关键字 |
| CSTH, MRAC，摄动，MIT规则，前馈，反向传播 |
介绍 |
| 搅拌罐加热器是化工过程中的重要设备。应用领域包括制药、颜料、树脂、钢铁材料、食品、饮料等行业和科研实验室。在[1]中描述了连续搅拌罐加热器(CSTH)试验装置的模拟。给出了由实验数据导出的体积方程、热平衡方程和代数方程。方程用于校准传感器和执行器以及通过加热线圈的传热。其中许多关系具有非线性，并且考虑了诸如油箱已满等硬约束。模型使用实测噪声和扰动，而不是模拟值。它为数据驱动的识别和故障检测提供了一个现实的平台。[2]讨论了基准化学系统的重要过程控制策略和动力学的建模、设计和仿真。本文利用上述套式加热器模型，对模型参考自适应控制(MRAC)策略进行了应用和仿真。 As dynamics due to jacket adds one more order to the dynamics of tank, second order system has been discussed. Plant and model are of the same order as per need of MRAC. In [3] modeling, a controller formulation and simulation study of a CSTH has been discussed. Process control rigâÂÂs analytical model is MIMO transfer function. Authors have considered the physical rig system parameters, boundary condition and limits. Trial and error method and heuristic approach has been used to design the PID controller to improve the system transient response for zero steady state error, as well as minimizing the rise time and overshoot. |
| 在[4]中考虑了基于多神经网络的非线性模型预测控制(NMPC)。控制方案包括一个过程模型和一个优化器。使用多个神经网络对该过程进行建模，然后将该模型用于NMPC方案来控制该过程。与单个神经网络相比，人工神经网络集成显示出更好的泛化和噪声鲁棒性。提出了一种基于遗传算法的优化器来确定控制轨迹的解。然后将该优化器与顺序二次规划技术相结合。利用该系统实现了连续搅拌槽加热器的实时控制。在[5]中提出了一种基于非线性搅拌槽加热器数学等效模型的设计与控制体系结构，该系统包括单变量和双变量输入。考虑了流体通过夹套的温度、流体通过夹套的流速和不可测扰动。模型预测控制器和基于PID的控制器的结果进行了比较，使油箱温度保持在150°F的稳态值。 |
基本上，梯度方案MIT规则表示为 MRAC可应用于MIT规则、修正MIT规则、Lyapunov稳定性法[9]。所有这些方法都可以添加软计算。由于最近计算设施和软计算的进步，模糊逻辑和神经网络(NN)的研究出版物已经增加了。为了跟上这一最新趋势，本文讨论了应用MIT规则和神经网络的结果。在[6]中，基于控制技术和应用领域，对MRAC进行了最近的调查。本文主要介绍了模型参考自适应系统(MRAS)主要由两个回路组成，一个是普通反馈回路作为内环，另一个是带有控制器参数调节机制的外环，以最小化模型输出与过程输出之间的差异。 |
| 在神经网络的帮助下，MRAC以各种有效的方式实现。在[7]中提出了一种利用当前或在线信息以及存储或背景信息进行自适应控制的方法。航空航天飞行器多次超越其传统的飞行范围，并表现出在不确定环境中运行的稳健性和适应性。目前和传统的自适应方法采用基于神经网络的控制方法，只使用瞬时状态来调整自适应增益。结果表明，使用在线和背景学习相结合的方法可以克服自适应定律的一级限制，从而更快地适应未知动态。在[8]中提出了任意复杂非线性离散非最小相位系统、时滞系统和最小相位系统的MRAC算法。引入一种基于优化策略的改进最近邻聚类算法作为在线学习算法，对径向基函数神经网络的参数进行调整，简化神经网络结构，加快收敛速度。仿真结果表明，基于直接径向基函数神经网络模型参考自适应控制策略能使多维非线性植物快速跟踪多维参考信号，并具有较好的鲁棒性。针对一类非线性对象，在[10]中提出了一种基于神经网络的状态反馈模型参考自适应控制方案。该演示采用了时变伪线性状态反馈控制，其中状态反馈增益由人工神经网络的输出产生。 Both regulation and tracking control have been considered in simulation conducted on industrial robot and global stability of the scheme has been proved using Lyapunov theory. The extension of the scheme to MIMO plants is also included. |
| 在[11]中，提出了非线性系统的观测器设计。提出了基于Hamilton-Jacobi-Bellman (HJB)方程的公式。HJB方程采用性能泛函中合适的非二次项来解决观测器增益的量级约束。在有意义的代价下，观测器被证明是最优的。该算法采用Lyapunov直接法，利用神经网络逼近值函数，用最小二乘法求HJB方程的近似解。该算法已应用于有限时程和无限时程非线性系统，并给出了仿真和理论结果进行验证。在[12]中提出了一种基于Hamilton-Jacobi-Bellman (HJB)方程的有限时间域非线性系统有界鲁棒控制器设计的最优控制算法。有界控制器要求知道系统不确定性的上界。在该算法中，利用神经网络对HJB方程的时变解进行最小二乘法逼近。该算法已应用于具有匹配和不匹配系统不确定性的非线性系统。 |
| 研究了具有未知输入非线性的不匹配不确定非线性参数化系统的跟踪控制问题。所考虑的控制输入中存在两种非线性:非对称死区输入和连续非线性输入。该控制器提出了聚焦零闭环跟踪误差。将自适应反演技术与神经网络相结合，可以有效地解决这两种非线性情况。针对[14]的非线性系统，提出了一种基于Hamilton-Jacobi-Bellman (HJB)方程的最优控制算法。用李雅普诺夫直接法证明了该控制器相对于代价函数是最优的。它包括控制努力的惩罚，系统不确定性的最大界限和系统状态与控制之间的交叉耦合。利用神经网络逼近值函数，用最小二乘法求出HJB方程的近似解。该算法已应用于具有匹配不确定性的非线性系统和输入矩阵中存在不确定性的系统。 |
带夹套的搅拌槽加热器 |
| 在带夹套的搅拌槽加热器中，热流体通过假定完全混合的夹套循环。夹套和容器之间的热流增加了容器流体的能量含量。从夹套流体到容器流体的传热速率为 |
 (1） |
| 其中，H C为总传热系数，A为传热面积。假设体积和密度恒定，进料速率Fi=F。 |
| 通常最简单的建模技术涉及质量和能量平衡原理。容器和夹套流体的能量平衡导致以下方程。 |
 （2） |
 （3） |
| 这里的输出是容器和夹套温度，它们也是状态;输入是夹套流量、进料流量、进料温度和夹套入口温度。如果输出、状态和输入是偏离变量形式，则意味着它们是对稳定值的扰动。容器和夹套温度需要保持在所需的设定值。 |
 （4） |
| 在MATLAB®脚本中使用“newffâÂ′Â′”命令创建前馈反向传播网络。第一层有来自输入的权重。每个后续层都有来自前一层的权重。所有层都有偏见。最后一层是网络输出。利用网络训练函数，根据Levenberg-Marquardt优化方法更新权值和偏差状态。一直进行训练，直到出现最大周期数、满足性能目标或发生任何其他停止条件为止。“trainlmâ '  '是默认的训练函数，因为它非常快，但它需要大量的内存来运行。它表示Levenberg-Marquardt反向传播。与传统控制中植物输出需要满足参考输入轨迹不同，这里植物输出需要模型输出轨迹。 So target for supervised learning is decided accordingly. |
结果与讨论 |
| 考虑到所有参数均无不确定性，初步将MRAC应用于夹套搅拌罐加热器系统。结果如下图3所示。模拟参数值为F=0.01;V = 1;Fj = 0.1;Vj = 1;HC = 1;= 1;V = 1;r = 1; cp=1; vj=1; rj=1;cpj=1; Ti=1; Tjin=1 and adaptation gain gma=0.9. All the considered values are in deviation variable form. Observation shows second order unit step response in both cases. |
| 对这两个结果的观察表明，在每种情况下，植物的产量都与模型的产量密切得多。如果使用MIT规则的数学公式，如图3上半部分所示，在初始200个采样瞬间后，植物的输出在整个仿真时间内都能精确地跟踪模型的输出。如果用神经网络从模拟的初始部分θ的数据库中生成θ，我们得到如图3下半部分所示的模拟结果。 |
| 图4显示，从目标θ生成新的θ，完全匹配。利用现有的调整参数数据，证明了监督学习的优越性。选择适当的学习、训练和适应技术可以帮助我们控制参数不确定的系统，因为在这种情况下，适应是必须的。 |
| 在后面的仿真中，在常微分方程中加入了一定的不确定性，并将结果与应用MIT规则和神经网络进行了比较。在某种程度上，观察不到太大的差异。在不确定性增加较多的情况下，利用神经网络生成的调整参数的性能可以得到较好的结果，如图5所示。观察表明，神经网络技术需要一定的时间来适应，因此在大约。与图5上半部分所示的MIT规则相比，500瞬时NN输出有很大改善。仿真结果表明，植物输出能很好地跟踪模型输出。 |
结论 |
| 采用软计算技术神经网络和MIT规则技术进行仿真。通过对搅拌釜夹套加热器和基于神经网络的MRAC相关论文和书籍的调查，收集了足够的资料，选取了必要的搅拌釜夹套加热器模型。本文讨论了在两种情况下使用MIT规则和神经网络实现MRAC的比较。对参数值和摄动值作了一些假设。采用导管和夹套流体的能量平衡方程作为模拟模型。对这两种情况的结果观察表明，在神经网络中选择合适的自适应增益值和合适的学习和训练算法可以得到理想的结果。θ的负梯度满足收敛稳定的条件。对于每一种情况，工厂的输出都在更接近的区域跟踪模型的输出。植物动态中不确定性的增加导致了更多的演绎。仿真结果表明，加入更多的不确定性后，基于神经网络的MRAC控制系统的鲁棒性有所提高。 |
数字一览 |
|
|
参考文献 |
- 刘志刚，“连续搅拌槽加热器的仿真模型及其应用”，中国机械工程，2008
- 王伟，过程控制模型设计与仿真，计算机工程，2004
- MohammadSoroushSoheilirad MaryamMohd。Isa,MojganHojabri和SamsulBahariMohd。“实验室规模连续搅拌槽加热器的建模仿真与控制”，基础与应用科学研究2(5)5362-5373,2012
- “基于多神经网络的连续搅拌槽加热器非线性模型预测控制”，中国机械工程，2013年第3期
- AbdurRaquibRidwan,IshtizaIbne Azad, Md. IbneaSina Bony，“基于Simulink的搅拌式罐式加热器控制系统的开发”，国际计算机应用杂志(0975 - 8887)，第57卷第21期，2012
- 刘国强，“模型参考自适应控制研究”，中国机械工程，2012
- GirishChowdhary和Eric N. Johnson“使用当前和记录数据的自适应神经网络飞行控制”，美国航空协会制导、导航和控制会议和展览，希尔顿黑德，南卡罗来纳州，2007
- 李胜泉，朱孔军，邱金浩，朱孔军，“基于直接NNMRAC策略的任意复杂非线性离散系统控制设计”，过程控制学报，2011
- 卡尔·约翰·阿斯特罗姆，自适应控制，第二版，皮尔逊教育，2001年
- M.S. Ahmed“一类非线性植物的基于神经网络的MRAC”，神经网络13,111-124，投稿文章，Elsevier, 2000
- DipakM。Adhyaru，“基于神经网络的非线性系统状态观测器设计”，应用软计算，Vol.12(1)， 2012
- Adhyaru D.M.;凹地,I.N.;Gopal, M.，“一种基于HJBSolution的有界鲁棒控制器设计的固定最终时间最优控制方法”，IET控制理论与应用。第3卷第9期，页1183 - 1195年,2009年
- 吴雪莉，吴晓静，罗晓远，朱全民，关新平，“基于神经网络的非线性参数化系统自适应跟踪控制”，计算机工程，vol . 82, 1 Elsevier, 2012
- Adhyaru, d.m.， Kar, i.n.和gopal, M.，“基于神经网络的非线性系统鲁棒控制”，国际自动化与控制杂志，第3卷，no . 2/3,pp。135 - 153年,2009年
|
菜单
MRAC可应用于MIT规则、修正MIT规则、Lyapunov稳定性法[9]。所有这些方法都可以添加软计算。由于最近计算设施和软计算的进步，模糊逻辑和神经网络(NN)的研究出版物已经增加了。为了跟上这一最新趋势，本文讨论了应用MIT规则和神经网络的结果。在[6]中，基于控制技术和应用领域，对MRAC进行了最近的调查。本文主要介绍了模型参考自适应系统(MRAS)主要由两个回路组成，一个是普通反馈回路作为内环，另一个是带有控制器参数调节机制的外环，以最小化模型输出与过程输出之间的差异。
(1）
（2）
（3）
（4）
