專利名稱：一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制器及控制方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制器及控制方法。
背景技術(shù)：
神經(jīng)網(wǎng)絡(luò)控制屬于智能控制。它物理實現(xiàn)簡單，與其它類型智能控制相比，較為實用，目前已在倒立擺控制、機械手控制及水下遙控機器人縱向姿態(tài)調(diào)節(jié)中獲得成功應(yīng)用。但是，在缺乏數(shù)學(xué)模型的復(fù)雜過程控制如工業(yè)過程控制等應(yīng)用未見報導(dǎo)。
神經(jīng)網(wǎng)絡(luò)控制代表性結(jié)果之一為Nguyen1990年(Derrick H，Nguyen，et al.Neural Networks for Self-learning Control Systems.IEEE Cont.Sys.Mag.1990，(4)18-23)所提方法。該文采用一個多層前饋網(wǎng)絡(luò)辨識被控對象，采用另一個神經(jīng)網(wǎng)絡(luò)作為控制器，通過學(xué)習(xí)控制對象仿真器訓(xùn)練神經(jīng)網(wǎng)絡(luò)控制器，解決優(yōu)化控制中的終態(tài)控制問題，并給出卡車倒退定位控制仿真結(jié)果。這個思想對于解決復(fù)雜過程對象優(yōu)化控制問題具有一定參考價值，因為復(fù)雜過程對象普遍缺乏精確數(shù)學(xué)模型，使得優(yōu)化控制無法實現(xiàn)。但是，采用此方法解決復(fù)雜過程控制，需要解決以下問題1)神經(jīng)網(wǎng)絡(luò)控制器訓(xùn)練結(jié)構(gòu)與算法都是基于狀態(tài)空間模型確定，要求狀態(tài)變量可以測量，但是，在一般復(fù)雜過程控制中，狀態(tài)變量或者不存在或者無法測量，并且主要使用輸入輸出模型；2)沒有考慮控制量存在約束情況，而復(fù)雜過程控制中控制變量有約束；3)僅僅解決了單目標優(yōu)化控制問題，而復(fù)雜過程控制中還需要考慮多目標優(yōu)化控制問題。
發(fā)明內(nèi)容
針對上述現(xiàn)有方法中存在的缺點，本發(fā)明所要解決的問題是提供基于輸入輸出模型的一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制器及控制方法，實現(xiàn)對于復(fù)雜過程對象進行約束控制作用下的多目標優(yōu)化控制。
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制器，包括控制器神經(jīng)網(wǎng)絡(luò)裝置、訓(xùn)練結(jié)構(gòu)裝置、訓(xùn)練算法裝置，控制器神經(jīng)網(wǎng)絡(luò)裝置用于根據(jù)復(fù)雜過程對象輸出信號序列計算出優(yōu)化控制信號序列，使得復(fù)雜過程對象在該控制信號序列作用下，得到優(yōu)化控制效果；訓(xùn)練結(jié)構(gòu)裝置，用于將優(yōu)化控制律綜合問題轉(zhuǎn)化為由控制器神經(jīng)網(wǎng)絡(luò)和復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)組成的組合網(wǎng)絡(luò)訓(xùn)練問題；訓(xùn)練算法裝置，用于訓(xùn)練所述組合網(wǎng)絡(luò)。
一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制方法，包括控制器神經(jīng)網(wǎng)絡(luò)，用于根據(jù)復(fù)雜過程對象輸出信號序列計算出優(yōu)化控制信號序列；訓(xùn)練結(jié)構(gòu)，用于將優(yōu)化控制律綜合問題轉(zhuǎn)化為由控制器神經(jīng)網(wǎng)絡(luò)和復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)組成的組合網(wǎng)絡(luò)訓(xùn)練問題；訓(xùn)練算法，推導(dǎo)組合網(wǎng)絡(luò)內(nèi)不同控制器神經(jīng)網(wǎng)絡(luò)和復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)之間連接處等效誤差計算公式，用于訓(xùn)練所述組合網(wǎng)絡(luò)，得到優(yōu)化控制器神經(jīng)網(wǎng)絡(luò)；所述訓(xùn)練結(jié)構(gòu)通過將整個控制過程時間分割成至少2個時間單元，將至少2個時間單元的神經(jīng)網(wǎng)絡(luò)按輸入輸出信號對應(yīng)關(guān)系連接起來形成組合網(wǎng)絡(luò)；所述訓(xùn)練算法包括，組合網(wǎng)絡(luò)輸出與理想輸出一致性衡量函數(shù)設(shè)定；控制器神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元作用函數(shù)設(shè)定；控制器神經(jīng)網(wǎng)絡(luò)與所述復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)之間互相連接的等效誤差計算。
本發(fā)明具有下述優(yōu)點1、本發(fā)明的神經(jīng)網(wǎng)絡(luò)優(yōu)化控制器適用于控制復(fù)雜過程對象，因為神經(jīng)網(wǎng)絡(luò)優(yōu)化控制器是基于輸入輸出模型生成控制信號，通過輸出反饋而不是狀態(tài)反饋實現(xiàn)優(yōu)化控制，通常情況下對于復(fù)雜過程對象來說不一定存在狀態(tài)空間模型，但總可以用輸入輸出模型描述該對象；此外，復(fù)雜過程對象一般來說不存在精確數(shù)學(xué)模型，這樣就無法實現(xiàn)傳統(tǒng)的基于被控對象精確數(shù)學(xué)模型的優(yōu)化控制，本發(fā)明的控制器不需要精確數(shù)學(xué)模型，只要提供一個已經(jīng)辨識了復(fù)雜過程對象的即已經(jīng)訓(xùn)練成功的對象仿真器神經(jīng)網(wǎng)絡(luò)，就可以實現(xiàn)優(yōu)化控制。
2、本發(fā)明用智能方法綜合優(yōu)化控制律，實現(xiàn)單目標優(yōu)化控制。通過將整個控制過程時間分割成多個時間單元，降低復(fù)雜過程對象輸入輸出之間關(guān)系以及輸出反饋控制器輸入輸出之間關(guān)系中的動態(tài)成分，然后利用多層前饋網(wǎng)絡(luò)表現(xiàn)所述輸入輸出關(guān)系，將不同時間單元的神經(jīng)網(wǎng)絡(luò)按輸入輸出信號對應(yīng)關(guān)系連接起來形成組合網(wǎng)絡(luò)，用所述組合網(wǎng)絡(luò)表現(xiàn)優(yōu)化控制過程，將神經(jīng)網(wǎng)絡(luò)訓(xùn)練時的網(wǎng)絡(luò)輸出與理想輸出一致性衡量函數(shù)設(shè)定為優(yōu)化控制的指標函數(shù)形式，這樣將通常困難的優(yōu)化控制律綜合問題巧妙地轉(zhuǎn)化為組合網(wǎng)絡(luò)訓(xùn)練問題，進一步推導(dǎo)出組合網(wǎng)絡(luò)等效誤差計算公式，解決了組合網(wǎng)絡(luò)訓(xùn)練問題即組合網(wǎng)絡(luò)中控制器神經(jīng)網(wǎng)絡(luò)訓(xùn)練問題，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到優(yōu)化控制律；與傳統(tǒng)的用分析的手段綜合優(yōu)化控制律相比，這是通過智能手段自動得到優(yōu)化控制律。
3、在實現(xiàn)單目標優(yōu)化控制基礎(chǔ)上，本發(fā)明通過修改神經(jīng)網(wǎng)絡(luò)訓(xùn)練時的網(wǎng)絡(luò)輸出與理想輸出一致性衡量函數(shù)，體現(xiàn)多目標優(yōu)化控制指標函數(shù)，修改控制器神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元作用函數(shù)，體現(xiàn)控制量存在約束情況，然后推導(dǎo)出組合網(wǎng)絡(luò)等效誤差計算公式，解決了更為復(fù)雜的多目標有約束控制的優(yōu)化控制問題。
下面結(jié)合附圖對本發(fā)明進行作進一步詳細說明，圖1是本發(fā)明優(yōu)選實施例的感應(yīng)加熱神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)控制器神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。
圖2是本發(fā)明優(yōu)選實施例的感應(yīng)加熱神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)組合網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)圖。
圖3是本發(fā)明優(yōu)選實施例的感應(yīng)加熱溫度神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)組成示意圖。
圖4是本發(fā)明優(yōu)選實施例的感應(yīng)加熱溫度神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)原理圖。
圖5是本發(fā)明優(yōu)選實施例的感應(yīng)加熱溫度神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)中頻電源調(diào)功部分修改電路圖。
圖6是本發(fā)明優(yōu)選實施例的感應(yīng)加熱溫度神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)組合網(wǎng)絡(luò)訓(xùn)練流程圖。
圖7是本發(fā)明優(yōu)選實施例的感應(yīng)加熱溫度神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)組合網(wǎng)絡(luò)等效誤差計算流程圖。
圖8是本發(fā)明優(yōu)選實施例的感應(yīng)加熱溫度神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)控制流程圖。
圖9是本發(fā)明優(yōu)選實施例的感應(yīng)加熱溫度神經(jīng)網(wǎng)絡(luò)優(yōu)化控制結(jié)果。
圖10是本發(fā)明的神經(jīng)網(wǎng)絡(luò)優(yōu)化控制方法流程圖。
圖11是本發(fā)明神經(jīng)網(wǎng)絡(luò)優(yōu)化控制器結(jié)構(gòu)圖。
具體實施例方式
實施例1一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制方法，包括控制器神經(jīng)網(wǎng)絡(luò)，用于根據(jù)復(fù)雜過程對象輸出信號序列計算出優(yōu)化控制信號序列；訓(xùn)練結(jié)構(gòu)，用于將優(yōu)化控制律綜合問題轉(zhuǎn)化為由控制器神經(jīng)網(wǎng)絡(luò)和復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)組成的組合網(wǎng)絡(luò)訓(xùn)練問題；訓(xùn)練算法，推導(dǎo)組合網(wǎng)絡(luò)內(nèi)不同控制器神經(jīng)網(wǎng)絡(luò)和復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)之間連接處等效誤差計算公式，用于訓(xùn)練所述組合網(wǎng)絡(luò)，得到優(yōu)化控制器神經(jīng)網(wǎng)絡(luò)；所述訓(xùn)練結(jié)構(gòu)通過將整個控制過程時間分割成至少2個時間單元，將至少2個時間單元的神經(jīng)網(wǎng)絡(luò)按輸入輸出信號對應(yīng)關(guān)系連接起來形成組合網(wǎng)絡(luò)；
所述訓(xùn)練算法包括，組合網(wǎng)絡(luò)輸出與理想輸出一致性衡量函數(shù)設(shè)定；控制器神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元作用函數(shù)設(shè)定；控制器神經(jīng)網(wǎng)絡(luò)與所述復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)之間互相連接的等效誤差計算。
上述方法流程如圖10所示。一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制器結(jié)構(gòu)如圖11所示，其中C0、C1、C2、CT分別表示0單元到T單元控制器神經(jīng)網(wǎng)絡(luò)，u0、u1、u2、uT分別表示0單元到T單元控制器神經(jīng)網(wǎng)絡(luò)輸出的優(yōu)化控制信號，yp0表示復(fù)雜過程對象初始輸出值，yp1、yp2、ypT、ypT+1分別表示0單元到T單元復(fù)雜過程對象在控制信號作用下的輸出值，yd表示在優(yōu)化控制信號作用下對復(fù)雜過程對象輸出期望值。
第一步將控制過程時間細分為多個時間單元，如分割成至少2個時間單元，以降低對復(fù)雜對象建模的動態(tài)性要求并增加控制量分辨率；用神經(jīng)網(wǎng)絡(luò)對復(fù)雜對象的時間單元特性建模并生成優(yōu)化控制律，稱為單元網(wǎng)絡(luò)；所述組合網(wǎng)絡(luò)裝置是由多個或至少2個單元網(wǎng)絡(luò)連接組成，所述單元網(wǎng)絡(luò)數(shù)目等于控制過程所包含的時間單元數(shù)目。
第二步所述單元網(wǎng)絡(luò)裝置包括一個所述復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)Ek，用于表示該時間單元內(nèi)的復(fù)雜過程對象的輸入輸出特性ykP=F[yk-1P,···,yk-nP,uk-1,···,uk-m]]]>其中k表示單元時間序號，ykP、yk-1P、yk-nP、uk-1、uk-m分別為復(fù)雜過程對象在k、k-1、k-n時間單元的輸出信號以及在k-1、k-m時間單元對復(fù)雜過程對象施加的控制信號，n、m分別為輸出信號與控制信號的階次；所述復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置輸出信號為yk，是復(fù)雜過程對象在相同時間單元的輸出信號ykP的仿真值，輸入層神經(jīng)元為占位單元，輸入層神經(jīng)元數(shù)目等于m+n，輸入信號端為yk-1，…，yk-n，uk-1，…，uk-m；所述復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置采用復(fù)雜過程對象階躍響應(yīng)信號完成訓(xùn)練后，輔助所述控制器神經(jīng)網(wǎng)絡(luò)裝置進行訓(xùn)練。
第三步設(shè)計控制器神經(jīng)網(wǎng)絡(luò)Ck，用于計算k時間單元優(yōu)化控制量。如圖1所示，所述控制器神經(jīng)網(wǎng)絡(luò)裝置，輸入層神經(jīng)元為占位單元，隱層神經(jīng)元作用函數(shù)為Sigmoid函數(shù)，輸出層神經(jīng)元作用函數(shù)為線性函數(shù)；所述輸入層神經(jīng)元輸入端在所述控制器神經(jīng)網(wǎng)絡(luò)裝置訓(xùn)練時連接所述復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)輸出信號端，記為yk，用于通過誤差反傳進行訓(xùn)練，在所述控制器神經(jīng)網(wǎng)絡(luò)裝置實施控制時連接復(fù)雜過程對象輸出信號端，記為ykP，參見圖11中yp0、yp1、yp2、ypT，用于對所述復(fù)雜過程對象輸出信號進行神經(jīng)計算處理；所述輸出層神經(jīng)元輸出信號記為uk，在所述控制器神經(jīng)網(wǎng)絡(luò)裝置訓(xùn)練時用于產(chǎn)生前向信號，在所述控制器神經(jīng)網(wǎng)絡(luò)裝置實施控制時，用于控制所述復(fù)雜過程對象，參見圖11中u0、u1、u2、uT。
第四步不同時間單元網(wǎng)絡(luò)Ek、Ck構(gòu)成組合網(wǎng)絡(luò)。
所述復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置Ek的輸出信號yk，與下一個時間單元的單元網(wǎng)絡(luò)中控制器神經(jīng)網(wǎng)絡(luò)裝置輸入端相連，輸入信號端yk-1，…，yk-n，uk-1，…，uk-m，分別與其他單元網(wǎng)絡(luò)中復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置輸出信號端以及控制器神經(jīng)網(wǎng)絡(luò)裝置輸出信號端中具有相同標記的信號端相連接。
第五步用組合網(wǎng)絡(luò)等效誤差公式訓(xùn)練控制器網(wǎng)絡(luò)；或用誤差反傳(BP)算法訓(xùn)練控制器網(wǎng)絡(luò)，所述反向傳播算法的等效誤差計算包括單個所述控制器神經(jīng)網(wǎng)絡(luò)裝置或者所述復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置內(nèi)部連接的等效誤差計算，所述控制器神經(jīng)網(wǎng)絡(luò)裝置與所述復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置之間互相連接的等效誤差計算。
所述控制器神經(jīng)網(wǎng)絡(luò)裝置與所述復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置之間互相連接的等效誤差計算公式包括單目標優(yōu)化控制情況下的計算公式和多目標且控制量存在約束的優(yōu)化控制情況下的計算公式。
所述單目標優(yōu)化控制情況下的計算公式為δTE(yT+1)=yd-yT+1---(1)]]> 其中，T為實施控制過程對應(yīng)的時間單元數(shù)最大值，要求既大于m又大于nh為時間單元數(shù)變量，變化范圍是0～Tyd為優(yōu)化控制終態(tài)目標值，也是訓(xùn)練所述組合網(wǎng)絡(luò)裝置的期望輸出值δTE(yT+1)為T時間單元復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置輸出信號端點yT+1等效誤差δT-hC(uT-h)為T-h時間單元控制器神經(jīng)網(wǎng)絡(luò)裝置輸出信號端點uT-h等效誤差δT-iE(uT-h)為T-i時間單元復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置輸入信號端點uT-h的等效誤差δT-h+iE(uT-h)為T-h+i時間單元復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置輸入信號端點uT-h的等效誤差δT-hE(yT-h+1)為T-h時間單元復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置輸入信號端點yT-h+1等效誤差δT-h+1C(uT-h+1)為T-h+1時間單元控制器神經(jīng)網(wǎng)絡(luò)裝置輸出信號端點uT-h+1等效誤差δT-iE(yT-h+1)為T-i時間單元復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置輸入信號端點yT-h+1等效誤差δT-h+iE(yT-h+1)為T-h+i時間單元復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置輸入信號端點yT-h+1等效誤差訓(xùn)練時由h＝0開始計算，體現(xiàn)誤差反傳；所述單目標優(yōu)化控制的計算公式是在所述控制器神經(jīng)網(wǎng)絡(luò)裝置與所述復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置輸入層神經(jīng)元為占位單元條件、所述控制器神經(jīng)網(wǎng)絡(luò)裝置與所述復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)裝置之間互相連接均為直接相連即連接權(quán)值等于1以及將神經(jīng)網(wǎng)絡(luò)訓(xùn)練時的網(wǎng)絡(luò)輸出與理想輸出一致性衡量函數(shù)設(shè)定為12[yd-yT+1]2---(4)]]>的條件下，根據(jù)求全導(dǎo)數(shù)法則推導(dǎo)得出；根據(jù)所述單目標優(yōu)化控制的計算公式訓(xùn)練所述組合網(wǎng)絡(luò)即訓(xùn)練其中的控制器神經(jīng)網(wǎng)絡(luò)裝置成功后，運用該控制器神經(jīng)網(wǎng)絡(luò)裝置控制復(fù)雜過程對象，可以實現(xiàn)性能指標函數(shù)為12[yd-yT+1]2]]>的單目標優(yōu)化控制。
所述多目標且控制量存在約束的優(yōu)化控制情況下的計算公式為δTE(yT+1)=α(yd-yT+1)---(5)]]>
其中，α、β為多目標優(yōu)化控制性能指標函數(shù)中多項指標的加權(quán)因子A、B分別為約束控制量的下界與上界uh為h時間單元控制器神經(jīng)網(wǎng)絡(luò)裝置輸出信號值uT-h為T-h時間單元控制器神經(jīng)網(wǎng)絡(luò)裝置輸出信號值訓(xùn)練時由h＝0開始計算，體現(xiàn)誤差反傳；為了推導(dǎo)所述多目標且控制量存在約束的優(yōu)化控制的計算公式，需將神經(jīng)網(wǎng)絡(luò)裝置訓(xùn)練時的網(wǎng)絡(luò)輸出與理想輸出一致性衡量函數(shù)設(shè)定為12[α×(yd-yT+1)2+β×Σh=0Tuh2]---(8)]]>另外，作為用數(shù)學(xué)形式表現(xiàn)控制量存在約束的一個優(yōu)選方案，將所述控制器神經(jīng)網(wǎng)絡(luò)裝置輸出層神經(jīng)元作用函數(shù)設(shè)定為uh=A-B1+exp(-Nnet(h))+B---(9)]]>其中exp(·)為指數(shù)函數(shù)，Nnet(h)為h時間單元控制器神經(jīng)網(wǎng)絡(luò)裝置輸出神經(jīng)元的輸入信號值；根據(jù)所述多目標且控制量存在約束優(yōu)化控制的計算公式訓(xùn)練所述組合網(wǎng)絡(luò)即訓(xùn)練其中的控制器神經(jīng)網(wǎng)絡(luò)裝置成功后，運用該控制器神經(jīng)網(wǎng)絡(luò)裝置控制復(fù)雜過程對象，可以實現(xiàn)性能指標函數(shù)為12[α×(yd-yT+1)2+β×Σh=0Tuh2]]]>的多目標優(yōu)化控制，且控制量滿足如下約束A≤uh≤B
第六步訓(xùn)練成功判斷，成功運行到第七步；不成功運行到第五步。
第七步由各時間單元的控制器神經(jīng)網(wǎng)絡(luò)得到優(yōu)化控制律。
第八步應(yīng)用所述控制器神經(jīng)網(wǎng)絡(luò)裝置實施優(yōu)化控制，參見圖11。
實施例2感應(yīng)加熱涉及磁、電、熱傳導(dǎo)等物理過程，因機理復(fù)雜難以提出準確數(shù)學(xué)模型，無法實現(xiàn)傳統(tǒng)優(yōu)化控制，采用神經(jīng)網(wǎng)絡(luò)優(yōu)化控制方法，可以實現(xiàn)加熱升溫過程優(yōu)化控制，控制系統(tǒng)如圖3所示。
根據(jù)本發(fā)明實施的感應(yīng)加熱神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)參照圖1-圖8設(shè)計。根據(jù)被控對象確定輸入輸出模型結(jié)構(gòu)為n＝1，m＝3，對象仿真器網(wǎng)絡(luò)為4輸入1輸出神經(jīng)網(wǎng)絡(luò)；控制器神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為π(1×4×1)，如圖1所示；控制過程時間單元數(shù)為5。組合網(wǎng)絡(luò)及其訓(xùn)練結(jié)構(gòu)如圖2所示，其中C0、C1、C2、C3、C4分別表示0時間單元到4時間單元控制器神經(jīng)網(wǎng)絡(luò)，E0、E1、E2、E3、E4分別表示0時間單元到4時間單元對象仿真器神經(jīng)網(wǎng)絡(luò)，u0、u1、u2、u3、u4分別表示0時間單元到4時間單元控制器神經(jīng)網(wǎng)絡(luò)輸出信號，y1、y2、y3、y4、y5分別表示0時間單元到4時間單元對象仿真器神經(jīng)網(wǎng)絡(luò)輸出信號，y0為對象仿真器神經(jīng)網(wǎng)絡(luò)輸出信號初始值，u-1、u-2表示控制器神經(jīng)網(wǎng)絡(luò)輸出信號初始值，設(shè)置為零，不同時間單元對象仿真器神經(jīng)網(wǎng)絡(luò)以及控制器神經(jīng)網(wǎng)絡(luò)輸入輸出信號之間連接關(guān)系用相應(yīng)信號間的連接實線表示。
參見圖6，圖6是感應(yīng)加熱溫度神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)組合網(wǎng)絡(luò)訓(xùn)練流程圖。
第一步設(shè)置循環(huán)變量初值為0；第二步若訓(xùn)練周期數(shù)目未達到要求，則繼續(xù)訓(xùn)練，進入下一步；第三步組合網(wǎng)絡(luò)由0時間單元到4時間單元進行前向計算；第四步至第八步在n＝1、m＝3、T＝4條件下，按公式(8)計算指標函數(shù)值；
第九步若指標函數(shù)值小于等于預(yù)定值，則跳到第二十步；第十步若指標函數(shù)值大于預(yù)定值，則進行組合網(wǎng)絡(luò)誤差反向傳播計算；第十一步組合網(wǎng)絡(luò)中控制器神經(jīng)網(wǎng)絡(luò)計算權(quán)值調(diào)整量；第十二步至第十四步如果未檢測到敲擊“ALT_C”鍵，則跳到第二十步；第十五步至第十七步如果檢測到敲擊“ALT_C”鍵，則提示神經(jīng)網(wǎng)絡(luò)訓(xùn)練已中斷及其原因，顯示已進行訓(xùn)練的周期數(shù)及指標函數(shù)值，提示是否繼續(xù)訓(xùn)練；第十八步如果不繼續(xù)訓(xùn)練，則跳到第二十三步；第十九步如果繼續(xù)訓(xùn)練，則進入下一步；第二十步循環(huán)變量值加1后，若小于訓(xùn)練周期數(shù)最大值，則跳到第三步；第二十一步循環(huán)變量值加1后，若大于等于訓(xùn)練周期數(shù)最大值，則將經(jīng)過訓(xùn)練得到的控制器神經(jīng)網(wǎng)絡(luò)權(quán)值存入數(shù)據(jù)文件，以備實施控制時使用；第二十二步提示已經(jīng)達到最大訓(xùn)練周期數(shù)并顯示指標函數(shù)值；第二十三步結(jié)束程序參見圖7，圖7是感應(yīng)加熱溫度神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)組合網(wǎng)絡(luò)等效誤差計算流程圖。
第一步在n＝1、m＝3、T＝4條件下，按公式(5)計算4時間單元對象仿真器神經(jīng)網(wǎng)絡(luò)輸出端等效誤差；第二步通過誤差反向傳播計算4時間單元對象仿真器神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元等效誤差；第三步至第四步在n＝1、m＝3、T＝4以及控制量是否存在約束條件下，按公式(6)計算4時間單元控制器神經(jīng)網(wǎng)絡(luò)輸出端等效誤差；第五步通過誤差反向傳播計算4時間單元控制器神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元等效誤差；第六步在n＝1、m＝3、T＝4條件下，按公式(7)計算3時間單元對象仿真器神經(jīng)網(wǎng)絡(luò)輸出端等效誤差；第七步通過誤差反向傳播計算3時間單元對象仿真器神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元等效誤差；第八步至第九步在n＝1、m＝3、T＝4以及控制量是否存在約束條件下，按公式(6)計算3時間單元控制器神經(jīng)網(wǎng)絡(luò)輸出端等效誤差；第十步通過誤差反向傳播計算3時間單元控制器神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元等效誤差；第十一步至第十八步采用循環(huán)程序，依次計算2時間單元、1時間單元以及0時間單元的對象仿真器神經(jīng)網(wǎng)絡(luò)與控制器神經(jīng)網(wǎng)絡(luò)輸出端等效誤差。
參見圖8，圖8是感應(yīng)加熱溫度神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)控制流程圖。
第一步設(shè)置循環(huán)變量初值為0；第二步如果循環(huán)變量小于5，則進入下一步；第三步通過啟動模/數(shù)(A/D)轉(zhuǎn)換器工作，采樣加熱工件表面溫度值；第四步根據(jù)采樣溫度值，通過循環(huán)變量對應(yīng)時間單元控制器神經(jīng)網(wǎng)絡(luò)前向計算，得到優(yōu)化控制量；第五步將優(yōu)化控制量輸出到數(shù)/模(D/A)轉(zhuǎn)換器，控制溫度；第六步至第八步等待下一個時間單元；第九步循環(huán)變量值加1后，若小于5，則跳到第三步；第十步循環(huán)變量值加1后，若大于等于5，則采樣加熱工件表面溫度值并顯示；
第十一步控制程序結(jié)束。
參見圖4，圖4是感應(yīng)加熱溫度神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)原理圖。其中可控硅中頻電源型號為KGPS250-8.0，額定功率250Kw，頻率8Khz；感應(yīng)器(銅質(zhì)、單匝)內(nèi)徑56mm，高度100mm；加熱工件(不銹鋼管)外徑22mm，壁厚3mm；紅外溫度計單元型號為0Q06-11C，規(guī)格為35P1200，透鏡孔徑為35mm，配用多卡電子信號處理單元型號為2M-Q06-11C，分度號為Q202C，選用“輸出1”端為測溫輸出端，與A/D轉(zhuǎn)換器信號輸入端相連；A/D、D/A轉(zhuǎn)換器采用PC總線A/D板SS34；經(jīng)過改造的中頻電源調(diào)功電路參見圖5，其中優(yōu)化控制量數(shù)值經(jīng)過數(shù)/模(D/A)轉(zhuǎn)換成為電壓信號，經(jīng)過放大電路，控制可控硅觸發(fā)角。加熱工件表面溫度由紅外溫度計單元檢測，經(jīng)過多卡電子信號處理單元放大成為標準電信號，經(jīng)過A/D轉(zhuǎn)換成為數(shù)字量送入工業(yè)控制計算機，由軟件實現(xiàn)的神經(jīng)網(wǎng)絡(luò)優(yōu)化控制算法，通過對溫度數(shù)字量進行處理得到優(yōu)化控制信號，經(jīng)過D/A轉(zhuǎn)換成為電壓信號，調(diào)節(jié)中頻電源產(chǎn)生的電磁波頻率及功率，達到控制加熱工件溫度目的。
針對升溫準確性，準確加節(jié)能，有約束控制等不同情況，進行升溫控制實驗，實驗參數(shù)為實驗1 y0＝626℃，yd＝680℃，α＝1，β＝0；實驗2 y0＝626℃，yd＝680℃，α＝1，β＝50；實驗3 y0＝626℃，yd＝680℃，α＝1，β＝50.B＝0.2V，A＝1.9V.
實驗結(jié)果為實驗1 終態(tài)溫度偏差1.34℃，能量2.549；實驗2 終態(tài)溫度偏差0.23℃，能量2.487(優(yōu))；實驗3 終態(tài)溫度偏差-0.26℃，能量2.624.
終態(tài)溫度偏差為實際升溫與給定溫度之差。
控制實驗中控制量以及溫度值變化曲線參見圖9，圖中三角點為控制量值，圓圈點為溫度值。
權(quán)利要求
1.一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制器，其特征在于包括控制器神經(jīng)網(wǎng)絡(luò)裝置、訓(xùn)練結(jié)構(gòu)裝置、訓(xùn)練算法裝置，控制器神經(jīng)網(wǎng)絡(luò)裝置用于根據(jù)復(fù)雜過程對象輸出信號序列計算出優(yōu)化控制信號序列，使得復(fù)雜過程對象在該控制信號序列作用下，得到優(yōu)化控制效果；訓(xùn)練結(jié)構(gòu)裝置，用于將優(yōu)化控制律綜合問題轉(zhuǎn)化為由控制器神經(jīng)網(wǎng)絡(luò)和復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)組成的組合網(wǎng)絡(luò)訓(xùn)練問題；訓(xùn)練算法裝置，用于訓(xùn)練所述組合網(wǎng)絡(luò)。
2.根據(jù)權(quán)利要求1的所述的一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制器，其特征在于所述訓(xùn)練結(jié)構(gòu)裝置通過將整個控制過程時間分割成至少2個時間單元，將不同時間單元的神經(jīng)網(wǎng)絡(luò)按輸入輸出信號對應(yīng)關(guān)系連接起來形成組合網(wǎng)絡(luò)；所述訓(xùn)練算法裝置包括，組合網(wǎng)絡(luò)輸出與理想輸出一致性衡量函數(shù)設(shè)定；控制器神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元作用函數(shù)設(shè)定；控制器神經(jīng)網(wǎng)絡(luò)與所述復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)之間互相連接的等效誤差計算。
3.一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制方法，包括控制器神經(jīng)網(wǎng)絡(luò)，用于根據(jù)復(fù)雜過程對象輸出信號序列計算出優(yōu)化控制信號序列；訓(xùn)練結(jié)構(gòu)，用于將優(yōu)化控制律綜合問題轉(zhuǎn)化為由控制器神經(jīng)網(wǎng)絡(luò)和復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)組成的組合網(wǎng)絡(luò)訓(xùn)練問題；訓(xùn)練算法，推導(dǎo)組合網(wǎng)絡(luò)內(nèi)不同控制器神經(jīng)網(wǎng)絡(luò)和復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)之間連接處等效誤差計算公式，用于訓(xùn)練所述組合網(wǎng)絡(luò)，得到優(yōu)化控制器神經(jīng)網(wǎng)絡(luò)；其特征在于所述訓(xùn)練結(jié)構(gòu)通過將整個控制過程時間分割成至少2個時間單元，將不同時間單元的神經(jīng)網(wǎng)絡(luò)按輸入輸出信號對應(yīng)關(guān)系連接起來形成組合網(wǎng)絡(luò)；所述訓(xùn)練算法包括，組合網(wǎng)絡(luò)輸出與理想輸出一致性衡量函數(shù)設(shè)定；控制器神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元作用函數(shù)設(shè)定；控制器神經(jīng)網(wǎng)絡(luò)與所述復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)之間互相連接的等效誤差計算。
4.根據(jù)權(quán)利要求3的所述的一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制方法，其特征在于，所述的組合網(wǎng)絡(luò)輸出與理想輸出一致性衡量函數(shù)設(shè)定，設(shè)定的函數(shù)形式為12[α×(yd-yT+1)2+β×Σh=0Tuh2].]]>
5.根據(jù)權(quán)利要求3的所述的一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制方法，其特征在于，控制器神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元作用函數(shù)設(shè)定，設(shè)定的函數(shù)形式為uh=A-B1+exp(-Nnet(h))+B.]]>
6.根據(jù)權(quán)利要求3的所述的一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制方法，其特征在于，所述的等效誤差計算公式包括單目標優(yōu)化控制情況下的計算公式和多目標且控制量存在約束的優(yōu)化控制情況下的計算公式，所述單目標優(yōu)化控制情況下的計算公式為δTE(yT+1)=yd-yT+1]]> 所述多目標且控制量存在約束的優(yōu)化控制情況下的計算公式為δTE(yT+1)=α(yd-yT+1)]]>
全文摘要
一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制器及控制方法，包括控制器神經(jīng)網(wǎng)絡(luò)，用于根據(jù)復(fù)雜過程對象輸出信號序列計算出優(yōu)化控制信號序列；訓(xùn)練結(jié)構(gòu)裝置，用于將優(yōu)化控制律綜合問題轉(zhuǎn)化為由控制器神經(jīng)網(wǎng)絡(luò)和復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)組成的組合網(wǎng)絡(luò)訓(xùn)練問題；訓(xùn)練算法裝置，推導(dǎo)組合網(wǎng)絡(luò)內(nèi)不同控制器神經(jīng)網(wǎng)絡(luò)和復(fù)雜過程對象仿真器神經(jīng)網(wǎng)絡(luò)之間連接等效誤差計算公式，用于訓(xùn)練所述組合網(wǎng)絡(luò)，得到優(yōu)化控制器神經(jīng)網(wǎng)絡(luò)。本發(fā)明控制方法將神經(jīng)網(wǎng)絡(luò)訓(xùn)練時的網(wǎng)絡(luò)輸出與理想輸出一致性衡量函數(shù)設(shè)定為優(yōu)化控制的指標函數(shù)形式，具有用智能手段、在有約束控制條件下、對于不存在精確數(shù)學(xué)模型的復(fù)雜過程對象實現(xiàn)多目標優(yōu)化控制的優(yōu)點。
文檔編號G05B13/00GK1598719SQ200410009608
公開日2005年3月23日 申請日期2004年9月27日 優(yōu)先權(quán)日2004年9月27日
發(fā)明者朱剛, 姜麗君, 趙冬梅, 謝永斌 申請人:北京交通大學(xué)