基于pH中和過程的非線性LTR控制方法研究.pdf_第1頁
已閱讀1頁,還剩108頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、pH中和過程廣泛存在于生物醫(yī)藥,化工生產,水質處理等日常生活與工業(yè)生產領域中。但由于其變增益,強非線性和難以建模等特點,現(xiàn)有的控制方法在pH中和過程的控制中一直存在著一定的缺陷,對該過程的控制仍是工業(yè)過程控制問題中的熱點與難點?;芈穫鬟f函數(shù)恢復方法(Loop Transfer Recovery)由于其魯棒性強、動態(tài)控制性能好、結構簡單和算法清晰的特點,一直是航空航天,車輛船舶等運動控制領域中的一種熱門控制方法,在解決快速跟蹤的運動控制中

2、表現(xiàn)出極優(yōu)的特點。而pH中和過程有著中和點附近控制靈敏,響應速度快的特點,與一般慢反應的化工過程相比,要求跟蹤性能更快更好,抗干擾能力更強。為了實現(xiàn)pH中和過程的控制優(yōu)化,并將LTR控制推廣到流程工業(yè)領域中,本文針對pH中和過程的兩種不同模型,分別設計了對應的非線性LTR控制方法,實現(xiàn)了對pH中和過程的LTR控制,取得了良好的控制效果。
  對于pH中和過程強酸當量模型,本文將模型進行反S變換,設計了相對應的基于反S變換的兩自由度

3、LTR控制器,兼顧了控制器的跟蹤性能和魯棒性能,實現(xiàn)了對pH中和過程強酸當量模型的控制,并對控制效果進行了跟蹤性能以及在酸堿不同擾動下的魯棒性驗證。同時針對系統(tǒng)頻域特性,采用靈敏度函數(shù)驗證了系統(tǒng)頻域下的魯棒性能,取得了良好的控制效果。
  針對pH中和過程辨識模型,本文建立了pH中和過程Hammerstein模型,結合了遺傳算法與反向傳播神經網絡,采用遺傳算法(Genetic Algorithm)優(yōu)化反向傳播(Back Propa

4、gation)神經網絡的初始權值和域值,加速網絡訓練過程,從而建立系統(tǒng)逆模型。并通過LTR控制器對逆模型的控制實現(xiàn)了對pH中和過程Hammerstein模型的控制,取得了良好的控制效果,進一步改進了LTR控制方法,推廣了其應用范圍。
  針對LTR控制器設計時,無法兼顧調節(jié)時間和超調量的問題,本文從控制器加權矩陣參數(shù)入手,設計了參數(shù)自適應的LTR控制方法,并分別利用基于誤差反饋調節(jié)的自適應規(guī)律和基于模糊規(guī)則的自適應規(guī)律進行加權矩陣

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論