neuralnetworkscarlbeviewedasauniversalapproximatorfornonlinearfunctions，butthemulti—layerfeed—forwardneuralnetworkwhichbeusedusuallyiSast

10、aticstatenetworkinnature，itisdisagreewiththereal-timeidentificationfordynamicsystem，Moreover,recurrentneuralnetworkscarlsimulatethestatememorymechanismofdynami