煙葉發(fā)酵過程神經(jīng)網(wǎng)絡迭代學習控制研究.pdf

1、煙葉發(fā)酵過程由于具有非線性、時變性、不確定性和時滯性等特點,使得利用傳統(tǒng)的控制方法很難滿足生產過程對控制性能的要求,直接影響到煙草的生產。面對這種情況我們迫切需要一種先進的控制方法來解決這一問題。迭代學習控制是一種新型的智能控制算法,它不依賴于動態(tài)對象的精確數(shù)學模型,通過引進學習機制,不斷地積累被控對象的知識,在線完成控制器的設計和改進,即把在線的學習、在線的控制與控制系統(tǒng)性能改善的功能綜合在一個算法里,通過工業(yè)過程的不斷重復加以實現(xiàn)。

2、它在解決由于對象存在非線性或建模不良造成的不確定性問題方面具有得天獨厚的優(yōu)越性,在學習過程中不斷彌補缺乏的先驗知識,進而使系統(tǒng)性能得到逐步改善。
　　本文在分析煙葉發(fā)酵過程特點的基礎上,將神經(jīng)網(wǎng)絡控制與迭代學習控制相結合,提出了一種神經(jīng)網(wǎng)絡優(yōu)化迭代學習控制與PD反饋控制相結合的方法。通過引入反饋控制來減少系統(tǒng)的跟蹤誤差;迭代學習控制進行前饋補償,并通過神經(jīng)網(wǎng)絡優(yōu)化擬合迭代學習控制器的參數(shù),構造新的學習控制律,再與反饋控制相結合,共

3、同作用于被控對象。由于固定增益的學習律將使得算法的學習速度降低,迭代的次數(shù)增加。本文提出用神經(jīng)網(wǎng)絡來優(yōu)化控制器參數(shù)來克服最小二乘法擬合存在的大量計算且收斂速度慢的缺點,達到較好的跟蹤精度。為了增強被控系統(tǒng)的魯棒性,在學習控制器的基礎上加入PD反饋補償控制器。
　　本文將神經(jīng)網(wǎng)絡優(yōu)化迭代學習控制方法應用于煙葉發(fā)酵過程發(fā)酵房溫度控制中,并對固定增益的迭代過程和用神經(jīng)網(wǎng)絡優(yōu)化的迭代過程的溫度輸出進行了比較。仿真結果證明,該方法對復雜的煙