可變時(shí)滯系統(tǒng)的輸出反饋優(yōu)化控制與相關(guān)智能方法的研究.pdf

1、針對(duì)實(shí)際控制系統(tǒng)中存在時(shí)間滯后量大或可變的情況下,工業(yè)過程難于平穩(wěn)準(zhǔn)確控制的問題,探討如何對(duì)大時(shí)滯或變時(shí)滯系統(tǒng)進(jìn)行穩(wěn)定與優(yōu)化控制的方法,并結(jié)合人工智能方法,對(duì)時(shí)滯系統(tǒng)進(jìn)行控制性能優(yōu)化研究,未知數(shù)學(xué)模型的系統(tǒng)建模方法,以及建模過程中知識(shí)特征分析與獲取方法研究。
　　 時(shí)滯過程控制的研究重點(diǎn)是關(guān)于系統(tǒng)的穩(wěn)定控制,控制系統(tǒng)具有良好的輸出性能,控制器結(jié)構(gòu)與參數(shù)的優(yōu)化。對(duì)時(shí)滯對(duì)象進(jìn)行穩(wěn)定控制主要采用的方法,包括系統(tǒng)的極點(diǎn)配置；通過構(gòu)建適當(dāng)

2、的Lyapunov函數(shù)的方法,使系統(tǒng)漸進(jìn)穩(wěn)定的條件；等等。參照系統(tǒng)控制性能的評(píng)價(jià)指標(biāo),使系統(tǒng)的二次性能的最小化；或者是對(duì)時(shí)間誤差絕對(duì)值積分ITAE的優(yōu)化；以及系統(tǒng)的性能綜合考慮時(shí),可對(duì)一些性能進(jìn)行折中,或多項(xiàng)性能的組合優(yōu)化。推導(dǎo)時(shí)滯過程優(yōu)化控制器的構(gòu)建途徑,設(shè)計(jì)得出時(shí)滯過程控制優(yōu)化的控制系統(tǒng)參數(shù)的算法。
　　 對(duì)常見的低階大時(shí)滯對(duì)象使用兩次優(yōu)化方法,通過基于全維或降維觀測(cè)器的反饋控制器的結(jié)構(gòu)分析,采用ITAE的性能或綜合性能優(yōu)化

3、指標(biāo),研究降維觀測(cè)器的大時(shí)滯對(duì)象優(yōu)化控制的一般性的參數(shù)優(yōu)化算法。運(yùn)用混沌優(yōu)化與克隆方法,對(duì)大時(shí)滯系統(tǒng)的參數(shù)進(jìn)行優(yōu)化,給出時(shí)滯系統(tǒng)參數(shù)優(yōu)化算法,得出簡(jiǎn)化的控制器結(jié)構(gòu),以及一組系統(tǒng)優(yōu)化參數(shù)的計(jì)算法。把優(yōu)化方法擴(kuò)展運(yùn)用于包含不穩(wěn)定極點(diǎn)的大時(shí)滯系統(tǒng),結(jié)合內(nèi)部對(duì)稱極點(diǎn)配置的反饋回路,在ITAE穩(wěn)定時(shí)滯系統(tǒng)優(yōu)化的基礎(chǔ)上,綜合構(gòu)建大時(shí)滯不穩(wěn)定系統(tǒng)的優(yōu)化反饋控制器,使不穩(wěn)定大時(shí)滯系統(tǒng)的優(yōu)化性能得到較大的改進(jìn)。
　　 使用線性矩陣不等式LMI方法

4、,對(duì)于可變時(shí)滯系統(tǒng)的時(shí)滯無關(guān)穩(wěn)定條件進(jìn)行分析,研究閉環(huán)時(shí)滯系統(tǒng)H∞優(yōu)化反饋控制器的設(shè)計(jì),給出系統(tǒng)具有H∞性能γ的線性矩陣不等式LMI條件,在系統(tǒng)狀態(tài)不完全可測(cè)的情況下,提出基于降階觀測(cè)器的可變時(shí)滯系統(tǒng)的動(dòng)態(tài)輸出反饋控制器,論證了可變時(shí)滯系統(tǒng)γ-次優(yōu)H∞動(dòng)態(tài)輸出反饋優(yōu)化控制的條件,導(dǎo)出較簡(jiǎn)單的LMI求解方法。并針對(duì)不確定模型的時(shí)滯系統(tǒng),討論存在外界干擾時(shí)系統(tǒng)的穩(wěn)定與優(yōu)化控制的條件,提出一種魯棒穩(wěn)定的輸出反饋H∞優(yōu)化控制方法.
　　

5、 根據(jù)人工智能方法特點(diǎn)與優(yōu)勢(shì),探討智能方法在控制領(lǐng)域的深入應(yīng)用,提高時(shí)滯系統(tǒng)的控制方法智能化程度。在受控對(duì)象具有準(zhǔn)確數(shù)學(xué)模型時(shí),可把混沌優(yōu)化與遺傳算法結(jié)合運(yùn)用于大時(shí)滯系統(tǒng)的優(yōu)化控制；而對(duì)無明確模型的受控對(duì)象進(jìn)行控制,須先建立系統(tǒng)的數(shù)學(xué)模型,或依據(jù)大量的測(cè)量數(shù)據(jù)庫,用粗糙集RS理論對(duì)數(shù)據(jù)信息進(jìn)行分析,獲取信息中的知識(shí)與特征信息；生成信息系統(tǒng)的確定性決策規(guī)則模型,探討得出具有簡(jiǎn)化形式?jīng)Q策規(guī)則的方法。經(jīng)過清理后得到的數(shù)據(jù)庫,使用支持向量機(jī)SV

6、M進(jìn)行機(jī)器學(xué)習(xí),及其最小序列優(yōu)化SMO算法擴(kuò)展后的支持向量回歸機(jī)；為了解決在大樣本環(huán)境下SVM學(xué)習(xí)機(jī)性能低的問題,用RS有效處理不精確數(shù)據(jù)的工具,把訓(xùn)練樣本縮小并快速區(qū)分出類邊界區(qū)域中的樣本。把RS與SMO的回歸機(jī)結(jié)合提出混合回歸算法,可提高大樣本條件下SVM學(xué)習(xí)機(jī)的效率,回歸機(jī)問題轉(zhuǎn)化為分類機(jī)問題,可有效準(zhǔn)確得出回歸(數(shù)學(xué))模型。
　　 為了驗(yàn)證本文提出方法的有效性與可行性,對(duì)應(yīng)給出時(shí)滯系統(tǒng)的優(yōu)化控制方法或算法的部分,均使用了