免费文档范文--造纸过程定量水分解耦控制研究(二)

。为避免完全解耦时出现的这种问题, 很多文献都采取了折中的算法,即只实现不完全解耦或静态解耦。(4)部分解耦利用相对增益作为衡量多变量系统性能尺度的方法,能够对系统的耦合性质及耦合程度有充分的了解,可以用来衡量一个预先选定的调节量μj 对一个特定的被调量yi 影响。在关联过程中,每个调节量不只影响一个被调量,对于一个双输入、双输出的系统,用kij 表示每个环节的静态增益λ21=       ，       λ12= λ11=       ，       λ12= 当系统中出现静态相对增益λ11>1时,就必然存在着小于零的增益,意味着系统存在着不稳定回路。采用部分解耦,则从u1通过回路2到y1的第三个反馈回路,在方向上是正的,因此,它不会影响负反馈回路的相位滞后,回路周期不会受耦合影响,但设定值响应还是受到耦合的影响。(5)神经网络解耦神经元网络解耦控制是当前控制理论界的重大课题之一,尤其适用于传统控制方法难以解决的问题,因此更具有研究价值。由于神经网络辨识本质上是一种黑箱辨识方法,所以更适用于研究对象具有不确定性模型、高度非线性、复杂任务的要求等。将神经网络用于解耦能够解决应用对角矩阵等方法时,对象模型无法准确建立或求出的解耦器中含有不可实现项,解耦性能差的缺点。 图1 神经网络解耦控制系统结构对具有双输入双输出的非线性系统纸机,设计一个含有输入层、隐含层和输出层的BP解耦网络,BP网络属于多层感知器网络的一种,为前向静态网络。相应于活化函数选取的不同,如取s型函数其输出量可以是0到1之间的连续量,如果取双曲函数则是-1到1之间的连续量,可实现从输入到输出的任意非线性变换 对其连接权的调整采用梯度下降法,是一种全局逼近的方法,具有较好的泛化能力。网络根据训练数据的输入和输出,按预先设定的算法,调节本身的权重,使网络的输出符合于期望的输出。BP算法本质上是以误差平方和为目标函数,用梯度法求其最小值的算法。对于大多数实际问题,一个隐含层(即三层网络)就已经足够了。而且,采用越多的隐含层,不但训练时间会急剧增加,陷入“局部最小值”陷阱的机会也会增加,从而给训练带来更大的复杂性。BP网络如果有足够的隐层和隐节点,就可以逼近任意的非线性映射关系。且是全局逼近的方法,因而具有较好的泛化能力。但收敛速度慢,有局部极值,难以确定隐层和隐节点的个数。可以引入动量项和应用变尺度法来改进BP网络神经网络解耦仿真结果,解耦效果非常好。采用神经网络解耦控制技术对于一个强耦合的多变量非线性时变并且存在许多不确定性的干扰因素的系统的解耦问题,提供了简单有效的解决方法。尤其对于复杂的工业过程本身机理复杂,难以建立精确的数学模型,神经网络更体现了其优越性。当其在工作点附近时解耦效果很好,如果不在工作点附近时,将神经网络解耦与专家控制相结合,该算法会具有更强的鲁棒性(6,7)。参考文献:1 孙优贤 造纸过程建模与控制 杭州: 浙江大学出版社,19932 孙鑫 造纸过程定量水分建模与控制 中国造纸,2000(5):19-233 孙优贤,孙鑫 造纸过程定量水份解耦控制分析 控制理论与应用,2001(z1)4 张永康等 制浆造纸工业计算机控制的现状和发展方向 北方造纸,1997(3)5 郑小霞，常易康，张志秀 论纸张定量水分控制的发展 湖北造纸,2002（3）6 沈国江,胡丹,孙优贤 造纸过程定量水分神经网络建模与控制 中国造纸学报,2004(1)7 张久政,胡元,沈文浩 人工神经网络在造纸工业自动控制中的应用 计算机测量与控制,2004(5)8李丰安 张根宝造纸过程基重和水分的自校正控制及应用 西南造纸 2006(4)9 Naim Bajcinca∗ Design of robust PID controllers using decoupling at singular frequencies  Automatica 2006 (42) :1943 – 194910 Oyen A V。 Improving the convergence of the back propagation algorithm  Neural Networks ,1992 (5) :465 - 47111 Chai T。 Decoupling design of multivariable generalized predictive control  IEEE Proc。 D。 , 1994&

首页 上一页 1 2 3 下一页 尾页 2/3/3

免费文档范文--造纸过程定量水分解耦控制研究(二)相关范文