基于模糊RBF神经网络的主汽温控制系统.pdf

《基于模糊RBF神经网络的主汽温控制系统.pdf》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、维普资讯http://www.cqvip.com第12卷第2期重庆电力高等专科学校学报2007年6月V01．12No．2JournalofChongqingElectricPowerCollegeJun．2007基于模糊RBF神经网络的主汽温控制系统曾蓉，段其昌(1．重庆大学自动化学院，400044；2．重庆电力高等专科专科学校，400053)【摘要】本文主要研究应用模糊神经网络实现主汽温控制系统，采用神经网络的学习能力来优化权值，在不同负荷下都取得了较好的控制效果。【关键词】主汽温；神经网络；模糊神经网络【中图分类号]TK323【文献标识码】A【文章编号】

2、1008-8032(2o07)02-0038—03电厂主汽温对象是具有大惯性、大迟延和时变h，⋯，]，其中为高斯基函数：特性的复杂控制对象，常规串级PID控制系统很难一取得较好的调节品质。神经网络具有自学习、自适)应的能力，但收敛速度慢，且其算法有可能陷入局部极小。另外，过大的系统偏差对神经网络控制器的学习也有可能产生不利的影响。本文采用一种模糊与神经网络相结合的控制方法，该方法可不依赖被控对象的数学模型，与常规PID控制相比较，它不仅改善了系统的动态性能，而且在一定程度上也克服了热工对象的时变性对控制效果的影响。图1RBF神经网络结构如图1所示。1RBF神

3、经网络模型网络的第个结点的中心矢量为C=[cd，c，⋯径向基函数(RadialBasisFunction，RBF)神经，cm]，其中，i=1，2⋯．，n网络是由J．Moody和C．Darken在20世纪80年代设网络的基宽向量为：B=[b，b，⋯，b6，为节点的基宽度参数，且为大于零的数。提出的一种神经网络，它是具有单隐层的三层前馈网络。由于它模拟了人脑中局部调整、相互覆盖接网络的权向量为：收域的神经网络结构，因此，RBF网络是一种局部=[1，2，⋯，，⋯，]逼近网络，已证明它能以任意精度逼近任意连续函辨识网络的输出为：ym()=1h1+∞2h2十⋯+h数。

4、辨识器的性能指标函数为：J。=÷(y0()一())1．1网络结构根据梯度下降法，输出权、节点中心及节点基宽参RBF网络是一种三层前向网络，由输入至输出数的迭代算法如下：的映射是非线性的，而隐含层空间到输出空间的映()=(一1)+n(yout(k)一())+((k一射是线性的从而大大加快了学习速度并避免了局1)一(

5、j}一2))部极小问题。：(your(k)1．2被控对象Jacobian信息的辨识算法在RBF网络结构中，X=[。，，⋯，]为网()=(一1)+r／△+((一1))-bj(k一2)络的输入向量，设RBF网络的径向基向量H=[h，=(your(k)一

6、ym(k))wj收稿Et期：2007．04．10维普资讯http://www.cqvip.com第2期曾蓉等：基于模糊RBF神经网络的主汽温控制系统39cj,(k)-c~(k-1)+VAc~+((一1))一(一2)第四层：输出层式中为学习速率，Ot为动量因子。输出层输出为。，ki，k整定结果，该层由三Jacobian阵(即为对象的输出对控制输入变化个节点构成，即：Ⅳ的灵敏度信息)算法为：mf4(i)=·=∑to(i,j)·()=下Cji-"~1(k)cgu(k)式中，i组成输出节与第三层各节点的连接权式中，。=△(k)矩阵i=l，2，3。控制器为：2模糊RB

7、F网络PID控制Au(k)=·=c(1)+kixc(2)+d(3)图2示出模糊RBF神经网络结构，该网络由=(1)，k=(2)，k=(3)输入层、模糊化层、模糊推理层及输出层构成，网络xc(1)=e()输出为，k，k。将模糊RBF网络中信号传播和其中，各层的功能表示如下：xc(2)=e()一e(k一1)第一层：输入层xc(3)=△e()=e()一2e(k一1)+e(k一1)采用增量式PID控制算法：(k)=(一1)+Au(k)采用delta学习规则来修正可调参数，定义目标函理层数为：E=÷(rin(k)一yout(k))式中，()和your()分别表示网络的

8、实际输出和理想输出，每一个迭代步骤k的控制误差为图2模糊RBF神经网络结构结构rin(k)一yout()。输入层的各个节点直接与输入量的各个分量3仿真结果连接，将输入量传到下一层。对该层的每个节点i表1600MW直流锅炉过热汽温对象动态特性的输入输出表示为(i)=X=[。，，⋯，]第二层：模糊化层模糊化层采用高斯型函数作为隶属函数，c和6分别是第i个输入变量第个模糊集合的隶属函数的均值和标准差。J)=exp{)，2，⋯仿真中，网络的输入信号为两个，即指令信号1，2，⋯，n。和对象的实际输出，针对每个输入取5个模糊集进第三层：模糊推理层行模糊化，即n=2，N=

9、5，网络结构取2—5—5—3模糊推理层通过与模糊化层