基于局部學習策略的非線性系統(tǒng)多模型建模與控制.pdf

1、隨著現(xiàn)代工業(yè)生產(chǎn)的發(fā)展，生產(chǎn)過程日趨大型化、復雜化，工作點的變化范圍大，使得完全通過機理模型來了解被控過程中各變量之間的關系變得更加困難，且成本很高。因此，人們往往從系統(tǒng)的輸入輸出數(shù)據(jù)出發(fā)，借助于機器學習、統(tǒng)計學理論以及數(shù)據(jù)挖掘等手段，采用基于分治策略的多模型建模方法，分析和了解被控過程相關特性，達到對非線性系統(tǒng)建模與控制的目的。這種建模方法，將復雜問題簡單化，以多個局部模型來覆蓋系統(tǒng)的不確定性與結(jié)構(gòu)的復雜性，以及逼近系統(tǒng)的強非線性，從

2、而倍受人們的關注。本文以非線性系統(tǒng)為研究對象，直接利用所獲得的系統(tǒng)數(shù)據(jù)，在分治策略框架下，將多模型方法與數(shù)據(jù)聚類，以及局部建模算法相結(jié)合，研究了非線性系統(tǒng)的模型辨識與控制器設計等問題，其主要內(nèi)容包括: ⑴針對一類可由分段仿射模型表示的非線性系統(tǒng)，在獲得系統(tǒng)全部工況數(shù)據(jù)的基礎上，提出一種PWARX模型離線辨識算法。利用改進的G-K模糊聚類算法，在克服聚類迭代過程中出現(xiàn)非數(shù)值解問題的同時，實現(xiàn)對系統(tǒng)數(shù)據(jù)的滿意劃分，并用多性能指標綜合

3、評判的方法確定子模型的個數(shù)。在此基礎上充分挖掘數(shù)據(jù)聚類的信息，以數(shù)據(jù)點的模糊隸屬度值作為權重實現(xiàn)各子模型參數(shù)的加權最小二乘辨識，從而提高子模型辨識的精度；以數(shù)據(jù)聚類中心最近鄰為準則確定兩兩相鄰的回歸空間數(shù)據(jù)，將切換面方程的辨識問題轉(zhuǎn)化為線性分類問題，用軟邊界支持向量機獲得其切換面方程的系數(shù)。最后，以一個連續(xù)的非線性函數(shù)與實際的PWARX模型為例，驗證本文算法的有效性，以及PWA模型的非線性逼近能力。 ⑵由于在實際的工業(yè)過程中，離

4、線搜集覆蓋全部工況的數(shù)據(jù)要花費大量的時間或根本不可能做到，因此，本文依據(jù)統(tǒng)計的局部學習理論，提出一種基于即時學習算法的非線性系統(tǒng)在線辨識方法。在分析時間序列數(shù)據(jù)相似性的基礎上，提出k-VNN方法，構(gòu)造即時學習算法的建模鄰域，提高了算法預測精度。同時，利用PRESS統(tǒng)計策略，給出了一種遞歸的辨識算法與數(shù)據(jù)窗口h大小的確定方法，大大減小了算法的在線計算量。由于即時學習算法的建模鄰域都是在線搜索確定，為減少算法的復雜度，在k-均值聚類的基礎上

5、，給出了一種兩層遞階搜索策略。另外，為增強即時學習算法的自適應能力，同時避免給計算機增加過多的開銷，本文還提出了一種數(shù)據(jù)庫在線更新策略。并以非線性函數(shù)估計為例，驗證本文辨識算法的有效性。最后，將本文算法應用到聚酯酯化率的軟測量中，拓展算法的應用范圍，并為工業(yè)軟測量提供一種新的方法。 ⑶針對可獲得大量輸入輸出數(shù)據(jù)的非線性系統(tǒng)，結(jié)合本文所提出的局部模型在線辨識算法，給出了兩種控制器設計方案。首先，直接從系統(tǒng)的數(shù)據(jù)出發(fā)，在線辨識當前工

6、況下系統(tǒng)的逆映射模型與正向映射模型，并基于優(yōu)化的性能指標，提出一種迭代尋優(yōu)算法，得到當前控制器的輸出值，對某一SISO非最小相位非線性系統(tǒng)的仿真研究證明了該方案的有效性。其次，將即時學習算法與預測控制相結(jié)合，提出了一種MIMO系統(tǒng)的預測控制器設計方案，推導相應帶有系統(tǒng)約束的預測控制策略，以解決實際工業(yè)過程中多變量與大量約束的問題，某一燃油電力單元的仿真研究也驗證了該方案的有效性。最后，定性比較了基于即時學習的線性化方法與其它幾種線性化策

7、略的優(yōu)缺點。 ⑷將本文的局部模型在線辨識算法與過程控制相結(jié)合，研究了大范圍工況系統(tǒng)PID控制器的參數(shù)調(diào)整問題。首先，提出一種兩層結(jié)構(gòu)的PID控制器設計方案，即：底層的傳統(tǒng)PID控制回路，以及上層以廣義最小方差性能指標為目標函數(shù)的優(yōu)化回路。利用即時學習算法的本質(zhì)自適應特點，在線獲取系統(tǒng)不同工況下的有效模型，在此基礎上，依據(jù)廣義最小方差性能指標，優(yōu)化得到物理意義明確的PID參數(shù)值，以適應不同工況下控制系統(tǒng)的性能要求。其次，給出了一種

8、啟發(fā)式的參數(shù)調(diào)整規(guī)則，增強了算法的實際使用性能。最后通過Hammersterin模型與CSTR機理模型為例驗證本文算法的有效性。 ⑸為了解決驗證先進控制算法有效性的困難，給算法設計人員提供一個模擬工業(yè)現(xiàn)場的環(huán)境，本文結(jié)合所提出的建模與控制算法，開發(fā)了一套AAS(AdvancedAlgorithmSimulation)仿真平臺。該平臺基于開放的OPC協(xié)議，依托實驗室互連網(wǎng)絡為傳輸數(shù)據(jù)的中介，使用Matlab軟件作為模型與算法程序運