自适应逆控制方法研究及其应用

论文摘要

自适应逆控制将传统的控制理论与信号处理理论相结合,成为研究控制问题的一种新颖方法,其实现的基础就是自适应滤波技术及控制结构设计。本文以基本的自适应逆控制方法为出发点,根据不同对象设计了相应的自适应逆控制方法,在改进线性系统和非线性系统自适应逆控制方法、自适应建模方法、多变量自适应逆控制方法的结构设计等方面进行了深入的研究并提出了一些新的思路,丰富和扩展了原有的自适应逆控制方法。1.基于自适应逆控制方法设计了主汽温系统的双回路扰动消除系统。采用基于神经网络的自适应预测器解决扰动消除回路的延迟,实现了主汽温系统内外回路输出端扰动的瞬时消除。2.提出使用Givens变换简化Volterra泛函级数建模维数的解决方案,使得改进的Volterra基函数网络运算量大为减少,提高了系统运算速度。将改进Volterra基函数网络应用于自适应前馈控制系统及具有不确定性的非线性自适应逆控制系统。仿真结果表明改进的Volterra基函数网络组成的自适应逆控制系统在网络规模较小的前提下,仍具有令人满意的控制精度和较强的鲁棒性。3.提出了一种基于自适应逆控制方法的二阶神经网络执行机构死区逆补偿方法,实现了对未知非线性死区环节的动态补偿。这种方法用于死区补偿不需要任何死区非线性和约束性假设,实现了由神经网络估计器和神经网络补偿器组成的补偿策略,为非线性补偿提供了新的解决方法。此外,本文使用了BP网络和RBF网络进行神经网络在非线性系统自适应逆控制中的研究。4.提出了基于支持向量回归的自适应逆控制方法。采用支持向量回归在线辨识算法作为建模方法建立被控对象的逆模型。由于支持向量回归具有更好的推广性,从而使整个系统具有更好的控制性能。5.提出了基于多变量内模控制的多输入多输出系统(MIMO)自适应逆控制方法。将多变量内模控制的控制器结构设计与MIMO系统自适应逆控制的多变量建模方法相结合,应用于电厂单元机组负荷系统、钢球磨煤机中间储仓制粉系统。并且针对存在时滞的多变量对象,采用对角矩阵补偿和加入时间预测器来解决,应用于钢球磨煤机中间储仓制粉系统,仿真结果表明控制方法的有效性。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景及意义
• 1.2 自适应逆控制概述
• 1.2.1 自适应逆控制的基本思想、原理及特点
• 1.2.2 自适应逆控制的发展历程及应用
• 1.2.3 现有的自适应逆控制方法
• 1.3 本文的主要研究内容和章节安排
• 第二章 基本自适应逆控制方法研究
• 2.1 引言
• 2.2 线性系统的自适应逆控制模型
• 2.2.1 自适应 LMS 滤波器
• 2.2.2 梯度和 Wiener 解
• 2.2.3 最速下降法
• 2.2.4 梯度噪声和权向量噪声
• 2.2.5 由梯度噪声产生的过调节
• 2.2.6 LMS 算法的稳定性
• 2.2.6.1 权向量均值的稳定性
• 2.2.6.2 权向量方差的收敛性
• 2.3 自适应逆控制
• 2.3.1 自适应建模
• 2.3.1.1 模型失配问题
• 2.3.1.2 理想情况
• 2.3.1.3 具体的建模方法
• 2.3.2 自适应逆建模
• 2.4 自适应扰动消除
• 2.4.1 在线扰动消除系统
• 2.4.2 离线扰动消除
• 2.4.3 预测在延迟系统中的应用
• 2.5 自适应逆控制在主汽温系统扰动消除中的应用
• 2.5.1 主汽温系统的自适应扰动消除
• 2.5.2 主汽温控制系统动态特性
• 2.5.3 主汽温系统扰动消除系统设计
• 2.5.4 仿真结果及分析
• 2.6 小结
• 第三章 基于 Volterra 级数的非线性系统自适应逆控制方法
• 3.1 引言
• 3.2 非线性自适应逆控制的存在性和可行性
• 3.2.1 可逆性定义
• 3.2.2 系统可逆性判定定理
• 3.2.3 非线性自适应逆控制的可行性
• 3.3 自适应 Volterra 滤波器
• 3.3.1 Volterra 级数
• 3.3.2 非线性系统的Volterra 级数描述
• 3.3.3 VPBF 网络
• 3.3.4 VPBF 网络的非线性系统辨识
• 3.3.4.1 VPBF 网络结构及参数初值的确定
• 3.3.4.2 利用快速Givens 变换进行VPBF 网络权系数估计
• 3.3.4.3 应用实例及仿真结果分析
• 3.4 基于简化 VPBF网络的自适应逆前馈控制
• 3.4.1 基于简化VPBF 网络的自适应逆前馈控制器设计
• 3.4.2 应用实例及仿真结果分析
• 3.5 基于简化 VPBF网络的直接自适应逆控制
• 3.5.1 基于简化VPBF 网络的自适应逆控制器设计
• 3.5.2 应用实例及仿真结果分析
• 3.6 小结
• 第四章 基于神经网络的自适应逆控制方法
• 4.1 引言
• 4.2 基本的神经网络方法
• 4.2.1 BP 网络
• 4.2.1.1 BP 网络表示
• 4.2.1.2 BP 网络用于非线性系统辨识
• 4.2.2 RBF 网络
• 4.2.2.1 RBF 网络表示及权值调整算法
• 4.2.2.2 基于RBF 网络的自适应逆控制应用实例
• 4.3 基于自适应逆控制的神经网络执行器死区逆补偿方案设计
• 4.3.1 输入非线性补偿
• 4.3.2 执行器死区
• 4.3.3 执行器死区补偿方案设计
• 4.3.3.1 补偿原理
• 4.3.3.2 应用实例及分析
• 4.4 一种基于自适应逆控制的执行器死区逆补偿新方法
• 4.4.1 预备知识
• 4.4.2 死区非线性逆补偿
• 4.4.3 具有死区逆补偿的二阶神经网络控制器
• 4.4.4 神经网络死区补偿的仿真
• 4.5 小结
• 第五章 支持向量机在自适应逆控制中的应用
• 5.1 引言
• 5.2 支持向量机的研究背景
• 5.2.1 智能技术的发展
• 5.2.2 统计学习理论与支持向量机
• 5.2.3 支持向量机的应用
• 5.3 支持向量机
• 5.3.1 广义最优分类面
• 5.3.2 支持向量机
• 5.3.3 核函数
• 5.4 支持向量回归
• 5.4.1 支持向量回归基本原理
• 5.4.2 基于支持向量回归的在线辨识算法
• 5.4.2.1 正模型的建立
• 5.4.2.2 逆模型的建立
• 5.4.3 基于支持向量回归的自适应逆控制方法应用
• 5.4.3.1 滤波器F 的选取
• 5.4.3.2 基于支持向量回归的自适应逆控制应用实例
• 5.5 小结
• 第六章 多变量系统的自适应逆控制方法
• 6.1 引言
• 6.2 多变量系统自适应逆控制方法
• 6.2.1 多变量系统控制方法回顾
• 6.2.2 多变量系统内模控制方法
• 6.2.3 基于多变量内模控制的 MIMO 系统自适应逆控制方法设计
• 6.2.3.1 V-规范型多变量内模控制器设计
• 6.2.3.2 MIMO 自适应逆控制建模方法
• 6.3 应用实例及仿真结果分析
• 6.3.1 单元机组负荷系统
• 6.3.2 钢球磨煤机中间储仓制粉系统
• 6.4 有时滞多变量自适应逆控制方法设计
• 6.5 小结
• 第七章 结论与展望
• 7.1 主要研究成果
• 7.2 展望
• 参考文献
• 致谢
• 个人简历、在学期间发表的学术论文及研究成果