科研之友
微信
新浪微博
Facebook
分享链接
摘要
应用神经网络的强大的近似能力,已发展出了众多基于深度学习的复杂非线性系统的控制方法。但基于深度神经网络的控制在可解释性、收敛性等方面的问题上还未得到充分的解决。本文提出了一种基于融合物理信息神经网络的模型预测控制算法:首先将融合物理信息的神经网络扩展到可变初始状态与外部控制量的常微分方程建模上,使得网络能适应控制任务,并使得模型具有物理可解释性;其次将训练好的融合物理信息的神经网络作为内部预测模型,构建非线性模型预测控制算法;最后为了消除控制的稳态误差,在模型预测控制中加入比例-积分控制算法,保证了控制的收敛性。最后以连续搅拌釜式反应器系统为例,通过仿真实验,证明了该算法的有效性,同时对比PID算法和基于普通神经网络的非线性模型预测控制算法的控制效果,验证了该方法能在样本数量少的前提下实现无静差控制,并显著减少控制稳定时间。
- 单位
