基于改进PSO算法的液压调高系统神经网络预测控制

《基于改进PSO算法的液压调高系统神经网络预测控制》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学兔兔www.xuetutu.comI訇化基于改进PSO算法的液压调高系统神经网络预测控制PredictivecontroIoftheverticaIsteeringsystembasedonRBFneuralnetwork周元华。。，马宏伟。ZHOUYuan．hual1．MAHong—wei(1．西安科技大学机械工程学院，西安710054；2．长江大学机械工程学院，荆州434023)摘要：针对采煤机液压调高控制问题，提出一种基于模拟退火粒子群算法的RBF预测控制方法。综合模拟退火算法和粒子群算法的优点，用模拟退火思想来解决粒子群算

2、法易陷于局部最优的问题。用模拟退火粒子群算法优化RBF神经网络，增强学习能力和算法稳定性。利用改进的RBF神经网络对采煤机液压调高系统进行预测控制，仿真结果表明，改进后的方法比传统控制方法辨识精度提高，响应速度更快，证明了该方法的改进效果较好。关键词：RBF神经网络；模拟退火算法；粒子群算法；预测控制中图分类号：TD421文献标识码：A文章编号：1009-0134(2014)os(下)-ol10-03Doi：10．3969／J．issn．1009-0134．2014．03(下)．300引言式中，X=[，x2．，r是输入向量；=目前大

3、多数采煤机采用液压系统进行调高控，[6l，b2，．．．，bm]是基宽函数向量。因此，RBF网络的输出为：制，该系统是一个复杂的非线性、时变系统，常规控制方法难以满足实时性要求。模型预测控制采用Ym(t)=+w2lz2+⋯+hm=WH(2)滚动优化策略，能取得较好的动态控制效果，但只式中，W=[，WE，．．．，Wm]是权值；H=[啊，，⋯，r为隐含层节点输出。能应用于线性系统，而神经网络预测控制具有很的非设有多变量非线性系统描述为：线性处理能力，被广泛用于非线性系统的控制中口】。．y()=f[y(k—1)，⋯，y(k一一1)，f3、R

4、BF神经网络由于具有紧凑的结构、很好的逼近特u(k一1)，·一，u(k一，z一1)]性和很快的学习速度等优点，受到人们的高度重式中，／【口)是非线性函数，Y为输出，U为输视，但其中心点的选择较为困，很多学者采用入，n为输入阶数，n为输出阶数。了进化算法多RBF网络进行优化。本文提出一种改进的PSO算法，将其应用于利用RBF神经网络对厂(口)进行逼近，逼近函数为(，~qRBF预测模型为：RBF神经网络学习过程，增强学习能力和算法稳．，定性，并将改进的RBF应用于采煤机液压调高系()=厶r[(七一1)，⋯，y(k—n一1)，，统的预测控

5、制中，仿真表明，该方法具有较高的u(k一1)，⋯，u(k—n一1)，W]、式中，W为RBF网络的权值。控制精度和实时性。1径向基神经网络预测模型[6，2模拟退火粒子群算法径向基函数神经网络(RadialBasisFunction2．1模拟退火粒子群算法【8I9]NeuralNetwork，RBFNN)是基于正则化理论导出，标准PSO算法在搜索的初期有较快的收敛速它具有全局最佳逼近能力。RBF是一个三层前向度，但在后期往往容易陷入局部最优点。为此，网络的拓扑结构，具有非线性逼近能力强、网络利用模拟退火算法优化粒子群算法，形成模拟退结构

6、简单等特点，非常实用于在线学习。本文采火粒子群算法(SA-PSO)。用具有高斯基函数的RBF网络，网络的第j个神经模拟退火算法(SA)是基于蒙特卡罗迭代求解元输出为：策略的一种启发式随机搜索方法。模拟退火算法由某一较高的初温开始，利用具有概率突跳特性卅_1，2，．．(1)的Metropolis抽样准则在解空间中随机搜索，伴随收稿日期：2013-12-26基金项目：国家自然科学基金煤炭联合基金(u1361121)作者简介：周元华(1980一)，湖北武汉人，博士研究生，研究方向为智能检测与控制。[11o]第36卷第3期2014-03(下

7、)学兔兔www.xuetutu.com务l甸似温度的不断下降，重复抽样过程，最终得到问题的全局最优解。标准PSO算法中随着迭代次数的增加，惯性权重越来越小，容易出现局部收敛，为了避免这种情况，需要接受部分恶化解，这样不易陷入局部极小。这种接受恶化解的策略，符合模拟退火算法的思想。在模拟退火算法中，冷却温度是跳出局部极小的关键，这里设置为：图1基于RBF网络的预测控制模型t=九(O<九<1)(5)当算法接近收敛时，冷却温度趋近于0，根据4仿真研究退火温度，模拟退火算法的接收概率为：采煤机液压调高系统是一个液压伺服系统，f1，(／()<

8、，((，))由控制器、电液比例阀、液压缸、调高机构和位l／，、ploxp(一苎!)=exp(一苎二：)，(，()≥，(“))to)移传感器组成加，如图2所示。当p>r(r为(O，1)的随机数)时，也能接受新粒子。随着粒子的更新，p趋近