（化工过程机械专业论文）基于神经网络内模的电加热炉控制应用研究.pdf

摘要 摘要 温度控制是当今世界各国工业中面临的重要问题，加热炉温度控制过程是 一个复杂的非线性的物理过程，传统的控制策略不能达到理想的控制效果，通 过更先进的控制策略达到更好的温度控制效果已成为共识。近几年，从工业过 程特点出发提出的内模控制方法对过程和环境的不确定性有较好的适应能力， 所以本文针对电加热炉的特点，应用内模控制进行加热水温度的内模控制设计， 但是温度对象动态特性具有滞后大、惯性大、干扰强和非线性等典型特点，难 以建立精确数学模型。为了解决这一问题，本文采用了一种基于b p 神经网络的 加热炉温度系统内模控制的设计方法，并结合本院过控实验室的工控试验装置 中电加热炉为对象来进行研究设计。 首先，本文对加热炉系统做了分析，并确定了控制对象和策略。为建立加 热炉温度控制系统模型，对神经网络算法进行研究，采用b p 算法和内模控制策 略相结合的新算法，并对此算法进行仿真，分析，验证此种算法应用与电加热 炉的可行性。 然后，结合电加热炉温度控制过程特点分析，将上述算法成功地应用于温 度控制过程，建立了该系统的神经网络模型。该模型可用于温度控制过程状态 变量的估算和预测。 再后，本文根据b p 神经网络具有参数线性化的结构特点设计了基于b p 神 经网络的非线性内模控制器，将该控制器应用到温度控制过程，以加热器驱动 电流量为被控变量，进行仿真实验，并给出了硬件设计方案。 最后，根据b p 神经网络算法运算量大，算法复杂等特点，本文采用了数字 信号处理器( d s p ) 做为硬件的控制器部分。 本文通过对加热炉温度控制系统神经网络内模控制方法的研究，尝试了将 神经网络智能控制技术引入加热炉温度控制领域。仿真实验表明，基于神经网 络的内模控制系统具有很强的自学习性和自适应性以及良好的鲁棒性，对非线 性的生化反应过程可实现准确控制，达到较好的效果。 关键词：内模控制；b p 神经网络；模型辨识；d s p a b s t r a c t a b s t r a c t t h ec o n t r o lo ft e m p e r a t u r ei ni n d u s t r i a lc o u n t r i e so ft h ew o r l dt o d a yi sf a c i n g a ni m p o r t a n tp r o b l e m ，t h r o u g hm o r es o p h i s t i c a t e dc o n t r o l i n gs t r a t e g i e st oa c h i e v ea b e t t e rt e m p e r a t u r ec o n t r o l i n gh a sb e c o m eac o n s e n s u s i nr e c e n ty e a r s ，f r o mt h e i n d u s t r i a lc h a r a c t e r i s t i c so ft h ep r o c e s s ，p u tf o r w a r db yt h ei n t e r n a lm o d e lc o n t r o l m e t h o d sd on o ta s kf o rm u c ho nt h em o d e lo fp r e c i s i o na n do n 1 i n ec a l c u l a t i o ni s s i m p l e ，t h ep r o c e s so ft h ee n v i r o n m e n ta n dt h eu n c e r t a i n t yo fac e r t a i nd e g r e eo f a d a p t a b i l i t y i nt h i sp a p e r ，t h ec h a r a c t e r i s t i c so fe l e c t r i cf u r n a c e ，a p p l i c a t i o no fm o d e l c o n t r o lf o rh e a t i n gw a t e rt e m p e r a t u r eo ft h ei n t e m a lm o d e lc o n t r 0 1 b u tt h ef u r n a c e t e m p e r a t u r ec o n t r o lp r o c e s si sac o m p l e xn o n l i n e a rp h y s i c so ft h ep r o c e s s ，w h i c hh a s l a g g e db e h i n dt h ed y n a m i cp r o p e r t i e s o fl a r g ei n e r t i a , i n t e r f e r e n c es t r o n ga n d n o n - l i n e a r ，a n do t h e rt y p i c a lc h a r a c t e r i s t i c s ，i t i sd i f f i c u l tt oe s t a b l i s hp r e c i s e m a t h e m a t i c a lm o d e l i no r d e rt os o l v et h i sp r o b l e m ，t h i sp a p e r ，an e u r a ln e t w o r k b a s e do nb p si n t e r n a lm o d e lf u m a c et e m p e r a t u r ec o n t r o ls y s t e md e s i g n ，c o m b i n e d w i t ho u rc o n t r o lo v e rt h el a b o r a t o r yt e s t i n ge q u i p m e n ti ni n d u s t r i a le l e c t r i cf u r n a c et o c a r r yo u tt a r g e t e dr e s e a r c ha n dd e s i g n f i r s to fa l l ，t h i sa r t i c l eo nav a r i e t yo fm e t h o d st oc o n t r o lt h et e m p e r a t u r eh a s d o n eac o m p a r a t i v es t u d yo nt h ef u r n a c es y s t e mt od ot h ea n a l y s i sa n dt oi d e n t i f y t a r g e t sa n ds t r a t e g i e sf o rt h ec o n t r 0 1 f o rt h ee s t a b l i s h m e n to ff u r n a c et e m p e r a t u r e c o n t r o ls y s t e mm o d e lo fn e u r a ln e t w o r ka l g o r i t h m ，u s i n gb pa l g o r i t h ma n dt h em o d e l c o n t r o ls t r a t e g yc o m b i n i n gt h en e wm e t h o d ，t h i sa l g o r i t h ma n ds i m u l a t i o n ，a n a l y s i s ， t ov e r i f yt h i sa l g o r i t h ma n dt h ea p p l i c a t i o no fe l e c t r i cf u r n a c ep o s s i b l es e x t h e n ，c o m b i n e d 们t l le l e c t r i c f u m a c et e m p e r a t u r ec o n t r o la n a l y s i so ft h e c h a r a c t e r i s t i c so ft h ec o u r s e ，t h ea b o v em e t h o ds u c c e s s f u l l yu s e di nt h ep r o c e s so f t e m p e r a t u r ec o n t r o l ，s e tu pt h es y s t e m sn e u r a ln e t w o r km o d e l s t h em o d e lc a nb e u s e di nt h ep r o c e s so fs t a t e - v a r i a b l et e m p e r a t u r ec o n t r o lo ft h ee s t i m a t e sa n d p r o j e c t i o n s a g a i n ，t h i sa r t i c l ei na c c o r d a n c ew i t ht h ep a r a m e t e r so f b p n nl i n e a rf e a t u r e so f t h ed e s i g no ft h es t r u c t u r eo ft h en e u r a ln e t w o r kb a s e do nb p sn o n l i n e a rm o d e l 1 1 1 a b s t r a c t c o n t r o l l e r , t h ec o n t r o l l e ra p p l i e dt ot h et e m p e r a t u r ec o n t r o lp r o c e s si no r d e rt od r i v e h e a t e rw a sc h a r g e df o rt h ea m o u n to fc u r r e n tv a r i a b l e s ，t oc a r r yo u ts i m u l a t i o n sa n d h a r d w a r eg i v e nd e s i g n f i n a l l y ，a c c o r d i n gt ob pn e u r a ln e t w o r ka l g o r i t h mf o rc o m p u t i n gl a r g e ，c o m p l e x a l g o r i t h m ，a n do t h e rc h a r a c t e r i s t i c so ft h i sa r t i c l ei sa l s oi n n o v a t i v eu s eo fd i g i t a l s i g n a lp r o c e s s o r ( d s p ) h a r d w a r ea sp a r to ft h em i c r o p r o c e s s o r t h r o u g ht h es t u d yf o rt h em e t h o db a s e do nn e u r a ln e t v v o r ki n t e r n a lm o d e l c o n t r o l i n gf o re l e t r i ch e a t i n gs t o v et e m p e r a t u r e ，t r yan e u r a ln e t w o r kt oi n t e l l i g e n t c o n t r o lt e c h n o l o g yi n t oe l e t r i ch e a t i n gs t o v et e m p e r a t u r ec o n t r o li nt h ea r e a t h e s i m u l a t i o nr e s u l t ss h o wt h a tb a s e do nn e u r a ln e t w o r km o d e lc o n t r o ls y s t e mh a sa s t r o n gs e l f - l e a r n i n ga n da d a p t i v e ，a sw e l l 舔r o b u s t ，n o n l i n e a rp r o c e s so fb i o c h e m i c a l r e a c t i o n sc a nb ea c c u r a t e l yc o n t r o l l e d ，t oa c h i e v eg o o dr e s u l t s k e yw o r d s ：i n t e r n a lm o d e lc o n t r o l ；b pn e u r a ln e t w o r k ；m o d e li d e n t i f i c a t i o n ；d s p i v 学位论文独创性声明 学位论文独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含 为获得直昌太堂或其他教育机构的学位或证书而使用过的材料。与 我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确 的说明并表示谢意。 学位论文作者签名( 手写) ：建拳爽签字日期：冲胡哆日 学位论文版权使用授权书 本学位论文作者完全了解直昌太堂有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权直昌太堂可以将学位论文的全 部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编本学位论文。同时授权中国科学技术信息研究 所将本学位论文收录到中国学位论文全文数据库，并通过网络向 社会公众提供信息服务。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：耄爽炎 导师签名： 签字日期：洚l 月吗e t签字日期：签字日期：2 年l 月1 签字日期： 坞“膨 面字年j 7 月哆日 第1 章引言 第1 章引言 1 1 选题背景及意义 在工业生产过程中，从4 0 年代起，采用p i d 控制规律的单输入单输出反馈 控制回路已成为过程控制的核心系统，目前，p i d 控制仍广泛应用在工业过程控 制中。然而，单回路p i d 控制并不能适用于所有的过程和不同的要求，从5 0 年 代开始，逐步发展了串级、比值、前馈、均匀和s m i t h 预估控制等复杂控制系统， 在很大程度上满足了单变量控制系统的一些特殊的控制要求。 在工业过程控制中，仍有控制问题采用上述控制策略难以奏效，所涉及的 被控过程往往具有强藕合性、不确定性、非线性、大纯滞后和信息不完全等特 征，并存在着苛刻的约束条件，更重要的是它们大多数是生产过程的核心部分 直接关系到产品的质量、生产率和消耗等指标。 电加热炉就是一类工业生产中应用广泛的传热设备，在热处理、陶瓷烧结 生产过程中，电加热炉的出口温度直接影响物料如钢坯的轧制质量。当前国内 外对加热炉多采用p i d 控制，p i d 控制存在的最大问题就是p 、i 、d 三个参数 的正确选取，它们随加热炉设备参数及加热炉工况的不同而不同，因此对不同 的加热炉和加热炉工况，p 、i 、d 参数的选取有较大的难度。 由于加热炉本身所具有的大惯性、纯滞后、非线性、时变性及其它不稳定 因素，使得加热炉数学模型的建立非常困难，这大大限制了最优控制方法的应 用。 神经网络由于其独特的非线性映射能力、自学习适应能力、联想记忆能力 并行信息处理方式及优良的容错性能，使得神经网络非常适合于复杂系统的建 模与控制，特别是当系统存在不确定性因素时，更体现了神经网络的优越性。 针对此问题，提出过程工业中已广泛应用的内模控制系统结构与神经元网 络算法相结合，利用内模系统结构为基础构建经典有效的过程误差反馈控制系 统，利用神经网络模型算法的非线性函数逼近功能辅助辨识建模，共同解决此 类问题。考虑到神经元网络模型逼近的大规模运算，拟采用d s p 做为控制器实 现。该课题的意义在于：以电加热炉过程为例，实施神经网络内模控制的研究表 明，对于具有非线性、大滞后的系统该控制方案是可行的。另外，研究利用神 第1 章引言 经网络学习能力在线调整经内模控制系统的正模型和控制器，探索将神经网络 融合到先进控制的方法，对推动智能控制的理论发展与实际应用具有重要的意 义。 1 2 内模控制简介 1 2 1 内模控制的产生 传统控制理论是建立在受控系统数学模型己知的条件下。而实际工业过程 常具有非线性、时变性和不确定性，难以建立其精确的数学模型。即使一些对 象能够建立起数学模型，其结构往往也十分复杂，难以设计并实现有效控制。 近年来发展起来的自适应、自校正控制技术，虽然能在一定程度上解决受控系 统的不确定性问题，但其本质仍然要求在线辨识对象模型，所以算法复杂，计 算量大，且它对过程的未建模动态和扰动的适应能力差，系统的鲁棒性问题尚 有待进一步解决，故应用范围受到限制。 随着科学技术和生产的迅速发展，对大型、复杂和不确定性系统实行自动 控制的要求不断提高，使得现代控制理论的局限性越来越明显，理论和实践存 在很大差异。主要表现在以下几个方面： 1 被控过程往往具有非线性、时变性和滞后特性，很难建立对象精确的数学 模型。即使能够建立一些对象的数学模型，其结构也很复杂，难于设计并实现 有效控制。 2 工业对象的结构，参数和环境都具有很大的不确定性。由于这些不确定性 的存在，按照理想模型得到的最优控制在实际中往往不能保持最优，有时还引 起控制品质的下降。 3 工业控制很大程度上考虑到控制手段的经济性，对一些控制器硬件，如计 算机不能要求太高。所以控制算法就要简易以适应实时性的要求，而现代控制 理论的算法大都很复杂，难于在这些低品质的计算机上实现。 基于上述情况，在工业过程领域，应用现代控制理论设计的过程控制器的 控制效果，往往还不如按经典理论设计的p i d 调节器好。因此到目前为止，在 工业过程控制中，占统治地位的仍然是经典的p i d 调节器。 为了克服理论与应用间的不协调现象，从上世纪7 0 年代以来，人们除了加 强对生产过程的建模、系统辨识、自适应控制、鲁棒控制等的研究外，开始打 2 第1 章引言 破传统控制思想的束缚，试图面向工业过程的特点，寻找各种对模型要求低， 在线计算方便、控制综合效果好的算法。内模控制就是在这种情况下发展起来 的。 1 2 2 内模控制的基本原理 内模控带l j 2 ( i n t e m a lm o d e lc o n t r o l - - i m c ) 作为控制系统设计综合的一般概 念，是由g a r c i a 和m o r a r i a l 9 8 2 年提出的【1 1 。在内模控制结构中，需要建立两个 模型和设计反馈滤波器及输入滤波器。两个模型中，一个是对象的模型( 又称为 状态估计器) ，一个是对象的逆模型( 即控制器) 。内模控制的特点是将被控对象 与具有逆模特性的控制器相串联，并与内模相并联，参见图2 1 。在模型匹配时， 达到系统动态特性的开环控制：当模型失配或有干扰存在时，采用在反馈通道中 插入反馈滤波器的方法，通过适当地选取滤波器的结构和参数，可以有效地抑 制输出振荡，并可获得所期望的动态特性和鲁棒性；而输入滤波器用于柔化控制 动作，对设定值起平滑和柔化作用，以减小突加设定值时对系统带来的冲击。 内模控制与传统反馈控制相比，其主要优点有：内模控制方案设计简单，比较容 易获得良好的动态响应，同时能兼顾稳定性和鲁棒性，并能消除不可测干扰对 系统的影响。内模控制结构的关键是建立对象的正模型、逆模型，以及如何设 计反馈滤波器来提高系统的鲁棒稳定性。 1 2 3 内模控制的发展及研究现状 内模控制是一种基于过程数学模型进行控制器设计的新型控制策略。其设 计思想可追溯到1 9 5 7 年s m i m 提出的时滞预估补偿控制器，在以后的研究中， f r a n c i s 和w o h a m 等人相继引用了内模原理的概念，即把动态过程特性的逆模型 作为调节器设计，以此得到理想的调节性能。但是这种逆模型受过程内在特性 的限制，一般不易实现。在随后的一段时间内，内模原理更多的停留在理论研 究阶段而难以成为一种工程设计方法。直到1 9 8 2 年g a r c i a 和m o r 撕【2 儿3 j 完整地 提出并发展了内模控制结构，这之后，m o r a r i 等人广泛深入地研究了内模控制 的性质、设计方法，并将i m c 推广到多输入多输f l s ( m i m o ) 系统和非线性过程， 为内模控制奠定了坚实的理论基础。这样，基于动态模型的求逆来设计控制器 的思想才得以工程化，并在单变量和多变量线性系统【4 】中得到了研究应用。 内模控制以其设计简单、控制性能好在工业过程控制中获得了成功的应用， 3 第1 章引言 而且还表现出在控制系统稳定性和鲁棒性理论分析方面的优势。许多研究者深 入讨论了内模控制与其它控制算法，如动态矩阵控制( d m c ) 、模型算法控制 ( m a c ) 、线性二次型( l q ) 最优控制等之问的内在关系。因而内模控制不仅是一种 实用的先进控制算法，而且是研究预测控制等基于模型的控制策略的重要理论 基础，以及提高常规控制系统设计水平的有利工具。【5 j 目前，线性系统的内模控制己研究得比较透彻。相比之下，自e c o n o m o u 、 m o r a r i 6 】等人以及m i c h a e l 等将内模控制方法推广到非线性系统之后，非线性系 统的内模控制研究仍进展缓慢。近年来，随着对神经网络等智能控制方法研究 的展开，非线性系统内模控制的实现己成为可能，出现了内模控制与神经网络 控制以及其它控制方式相结合的形式，并取得了一系列的成果。 1 非线性i m c 与神经网络控制 b h a t 和m c a v o y 在1 9 9 0 年就已考虑过将神经网络用于非线性内模控制，但 他们没有研究非线性动态系统的可逆条件，也没有为逆模型的建立提出相应的 学习算法。1 9 9 1 年h u n t f 7 】等以及1 9 9 2 n a h a s 等学割8 】利用神经网络进行对象模 型及其逆模型的辨识，给出了网络的训练算法，并直接用于i m c 结构，真正开 创了非线性神经网络内模控制的研究。h u n t 等【9 1 还探讨了内模控制与自适应逆 控制的关系，指出基于神经网络的内模控制可看作是一种非线性自适应逆控制。 神经网络内模控制方法充分利用了神经网络函数的逼近能力，在一定程度上克 服了非线性系统正逆模型难以建立的困难，受到了人们的广泛青睐。 s y i l d i r i m 等用基于混合神经网络模型的内模控制，进行了机器人控制的研 究：刘小河等【lo 】针对一类可以由线性动态系统和非线性静态系统串联组合的特殊 的非线性系统，讨论了非线性神经网络内模控制的若干定性性质。 2 非线性i m c 与模糊控制 1 9 9 2 年w a n g 和m e n d e l t 】提出利用模糊模型进行系统辨识和建模，出现了 基于模糊模型的非线性内模控制的研究1 1 2 1 。 3 非线性i m c 与其它控制方法 主要有非线性内模控制与自适应控制、最优化控制、预测控制等一种或多 种控制方式的组合，或者再将以上神经网络控制、模糊控制引入到组合控制结 构中。 在自适应内模控制中，a n i r u d d h ad a t t a 1 3 1 1 1 4 】等设计了系统的按点优化的自适 应内模控制方案。张井岗等【1 5 j 在基本内模控制结构的基础上，设计了模型参考 4 第1 章引言 自适应内模控制方案。 内模控制与最优化控制的结合，通常是在某种最优化性能指标下设计内模 控制器，以实现优化控制的目标，并保证闭环控制性能。文【1 6 】针对炼油厂的管 道汽油自动调合系统，建立过程的神经网络模型，并根据优化性能指标采用非 线性规划算法求取神经网络的最优逆解，得到神经网络优化控制器，保证了对 工业过程对象的在线闭环实时控制的稳态最优。 1 3 人工神经元网络简介 1 3 1 人工神经元网络的基本概念和特征 人工神经元网络是生理学的真实人脑神经网络的结构和功能，以及若干基 本特性的某种理论抽象、简化和模拟而构成的一种信息处理系统。【1 7 】从系统观 点看，人工神经元网络是由大量神经元通过极其丰富而完善的联接构成的自适 应非线性动态系统。由大量神经元相互连接组成的人工神经元网络将显示出人 脑的某些基本特征如下： 1 分布存储和容错性这种存储方式的优点在于若部分信息不完全，就是说或 丢失或者损坏甚至有错误的信息，它仍能恢复出原来正确的完整的信息。网络 的这种容错性和联想记忆功能，使得网络具有较强的鲁棒性。 2 大规模并行处理能力人工神经网络在结构上是并行的，而且网络的各个 单元可以同时进行类似的处理过程，因此，网络中的信息处理是在大量单 元中平行而又有层次的进行，故其运算速度快。 3 自学习、自组织、自适应能力在神经元网络中，神经元之间的连接有多利， 多样，各神经元之间连接强度具有一定的可塑性，这样，网络可以通过学习和 训练进行自组织以适应不同信息处理的要求。 4 非线性特性神经网络通过学习，具有逼近任意非线性函数的能力。 1 3 2 人工神经元网络的发展和研究现状 人工神经元网络( a r t i f i c i a ln e u r a ln e t w o r k s ，以下简称a n n ) 的研究已有近半 个，世的历史，其主要的研究成果有： 1 9 4 3 年美国心理学家w h r r e nsm c c u l l o c h 1 8 】与数学家w a l t e rhp i t t s 合作， 提出了神经元的数学模型一著名的m p 模型。指出神经元只有在一定数量输入作 5 第1 章引言 用下，超过某一个阀值，神经元才兴奋；并规定了神经元之间的连接方式只有兴 奋性和抑制性突触联系两种，抑制性突触起“否决权”作用。此模型沿用至今， 直接影响着这一领域研究的进展。 1 9 4 9 年d o h e b b 心理学家提出了关于神经网络学习机理的“突触修正假 设”，即突触联系效率可变的假设。h e b b 学习规则开始是作为假设提出的，可归 纳为“当某一突触两端的神经元同步激活( 同为激活或同为抑制) 时，该连接的强 度应增强，反之应减弱”。其j 下确性在3 0 年后才得到证实，现在多数学习机仍 遵循这一规律。 1 9 5 7 年e r o s e n b l a t t 首次提出并设计制作了著名的感知器( p e r c e p t i o n ) 。神经 网络第一次从理论研究转入工程实现阶段，掀起了研究人工神经网络的高潮。 感知器是一种多层的神经网络，由阀值性神经元组成，是一个连续可调的m p 神经元网络，它有能力通过调节权的学习达到正确分类的结果。 1 9 6 2 年b e r n a r dw i d r o w 和m a r c i a nh o f f 提出了自适应线性元件网络，简称 a d a l i n e ( a d a p t i v el i n e a re l e m e n t ) 。它是一种连续取值的线性加权求和阀值网络， 其实质是一个两层前馈感知机型网络，它成功地应用于自适应信号处理和雷达 天线控制等连续可调过程。 m i n s k y 和p a p e r t 1 9 】对以感知器为代表的简单网络系统的功能及其局限性， 从数学上作了分析和研究，在1 9 6 9 年发表了名为 的 专著。书中在肯定感知器的研究价值的同时，指出线性感知器功能是有限的。 具体说，简单的神经网络只能进行线性分类而不能进行非线性分类。他们还指 出，解决非线性分类问题相应的神经网络应该是具有隐含单元的多层神经元网 络。在当时的技术条件下，他们认为在加入隐含单元后，想找到一个多层网络 有效的学习算法是极其困难的。该书在学术界产生正反两方面的影响，它的副 作用促使人们对神经网络的研究转入低潮。 尽管如此仍有不少科学家在极其困难的条件下，开展对神经网络的理论研 究，增加对网络的功能和各种学习算法的研究，为今后研究神经网络理论、数 学模型和体系结构打下了坚实的基础。这期间仍有不少学者取得了一些积极成 果。其中包括a r b i b 的竞争模型，k o h o n e n 的自组织映射模型，g r o s s b e r g 的自 适应谐振模型和f u k u s h i m a 的新认知机等。特别是有些学者提出了连接机制和并 行分布处理概念等，具有较大的影响。 进入8 0 年代，神经网络的研究迎来了第二次高潮【2 0 】。1 9 8 2 年美国加州工学 6 第1 章引言 院物理学家j o h nh o p f i e l d 采用反馈型a n n 模型( 即h o p f i e l d 模型) ，利用所定义 的能量函数成功的解决了著名的t s p ( t r a v e l i n gs a l e s m a np r o b l e m ) 题，从而使人 们对a n n 的潜力有了新的认识。1 9 8 6 年m c c l e l l a n d 和r u m e l h a r t 提出了多层网 络的误差反传算法( b a c kp r o p a g a t i o n ，简称b p 算法) ，该算法从后向前修正各层 之间的连接权值，从实践上证明了神经网络有很强的运算能力，可以解决许多 具体问题，如用于模式分类和识别以及自适应控制等。b p 网络是这段时间最突 出的成果之一，也是迄今为止用得比较广泛和流行的网络。 目前提出的a n n 模型有几十种，其中应用最为广泛且富有成效的有b p 网 络、h o p f i e l d 网络、自适应共振理论( a d a p t i v er e s o n a n c et h e o r y ，a r t ) 网络、径 向基函数( r a d i ab a s e df u n c t i o n ，r b f ) 网络、自组织特征映射网络和小脑模型关 节控制器( c e r e b e l l a rm o d e la r t i c u l a t i o nc o n t r o l l e r ，c m h c ) 等等。 近年来对人工神经网络理论的研究，使跨学科的思想成为本学科的发展动 力，而要对神经网络性能有更深入的了解，还有极漫长的路要走。从有关文献 看，关于对网络学习与推广能力的研究较多，在学习方面，提出了许多加速学 习的算法，但尚未有一种新方法从理论上证明在各种情况下全面优于反向传播 算法。对于非线性系统尚未找到有力的分析工具，从理论上对各种改进算法的 收敛性加以证明。关于网络的推广能力问题，近年来有人在研究网络究竟有多 大规模才具有最大的推广能力，或者究竟需要多少数量的隐含单元才具有最大 的推广能力；如何得到最大推广能力的网络，在离散情况下己经提出了一些定理， 但在连续情况下，尚未研究。 加拿大多伦多大学教授提出了“利用神经网络识别形状的更好途径。这种 方法提示了如何利用一些小网络的组合来分解问题，而这种分解方法也是由一 个神经网络来决定的。 神经网络与专家系统相结合己成为重要的发展趋势，这两者的结合，更好 地发挥出各自的专长。这方面理论研究的一个引人注目的进展就是h n c 的知识 网( k n o w l e d g en e t ) ，利用它和e x p l o r e rn e t 相结合，可以得到一种系统，它类似 于b p 算法那样学习，但对于任何结果都可给出基于规则的解释。 在训练算法研究上，研究人员在寻找更好的训练算法，以解决目前训练代 价昂贵和费时的问题。h a r r y “o p f 开发了一种叫做激励增强理论的d r t 算法 ( d r i v er e i n f o r c e m e n tt h e o r y ) ，d r t 模仿了动物的巴甫洛夫条件反射，而且更具 有生物的精确性。在这个方案中，给处理节点施加了制约条件，即将某种类型 7 第1 章引言 的输入作为奖赏激励，另外的作为惩罚激励。节点通过调节连接权学习如何获 得某些输入而避免另一些输入。目前d r t 的应用还很少。 另一研究课题是使系统学会有“注意力”。人类可对多个输入情况下的特殊 输入给予“关心或“注意力。神经网络同样需要能从相类似的输入中分辨出 哪些是重要的输入，哪些是不重要的输入。认知器就能在视觉图形的识别中对 一些特定的特征给予有选择的注意。这个模型自动的将加入的图形分段，并分 别识别它们。因此，它可修复不j 下确的图形和从受污染的图形中消除噪声。 另一研究的重点涉及节点所用的转移函数，这些函数可能对训练速度有很 大影响。 1 4 本文的主要研究内容 本文针对具有非线性特性的s i s o 过程一电加热炉，采用了基于神经网络模 型的非线性内模控制策略。概括地说就是在基于神经网络的内模控制方案中建 立两个神经网络，一个是正模型作为对象的仿真器，一个是逆模型作为控制器。 在控制回路中，将设计一个反馈滤波器以提高系统的鲁棒稳定性，并对电加热 炉进行的仿真实验研究，具体工作如下： 1 简单回顾内模控制、神经网络控制的产生、发展和研究现状。 2 详细介绍了内模控制原理、性质和系统设计方法。着重讨论电加热炉的内 模控制器和滤波器的设计。 3 介绍了神经网络模型的基本结构、学习规则以及利用神经网络辨识与控制 的原理。着重讨论电加热炉的神经网络内部模型及其逆模型的建立。 4 对电加热炉实施基于神经网络的内模控制策略。 5 给出了r b f n n 内模控制器硬件设计思想及现场实现方案。 最后对全文进行总结，并提出了进一步研究需要注意的问题。 8 第2 章内模控制结构和神经网络算法 第2 章内模控制结构和神经网络算法 2 1 内模控制结构 2 1 1 内模控制原理 无论是线性系统还是非线性系统，内模控制的原理是相同的。本节从线性 系统内模控制的基本结构出发，分析其特点。 内模控制( i m c ) 系统的基本结构如图2 1 【2 1 1 所示，它由对象g ，对象的内部 模型g ( 也称正模型) ，反馈滤波器g - r 和内模控制器g 。组成，d 是扰动。由于g 在 闭环 图2 1 内模控制结构框图 由图2 1 结构框图可知：( 为简单计略去括号内的算子z 。1 ) y ( 七) = g “( 七) + d ( 七) ，y ，( 七) = g u ( k ) ，甜( 七) = g c y ，( 七) 一g 【g “( 七) + d ( 七) 一g 甜( 七) 】) 化简后可得闭环系统的输入和输出方程： y ( 七) = 甜( 七) =二= _ 少，( 七) 一g ，d ( k 】 、， 4 1 + g ，g c ( g g ) g ! g 矽( 七) + ! 二里里! 里 _ 妙【庀) + 。- 1 + g g c ( g g )i + g g c ( g 一g ) 9 ( 2 1 ) v ( 七)( 2 2 ) 第2 章内模控制结构和神经网络算法 玩( 七) = 1 一g c g ( i q 厂) 一g ，g c g i + g ：g c ( g g ) l g ，g c g y ，( 七) + 上_ ，( 七) ( 2 - 3 ) 1 + g g c ( g g ) 控制器和系统输出稳定的条件分别为： + g r ( g g ) = 0 ( 2 - 4 ) l ，c 1 g ， a j i - + ( g g ) = 0 ( 2 5 ) ，1 ，1n 、 ，、 的特征根位于z 平面的单位圆内。 从上面的分析可知，i m c 系统具有下述三个基本性质： ( 1 ) 对偶稳定性 当模型与对象匹配时，即g ( z 。1 ) = g ( z 1 ) 时，由式( 2 1 ) ( 2 3 ) 可知，只 要g r = l ，系统相当于开环，即闭环系统的输出y ( k ) 只取决于i m c 系统前向通 道的传递函数：g k ( z 。1 ) = g 。( z 。) g ( z ) 。因此，当模型匹配时，与一般的反馈控制 系统相比，反馈量由原来的输出量反馈变为扰动量反馈，分析i m c 系统的闭环 稳定性，只要分析前向通道的开环稳定性就可以了，即只要对象开环稳定，控 制器也稳定，闭环系统总是稳定的，这就简化了系统稳定性的分析。 当g ( z 。) g ( z 。1 ) 时，反馈信号包括误差和干扰信息，这时闭环系统的稳定 性和鲁棒性，可以通过适当设计控制器和反馈滤波器g “z 。1 ) 的参数来保证。 对于开环不稳定系统，可先用反馈校正方法组成内环，把系统先稳定下来， 然后再按i m c 原理设计控制器。 ( 2 ) 理想控制器特性 当对象g ( z 。1 ) 稳定且模型精确g ( z d ) = g ( z j ) 时，g f - 1 ，若设计控制器 g 。( z 。1 ) = g 。1 ( z 1 ) 且模型的逆g 1 ( z 1 ) 存在并可实现时，则由式( 2 2 ) 可得： 少c 七，= g c ( z - i ) g ( z - i ) c y r ( k ) - d ( k ) = ：“券蠢辈蓑翥； c2 6 ， 上式表明，在所有时间内，系统输出都等于输入设定值，即y ( k ) = ) ，舡) 。这 意味着系统对于任何干扰d ( k ) 都能消除，实现对参考输入的无偏差跟踪。 必须指出：上述性质是在6 i ( z - 1 ) 存在且控制器可实现的条件下得到的。然 而，即使对象无纯时延( ，= o ) ，由于经采用保持后对象的脉冲传递函数g ( z d ) 中有 l o 第2 章内模控制结构和神经网络算法 一拍时延，按g 。( z 。) = gj ( z 。1 ) 设计的控制器g 。( z 1 ) 中将出现超前因子z ，要求控 制器具有超前预见性，这在物理上无法实现。此外，一般被控对象往往还有纯 时延( ，o ) ，有时还有单位圆外的零点，即被控对象为一非最小相位系统，则控 制器本身不稳定，从而闭环系统也不稳定。而且理想控制器构成的系统，对误 差特别敏感，当模型失配时，无法保证闭环系统的鲁棒稳定性。 ( 3 ) 零稳态偏差特性 当闭环系统稳定，即使模型与对象失配，即g ( z 1 ) g ( z 1 ) ，只要控制器的 设计满足g c ( 1 ) = g 。1 ( 1 ) ，即控制器的静态增益为模型增益的倒数，则系统对于 阶跃输入和常值干扰均不存在稳态偏差。 内模控制器的这一无偏差特性表明：系统本身具有偏差积分作用，不需要 在控制器设计中再引入积分因子。 2 1 2 内模控制器设计1 2 2 l 前已说明，理想控制器性质是难以实现的，而内模控制系统的对偶稳定性 是假定对象模型g ( z 。1 ) 准确的情况下得到的，这一条件在实际系统中很难保证。 因此，在设计内模控制器时，通常采用两步走的办法。第一步，先设计一个稳 定的理想控制器，而不考虑系统的鲁棒性和约束：第二步，引入滤波器，通过 调整滤波器的结构和参数来获得期望的动态品质和鲁棒性。 ( 1 ) 稳定控制器设计 先不考虑模型误差、约束条件等设计一个稳定的理想控制器。若模型为有 纯时延的非最小相位系统，则将g ( z j ) 分解为两部分，即g ( z 。1 ) = g + ( z 。) g ( z 。1 ) ， 式中，g ( z 。1 ) 为模型中包含时延和位于z 平面单位圆外零点的部分；g + ( z - i ) 为模 型中的最小相位部分。 为保证控制器可实现，取 g ( z 一) = g + ( z 1 ) 厂( z _ ) ( 2 7 ) 式中，g z 以) 为控制器可实现因子，设计时要求保持系统的零稳态偏差特性， 所以要求： 厂( 1 ) = g 一( 1 ) 即：g 一( 1 ) f ( 1 ) = 1 ( 2 - 8 ) 第2 章内模控制结构和神经网络算法 可实现因子的一种比较简便的选取方法是： f ( z - ) = 击( 附) 将式( 2 7 ) 、( 2 8 ) 带入式( 2 2 ) 中，其中o f = l ，可得： y ( k 、=些y ，( 七) + 1 + f a + _ ( g g ) 将上式作变化后有： y ( k 1 = l + g ：【! 二堡= ! f g j 4 m ) ( 2 - 9 ) 1 i t j 佑+ - i ( g g ) j ，( 七) + ! 芝d ( 七) ( 三1 0 ) 1 + f o ；1 ( g g ) 在上式中，由于g ( 1 ) f ( 1 ) = l ，所以对于阶跃输入和扰动系统可实现无偏差 跟踪，即y ( ) = 姒) 。 当模型匹配时，g 。( z 。1 ) = g 1 ( z 。1 ) ，由式( 2 9 ) 可得： y ( 七) = f g y ，( 七) + ( 1 一f g 一) d ( 七) ( 2 1 1 ) 上式表明，当模型匹配式，系统的动态特性由g ( z 。1 ) 和f i z 1 ) 决定，由于g ( z 1 ) 是物理系统所固有的而不能改变，而坟z 。1 ) 是控制器的可实现因子，可调整坟z j ) 的参数(