基于ISSA的多变量ORVFL网络自适应预测控制

doi:10.12422/j.issn.1672-6952.2023.01.014

辽宁石油化工大学学报 ›› 2023, Vol. 43 ›› Issue (1): 80-88.DOI: 10.12422/j.issn.1672-6952.2023.01.014

基于ISSA的多变量ORVFL网络自适应预测控制

那新宇(), 余华鹏, 金鑫(), 王越

辽宁石油化工大学信息与控制工程学院，辽宁抚顺 113001

收稿日期:2021-07-24 修回日期:2021-09-19 出版日期:2023-02-25 发布日期:2023-03-13
通讯作者: 金鑫
作者简介:那新宇（1989⁃），男，硕士研究生，从事工业过程先进控制研究；E⁃mail：540633884@qq.com。
基金资助:
国家自然科学基金面上项目(62073158)

Multivariable ORVFL Network Adaptive Predictive Control Based on ISSA

Xinyu Na(), Huapeng Yu, Xin Jin(), Yue Wang

School of Information and Control Engineering，Liaoning Petrochemical University，Fushun Liaoning 113001，China

Received:2021-07-24 Revised:2021-09-19 Published:2023-02-25 Online:2023-03-13
Contact: Xin Jin

摘要/Abstract

摘要：

针对多输入多输出（Multiple?Input Multiple?Output, MIMO）的非线性系统，提出了一种基于改进的麻雀搜索算法（Improved Sparrow Search Algorithm, ISSA）的在线序列随机权值网络( Online Random Vector Functional?Link Net, ORVFL)自适应预测控制算法(ISSA?MPC)。该算法采用ORVFL网络逼近非线性系统模型，并用于系统过程的多步预测。为了提高麻雀搜索算法的性能，使用该算法对系统性能指标进行了在线优化，求解了每一个采样周期的最优控制律。结果表明，该算法控制性能良好并具有较好的抗模型失配能力。

关键词: 模型预测控制, 麻雀搜索算法, 非线性系统, 神经网络

Abstract:

For the MIMO nonlinear systems, a multivariable ORVFL neural network adaptive predictive control algorithm based on Improved Sparrow Search Algorithm was proposed in this paper. The algorithm uses the ORVFL network to approximate the nonlinear system model, and applies to the multi?step prediction of the system process. In order to improve the performance of the Sparrow Search Algorithm, the algorithm is used to optimize the system performance index online and solve the optimal control law of each sampling period. The results show that the algorithm has good control performance and good anti?model mismatch ability.

Key words: Model predictive control, Sparrow search algorithm, Nonlinear system, Neural networks

中图分类号:

TP273

那新宇, 余华鹏, 金鑫, 王越. 基于ISSA的多变量ORVFL网络自适应预测控制[J]. 辽宁石油化工大学学报, 2023, 43(1): 80-88.

Xinyu Na, Huapeng Yu, Xin Jin, Yue Wang. Multivariable ORVFL Network Adaptive Predictive Control Based on ISSA[J]. Journal of Liaoning Petrochemical University, 2023, 43(1): 80-88.

图/表 15

图1 RVFL网络结构

图2 基于ORVFL网络的多步超前预测模型结构

图3 改进麻雀搜索算法流程

图4 基于ISSA多变量ORVFL网络预测控制结构

图5 酸碱中和反应过程

表1 酸碱中和反应过程正常操作参数

操作参数	数值
q₁/(mL $⋅$ s^-1)	16.60
q₂/(mL $⋅$ s^-1)	0.55
q₃/(mL $⋅$ s^-1)	15.60
W_a₁/mol	0.003 00
W_a₂/mol	-0.030 00
W_a₃/mol	-0.003 00
W_b₁/mol	0
W_b₂/mol	0.030 00
W_b₃/mol	0.000 05
C₀/(mL•cm^-1•s^-1)	8.75
h/cm	14.0
pk₁	6.35
pk₂	10.25
pH₄	7.0
A/cm²	207
T/s	15

表1 酸碱中和反应过程正常操作参数

操作参数	数值
q₁/(mL $⋅$ s^-1)	16.60
q₂/(mL $⋅$ s^-1)	0.55
q₃/(mL $⋅$ s^-1)	15.60
W_a₁/mol	0.003 00
W_a₂/mol	-0.030 00
W_a₃/mol	-0.003 00
W_b₁/mol	0
W_b₂/mol	0.030 00
W_b₃/mol	0.000 05
C₀/(mL•cm^-1•s^-1)	8.75
h/cm	14.0
pk₁	6.35
pk₂	10.25
pH₄	7.0
A/cm²	207
T/s	15

图6 1 000个随机阶跃输入序列

图7 RVFL网络和BP网络模型的液位、pH输出结果

表2 测试数据集根均方误差

模型	液位根均方误差/cm	pH根均方误差
RVFL网络	0.005	0.300
BP网络	0.018	0.350

图8 在线数据预测的液位、pH输出结果

表3 两种模型的在线预测根均方误差

模型	液位根均方误差/cm	pH根均方误差
RVFL网络	0.039	1.340
ORVFL网络	0.008	0.470

图9 3种算法的液位、pH仿真输出结果

表4 3种算法的根均方误差

算法	液位根均方误差/cm	pH根均方误差
ISSA⁃MPC	0.271	0.43
SSA⁃MPC	0.274	0.45
PSO⁃MPC	0.287	0.46

图10 失配情况下2种模型的液位高度、pH输出结果

表5 2种模型的液位高度和pH根均方误差对比

模型	液位根均方误差/cm	pH根均方误差
RVFL网络	0.243	0.43
ORVFL网络	0.273	0.54

参考文献 16

1	钱积新. 预测控制［M］.北京：化学工业出版社， 2007.
2	耿志强，陈杰，韩永明.基于模糊RBF神经网络的乙烯装置生产能力预测［J］.化工学报， 2016， 67（3）： 812⁃819.
3	Yeon J， Ni P， Nakmoto M， et al. Neural network modelling on temperature coefficient of surface tension and its usage in melting point prediction of nanosized metal particles［J］. Calphad， 2019， 64： 267⁃271.
4	Yuan X， Li L， Wang Y. Nonlinear dynamic soft sensor modeling with supervised long short⁃term memory network［J］. IEEE Transactions on Industrial Informatics， 2020， 16（5）： 3168⁃3176.
5	邢波涛，乔源，赵文杰. 基于改进NARX⁃DMC的SCR脱硝控制策略［J］. 华北电力大学学报（自然科学版）， 2020， 47（6）： 83⁃90.
6	Pao Y H， Park G H， Sobajic D J. Learning and generalization characteristics of the random vector Functional⁃link net［J］. Neurocomputing， 1994， 6（2）：163⁃180.
7	Zhang X， Ma H， Zuo W， et al. Adaptive control of discrete⁃time nonlinear systems using ITF⁃ORVFL［J］. IEEE/CAA Journal of Automatica Sinica， 2019，99：1⁃8.
8	Liang N Y， Huang G B， Saratchandran P， et al. A fast and accurate online sequential learning algorithm for feedforward networks［J］. IEEE Transactions on Neural Networks， 2006， 17（6）： 1411⁃1423.
9	Tan Y， Cauwenberghe A V. Nonlinear one⁃step⁃ahead control using neural networks： Control strategy and stability design［J］. Automatica， 1996， 32（12）：1701⁃1706.
10	Soloway D， Haley P J. Neural generalized predictive control： A newton⁃raphson implementation［J］. International Journal of Theoretical and Applied Computer Sciences，2006，1： 83⁃100.
11	Wang X， Xiao J. PSO⁃based model predictive control for nonlinear processes［C］// Advances in Natural Computation， First International Conference. Changsha： ICNC， 2005：27⁃29.
12	Song Y， Chen Z， Yuan Z. New chaotic PSO⁃based neural network predictive control for nonlinear process［J］. IEEE Transactions on Neural Networks， 2007， 18（2）： 595⁃601.
13	姜雪莹，郭颖，施惠元，等. 基于TSA多变量非线性RBF神经网络预测控制［J］. 控制工程， 2019， 26（9）： 1655⁃1660.
14	Xue J， Shen B. A novel swarm intelligence optimization approach： Sparrow search algorithm［J］. Systems Science & Control Engineering， 2020， 8（1）： 22⁃34.
15	Rahnamayan S， Tlzhoosh H R， Salama M M A.Opposition⁃based differential evolution［J］.IEEE Transactions on Evolutionary Computation， 2008， 12（1）： 64⁃79.
16	Sun Y， Gao Y. A multi⁃objective particle swarm optimization algorithm based on gaussian mutation and animproved learning strategy［J］. Mathematics， 2019， 7（2）： 148.

[1]	赵珣, 陈帅, 邱海洋. 基于改进双向循环神经网络的变压器故障诊断模型研究[J]. 辽宁石油化工大学学报, 2023, 43(5): 75-83.
[2]	于春悦, 曹宇, 程旭. 基于神经网络的银行长期存款客户预测研究[J]. 辽宁石油化工大学学报, 2023, 43(5): 91-96.
[3]	姜楠, 罗林, 王乔, 侯维. 结构优化深度网络的高压断路器机械故障诊断[J]. 辽宁石油化工大学学报, 2023, 43(3): 91-96.
[4]	汤永恒, 潘斌. 基于双向转换网络的域自适应单幅图像去雾方法[J]. 辽宁石油化工大学学报, 2022, 42(6): 78-83.
[5]	刘臻博, 金鑫, 李平. 基于免疫算法结构分解的分布式预测控制算法[J]. 辽宁石油化工大学学报, 2022, 42(5): 90-96.
[6]	程薇燃, 李金娜. 基于Q学习的异构多智能体系统最优一致性[J]. 辽宁石油化工大学学报, 2022, 42(4): 59-67.
[7]	刘明, 马嘉悦, 刘晓培, 侯明君, 周妍. 基于动态贝叶斯网络的气化炉烧嘴系统可靠性分析[J]. 辽宁石油化工大学学报, 2022, 42(2): 79-85.
[8]	周学均, 陈小强, 谢磊, 江成龙. 基于EMD的短期风速预测混合模型[J]. 辽宁石油化工大学学报, 2021, 41(6): 79-86.
[9]	裴小邓，罗林，陈帅，王乔. 面向电力变压器油中溶解气体的卷积神经网络诊断方法[J]. 辽宁石油化工大学学报, 2020, 40(5): 79-85.
[10]	陶文华，陈娇，桂运金，孔平平. DE算法改进的炼焦能耗RBF预测模型[J]. 辽宁石油化工大学学报, 2020, 40(2): 91-96.
[11]	赵士龙，李维军，石成江. 基于优化BP神经网络的铝箔封口检测研究[J]. 辽宁石油化工大学学报, 2019, 39(1): 97-100.
[12]	王先一, 何巨鹏, 谢静, 赵德望, 张云峰. FRP管混凝土轴压柱力学性能影响规律研究[J]. 辽宁石油化工大学学报, 2018, 38(1): 84-92.
[13]	马贵阳，朱赢. GM-BP模型在NGH生成中的预测研究[J]. 辽宁石油化工大学学报, 2018, 38(06): 93-98.
[14]	赵梓涵. 油田结垢预测及防垢技术的研究进展[J]. 辽宁石油化工大学学报, 2018, 38(05): 19-23.
[15]	王志峰, 冯锡炜, 贾强, 朱睿, 秦航. 多特征神经网络微博转发预测[J]. 辽宁石油化工大学学报, 2017, 37(6): 47-50.

基于ISSA的多变量ORVFL网络自适应预测控制

Multivariable ORVFL Network Adaptive Predictive Control Based on ISSA

HTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 16

相关文章 15

编辑推荐

Metrics