基于支持向量機的非線性系統(tǒng)廣義預測控制研究與應用.pdf

1、隨著在工業(yè)現(xiàn)場中取得成功應用，基于線性模型的廣義預測控制(GPC)算法由于其良好的控制性能及魯棒性和抗干擾性能，已經成為當前控制理論界和工業(yè)控制界一個備受關注的熱門課題。然而由于實際工業(yè)過程往往表現(xiàn)為多輸入、多輸出、強非線性、強耦合等特性，基于受控自回歸積分滑動平均(CARlMA)模型的GPC算法很難直接得以應用。支持向量機(SVM)是以統(tǒng)計學習理論為基礎的一種新型機器學習算法，因為其良好的非線性函數擬合和泛化能力，已經廣泛的應用于系統(tǒng)

2、辨識等控制領域。因此本文嘗試將SVM辨識方法引入到非線性系統(tǒng)廣義預測控制領域，努力提出一種簡便易行的非線性系統(tǒng)廣義預測控制方法，具體研究內容如下所示：
　　 1．用基于RBF核函數的支持向量機對非線性被控對象進行回歸建模，并在每個采樣時刻采用Taylor展開法將該非線性SVM模型線性化。然后將該線性化模型調整為符合CARTMA模型形式的線性系統(tǒng)，并基于此線性模型設計廣義預測控制器，實現(xiàn)對強非線性系統(tǒng)的廣義預測控制。為克服非線性S

3、VM模型線性化時存在線性化誤差而可能導致系統(tǒng)的不穩(wěn)定情況，引入控制量懲罰系數μ，用增加一個自由度、犧牲控制器最優(yōu)性為代價來增強系統(tǒng)的魯棒性，仿真結果驗證了控制器跟蹤設定值變化能力和魯棒性。
　　 2．為解決線性化SVM模型方法很難應用于強耦合MIMO系統(tǒng)的情況，文中引入了在非線性系統(tǒng)控制領域得到廣泛重視和應用的逆系統(tǒng)方法，用SVM辨識被控對象的逆系統(tǒng)，并將SVM逆系統(tǒng)與原被控系統(tǒng)連接，對于SlSO非線性系統(tǒng)，復合成一個符合CAR

4、IMA模型的a階純滯后偽線性系統(tǒng)。對于強耦合MIMO非線性系統(tǒng)，將會被解耦成數個相互獨立的SISO a階純滯后偽線性系統(tǒng)，由于純延時系統(tǒng)符合CARlMA模型，因此，針對每個輸出通道可以方便的設計相應的廣義預測控制器。對SISO非線性系統(tǒng)和MIMO非線性強耦合系統(tǒng)的仿真實驗表明，該方法能很好地實現(xiàn)強耦合非線性系統(tǒng)的解耦控制，并且對系統(tǒng)外加恒定強干擾和模型參數變化都有很強的魯棒性，另外，該方法結構簡單、物理意義明確、易于計算機實現(xiàn)，更加適合