基于对角递归神经网络的脱苯塔控制研究

摘要

精馏塔是一个多输入多输出的对象。它由多级塔板组成，内在机理复杂，对控制作用响应缓慢，参数间相互关联严重，一般常规控制很难达到理想的控制要求。本文针对系统模型未知情况，结合脱苯精馏塔，研究了这类不确定非线性系统的神经网络在线自学习控制问题。通过对应用较多的几种神经网络结构和学习算法的对比研究并结合内模控制结构，提出了基于遗传算法的对角递归神经网络内模控制，并对NNM的在线学习和NNC在线设计与实现进行了深入研究。 该方法将对角递归神经网络与内模控制结构结合起来，综合了对角递归神经网络结构简单、实时性好且可以动态反映系统特性和内模控制结构较易获得良好的动态响应且能兼顾稳定性、鲁棒性的优点，实现了对象模型的在线自适应跟踪辨识和控制器在线动态设计。采用改进遗传算法和对角递归神经网络进行在线自适应跟踪学习，有效地改善了神经网络控制实时性差的问题，使复杂系统的在线学习控制成为可能。 将此控制方法应用于脱苯塔脱苯过程的温度控制中，仿真结果表明，对角递归神经网络在系统特性变化且存在外部干扰时，神经网络通过不断调整权值，自适应地跟踪被辨识系统的变化，对于非线性时变被控系统有很好逼近能力。同时改进的遗传算法克服了遗传算法计算代价高的缺点，此控制方法可以应用于动态系统的实时控制。经过遗传算法训练后的对角递归神经网络辨识器和控制器对于非线性时变被控对象和对象逆的逼近较准确，过渡时间较短。所设计的神经网络辨识器和控制器可以应用于复杂系统的辨识与控制。

目录

文摘

英文文摘

独创性说明及关于论文使用授权说明

引 言

1绪论

1.1精馏塔控制技术的发展与现状

1.2神经网络控制

1.3课题的研究目的及意义

1.4主要工作任务与技术路线

2神经网络控制技术

2.1人工神经元模型

2.2神经网络模型及其学习算法

2.2.1多层前馈神经网络模型与BP算法

2.2.2反馈式神经网络模型与动态BP算法

2.2.3对角递归神经网络

2.3神经网络逼近能力分析

2.4神经网络训练及BP算法存在的缺陷

2.4.1神经网络训练

2.4.2 BP算法存在的缺陷

2.5遗传算法

2.5.1基本遗传算法

2.5.2改进遗传算法

2.5.3遗传算法与神经网络的结合

2.6神经网络建模与控制

2.6.1神经网络建模

2.6.2神经网络控制

3神经网络内模控制

3.1内模控制结构

3.2内模控制的主要特性

3.2.1对偶稳定性

3.2.2完全控制特性

3.2.3无静差特性

3.3神经网络非线性内模控制

3.3.1非线性内模控制结构及其特性

3.3.2控制器的设计

3.3.3控制策略的实现

4神经网络精馏塔控制研究

4.1问题描述

4.2被控变量与操控变量的选择

4.2.1被控量的选择

4.2.2操纵量的选择

4.3塔顶温度控制方案

4.3.1基于DRNN的控制

4.3.2 DRNN的遗传进化训练

4.3.3 DRNNM的构造及训练

4.3.4 DRNNC的构造及训练

4.4仿真结果

4.4.1理想情况下对未知系统的跟踪控制

4.4.2存在外界干扰时的跟踪控制

4.4.3参数时变条件下的跟踪控制

4.4.4存在测量噪声时的跟踪控制

结论

参考文献

致谢

导师简介

作者简介