| 【中文题名】 | 非线性系统的模糊广义预测控制算法研究 |
| 【英文题名】 | Reaserch of Fuzzy Generalized Predictive Control Algorithms in Nonlinear System |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-7-13 |
| 【中关键词】 | 预测控制,模糊广义预测控制,T-S模糊模型,模糊神经网络,蚁群算法,PH中和过程 |
| 【英关键词】 | predictive control,fuzzy generalized predictive control,T-S model,fuzzy neural network,ant colony algorithms,PH neutralization process, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>自动控制理论>> |
| 【论文摘要】 |
预测控制是20世纪七十年代末产生和发展起来的一类新型计算机控制算法。由于其控制性能良好、易于实现、鲁棒性好、能方便地处理输出约束等优点，在各个领域，特别是复杂的化工过程控制中得到了广泛应用。目前，线性单变量系统的预测理论发展较为成熟，但实际工业过程中往往是多变量、非线性系统。因此，如何对预测控制进行改进，使之更加适合于复杂工业过程的实际应用，是需要解决的问题。因此，将模糊控制理论与预测控制机理相结合，使预测控制向智能化方向发展，以满足复杂工业过程控制的需要，是当前预测控制发展的新趋势。本文针对工业控制过程中的实际问题对模糊预测控制进行了深入的研究，将模糊预测控制算法应用于PH中和过程控制系统中去。论文的主要内容可概括如下：
1回顾了模糊控制与预测控制的产生背景及意义，将两者结合作为一种新型控制算法的必要性；
2给出了T-S模型的建模方法，对于黑箱系统先用聚类法与最小二乘法建立T-S模型，再结合模糊神经网络对模型进一步优化；而对于灰箱系统，根据先验知识用蚁群算法优化模型参数，进而给模糊神经网络训练一个比较好的初始参数，仿真结果验证了该方法的有效性；
3在预测控制部分，根据所得的... |
| 【论文题纲】 |
|
摘要 |
7-8 |
|
ABSTRACT |
8-9 |
|
第1章 绪论 |
9-17 |
|
1.1 引言 |
9-10 |
|
1.2 模糊控制理论的研究进展 |
10-11 |
|
1.2.1 模糊模型的辨识研究 |
10-11 |
|
1.2.2 模糊控制研究 |
11 |
|
1.3 预测控制机理 |
11-13 |
|
1.3.1 预测模型 |
12 |
|
1.3.2 滚动优化 |
12-13 |
|
1.3.3 反馈校正 |
13 |
|
1.4 预测控制的研究现状 |
13-14 |
|
1.4.1 自适应预测控制 |
13-14 |
|
1.4.2 约束预测控制 |
14 |
|
1.4.3 智能预测控制 |
14 |
|
1.5 模糊预测控制的机理与实现形式 |
14-15 |
|
1.5.1 基于预测模型的模糊控制 |
15 |
|
1.5.2 基于模糊模型的预测控制 |
15 |
|
1.5.3 基于模糊决策优化的模糊预测控制 |
15 |
|
1.6 本文的主要工作 |
15-17 |
|
第二章 T-S模糊模型的建模方法 |
17-37 |
|
2.1 引言 |
17-18 |
|
2.2 T-S模糊模型的结构形式 |
18-19 |
|
2.3 基于模糊聚类技术的T-S模糊模型辨识 |
19-25 |
|
2.3.1 模糊聚类算法 |
20-23 |
|
2.3.2 基于模糊聚类的T-S模糊建模 |
23-25 |
|
2.4 基于模糊神经网络的T-S模型参数优化 |
25-36 |
|
2.4.1 神经网络的结构与原理 |
25-29 |
|
2.4.2 T-S模糊神经网络拓扑结构 |
29-31 |
|
2.4.3 基于蚁群算法的模糊神经网络参数粗调 |
31-34 |
|
2.4.4 基于混合学习算法的T-S模糊神经网络参数细调 |
34-35 |
|
2.4.5 仿真实例 |
35-36 |
|
2.5 本章小结 |
36-37 |
|
第三章 广义预测控制的基本形式 |
37-46 |
|
3.1 引言 |
37 |
|
3.2 广义预测控制基本算法 |
37-41 |
|
3.2.1 预测模型 |
37-39 |
|
3.2.2 滚动优化 |
39-40 |
|
3.2.3 反馈校正与在线辨识 |
40-41 |
|
3.3 引入观测多项式的广义预测控制 |
41-44 |
|
3.4 广义预测控制参数选择原则 |
44-45 |
|
3.4.1 采样周期T |
44 |
|
3.4.2 最大预测时域长度P |
44 |
|
3.4.3 最小预测时域长度N_1 |
44 |
|
3.4.4 控制时域长度M |
44-45 |
|
3.4.5 控制加权系数λ |
45 |
|
3.4.6 柔化系数α |
45 |
|
3.5 本章小结 |
45-46 |
|
第四章 基于T-S模型的模糊广义预测控制 |
46-51 |
|
4.1 引言 |
46 |
|
4.2 模糊广义预测控制的一般形式 |
46-47 |
|
4.3 模糊预测控制实质和自适应模糊预测控制 |
47-50 |
|
4.3.1 模糊预测控制的实质 |
47-49 |
|
4.3.2 自适应模糊广义预测控制 |
49-50 |
|
4.4 本章小结 |
50-51 |
|
第五章 PH中和过程的模糊预测控制 |
51-59 |
|
5.1 引言 |
51 |
|
5.2 PH中和过程的数学模型描述 |
51-52 |
|
5.3 PH中和过程训练数据的获取与建模 |
52-54 |
|
5.4 控制器设计 |
54-57 |
|
5.5 本章小结 |
57-59 |
|
第六章 结束语 |
59-61 |
|
参考文献 |
61-65 |
|
致谢 |
65-66 |
|
附录A 攻读学位期间所发表的学术论文目录 |
66 |
|
| 【DOI】 | LunWen.ID:2.2008.388621 |
