球罐系统的多模型自适应控制方法及系统技术方案

本发明专利技术涉及一种球罐系统的多模型自适应控制方法和系统，通过至少一个线性模型和至少一个基于神经网络的非线性模型对球罐液位控制系统进行辨识，两个模型分别对应一个线性自适应控制器和一个基于神经网络的非线性自适应控制器；基于性能指标的切换单元在每个采样时刻切换到最优控制器来实现控制。与传统的非线性多模型自适应控制方法相比，本发明专利技术将球罐液位控制系统的非线性项的界限放宽到增长率有界，可以有效的扩大多模型自适应控制器的适应性。

【技术实现步骤摘要】

本专利技术设及一种控制方法及系统，尤其设及一种球罐系统的多模型自适应控制方 法及系统。
技术介绍
随着人们对能源问题和环境问题的逐渐重视，工业技术逐步由粗放型向密集型转 变，原来针对于单一设备的简单控制方法已经不再适用于日益复杂的大型工业系统。针对 某一操作点进行线性化而建立的线性系统模型由于其结构简单便于理解等优点，在现代控 制系统中有着广泛的应用，但是一般的工业系统均存在不同程度的非线性特性，采用传统 的针对线性系统的控制方法已经不能对某些具有强非线性的复杂系统进行有效的控制，所 W针对非线性系统设计更好的控制方法是非常必要的。 在工业生产过程中，液态物料的储存和输送是必不可少的关键环节。在液体储存 过程中，需要对一些重要参数进行测量与控制。例如，大型炼油厂的储油罐需要使油料液位 和溫度保持在一定的水平上，运对于防止储油罐溢流或干涧，W及防止油料冻凝或汽化增 压都非常重要。而在化工生产和储运过程中，经常会使用球罐作为储罐或缓冲容器，但是球 罐的非线性特性给生产带来很多困难，如何对其液位进行有效控制很重要。自适应控制作 为一种先进的控制方法，在非线性系统的控制中取得了广泛的应用。由于其参数可W随系 统参数的改变而进行调整，自适应控制可W自动地补偿模型阶次、参数和输入信号方面的 变化，可W得到较好的控制效果。但是对于某些快时变，强非线性的系统来说，如果自适应 控制的参数选取不适当，则会导致收敛的时间过长，而造成过大的暂态误差或者不稳定等 情况。对于强非线性系统来讲，利用神经网络等非线性逼近器与传统的自适应控制相结合 而设计的基于神经网络等的非线性自适应方法可W有效的对系统进行控制。但是为了精确 的辨识系统模型，神经网络的选取往往比较复杂，运对于分析系统的稳定性造成了很大的 困难。
技术实现思路
本专利技术的目的在于提供一种球罐系统的多模型自适应控制方法及系统，解决控制 过程中由于辨识速度低而造成过大的暂态误差或者系统不稳定的问题。 为了解决上述问题，本专利技术设及了一种增长率有界的非线性的球罐系统的多模型 自适应控制方法，对一球罐系统的液位进行控制，包括W下步骤： S1 :设置第一控制器包括至少一个线性模型和与每个线性模型对应的线性鲁棒控 制器和设置第二控制器包括至少一个非线性模型和与每个非线性模型对应的非线性神经 网络控制器；所述非线性模型包括线性部分和非线性神经网络模型部分，初始化所述线性 模型和非线性模型中线性部分的参数，初始化所述非线性神经网络模型部分的参数和其中 神经网络的权值； S2 :设定t= 0时刻，所述球罐系统的液位的输出设为0,t声0时刻，所述球罐系统 的液位的输出设为该系统的实际液位；由球罐系统的输出与参考值作差得到控制误差e。； 由球罐系统的输出与线性模型的输出作差得到线性模型误差ei，由球罐系统输出与非线性 神经网络模型部分输出作差得到非线性模型误差62;[000引S3 :利用每个线性模型的参数设计对应的第一控制器，由系统的控制误差e。计算 线性鲁棒控制器的输出值Ui(t); 利用每个非线性模型的参数设计对应的第二控制器，所述非线性神经网络控制器 包括线性单元和非线性神经网络单元，由系统的控制误差e。计算非线性神经网络控制器的 输出值U2(t);S4:根据线性模型误差ei和非线性模型误差e2,线性模型的正则化的模型辨识误 差和非线性模型的正则化的模型辨识误差e2,来计算线性模型的性能指标Ji(t)和非 线性模型的性能指标J2(t):其中S = 1, 2, ？(') =￡；(f +却刮勺，.C艺0，d为时延，N是不小于1的整数； S5 :选择S4中得出的性能指标值较小的控制器在S3中产生的输出值，作为所述球 罐液位控制系统、线性模型W及非线性模型的控制输入U(t)，从而确定当下所需的液位，进 而得到对应球罐系统的进水流量；[001引 S6:利用线性模型误差ei和非线性模型误差62分别更新下一时刻的线性模型参数 和非线性模型的参数和神经网络的权值； S7:重复S2-S6。[001引较佳地，线性模型Ml为： 式中聲的二T是球罐液位控制系统输入输出组成的 回归向量；S6中，在每一个时刻，居1(0要经过得出参数辨识算法步骤进行更新；式中0<「I< ! . 0 < 成 < ! .AU(t)= u(t)-u(t-l)，N。为正整数； 阳024]bmm是 Au(t)的系数的自定义下界；在S2中，在每一个系统时刻t，由线性模型的参数^(0来得出线性模型的输出： 式中，/(t+d)为系统时刻t的d延时的参考值是由球罐液位控制系统 输入输出组成的回归向量是t时刻线性控制器参 数。[002引较佳地，非线性模型M2的非线性神经网络部分表示如下：曼 0 的另一个估计；A封0代表用神经网络估计弓=4岭+句抑)，即A触=脚沪約脚巧， 順（?）为有界的神经网络；庐的是输入层的输入，W(t)是神经网络的权重向量，对于非线 性模型M2的线性部分参数，利用辨识方法进行更新，W(t)是神经网络的权重向量，正则化的 模型辨识误差为：n<j(t)= 5 〇nd(t-l) + |}Kt)I2; 非线性模型对应控制器由如下表示： 式中是t时刻非线性控制器的参数，是球罐液位控制系统输入输 出组成的回归向量。 较佳地，非线性神经网络模型部分为具有单隐层神经元的BP神经网络，隐层神经 元个数通为6-10个，上下层之间的各神经元全连接，每层神经元之间没有连接，利用输出 误差62(t)与隐层各神经元的输出b,来修正隐层至输出层的连接权V,1，j= 1，2,…，P;p为 隐层神经元数；Y1为输出层单元的输出阔值： v"=V"+Ke2(t)bj 丫 1= 丫 1+K62(t) j= 1,2,…，p，0<K<lb, (1-b,)，农修正输入层至中间层的连接权 li.j,i= 1，2,…，ria+nb+l+d，j= 1，2,…，P和隐层各单元的输出阔值X.j,j= 1，2,…，P: Xj=Xj+odj(t) i= 1, 2, ???,n^+rib-2,j= 1, 2, ???,p, 0<〇<!〇 为了实现上述目的，本专利技术还设及了一种增长率有界的非线性的球罐系统的多模 型自适应控制系统，对一球罐系统的液位进行控制，包括： 初始化单元，用 设置第一控制器包括至少一个线性模型和与每个线性模型对应的线性鲁棒控制 器和设置第二控制器包括至少一个非线性模型和与每个非线性模型对应的非线性神经网 络控制器，所述非线性模型包括线性部分和非线性神经网络模型部分；初始化所述线性模 型和非线性模型中线性部分的参数，初始化所述非线性神经网络模型部分的参数和其中神 经网络的权值； 误差计算单元，用 设定t= 0时刻，所述球罐系统的液位的输出设为0,t声0时刻，所述球罐系统 的输出设为该球罐系统的实际液位；由球罐系统的液位的输出与参考值作差得到控制误差 e。;由球罐系统的液位的输出与线性模型的输出作差得到线性模型误差e1，由球罐液系统 的液位的输出与非线性神经网络模型部分输出作差得到非线性模型误差62; 线性鲁棒控制器输出单元，用W: 利用每个线性模型的参数设计对应的第一控制器，由系统的控制误差e。计本文档来自技高网...

【技术保护点】
一种球罐系统的多模型自适应控制方法，对一球罐系统的液位进行控制，其特征在于，包括以下步骤：S1：设置第一控制器包括至少一个线性模型和与每个线性模型对应的线性鲁棒控制器和设置第二控制器包括至少一个非线性模型和与每个非线性模型对应的非线性神经网络控制器，所述非线性模型包括线性部分和非线性神经网络模型部分；初始化所述线性模型和非线性模型中线性部分的参数，初始化所述非线性神经网络模型部分的参数和其中神经网络的权值；S2：设定t＝0时刻，所述球罐系统的液位的输出设为0，t≠0时刻，所述球罐系统的液位的输出设为该球罐系统的实际液位；由球罐系统的液位的输出与参考值作差得到控制误差ec；由球罐系统液位的输出与线性模型的输出作差得到线性模型误差e1，由球罐系统液位的输出与非线性神经网络模型部分输出作差得到非线性模型误差e2；S3：利用每个线性模型的参数设计对应的第一控制器，由系统的控制误差ec计算线性鲁棒控制器的输出值u1(t)；利用每个非线性模型的参数设计对应的第二控制器，所述非线性神经网络控制器包括线性单元和非线性神经网络单元，由系统的控制误差ec计算非线性神经网络控制器的输出值u2(t)；S4:根据线性模型误差e1和非线性模型误差e2，线性模型的正则化的模型辨识误差ε1和非线性模型的正则化的模型辨识误差ε2，来计算线性模型的性能指标J1(t)和非线性模型的性能指标J2(t)：其中s＝1,2，Γ0>0，c≥0，d为时延，N是不小于1的整数；S5：选择S4中得出的性能指标值较小的控制器在S3中产生的输出值，作为球罐液位控制系系统、线性模型以及非线性模型的控制输入u(t)，从而确定当下所需的液位，进而得到对应球罐系统的进水流量；S6：利用线性模型误差e1和非线性模型误差e2分别更新下一时刻的线性模型参数和非线性模型的参数和神经网络的权值；S7：重复S2‑S6。...

【技术特征摘要】
...

【专利技术属性】
技术研发人员：王昕，黄淼，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31