基于RBF神经网络的自适应逆控制.pdfVIP

维普资讯 大 庆 石 油 学 院 学 报 第 29卷 第 5期 2005年 10月 JOURNAIOFDAQINGPETROLEUM INSTITUTE Vol_29 No．5 Oct． 2005 基于 RBF神经网络的自适应逆控制 高丙坤 ，李 强 ，姜建国 (1．东北大学 信息科学与工程学院，辽宁 沈阳 110004； 2．大庆石油学院 电气信息工程学院，黑龙江 大庆 163318) 摘 要：针对抽油机系统的特点和采油过程控制方面存在的问题，提出了基于 RBF神经网络的自适应逆控制系统结 构及算法 ．应用结果表明，该方法与常规抽油机相 比最大净转矩峰值下降52．1o ，转矩指数大于7o ，节 电率为17．8 ． 关 键 词：RBF；自适应；逆控制；抽油机 中图分类号 ：TP273．2 文献标识码 ：A 文章编号：1000—1891(2005)05—0104—02 0 引言 自适应逆控制能使被控对象及其控制器的总体动态响应达到最优[1]，可避免传统控制因反馈可能引 起的不稳定，同时对系统动态特性的控制与对象扰动的控制分开处理L2]．采用 自适应逆控制求系统的逆 需要有精确的数学模型，而大多数系统往往呈现很强 的非线性 ，且难以用解析式描述，即使建立非线性数 学模型，也很难求出模型的逆．神经网络 中的径向基函数 网络 (RBF)具有理论基础、参数部分线性及快速 的学习算法等诸多优点而 日益受到重视[3]，并被广泛地应用到工业控制 中．油 田的机采系统属于典型的 非线性系统 ，其长期处于连续运行状态，且地下系统未知可变．虽然变频调速能够改变电动机的机械特 性，实现负荷特性的柔性配合，但系统存在 自发电现象；而且变频器本身有功率损耗，其谐波对电网有不 良 影响，使电动机附加损耗增大．目前油田开采 已进入高含水后期，耗电量也不断增加，且机采系统经常出现 “抽空”现象．采用神经网络 自适应逆控制可 以针对各种抽油机 的非线性模型，使抽油机 自适应各种井况， 提高采油效率和节电量．通过在线调整控制器参数，使其成为对象的逆模型进而去控制被控对象，以解决 抽油机系统非线性、变参数、负载扰动的影响，实现响应快、速度基本无超调 、抗扰能力好 、鲁棒性强的系统 控制． 1 逆控制系统结构 自适应逆控制系统的结构见图1．该系统通过 自 适应使得控制器逼近控制对象的逆 ，从而使得整个系 统的前向通道 的传递函数为 1，保证输 出跟踪输入 的 变化．对于该控制系统，系统误差和模型误差可测 ，但 无法获得控制器的输 出误差．为实现系统 的在线 自适 应 ，必须首先建立非线性系统的前 向模型，从而将系统 的输出误差转化为控制器的输出误差 ，然后再通过 自 适应算法实现控制器 的 自适应，且前 向模型做为误差 反传通道．因此 ，非线性系统模型 自适应和控制器 自 适应共同构成非线性 自适应逆控制系统的核心． 图1 自适应逆控制系统结构 收稿 日期 ：2005一O4—29；审稿人 ：邵克勇；编辑 ：任志平 基金项 目：国家教育部重点研究项 目(地方 02047) 作者简介 ：高丙坤(1962一)，男，在读博士后，教授 ，博士生导师，主要从事信息处理与控制方面的研究 · 1O4 · 维普资讯 第 5期 高丙坤等：基于RBF神经网络的自适应逆控制 2 RBF神经 网络算法 RBF神经网络逆动态模型见参考文献[4]．RBF学习算法步骤 ： (1)初始化设置．k为聚类 的模式数；C(0)为 i个初始聚类 中心，一1，2，…，k；￡为判定停止计算的阀 值． (2)初始分类．将所有样本点，归入以C(O)为中心的相应类中．可按最小欧氏距离原则 ，将样本归入 距之最近的中心一类． (3)计算c(￡)与Jo(￡)．Jo(￡)为聚类准则函数，Je(￡)一∑∑ll“一f(￡)ll，其中 为第i类样本