江苏龙网

  1. 主页 > 生活百科 > >

神经网络智能控制系统的研发 神经网络控制


神经网络智能控制系统的研发 神经网络控制

文章插图
神经控制(神经网络智能控制系统的研究与开发)
本文首先分析了当前先进控制技术项目实施中的技术瓶颈，并在此基础上提出了一种新的先进控制技术建模方法 。本文在IAP的基础上，采用图形化控制策略组态技术，开发了一个神经网络智能控制系统 。该系统具有基于参考模型跟踪的控制结构，能够快速自适应地调整控制器参数 。仿真结果表明，神经网络智能控制系统具有较高的精度和良好的稳定性，能够成为处理复杂工业过程，特别是解决不确定性和非线性领域问题的有效工具 。
0简介
目前，在工业过程控制系统中，生产的核心部分往往具有多变量强耦合、非线性、强干扰、参数时变、大时滞、信息不完全、强约束等特点 。随着流程工业的大型化、连续化和综合化，人们对生产过程的实时性和完整性的要求越来越高 。因此，要从全局出发协调处理设备间复杂的耦合和制约关系，获得全局最优，最有效的途径就是采用先进控制技术或在常规控制的基础上叠加先进控制的补偿成分 。
1先进控制技术的应用现状
自20世纪70年代以来，先进控制技术已经发展了40多年，现在已经取得了一定的成果，并在过程工业中得到一定程度的应用 。先进控制技术内涵丰富且具有时代特征，迄今为止还没有严格统一的定义 。而先进控制的任务是明确的[1]，即用于控制常规控制效果差甚至不可控的复杂工业过程 。先进控制理论的研究主要包括预测控制、模糊控制、最优控制、解耦控制、推理控制、鲁棒控制、神经网络控制、内膜信息源网络控制和自适应控制，其中神经网络是目前研究最多的技术之一 。
先进控制技术的理论计算复杂，传统的实现方式需要单独安装配置一个软件包或计算站，但其执行过程始终是一个“黑箱”，无法观察模块或软件的内部计算过程，无法监控变量数据，给系统调试和后期维护带来一定的困难 。此外，先进控制技术的形态特征与传统控制的配置有很大的不同，在设计、开发、调试、运行和维护等方面都有很大甚至根本性的区别 。，这使得企业在引进先进控制技术的过程中需要投入大量资金，运行维护成本也很高 。这是目前生产企业先进控制系统投资率低的主要原因 。
为了解决上述问题，本文采用一种新的软件工程方法，研究开发一种神经网络智能控制系统，可以有效降低引入神经网络技术的成本和风险，缩小先进控制与传统控制的差异，实现先进控制与传统控制的同构配置，为现代控制理论的工程应用创造更好的技术环境 。
2对角递归神经网络
神经网络是模拟人脑中神经网络结构和行为的模型 。它具有高度的并行分布式处理、自适应能力和强动态特性，为解决非线性和不确定性领域的问题提供了新的途径 。根据连接方式的不同，神经网络分为前馈神经网络和递归神经网络 。区别在于，递归神经网络是动态网络 。如果用前馈神经网络进行系统辨识，存在一些缺点:首先，必须假定系统的模型类别和阶次；其次，随着系统阶数的增加，神经网络的结构迅速膨胀，学习收敛速度下降 。递归神经网络利用网络内部的状态反馈来描述系统的非线性动态特性，可以弥补上述缺陷[2] 。
在大多数情况下，最好的神经网络结构是只在一个小的单元组中使用反馈 。因为网络的权值(参数)个数越少，对模型随机性的影响越小；网络结构越简单，算法的收敛速度越快 。因此，在简化递归神经网络结构和缩短训练时间后，形成了一种新的神经网络范式——对角递归神经网络(DRNN) 。
对角递归神经网络的结构有三层，即输入层、隐含层和输出层，其结构如图1所示 。隐含层由一组递归神经元组成，只接收自己的内部反馈，与自己的神经元无关 。简化了网络结构，减少了需要调整的参数，加快了收敛速度 。
图1对角递归神经网络结构
对于任意离散时间k，Ii(k)为网络的第I个输入，Sj(k)为隐层第j个递归神经元的输入之和，Xj(k)为递归神经元的输出，一般取j=2i+1 。O(k)是对角递归神经网络的输出 。WIij、WDj和WOj分别表示输入层、隐藏层和输出层的权重 。
对角递归神经网络的动态方程为[3]:
其中f()是隐藏层中递归神经元的激励函数:
递归神经网络的输出O(k)对权重WIij、WDj和WOj的梯度为:
?
3对角递归神经网络控制系统
神经智能控制系统的系统结构如图2所示，其中控制器和辨识器由对角递归神经网络组成，分别称为DRNC和DRNI 。未知受控设备的实际输出y(k)由辨识器DRNI网络的输出ym(k)辨识，设备的雅可比信息提供给控制器DRNC 。未知动态系统由DRNC的输出u(k)驱动，使设备的输出y(k)无限逼近期望输出yr(k) 。


推荐阅读


上一篇：2021年度河北安全生产监督检查这样计划 安全检查计划

下一篇：OPPO|最强安卓版Apple Watch看来了！OPPO Watch 3集齐ECG、eSIM、NFC