對角遞歸神經(jīng)網(wǎng)絡(luò)控制器在多平臺中的實(shí)現(xiàn)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及工業(yè)自動化軟件控制技術(shù)領(lǐng)域，特別是一種對角遞歸神經(jīng)網(wǎng)絡(luò)控制器 在多平臺中的實(shí)現(xiàn)方法。
【背景技術(shù)】
[0002] 在復(fù)雜流程工業(yè)系統(tǒng)中，被控對象多為多輸入多輸出的動態(tài)時(shí)變參數(shù)系統(tǒng)，難以 建立精確的數(shù)學(xué)模型；同時(shí)，常規(guī)的PID控制方法在非線性系統(tǒng)的精度控制與解耦控制上 也難以達(dá)到理想的控制效果。神經(jīng)網(wǎng)絡(luò)控制技術(shù)作為一種智能控制方法能夠充分逼近未 知非線性對象的動態(tài)行為，可以彌補(bǔ)常規(guī)PID方法的局限性，常用來解決一些難以建模的 非線性系統(tǒng)的控制問題。然而常用的多層前向神經(jīng)網(wǎng)絡(luò)是一種靜態(tài)網(wǎng)，其在控制系統(tǒng)中應(yīng) 用時(shí)必須先確定對象的模型，對未知或先驗(yàn)知識很少的系統(tǒng)而言，既不準(zhǔn)確又影響辨識和 控制效果，而對角遞歸神經(jīng)網(wǎng)絡(luò)（DRNN)具有內(nèi)部反饋機(jī)制可用來記憶系統(tǒng)的動態(tài)響應(yīng)，其 用于系統(tǒng)辨識與控制時(shí)無須知道詳細(xì)的對象知識，可以有效改善控制系統(tǒng)的魯棒性和適應(yīng) 性，提高系統(tǒng)的控制性能。如何在工業(yè)控制系統(tǒng)中有效實(shí)現(xiàn)和應(yīng)用DRNN等神經(jīng)網(wǎng)絡(luò)算法， 提高整個系統(tǒng)運(yùn)行的穩(wěn)定性和實(shí)時(shí)性是整個控制工程界需要解決的問題。
[0003] 在現(xiàn)有技術(shù)中，對角遞歸神經(jīng)網(wǎng)絡(luò)算法在控制領(lǐng)域中的實(shí)現(xiàn)方式主要有以下三 種： (1) 全PC機(jī)實(shí)現(xiàn)。目前對角遞歸神經(jīng)網(wǎng)絡(luò)控制器的研宄通常都是借助PC機(jī)上Matlab 軟件實(shí)現(xiàn)系統(tǒng)建模與仿真，多數(shù)停留在理論研宄階段，并未真正應(yīng)用到實(shí)際控制工程中，其 算法程序也無法直接移植到工程現(xiàn)場中使用。 (2) PC+PLC架構(gòu)實(shí)現(xiàn)。采用PC+PLC架構(gòu)實(shí)現(xiàn)對角遞歸神經(jīng)網(wǎng)絡(luò)控制器主要有兩種方 式：一是整個神經(jīng)網(wǎng)絡(luò)的模型在上位機(jī)（PC)中建立和訓(xùn)練，神經(jīng)網(wǎng)絡(luò)算法僅為PLC控制站 提供參數(shù)辨識的功能，如對PID控制參數(shù)進(jìn)行優(yōu)化，而神經(jīng)網(wǎng)絡(luò)算法的執(zhí)行并非在PLC中完 成。 ⑶全PLC實(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)模型在上位機(jī)的組態(tài)軟件中建立，可下載到PLC中進(jìn)行計(jì)算， 但由于組態(tài)軟件與PLC品牌相互綁定，神經(jīng)網(wǎng)絡(luò)算法程序只能運(yùn)行在特定品牌的PLC中。
[0004] 而以上方法均存在不同層面的弊端： 首先，多數(shù)研宄中神經(jīng)網(wǎng)絡(luò)模型的建立與計(jì)算都是在上位機(jī)中完成，而管理上位機(jī)采 用的是普通PC，其硬件及軟件的可靠性均十分有限，可能對控制系統(tǒng)的長期穩(wěn)定運(yùn)行造成 不利影響； 其次，在上位機(jī)中運(yùn)行的神經(jīng)網(wǎng)絡(luò)算法往往是在非實(shí)時(shí)數(shù)據(jù)庫中進(jìn)行數(shù)據(jù)處理，控制 站采集的實(shí)時(shí)數(shù)據(jù)也需要傳輸?shù)缴衔粰C(jī)中計(jì)算，嚴(yán)重地影響了系統(tǒng)控制的實(shí)時(shí)性； 再次，由于不同廠商生產(chǎn)的組態(tài)軟件與特定品牌的PLC相互綁定，不同品牌的控制器 采用的編程規(guī)則也千差萬別，針對一個品牌控制器編寫的算法程序基本不可能直接移植到 另一個品牌控制器的平臺上運(yùn)行，因此現(xiàn)有技術(shù)中實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)程序的通用性都較差。
[0005] 最后，多數(shù)研宄采用類C語言的編程方法實(shí)現(xiàn)對角遞歸神經(jīng)網(wǎng)絡(luò)控制器算法程 序，算法通用性差，當(dāng)系統(tǒng)更復(fù)雜或模型稍作修改，就需要進(jìn)入編程環(huán)境重新編程，無法支 持在線調(diào)試，調(diào)試過程也不直觀。
[0006] 有鑒于此，有必要提出一種通用的神經(jīng)網(wǎng)絡(luò)控制器實(shí)現(xiàn)方法以解決上述問題。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于提供一種對角遞歸神經(jīng)網(wǎng)絡(luò)控制器在多平臺中的實(shí)現(xiàn)方法，用 于解決現(xiàn)有技術(shù)中DRNN神經(jīng)網(wǎng)絡(luò)算法程序難以在不同類型計(jì)算器件上移植、共享等技術(shù) 問題，以克服現(xiàn)有技術(shù)的不足。
[0008] 為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：一種對角遞歸神經(jīng)網(wǎng)絡(luò)控制器在多平臺 中的實(shí)現(xiàn)方法，其特征在于，按照如下步驟實(shí)現(xiàn)： 51 :建立DRNN神經(jīng)網(wǎng)絡(luò)控制器，所述DRNN神經(jīng)網(wǎng)絡(luò)控制器包括一 DRNC神經(jīng)網(wǎng)絡(luò)和一 DRNI神經(jīng)網(wǎng)絡(luò)； 52 :分別對所述DRNC神經(jīng)網(wǎng)絡(luò)和所述DRNI神經(jīng)網(wǎng)絡(luò)對應(yīng)選取學(xué)習(xí)訓(xùn)練方法； 53 :通過計(jì)算單元模塊組態(tài)的方式建立所述DRNN神經(jīng)網(wǎng)絡(luò)控制器的拓?fù)浣Y(jié)構(gòu)，并對各 個計(jì)算單元模塊的計(jì)算順序進(jìn)行時(shí)序分析與判斷； 54 :建立所述計(jì)算單元模塊與通用中間件的映射關(guān)系； 55 :建立所述通用中間件與目標(biāo)平臺的映射關(guān)系； 56 :將所述通用中間件對應(yīng)部署到所述目標(biāo)平臺中； 57 :在所述目標(biāo)平臺上對應(yīng)解析所述通用中間件與所述目標(biāo)平臺間的映射關(guān)系； 58 :在所述目標(biāo)平臺上運(yùn)行所述DRNN神經(jīng)網(wǎng)絡(luò)控制器。
[0009] 在本發(fā)明一實(shí)施例中，在所述步驟Sl中，所述DRNI神經(jīng)網(wǎng)絡(luò)用于識別未知的被控 設(shè)備，并將被控設(shè)備的敏感度信息提供給所述DRNC神經(jīng)網(wǎng)絡(luò)；所述DRNC神經(jīng)網(wǎng)絡(luò)用于調(diào)節(jié) 系統(tǒng)中被控設(shè)備的輸出和期望輸出之間的誤差，使得被控設(shè)備的輸出和期望輸出之間的誤 差最?。凰鯠RNI神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和所述DRNC神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)均根據(jù)被控設(shè)備輸入輸出 的個數(shù)來建立的。
[0010] 在本發(fā)明一實(shí)施例中，在所述步驟S2中，所述DRNC神經(jīng)網(wǎng)絡(luò)和所述DRNI神經(jīng)網(wǎng) 絡(luò)的學(xué)習(xí)訓(xùn)練方法采用梯度下降法；所述DRNI神經(jīng)網(wǎng)絡(luò)與所述DRNC神經(jīng)網(wǎng)絡(luò)中迭代過程 的權(quán)值均采用如下該方式進(jìn)行更新：
【主權(quán)項(xiàng)】
1. 一種對角遞歸神經(jīng)網(wǎng)絡(luò)控制器在多平臺中的實(shí)現(xiàn)方法，其特征在于，按照如下步驟 實(shí)現(xiàn)： 51 :建立DRNN神經(jīng)網(wǎng)絡(luò)控制器，所述DRNN神經(jīng)網(wǎng)絡(luò)控制器包括一 DRNC神經(jīng)網(wǎng)絡(luò)和一 DRNI神經(jīng)網(wǎng)絡(luò)； 52 :分別對所述DRNC神經(jīng)網(wǎng)絡(luò)和所述DRNI神經(jīng)網(wǎng)絡(luò)對應(yīng)選取學(xué)習(xí)訓(xùn)練方法； 53 :通過計(jì)算單元模塊組態(tài)的方式建立所述DRNN神經(jīng)網(wǎng)絡(luò)控制器的拓?fù)浣Y(jié)構(gòu)，并對各 個計(jì)算單元模塊的計(jì)算順序進(jìn)行時(shí)序分析與判斷； 54 :建立所述計(jì)算單元模塊與通用中間件的映射關(guān)系； 55 :建立所述通用中間件與目標(biāo)平臺的映射關(guān)系； 56 :將所述通用中間件對應(yīng)部署到所述目標(biāo)平臺中； 57 :在所述目標(biāo)平臺上對應(yīng)解析所述通用中間件與所述目標(biāo)平臺間的映射關(guān)系； 58 :在所述目標(biāo)平臺上運(yùn)行所述DRNN神經(jīng)網(wǎng)絡(luò)控制器。
2. 根據(jù)權(quán)利要求1所述的對角遞歸神經(jīng)網(wǎng)絡(luò)控制器在多平臺中的實(shí)現(xiàn)方法，其特征在 于：在所述步驟Sl中，所述DRNI神經(jīng)網(wǎng)絡(luò)用于識別未知的被控設(shè)備，并將被控設(shè)備的敏感 度信息提供給所述DRNC神經(jīng)網(wǎng)絡(luò)；所述DRNC神經(jīng)網(wǎng)絡(luò)用于調(diào)節(jié)系統(tǒng)中被控設(shè)備的輸出和 期望輸出之間的誤差，使得被控設(shè)備的輸出和期望輸出之間的誤差最?。凰鯠RNI神經(jīng)網(wǎng) 絡(luò)的結(jié)構(gòu)和所述DRNC神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)均根據(jù)被控設(shè)備輸入輸出的個數(shù)來建立的。
3. 根據(jù)權(quán)利要求2所述的對角遞歸神經(jīng)網(wǎng)絡(luò)控制器在多平臺中的實(shí)現(xiàn)方法，其特征在 于：在所述步驟S2中，所述DRNC神經(jīng)網(wǎng)絡(luò)和所述DRNI神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練方法均采用梯 度下降法；所述DRNI神經(jīng)網(wǎng)絡(luò)與所述DRNC神經(jīng)網(wǎng)絡(luò)中迭代過程的權(quán)值均采用如下該方式 千畝新.
其中W表示權(quán)重，W(n)和W(n+1)分別表示在迭代過程中，該權(quán)重的當(dāng)前值和下一時(shí)刻 的值；η表示學(xué)習(xí)率，〇(k)表示所述DRNI神經(jīng)網(wǎng)絡(luò)或所述DRNC神經(jīng)網(wǎng)絡(luò)的輸出；Em表示 所述DRNI神經(jīng)網(wǎng)絡(luò)的一個周期的誤差函數(shù)，e m(k) =y(k)_ym(k)表示被控設(shè)備響應(yīng)y(k) 和所述DRNI神經(jīng)網(wǎng)絡(luò)響應(yīng)ym(k)間的誤差；E c表示所述DRNC神經(jīng)網(wǎng)絡(luò)的一個周期的誤差 函數(shù)，ec(k) = yJlO-yQO表示期望響應(yīng)yjk)和被控設(shè)備響應(yīng)y(k)之間的誤差；yu(k)為 被控設(shè)備的敏感度，即被控設(shè)備的輸入輸出關(guān)系。
4. 根據(jù)權(quán)利要求1所述的對角遞歸神經(jīng)網(wǎng)絡(luò)控制器在多平臺中的實(shí)現(xiàn)方法，其特征在 于：在所述步驟S3中，所述DRNN神經(jīng)網(wǎng)絡(luò)控制器包括多個拓?fù)浣Y(jié)構(gòu)，且每個拓?fù)浣Y(jié)構(gòu)均包 括多個節(jié)點(diǎn)以及與所述節(jié)點(diǎn)相連的連接線；所述計(jì)算單元模塊為所述拓?fù)浣Y(jié)構(gòu)中最小組成 的節(jié)點(diǎn)；所述計(jì)算單元模塊為執(zhí)行模擬量或數(shù)字量計(jì)算操作的控制單元；所述連接線用以 表示數(shù)據(jù)變量信號類型和信號流動方向；所述拓?fù)浣Y(jié)構(gòu)之間的數(shù)據(jù)流是通過每個拓?fù)浣Y(jié)構(gòu) 對應(yīng)的輸入控制單元或輸出控制單元相互銜接。
5. 根據(jù)權(quán)利要求1所述的對角遞歸神經(jīng)網(wǎng)絡(luò)控制器在多平臺中的實(shí)現(xiàn)方法，其特征在 于：在所述步驟S4中，所述通用中間件通過對所述計(jì)算單元模塊進(jìn)行結(jié)構(gòu)化數(shù)字編碼，建 立所述計(jì)算單元模塊與所述通用中間件的映射關(guān)系。
6. 根據(jù)權(quán)利要求4或5所述的對角遞歸神經(jīng)網(wǎng)絡(luò)控制器在多平臺中的實(shí)現(xiàn)方法，其 特征在于：所述通用中間件用于連接所述拓?fù)浣Y(jié)構(gòu)與所述目標(biāo)平臺，且該通用中間件包括： 結(jié)構(gòu)數(shù)據(jù)庫、事務(wù)調(diào)度模塊、中間件模塊以及算法執(zhí)行模塊；所述結(jié)構(gòu)數(shù)據(jù)庫用于接收和管 理經(jīng)結(jié)構(gòu)化數(shù)字編碼后計(jì)算單元模塊的組態(tài)信息；所述事務(wù)調(diào)度模塊和所述算法執(zhí)行模塊 用于讀取所述組態(tài)信息以及所述拓計(jì)算單元模塊的時(shí)序定義信息，以及完成所述DRNN神 經(jīng)網(wǎng)絡(luò)控制器的計(jì)算與執(zhí)行。
7. 根據(jù)權(quán)利要求5所述的對角遞歸神經(jīng)網(wǎng)絡(luò)控制器在多平臺中的實(shí)現(xiàn)方法，其特征在 于：在所述步驟S5中，分析所述目標(biāo)平臺的編程規(guī)范，在所述通用中間件的結(jié)構(gòu)化數(shù)字編 碼系統(tǒng)與所述目標(biāo)平臺的指令系統(tǒng)之間建立映射關(guān)系。
8. 根據(jù)權(quán)利要求5所述的對角遞歸神經(jīng)網(wǎng)絡(luò)控制器在多平臺中的實(shí)現(xiàn)方法，其特征在 于：在所述步驟S7中，通過所述中間件模塊解析所述通用中間件與目標(biāo)平臺之間的映射關(guān) 系，并生成所述目標(biāo)平臺所支持的程序代碼。
【專利摘要】本發(fā)明涉及一種對角遞歸神經(jīng)網(wǎng)絡(luò)控制器在多平臺中的實(shí)現(xiàn)方法，按照如下實(shí)現(xiàn)：建立DRNN神經(jīng)網(wǎng)絡(luò)控制器，其包括DRNC神經(jīng)網(wǎng)絡(luò)和DRNI神經(jīng)網(wǎng)絡(luò)；對DRNC神經(jīng)網(wǎng)絡(luò)和DRNI神經(jīng)網(wǎng)絡(luò)對應(yīng)選取學(xué)習(xí)訓(xùn)練方法；通過計(jì)算單元模塊組態(tài)的方式建立DRNN神經(jīng)網(wǎng)絡(luò)控制器拓?fù)浣Y(jié)構(gòu)；建立計(jì)算單元模塊與通用中間件的映射關(guān)系；建立通用中間件與目標(biāo)平臺的映射關(guān)系；將通用中間件對應(yīng)部署到目標(biāo)平臺中；在目標(biāo)平臺上對應(yīng)解析通用中間件與目標(biāo)平臺間的映射關(guān)系；在目標(biāo)平臺上運(yùn)行DRNN神經(jīng)網(wǎng)絡(luò)控制器。本發(fā)明所提出的方法可在多種不同類型的計(jì)算平臺中相互移植與共享，支持在線組態(tài)和調(diào)試，其學(xué)習(xí)、訓(xùn)練以及測試應(yīng)用均可在下位機(jī)中實(shí)現(xiàn)，能夠滿足工業(yè)現(xiàn)場長期穩(wěn)定工作的需要。
【IPC分類】G05B19-418
【公開號】CN104834285
【申請?zhí)枴緾N201510144288
【發(fā)明人】鄭松, 宋怡霖
【申請人】福州大學(xué)
【公開日】2015年8月12日
【申請日】2015年3月30日