微分几何理论的非线性控制 由于两个控制回路的耦合程度较弱,两回路的相互扰动并不太大,参数时变,鲁棒性

􀁱2

 

参数灵敏度分析实验

参数灵敏度仿真实验按如下方式进行

 

􀁽在某个

时间

 

􀁯选择对菌体生长影响最大的参数􀁯最大比生长

率

 

Λμ 随时间变化􀁯变化幅值为正常值的􀁸◊ 􀁯变化

规律按正弦曲线变化

 

􀁱当最大比生长率Λμ 作为干扰

量时

 

􀁯图􀁵 是对应两种控制方案的输出响应曲线􀁱从

图

 

􀁵 可以看出􀁯方案􀁵 ) 基于神经网络的自适应控

制其输出响应基本不受参数

 

Λμ 时变的影响􀁯说明该

方案能够适应过程模型结构的不确定性和参数的时

变性

 

􀁯具有较强的鲁棒性􀁱方案􀁴) 输入输出线性化

解耦控制

 

􀁯在参数Λμ 时变时􀁯对输出响应影响很大􀁯

偏离了设定值

 

􀁯说明这种控制方案对参数的变化特

别敏感

 

􀁯鲁棒性较差􀁱

6

 

结果讨论与结论􀁫Δ ισχυσσ ανδ ρεσυλτσ􀁬

仿真结果表明

 

􀁯提出的基于神经网络的多输入

多输出发酵过程自适应控制方案

 

􀁯完全能适应模型

结构不确定

 

!参数时变等的特点􀁱两个控制回路的相

互耦合

 

􀁯影响并不太大􀁯当第一个回路设定值变化

􀁸􀁨

 

时􀁯第二个回路输出响应最大扰动达到􀁴􀁴􀁨 􀁱另

一方面

 

􀁯虽然基于微分几何理论的非线性控制是研

究非线性系统应用非常广泛的一种工具

 

􀁯但对多变

量非线性发酵过程的控制

 

􀁯性能较差􀁱非线性多变量

发酵过程输入输出线性化解耦控制

 

􀁯虽然达到了解

耦的目的

 

􀁯两个响应回路分别调节􀁯但由于该方案完

全基于准确的过程建模设计

 

􀁯当模型不准确时􀁯控制

响应受干扰严重

 

􀁯当模型中最大比生长率变化􀁸􀁨

时

 

􀁯输出响应最大变化达􀁵􀁼􀁨 􀁯控制精度较差􀁱比较

仿真结果

 

􀁯本文得出的结论为􀁽≠ 针对式􀁫􀁴􀁬) 􀁫􀁶􀁬描

述的发酵过程

 

􀁯基于神经网络的自适应控制方案能

够控制该非线性系统达到稳态精度较高

 

􀁯控制过程

能够自适应过程模型的不确定性和时变性

 

􀁱由于两

个控制回路的耦合程度较弱

 

􀁯两回路的相互扰动并

不太大

 

􀁱􀂝 由于发酵过程具有不确定性!时变性等特

点

 

􀁯基于微分几何理论的非线性控制方案􀁯控制性能

受参数变化影响较大

 

􀁯鲁棒性较差􀁯不适应发酵过程

的特点

 

􀁱

参 考 文 献

 

􀁫Ρ εφερενχεσ􀁬

􀁴

 

程代展􀁱 非线性微分几何控制理论􀁯科学出版社􀁯􀁴􀁼􀁻􀁺

􀁵 􀂎􀂵􀂤√􀂤􀂵􀂬􀂶≤ 􀁯 ≤ 􀂫Π􀂱􀂪 ≤ 􀂅􀁱 􀂑􀂲􀂱􀂯􀂬􀂱􀂨􀂤􀂵≥􀂷􀂤􀂷􀂨 ƒ 􀂨􀂨􀂧􀂥􀂤􀂦􀂮 ≥􀂼􀂱􀂷􀂫􀂨􀂶􀂬􀂶􀂥􀂼

􀂊 􀂯􀂲􀂥􀂤􀂯 􀂌􀂱􀂳Π􀂷

 

􀃙􀂒 Π􀂷􀂳Π􀂷􀂏􀂬􀂱􀂨􀂵􀂬􀂽􀂤􀂷􀂬􀂲􀂱􀁱 􀂄 􀂌≤ 􀂫∞ 􀂍􀁱􀁯 􀁴􀁼􀁻􀁺􀁯 3 3􀁽􀁸􀁼􀁵

􀁶 􀂎􀂵􀂤√􀂤􀂵􀂬􀂶 ≤ 􀁯 ≥􀂲􀂵􀂲Π􀂶􀂫 􀂐 􀁱 ≥􀂼􀂱􀂷􀂫􀂨􀂶􀂬􀂶 􀂲􀂩 􀂐 Π􀂯􀂷􀂬√􀂤􀂵􀂬􀂤􀂥􀂯􀂨 􀂑􀂲􀂱􀂯􀂬􀂱􀂨􀂤􀂵

≤ 􀂲􀂱􀂷􀂵􀂲􀂯􀂯􀂨􀂵􀂶 􀂥􀂼 􀂌􀂱􀂳Π􀂷

 

􀃙􀂒 Π􀂷􀂳Π􀂷􀂏􀂬􀂱􀂨􀂤􀂵􀂬􀂽􀂤􀂷􀂬􀂲􀂱􀁱 􀂄 􀂌≤ 􀂫∞ 􀂍􀁱􀁯 􀁴􀁼􀁼􀁳􀁯

36􀁽􀁵􀁷􀁼

􀁷 􀂋 􀂨􀂱􀂶􀂲􀂱 􀂐 􀂄 􀁯 ≥􀂨􀂥􀂲􀂵􀂪 ⁄ ∞􀁱 􀂑􀂲􀂱􀂯􀂬􀂱􀂨􀂤􀂵 ≤ 􀂲􀂱􀂷􀂵􀂲􀂯 ≥􀂷􀂵􀂤􀂷􀂨􀂪􀂬􀂨􀂶 􀂩􀂲􀂵

≤ 􀂲􀂱􀂷􀂬􀂱Π􀂲Π􀂶 ƒ 􀂨􀂵􀂰 􀂨􀂱􀂷􀂨􀂵􀂶􀁱 ≤ 􀂫􀂨􀂰 􀂬􀂦􀂤􀂯 ∞􀂱􀂪􀂬􀂱􀂨􀂨􀂵􀂬􀂱􀂪 ≥􀂦􀂬􀂨􀂱􀂦􀂨􀁯 􀁴􀁼􀁼􀁵􀁯

47􀁫􀁷􀁬􀁽􀁻􀁵􀁴

􀁸 °􀂵􀂲􀂯􀂯 × 􀁯 􀂎􀂤􀂵􀂬􀂰 􀂑 􀂐 􀁱 􀂑􀂲􀂱􀂯􀂬􀂱􀂨􀂤􀂵≤ 􀂲􀂱􀂷􀂵􀂲􀂯 􀂲􀂩 􀂤 􀂅􀂬􀂲􀂵􀂨􀂤􀂦􀂷􀂲􀂵􀂐 􀂲􀂧􀂨􀂯

􀂘 􀂶􀂬􀂱􀂪 ∞¬􀂤􀂦􀂷􀂤􀂱􀂧 􀂌

 

􀃙􀂒 􀂏􀂬􀂱􀂨􀂤􀂵􀂬􀂽􀂤􀂷􀂬􀂲􀂱􀁯 􀂌􀂱􀂷􀁱 􀂍􀁱 ≤ 􀂲􀂱􀂷􀂵􀂲􀂯􀁯 􀁴􀁼􀁼􀁷􀁯 60

􀁫􀁷􀁬􀁽􀁷􀁼􀁼

􀁹 􀂌􀂶􀂬􀂧􀂲􀂵􀂬􀁯 􀂄 􀁱􀁯 􀂑􀂲􀂱􀂯􀂬􀂱􀂨􀂤􀂵≤ 􀂲􀂱􀂷􀂵􀂲􀂯 ≥􀂼􀂶􀂷􀂨􀂰 􀂶􀁱 ≥􀂳􀂵􀂬􀂱􀂪􀂨􀂵􀁰 􀂅 ∂ 􀂨􀂵􀂯􀂤􀂪􀁯

􀂑􀂨􀂺 ≠ 􀂲􀂵􀂮􀁯 􀁴􀁼􀁻􀁼

􀁺

 

隋青美􀁱 基于神经网络的发酵过程建模与控制方法研究≈博士论

文

 

∀ 天津大学􀁯天津􀁯􀁵􀁳􀁳􀁴

作者简介

隋青美

 

􀁫􀁴􀁼􀁹􀁶􀁰 􀁬􀁯女􀁯山东大学教授􀁯博士􀁱研究领域为

系统辨识

 

!智能控制和非线性控制􀁱

王正欧

 

􀁫􀁴􀁼􀁶􀁻􀁰 􀁬􀁯男􀁯天津大学教授􀁯博士生导师􀁱研究

领域为系统辨识

 

!神经网络和复杂系统􀁱