專(zhuān)利名稱(chēng)：一種神經(jīng)網(wǎng)絡(luò)的系統(tǒng)控制器結(jié)構(gòu)及系統(tǒng)辨識(shí)結(jié)構(gòu)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及自動(dòng)控制系統(tǒng)，尤其涉及一種神經(jīng)網(wǎng)絡(luò)系統(tǒng)的控制器結(jié)構(gòu)及其自動(dòng)辨識(shí)與自動(dòng)提高系統(tǒng)控制精度的結(jié)構(gòu)。

背景技術(shù)：
現(xiàn)實(shí)中時(shí)變性是控制產(chǎn)品及系統(tǒng)的基本特征，例如控制系統(tǒng)的使用環(huán)境變化，系統(tǒng)硬件的溫度漂移，控制系統(tǒng)部件或元件隨時(shí)間的老化，都會(huì)造成系統(tǒng)輸入與輸出之間描述函數(shù)的變化。這種變化的程度，無(wú)法在系統(tǒng)設(shè)計(jì)或產(chǎn)品生產(chǎn)時(shí)準(zhǔn)確預(yù)計(jì)到，而且電子元器件本身的誤差更加劇了系統(tǒng)的設(shè)計(jì)誤差，造成系統(tǒng)或產(chǎn)品在具體使用時(shí)無(wú)法達(dá)到很高的設(shè)計(jì)控制精度。如增加反饋環(huán)節(jié)在控制上有時(shí)卻無(wú)法滿(mǎn)足控制相應(yīng)速度的要求。
對(duì)于具體的一個(gè)產(chǎn)品或一個(gè)控制系統(tǒng)，當(dāng)前針對(duì)于時(shí)變模型參數(shù)漂移的解決方法通常有兩種，一是階段性考慮問(wèn)題，針對(duì)應(yīng)用現(xiàn)場(chǎng)實(shí)際情況將時(shí)變系統(tǒng)階段性視為時(shí)不變系統(tǒng)對(duì)系統(tǒng)參數(shù)進(jìn)行辨識(shí)；二是利用模糊建模的思想，利用人工神經(jīng)網(wǎng)絡(luò)及遺傳算法等手段，辨識(shí)出針對(duì)模糊控制系統(tǒng)名義模型參數(shù)的規(guī)則時(shí)間函數(shù)。通常第二種思想所耗費(fèi)的成本代價(jià)很高，而且計(jì)算量較為復(fù)雜。
針對(duì)溫度漂移、老化、使用環(huán)境變化造成的控制系統(tǒng)參數(shù)變化，很多情況下需要自動(dòng)調(diào)節(jié)控制參數(shù)以提高控制精度。
目前尚未見(jiàn)到對(duì)控制系統(tǒng)根據(jù)使用現(xiàn)場(chǎng)及具體使用環(huán)境進(jìn)行自動(dòng)參數(shù)調(diào)節(jié)的合適方案，當(dāng)前針對(duì)時(shí)不變系統(tǒng)的模型集辨識(shí)建立的自適應(yīng)算法等，都只能在建模誤差平方無(wú)窮可積的條件下，才能保證系統(tǒng)模型辨識(shí)誤差漸近收斂。尤其對(duì)于時(shí)變性引起的對(duì)象名義模型的模型參數(shù)甚至是模型結(jié)構(gòu)漂移，經(jīng)典的自適應(yīng)辨識(shí)算法有時(shí)甚至不能保證名義模型誤差及辨識(shí)參數(shù)的有界性。
神經(jīng)網(wǎng)絡(luò)是智能控制的一種，神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是可以在無(wú)法確知系統(tǒng)傳遞描述函數(shù)的情況下利用訓(xùn)練數(shù)據(jù)或經(jīng)驗(yàn)知識(shí)庫(kù)來(lái)實(shí)現(xiàn)自適應(yīng)控制，相關(guān)理論論述較多，但對(duì)于神經(jīng)網(wǎng)絡(luò)訓(xùn)練簡(jiǎn)化算法手段較少。對(duì)于具體的產(chǎn)品應(yīng)用，需要解決下述兩個(gè)問(wèn)題 一、神經(jīng)網(wǎng)絡(luò)算法收斂的適用性，避免訓(xùn)練算法進(jìn)入局部極小值； 二、需要考慮神經(jīng)算法簡(jiǎn)化問(wèn)題，以節(jié)約計(jì)算資源適應(yīng)產(chǎn)品現(xiàn)場(chǎng)控制要求。
因此需要找到一種簡(jiǎn)單的人工神經(jīng)網(wǎng)絡(luò)計(jì)算方法以實(shí)現(xiàn)不同環(huán)境、不同硬件誤差下的自適應(yīng)控制。


發(fā)明內(nèi)容
針對(duì)當(dāng)前人工神經(jīng)網(wǎng)絡(luò)控制器的缺點(diǎn)，本發(fā)明旨在提供一種結(jié)構(gòu)簡(jiǎn)便、經(jīng)濟(jì)實(shí)用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其系統(tǒng)辨識(shí)和系統(tǒng)控制計(jì)算方法，其可以提高神經(jīng)網(wǎng)絡(luò)控制器的輸出或系統(tǒng)辨識(shí)、數(shù)據(jù)采集的精度，對(duì)抗使用環(huán)境變化，系統(tǒng)硬件的溫度漂移，控制系統(tǒng)部件或元件隨時(shí)間的老化，電子元器件本身的誤差造成的系統(tǒng)描述函數(shù)與設(shè)計(jì)要求間的誤差，抵消中間環(huán)節(jié)過(guò)多造成的累計(jì)誤差。
本技術(shù)所針對(duì)的控制系統(tǒng)至少包含下述四個(gè)方面1、智能計(jì)算處理器，如單片機(jī)、嵌入式微處理器、DSP、計(jì)算機(jī)等。2、系統(tǒng)優(yōu)化控制的明確期望目標(biāo)，如在確定輸入值下的輸出值期望確定，或是得到系統(tǒng)輸入與輸出的描述函數(shù)。3、反饋控制信號(hào)。4、在一定范圍內(nèi)輸入與輸出穩(wěn)定且一一對(duì)應(yīng)。
本發(fā)明的一種神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制器結(jié)構(gòu)，其特征在于包含神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)、系統(tǒng)控制中線性無(wú)關(guān)的基函數(shù)結(jié)構(gòu)、相應(yīng)權(quán)與權(quán)值的分析迭代訓(xùn)練結(jié)構(gòu)；該神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)根據(jù)可覆蓋控制范圍的樣本，調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)基函數(shù)的權(quán)值，在實(shí)際控制中對(duì)期望輸出值進(jìn)行神經(jīng)網(wǎng)絡(luò)修正處理，以提高輸出控制精度。
本發(fā)明的技術(shù)方案結(jié)合了三種技術(shù)概念A(yù)daline神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，線性無(wú)關(guān)辨識(shí)基函數(shù)的應(yīng)用，LMS最小均方算法的高斯-賽德?tīng)柣騍OR超松弛迭代或雅可比迭代數(shù)值分析。Adaline神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以通過(guò)減少類(lèi)神經(jīng)元的真實(shí)輸出與期望輸出間的均方誤差來(lái)提高系統(tǒng)控制精度或辨識(shí)精度；使用線性無(wú)關(guān)控制(辨識(shí))基函數(shù)的取代輸入延遲序列，可以有效地減少硬件資源耗費(fèi)并用軟件實(shí)現(xiàn)計(jì)算，同時(shí)使用正交控制(辨識(shí))基函數(shù)使神經(jīng)網(wǎng)絡(luò)權(quán)值具有累加特性；LMS最小均方算法的高斯-賽德?tīng)柣騍OR超松弛迭代數(shù)值分析簡(jiǎn)化了網(wǎng)絡(luò)權(quán)值運(yùn)算迭代，使得動(dòng)態(tài)正交神經(jīng)網(wǎng)絡(luò)計(jì)算方法可以在單片機(jī)這樣計(jì)算資源有限的硬件上運(yùn)行。本發(fā)明結(jié)合這三種技術(shù)的技術(shù)方案，提出了一種新的系統(tǒng)控制與系統(tǒng)辨識(shí)方法。
如圖1，本發(fā)明解決其技術(shù)問(wèn)題的技術(shù)方案包括兩個(gè)可獨(dú)立使用或共同使用的部分 一種神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制器結(jié)構(gòu)，包含神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)、系統(tǒng)控制中的線性無(wú)關(guān)基函數(shù)結(jié)構(gòu)、相應(yīng)權(quán)與權(quán)值的高斯-賽德?tīng)柕?xùn)練結(jié)構(gòu)。
一種神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)結(jié)構(gòu)，包含神經(jīng)網(wǎng)絡(luò)辨識(shí)結(jié)構(gòu)、系統(tǒng)辨識(shí)中的線性無(wú)關(guān)基函數(shù)結(jié)構(gòu)、相應(yīng)權(quán)與權(quán)值的分析迭代訓(xùn)練結(jié)構(gòu) 對(duì)于該結(jié)構(gòu)算法的解釋及推導(dǎo)如下 在圖1的神經(jīng)網(wǎng)絡(luò)中，對(duì)于一個(gè)網(wǎng)絡(luò)輸入值x，其形式為

其中ωi為網(wǎng)絡(luò)權(quán)值，

為神經(jīng)網(wǎng)絡(luò)基函數(shù)。
神經(jīng)網(wǎng)絡(luò)在理論上能以任意精度逼近L2
中，線性無(wú)關(guān)的函數(shù)系1，x，x2，x3，Λ經(jīng)過(guò)標(biāo)準(zhǔn)正交化也可以得到Legendre正交多項(xiàng)式。
對(duì)于圖1一組實(shí)際輸入值xi與反饋信號(hào)yi，對(duì)于函數(shù)族

及權(quán)函數(shù)Γ(x)，用于辨識(shí)實(shí)際控制系統(tǒng)的描述函數(shù)y＝f(x)，依據(jù)線性空間最小二乘法曲線擬合定義所謂“最好”的擬合辨識(shí)標(biāo)準(zhǔn)通常是要求

與yi的偏差

的平方和

為最小。
由此尋求系統(tǒng)辨識(shí)正交神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練的任務(wù)變?yōu)閷?duì)于給定的N個(gè)數(shù)據(jù)(xi，yi)，(i＝1，2...n)，選取線性無(wú)關(guān)的函數(shù)族

及權(quán)函數(shù)Γ(x)，要求在函數(shù)類(lèi)

中尋找一個(gè)系統(tǒng)描述函數(shù)y＝f(x)的辨識(shí)函數(shù)

(m＜N)，使得

達(dá)到極小。顯然該式是m+1個(gè)變量a0，a1，Λam的二次函數(shù)，令
由多元函數(shù)極值的必要條件，有

(j＝0，1，Λm) 引入內(nèi)積的定義 多元函數(shù)極值方程組可表示為
由于正交基函數(shù)

線性無(wú)關(guān)，可以證明方程存在唯一解使I(a0，a1，Λam)取最小值，且最小平方誤差為 對(duì)于多元函數(shù)極值方程組簡(jiǎn)記為Aa＝B。討論如下，令矩陣
對(duì)于任意m+1維非零列向量aH＝[a0 a1 Λ am]，有


可以看出，對(duì)于正交神經(jīng)網(wǎng)絡(luò)，總可以取得權(quán)函數(shù)Γ(xi)＞0，N＞＞m，在線性無(wú)關(guān)的正交辨識(shí)基

上，對(duì)于任意非零aH＝[a0 a1 Λ am]，有aHAa
在此條件下矩陣A對(duì)稱(chēng)正定，因此對(duì)于矩陣A的超松弛迭代(0＜超松弛因子＜2)及高斯-賽德?tīng)柕諗?，即可以使用超松弛迭代法或高?賽德?tīng)柕ㄔ趩纹瑱C(jī)中解出正交神經(jīng)網(wǎng)絡(luò)權(quán)向量值。在矩陣A對(duì)稱(chēng)正定條件下，雅可比迭代不一定收斂，但在某些具體應(yīng)用場(chǎng)合，雅可比迭代也可以收斂。
對(duì)于矩陣

其中L、R分別是A的上、下三角部分元素構(gòu)成的嚴(yán)格上、下三角陣，D是A的對(duì)角線元素構(gòu)成的對(duì)角陣。
a＝-(L+D)-1Ra+(L+D)-1b 這樣可以得到兩種很簡(jiǎn)單的簡(jiǎn)化迭代計(jì)算方法 一、引入高斯-賽德?tīng)柕?dāng)k為迭代次數(shù)，i＝0，1，Λ，m時(shí)
其矩陣表達(dá)式為a(k+1)＝-(L+D)-1Ra(k)+(L+D)-1b。
二、引入SOR超松弛迭代，當(dāng)k為迭代次數(shù)，i＝0，1，Λ，m時(shí)
其中0＜φ＜2為迭代因子。
其矩陣表達(dá)式為a(k+1)＝(D+φL)-1[(1-φ)D-φR]a(k)+φ(D+φL)-1b。
上述兩種迭代方程在實(shí)際應(yīng)用中，權(quán)函數(shù)Γ(xi)經(jīng)?？梢匀槌?shù)，例如Γ(xi)≡1，計(jì)算量非常小，適合單片機(jī)使用，使得神經(jīng)網(wǎng)絡(luò)在單片機(jī)等現(xiàn)場(chǎng)智能控制中的參數(shù)修正成為可能。
對(duì)于正交神經(jīng)網(wǎng)絡(luò)的控制輸出權(quán)向量ω0，ω1，Λωn的調(diào)節(jié)，同上所述之原理，實(shí)際是希望控制實(shí)際輸出值與期望輸出值見(jiàn)誤差最小，即辨識(shí)出x＝f-1(y)，則在控制期望為X時(shí)，對(duì)應(yīng)控制系統(tǒng)的實(shí)際輸入值為x＝f-1(X)，此時(shí)理想狀況下實(shí)際輸出y＝X。因此將實(shí)際輸入值xi與采樣反饋信號(hào)yi調(diào)轉(zhuǎn)，即可使用相同的方法尋求出輸出權(quán)向量ω0，ω1，Λωn。問(wèn)題描述如下對(duì)于圖1一組實(shí)際輸入值xi與反饋信號(hào)yi，尋求滿(mǎn)足控制期望的最佳控制輸出權(quán)向量ω0，ω1，Λωn，對(duì)于給定的N個(gè)數(shù)據(jù)(xi，yi)，(i＝1，2...n)，選取正交線性無(wú)關(guān)的函數(shù)族

及權(quán)函數(shù)Γ(y)，要求在函數(shù)類(lèi)

中尋找一個(gè)系統(tǒng)描述函數(shù)的辨識(shí)函數(shù)

(m＜N)，使得

達(dá)到極小，顯然該式是n+1個(gè)變量ω0，ω1，Λωn的二次函數(shù)，其迭代運(yùn)算可參考辨識(shí)結(jié)構(gòu)算法中的超松弛迭代及高斯-賽德?tīng)柕?。其中超松弛迭代?＜超松弛因子＜2。對(duì)于高斯-賽德?tīng)柕?，?dāng)k為迭代次數(shù)，i＝0，1，Λ，m
其矩陣表達(dá)式為ω(k+1)＝-(L+D)-1Rω(k)+(L+D)-1b。
對(duì)于SOR超松弛迭代，當(dāng)k為迭代次數(shù)，i＝0，1，Λ，m時(shí)
，其中0＜φ＜2為迭代因子。
其矩陣表達(dá)式為ω(k+1)＝(D+φL)-1[(1-φ)D-φR]ω(k)+φ(D+φL)-1b。



圖1為本發(fā)明的神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)與系統(tǒng)辨識(shí)結(jié)構(gòu)示意圖； 圖2為本發(fā)明應(yīng)用實(shí)例的模擬輸出控制結(jié)構(gòu)示意圖； 圖3為本發(fā)明應(yīng)用實(shí)例的0～20mA電流輸出硬件結(jié)構(gòu)示意圖； 圖4為本發(fā)明應(yīng)用實(shí)例的硬件系統(tǒng)描述函數(shù)辨識(shí)程序流程示意圖； 圖5為本發(fā)明應(yīng)用實(shí)例的神經(jīng)網(wǎng)絡(luò)控制器模擬輸出量控制程序結(jié)構(gòu)示意圖； 圖6為本發(fā)明應(yīng)用實(shí)例的神經(jīng)網(wǎng)絡(luò)控制器輸出期望值的控制處理示意圖； 圖7為本發(fā)明應(yīng)用實(shí)例的離心泵恒壓力控制系統(tǒng)結(jié)構(gòu)示意圖； 圖8為本發(fā)明應(yīng)用實(shí)例的離心泵恒壓力控制系統(tǒng)壓力期望值處理示意圖。

具體實(shí)施例方式 實(shí)例一 如圖2，例如有某現(xiàn)場(chǎng)級(jí)模擬量輸出單元，其功能是按接收到控制輸出指令執(zhí)行模擬量輸出，該指令通常為上層控制總線發(fā)來(lái)輸出值，例如發(fā)出0-20mA、4-20mA、0-5V這樣的常規(guī)模擬輸出值。
由于具體的元件誤差，性能老化，溫度漂移等問(wèn)題，硬件電氣參數(shù)發(fā)生了改變，輸出信號(hào)與控制期望值誤差超出要求。要求設(shè)計(jì)一個(gè)軟件辨識(shí)結(jié)構(gòu)，在需要的時(shí)候，通過(guò)一個(gè)按鈕或按鍵，啟動(dòng)神經(jīng)網(wǎng)絡(luò)校驗(yàn)程序，使用軟件方式來(lái)優(yōu)化更改控制參數(shù)并提高控制精度。
舉例若某一電流模擬輸出通道的硬件，根據(jù)輸入指令碼0000～1111輸出0～20mA電流，其結(jié)構(gòu)如圖3。
不同溫度環(huán)境下，由CPU數(shù)字輸出到實(shí)際輸出的硬件描述函數(shù)會(huì)改變，例如某個(gè)模擬量硬件通道在環(huán)境試驗(yàn)中的評(píng)估為1、溫度19.60℃，濕度95.5％條件下，誤差精度為5.69％(4mA)，3.82％(10mA)，-0.41％(15mA)，2.32％(20mA)；2、溫度55.0℃，濕度91.9％條件下，誤差精度為6.12％(4mA)，3.78％(10mA)，-0.40％(15mA)，2.43％(20mA)；3、溫度-25.0。C，濕度41.0％條件下，誤差精度為8.98％(4mA)，6.92％(10mA)，2.55％(15mA)，5.40％(20mA)。
結(jié)論為該模擬量硬件通道在環(huán)境試驗(yàn)中，溫度-21.0℃，濕度42.5％條件下，輸出4mA時(shí)有最大誤差9.15％。在不同環(huán)境條件下，同一輸出條件下的最大誤差遷移為4mA為3.54％，10mA為3.17％，15mA為2.95％，20mA為3.18％。顯然溫度變化對(duì)硬件誤差影響較大，同時(shí)如果為硬件加裝恒溫系統(tǒng)則成本很高。在此條件下，上邊提到的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可在軟件中自動(dòng)調(diào)節(jié)溫度對(duì)誤差的影響。
依據(jù)本發(fā)明神經(jīng)網(wǎng)絡(luò)迭代計(jì)算的方法，取在實(shí)空間L2[-1.1]中Legendre正交多項(xiàng)式，或可以得到Legendre正交多項(xiàng)式的線性無(wú)關(guān)的函數(shù)系1，x，x2，x3，Λ為辨識(shí)基，定義函數(shù)?！?，采用圖1的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)模擬輸出硬件通道的測(cè)試經(jīng)驗(yàn)，取x2為最高階次，其辨識(shí)結(jié)構(gòu)已滿(mǎn)足辨識(shí)精度要求ε。
一、對(duì)于辨識(shí)出硬件描述函數(shù)的過(guò)程是1、在某種具體應(yīng)用環(huán)境條件下，啟動(dòng)神經(jīng)網(wǎng)絡(luò)模擬量模塊，通過(guò)某些方式，例如a、硬件外部按鍵、開(kāi)關(guān)等；b、遠(yuǎn)程控制指令c、程序啟動(dòng)自檢等，啟動(dòng)辨識(shí)子程序；2、記錄一組能覆蓋到控制量程樣本值(xi，yi)，其中，xi為實(shí)際輸出給DAC轉(zhuǎn)換的數(shù)據(jù)，yi為輸出反饋檢驗(yàn)值；3、根據(jù)樣本值計(jì)算

其中由于該過(guò)程取樣本輸入xi固定值不變，故此實(shí)際軟件簡(jiǎn)化，只需計(jì)算

在CPU存儲(chǔ)中建立迭代向量組；4、設(shè)置初始權(quán)向量與迭代循環(huán)次數(shù)n，例如
或上次已有的辨識(shí)權(quán)值

使用已有辨識(shí)權(quán)值可提高迭代精度，進(jìn)入迭代循環(huán)。根據(jù)神經(jīng)網(wǎng)絡(luò)高斯-賽德?tīng)柕ㄓ? 5、最后存儲(chǔ)權(quán)向量迭代結(jié)果[a0n a1n a2n]，硬件描述函數(shù)辨識(shí)結(jié)果為可對(duì)控制上層上報(bào)權(quán)向量。整個(gè)辨識(shí)程序流程如圖4。
動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)軟件流程也可以在控制上層實(shí)現(xiàn)，而無(wú)需在本CPU結(jié)構(gòu)內(nèi)部完成，其迭代方法一致。
二、對(duì)于使用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)提高輸出精度的驗(yàn)證 1、在具體應(yīng)用環(huán)境改變的條件下，啟動(dòng)神經(jīng)網(wǎng)絡(luò)模擬量控制校驗(yàn)?zāi)K，通過(guò)某些方式例如a、硬件外部按鍵、開(kāi)關(guān)等；b、遠(yuǎn)程控制指令；c、程序啟動(dòng)自檢，啟動(dòng)控制校驗(yàn)子程序；2、記錄一組樣本值能覆蓋到控制量程的(xi，yi)；其中xi為實(shí)際輸出給DAC轉(zhuǎn)換的數(shù)據(jù)，yi為輸出反饋檢驗(yàn)值。3、根據(jù)樣本值計(jì)算

在CPU存儲(chǔ)中建立迭代向量組；4、設(shè)置初始權(quán)向量與迭代循環(huán)次數(shù)n，例如
或上次已有的控制權(quán)值[ω0* ω1* ω2*]，使用已有控制權(quán)值可提高迭代精度或減少迭代次數(shù)，進(jìn)入迭代循環(huán)；根據(jù)神經(jīng)網(wǎng)絡(luò)高斯-賽德?tīng)柕ㄓ? 5、最后存儲(chǔ)控制權(quán)向量迭代結(jié)果

存儲(chǔ)存儲(chǔ)控制權(quán)向量結(jié)果為以后輸出控制值調(diào)節(jié)使用。神經(jīng)網(wǎng)絡(luò)迭代子程序如圖5。
6、在接到輸出指令值X時(shí)，使用運(yùn)算式計(jì)算x，以x為實(shí)際送給硬件通道的控制值，即可實(shí)現(xiàn)控制誤差ε最小?？刂戚敵龅某绦蜻^(guò)程如圖6。
對(duì)于實(shí)例一，在程序中若隨時(shí)采集輸入值，對(duì)辨識(shí)或控制迭代的樣本值進(jìn)行局部更新，在CPU系統(tǒng)空閑時(shí)迭代并修正權(quán)值，則該系統(tǒng)即為動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)；若基函數(shù)又取了正交函數(shù)，則系統(tǒng)視為動(dòng)態(tài)正交神經(jīng)網(wǎng)絡(luò)。
實(shí)例一的控制器校驗(yàn)計(jì)算，也可以在產(chǎn)品的外部進(jìn)行。例如由一臺(tái)測(cè)試儀器采集硬件的校驗(yàn)樣本(xi，yi)，在外部完成使用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)提高輸出精度的校驗(yàn)計(jì)算，將結(jié)果[ω0n ω1n ω2n]做為產(chǎn)品修正值輸入進(jìn)產(chǎn)品中，在具體使用時(shí)，產(chǎn)品內(nèi)部?jī)H需要完成第6步修正計(jì)算即可。
實(shí)例二 很多控制系統(tǒng)，由于所涉及到的中間環(huán)節(jié)較多，誤差難以控制，在系統(tǒng)完成后需要進(jìn)行整個(gè)系統(tǒng)的精度調(diào)試，采用圖1的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可以實(shí)現(xiàn)系統(tǒng)精度的自動(dòng)調(diào)節(jié)，節(jié)約大量人力物力及時(shí)間。
例如假定有如圖7的離心泵恒壓力控制系統(tǒng)，其為單回路簡(jiǎn)單控制系統(tǒng)。安裝在離心泵出口管路上壓力傳感器PT將離心泵出口壓力轉(zhuǎn)換成電壓信號(hào)，經(jīng)放大器放大后輸出至PC工業(yè)控制計(jì)算機(jī)，PC將壓力信號(hào)與壓力給定值比較后，需要按照設(shè)定網(wǎng)絡(luò)權(quán)值，依據(jù)調(diào)節(jié)規(guī)律輸出變頻調(diào)速的激勵(lì)信號(hào)，驅(qū)動(dòng)變頻調(diào)速器控制電機(jī)的轉(zhuǎn)速，達(dá)到恒定離心泵出口壓力的目的。
整個(gè)控制系統(tǒng)參數(shù)如下1、被控變量Y離心泵出口穩(wěn)定后壓力P；2、給定值(設(shè)定值)X對(duì)應(yīng)于被控變量所需保持的工藝參數(shù)值。3、測(cè)量值y由傳感器檢測(cè)到的被控變量的實(shí)際值，在本實(shí)驗(yàn)中為離心泵出口壓力值P。4、操縱變量實(shí)現(xiàn)控制作用的變量在變頻調(diào)速中使用了PID比例積分控制規(guī)律方式消除干擾。
在系統(tǒng)構(gòu)架搭配完成時(shí)，由于控制系統(tǒng)中間環(huán)節(jié)較多，誤差人為控制可能性較?。欢以诓煌后w介質(zhì)條件下、不同輸出量大小或不同粗細(xì)的輸送管道條件下，在離心泵同轉(zhuǎn)速條件下產(chǎn)生的壓力也不盡相同。因此使用神經(jīng)網(wǎng)絡(luò)可以在整個(gè)控制系統(tǒng)調(diào)試時(shí)進(jìn)行自動(dòng)修正調(diào)節(jié)，無(wú)需考慮中間環(huán)節(jié)誤差及介質(zhì)密度等因素。
假定在圖1結(jié)構(gòu)中使用線性無(wú)關(guān)的函數(shù)族

為辨識(shí)基函數(shù)，由于使用工業(yè)控制計(jì)算機(jī)，因此[ω0 ω1 Λ ωm]權(quán)向量可以取較高階數(shù)以提高精度。與實(shí)例一中的方法類(lèi)似，應(yīng)用SOR超松弛迭代的本方法步驟如下 1、在具體應(yīng)用環(huán)境的條件下，啟動(dòng)神經(jīng)網(wǎng)絡(luò)權(quán)值控制校驗(yàn)?zāi)K，通過(guò)某些方式，啟動(dòng)控制校驗(yàn)程序；2、記錄一組能覆蓋到控制量程的樣本值(xi，yi)；其中xi為控制輸出到變頻調(diào)速的控制信號(hào)，yi為輸出壓力傳感器反饋值。3、根據(jù)樣本計(jì)算內(nèi)積定義，在CPU存儲(chǔ)中建立所需內(nèi)積迭代向量組；4、設(shè)置初始權(quán)向量與迭代循環(huán)次數(shù)n，例如
或上次已有的控制權(quán)值[ω0* ω1* Λ ωm*]，進(jìn)入迭代循環(huán)；k為迭代次數(shù)，i＝0，1，Λ，m，根據(jù)SOR超松弛迭代有
其中0＜φ＜2為迭代因子。
5、最后存儲(chǔ)控制權(quán)向量迭代結(jié)果[ω0n ω1n Λ ωmn]；以便下一步輸出控制使用。
6、在接到系統(tǒng)壓力輸出指令值X時(shí)，使用運(yùn)算式

計(jì)算x，以x做為實(shí)際送給電機(jī)變頻調(diào)速的控制值，即可實(shí)現(xiàn)控制誤差最小。并以圖8所示的控制程序過(guò)程輸出。
權(quán)利要求
1.一種神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制器結(jié)構(gòu)，其特征在于包含神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)、系統(tǒng)控制中線性無(wú)關(guān)的基函數(shù)結(jié)構(gòu)、相應(yīng)權(quán)與權(quán)值的分析迭代訓(xùn)練結(jié)構(gòu)；根據(jù)可覆蓋控制范圍的樣本，調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)基函數(shù)的權(quán)值，在實(shí)際控制中對(duì)期望輸出值進(jìn)行神經(jīng)網(wǎng)絡(luò)修正處理，以提高輸出控制精度。
2.一種神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)結(jié)構(gòu)，其特征在于包含神經(jīng)網(wǎng)絡(luò)辨識(shí)結(jié)構(gòu)、系統(tǒng)辨識(shí)中線性無(wú)關(guān)的基函數(shù)結(jié)構(gòu)、相應(yīng)權(quán)與權(quán)值的分析迭代訓(xùn)練結(jié)構(gòu)；根據(jù)可覆蓋控制范圍的樣本，調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)基函數(shù)的權(quán)值，使用神經(jīng)網(wǎng)絡(luò)的基函數(shù)與權(quán)值重構(gòu)控制系統(tǒng)的描述函數(shù)。
3.根據(jù)權(quán)利要求1所所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制器結(jié)構(gòu)或權(quán)利要求2所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)結(jié)構(gòu)，其特征在于在神經(jīng)網(wǎng)絡(luò)中使用了包括正交基函數(shù)在內(nèi)的線性無(wú)關(guān)基函數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)輸入值進(jìn)行處理；對(duì)于網(wǎng)絡(luò)輸入值x的神經(jīng)網(wǎng)絡(luò)輸出使用形式為
的神經(jīng)網(wǎng)絡(luò)基函數(shù)，其中ωi為網(wǎng)絡(luò)權(quán)值；其中線性無(wú)關(guān)的函數(shù)有Laguerre函數(shù)、Kautz函數(shù)、Z(Λ)變換、1，x，x2，x3，Λ。
4.根據(jù)權(quán)利要求1所所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制器結(jié)構(gòu)或權(quán)利要求2所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)結(jié)構(gòu)，其特征在于在神經(jīng)網(wǎng)絡(luò)權(quán)值簡(jiǎn)化迭代訓(xùn)練中使用了高斯-賽德?tīng)柕?、SOR超松弛迭代方法或者雅可比迭代方法，對(duì)于高斯-賽德?tīng)柕?、SOR超松弛迭代方法包含下述四個(gè)方程式；
一、對(duì)于一組訓(xùn)練樣本(xi，yi)，在神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)結(jié)構(gòu)中使用高斯-賽德?tīng)柕泄?br> 其矩陣表達(dá)式為a(k+1)＝-(L+D)-1Ra(k)+(L+D)-1b。其中k為迭代次數(shù)，i＝0，1，Λ，m，內(nèi)積定義為Γ(xi)為內(nèi)積權(quán)函數(shù)，可取為常數(shù)；
二、對(duì)于一組訓(xùn)練樣本(xi，yi)，在神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)結(jié)構(gòu)中使用SOR超松弛迭代有
其矩陣表達(dá)式為a(k+1)＝(D+φL)-1[(1-φ)D-φR]a(k)+φ(D+φL)-1b。其中k為迭代次數(shù)，i＝0，1，Λ，m，內(nèi)積定義為Γ(xi)為內(nèi)積權(quán)函數(shù)，可取為常數(shù)，0＜φ＜2為迭代因子；
三、對(duì)于一組訓(xùn)練樣本(xi，yi)，在神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)中使用高斯-賽德?tīng)柕泄?br> 其矩陣表達(dá)式為ω(k+1)＝-(L+D)-1Rω(k)+(L+D)-1b。其中k為迭代次數(shù)，i＝0，1，Λ，m，內(nèi)積定義為Γ(xi)為內(nèi)積權(quán)函數(shù)，可取為常數(shù)；
四、對(duì)于一組訓(xùn)練樣本(xi，yi)，在神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制器結(jié)構(gòu)中使用SOR超松弛迭代有
其矩陣表達(dá)式為ω(k+1)＝(D+φL)-1[(1-φ)D-φR]ω(k)+φ(D+φL)-1b。其中k為迭代次數(shù)，i＝0，1，Λ，m，內(nèi)積定義為Γ(xi)為內(nèi)積權(quán)函數(shù)，可取為常數(shù)，0＜φ＜2為迭代因子。
5.根據(jù)權(quán)利要求1所所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制器結(jié)構(gòu)，其特征在于在期望輸入值為X時(shí)，實(shí)際送往硬件系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)輸出值為
其中ωi為網(wǎng)絡(luò)權(quán)值，
為神經(jīng)網(wǎng)絡(luò)基函數(shù)。
6.根據(jù)權(quán)利要求1所所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制器結(jié)構(gòu)或權(quán)利要求2所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)結(jié)構(gòu)，其特征在于將神經(jīng)網(wǎng)絡(luò)應(yīng)用于某種體應(yīng)用環(huán)境條件下，可用于自動(dòng)修正由于具體的元件誤差，性能老化，溫度漂移等問(wèn)題帶來(lái)產(chǎn)品的控制誤差；針對(duì)不同應(yīng)用環(huán)境場(chǎng)合，神經(jīng)網(wǎng)絡(luò)將自動(dòng)調(diào)節(jié)有不同的控制權(quán)值。
7.根據(jù)權(quán)利要求1所所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制器結(jié)構(gòu)或權(quán)利要求2所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)結(jié)構(gòu)，其特征在于神經(jīng)網(wǎng)絡(luò)在整體系統(tǒng)校驗(yàn)調(diào)整過(guò)程中，由樣本值迭代計(jì)算并調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)權(quán)值，以提高控制或辨識(shí)精度。
8.根據(jù)權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制器結(jié)構(gòu)或權(quán)利要求2所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)結(jié)構(gòu)，其特征在于在具體應(yīng)用環(huán)境條件下，可啟動(dòng)神經(jīng)網(wǎng)絡(luò)模擬量模塊進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)自動(dòng)調(diào)節(jié)；通過(guò)包含硬件外部按鍵、開(kāi)關(guān)、遠(yuǎn)程控制指令觸發(fā)或程序啟動(dòng)自檢命令的方式，來(lái)啟動(dòng)控制器參數(shù)調(diào)整子程序或辨識(shí)子程序，自動(dòng)調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)權(quán)值。
全文摘要
本發(fā)明涉及一種神經(jīng)網(wǎng)絡(luò)系統(tǒng)的控制器結(jié)構(gòu)及其自動(dòng)辨識(shí)與自動(dòng)提高系統(tǒng)控制精度的結(jié)構(gòu)。其中神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制器結(jié)構(gòu)包含神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)、系統(tǒng)控制中線性無(wú)關(guān)的基函數(shù)結(jié)構(gòu)、相應(yīng)權(quán)與權(quán)值的分析迭代訓(xùn)練結(jié)構(gòu)；根據(jù)可覆蓋控制范圍的樣本，調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)基函數(shù)的權(quán)值，在實(shí)際控制中對(duì)期望輸出值進(jìn)行神經(jīng)網(wǎng)絡(luò)修正處理，以提高輸出控制精度。一種神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)結(jié)構(gòu)，其特征在于包含神經(jīng)網(wǎng)絡(luò)辨識(shí)結(jié)構(gòu)、系統(tǒng)辨識(shí)中線性無(wú)關(guān)的基函數(shù)結(jié)構(gòu)、相應(yīng)權(quán)與權(quán)值的分析迭代訓(xùn)練結(jié)構(gòu)；根據(jù)可覆蓋控制范圍的樣本，調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)基函數(shù)的權(quán)值，使用神經(jīng)網(wǎng)絡(luò)的基函數(shù)與權(quán)值重構(gòu)控制系統(tǒng)的描述函數(shù)。
文檔編號(hào)G05B13/02GK101493677SQ200810029119
公開(kāi)日2009年7月29日 申請(qǐng)日期2008年6月30日 優(yōu)先權(quán)日2008年6月30日
發(fā)明者李華嵩 申請(qǐng)人:李華嵩