基于Hammerstein-Wiener模型的连续搅拌反应釜神经网络预测控制

被引：10

作者：

满红 ^{[1
,2
]}

邵诚 ^{[1
]}

机构：

[1] 大连理工大学先进控制研究所

[2] 大连科技学院

来源：

化工学报 | 2011年 / 62卷 / 08期

关键词：

Hammerstein-Wiener模型; 最小二乘支持向量机; BP神经网络; 非线性预测控制;

D O I：

暂无

中图分类号：

TP273 [自动控制、自动控制系统];

学科分类号：

080201 ; 0835 ;

摘要：

针对化工过程中广泛使用的连续搅拌反应釜(CSTR),提出一种基于神经网络的模型预测控制策略,采用分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法,在此基础上建立线性自回归模式(ARX)结构和高斯径向基神经网络串联的非线性预测控制器。利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现一种基于支持向量机Hammerstein-Wiener辨识模型的非线性神经网络预测控制算法。对CSTR的仿真结果表明,该方法能够更有效地跟踪控制反应物浓度。

引用

页码：2275 / 2280

页数：6

共 8 条

[1] 基于Hammerstein模型的连续搅拌反应釜非线性预测控制 [J].

王庆超 ;

张健中 .

南京理工大学学报(自然科学版), 2010, 34 (05) :618-623

[2] 先进控制技术在纯碱生产碳化过程中的应用 [J].

金晓明 ;

张泉灵 ;

苏宏业 .

化工学报, 2008, (07) :1761-1767

[3] 基于多核支持向量机的非线性模型预测控制(英文) [J].

包哲静 ;

皮道映 ;

孙优贤 .

ChineseJournalofChemicalEngineering, 2007, (05) :691-697

[4] 采用Hammerstein模型的非线性预测控制 [J].

朱学峰 .

控制理论与应用, 1994, (05) :564-575

[5]

Wiener-neural identification and predictive control of a more realistic plug-flow tubular reactor[J] . Mohammad M. Arefi,A. Montazeri,J. Poshtan,M.R. Jahed-Motlagh.Chemical Engineering Journal . 2007 (1)

[6] Dynamic recurrent radial basis function network model predictive control of unstable nonlinear processes [J].

Venkateswarlu, C ;

Rao, KV .

CHEMICAL ENGINEERING SCIENCE, 2005, 60 (23) :6718-6732

[7] Least squares support vector machine classifiers [J].

Suykens, JAK ;

Vandewalle, J .

NEURAL PROCESSING LETTERS, 1999, 9 (03) :293-300

[8]

Nonlinear model-based control using second-order Volterra models[J] . Francis J. Doyle,Babatunde A. Ogunnaike,Ronald K. Pearson.Automatica . 1995 (5)

← 1 →