（计算机应用技术专业论文）lonwork智能家居网络开发与信息智能处理的节点智能控制研究.pdf

摘要 摘要 随着计算机网络通信技术、智能控制技术和信息技术的飞速发展，以及人们 对生活质量要求的不断提高，人们提出了将各种家用电器网络化和智能化的要求。 因此，研究智能家居网络的意义重大。 在“l o n w o r k 智能家居网络开发与信息智能处理”研究课题中，本人主要的研 究方向是：网络节点的智能控制方法。研究网络节点智能控制方法的目的是为了 探索出更好的智能控制方法，以提高家居网络的智能水平。 本文介绍了智能家居网络的发展和现状、l o n w o r k s 智能家居网络，以及模糊 逻辑、神经网络和模糊神经网络等智能控制方法。 同时，提出了一种新的模糊控制方法基于偏差收敛的实时自适应规则校 正算法的模糊控制。本文对这种新方法进行了研究，研究的方法基于学科前沿的 相关理论，包括模糊逻辑理论和最优化理论。 为了验证这种校正算法的可行性，首先建立了离散控制系统的数学模型，并 采用仿真软件m a t l a b 6 ，5 建立了一个包含该校正算法的模糊控制仿真系统。然后进 行了大量的仿真对比实验。 实验方法是在运行时，对需校正的过渡过程的控制量、控制次数及控制步数进 行实时校正。实验目标是寻找超调量更小、收敛速度更快的规则校正算法。 在进行仿真实验时，设计了4 组基于不同实验目的的仿真对比实验。通过这些 实验，总结出该校正算法的最佳校正方法。实验结论说明，通过在常规模糊控制 器加入这种规则校正算法。可进一步降低系统对阶跃输入信号响应的过渡过程的 超调量，并提高的收敛速度。 关键词自适应规则校正算法；智能家居网络；l o n w o r k s 技术； 智能控制技术；仿真 广东工业大学工学硕士学位论文 a b s t r a c t w i t ht h e r a p i dd e v e l o p m e n to fc o m p u t e rn e t w o r kc o m m u n i c a t i o nt e c h n o l o g y , i n t e l l i g e n tc o n t r o lt e c h n o l o g ya n di n f o r m a t i o nt e c h n o l o g y , a n dp e o p l e s i m p r o v i n g r e q u i r e m e n t sf o rh y i n gq u a l i t y , r e q u i r e m e n t so fc o n n e c t i n ga l lk i n d so fh o m ea p p l i a n c e s i n t oan e t w o r ka n dm a k et h e mi n t e l l i g e n ta r er a i s e d b yp e o p l e s or e s e a r c h e so n i n t e l l i g e n th o m e n e t w o r kh a v ei m p o r t a n ts i g n i f i c a t i o n i nt h er e s e a r c hp r o j e c t d e v e l o p m e n to fl o n w o r k i n t e l l i g e n th o m en e t w o r ka n d i n t e l l i g e n tp r o c e s so fi n f o r m a t i o n ，m ym a i nr e s e a r c hd i r e o d o ni s ：i n t e l l i g e n tc o n t r o l m e t h o do fn e t w o r kn o d e t h ep u r p o s eo fr e s e a r c h i n gi n t e l l i g e n tc o n t r o lm e t h o do f n e t w o r kn o d ei st oe x p l o r et h eb e t t e ri n t e l l i g e n tc o n t r o lm e t h o d ，i no r d e rt oi m p r o v e i n t e l l i g e n tl e v e lo f h o m en e t w o r k t h i sa r t i c l ei n t r o d u c e s d e v e l o p m e n t a n ds t a t u so f i n t e l l i g e n t h o m en e t w o r k ， l o n w o r k si n t e l l i g e n th o m en e t w o r k ，a n di n t e l l i g e n tc o n t r o lm e t h o d si n c h l u d i n gf u z z y l c g i c ，n e u r a ln e t w o r k a n d f u z z y n e u r a ln e t w o r k 。 a n dan e wf u z z yc o n t r o lm e t h o d 一一f u z z yc o n t r o lw i t i lr e a l t i m es e l f - a d a p t i v e r u l em o d i f i c a t i o na l g o r i t h mb a s e do i le r r o rc o n v e r g e n c ei sp r o p o s e di nt h i sa r t i c l e t h e r e s e a r c ho nt h i su e wm e t h o di sc a r r i e do n t h er e s e a r e hm e t h o di sb a s e do nr e l a t e d f r o n t - l i n et h e o r i e si n c l u d i n gf u z z yl o g i ct h e o r y , a n do p t i m i z a t i o nt h e o r y i no r d e rt ov a l i d a t et h ef e a s i b i l i t yo ft h i sm o d i f i c a t i o na l g o r i t h m ，am a t hm o d e lo f d i s c r e t ec o n t r o l s y s t e m i sb u i l t ，a n daf u z z yc o n t r o ls i m u l a t i o n s y s t e mw i t ht h i s m o d i f i c a t i o na l g o r i t h mi sb u i l tb yu s i n gs i m u l a t i o ns o f t w a r em a t l a b6 5 a n dt h e nal o t o fs i m u l a t i o nc o n t r a s t v i ee x p e r i m e n t sa r ed o n e t h e e x p e r i m e n t m e t h o di st oo n l i n em o d i f yt h ec o n t r o lv a l u e 。c o n t r o ln u m b e r , a n d c o n t r o lp a c eo ft r a n s i t i o np r o c e s s e st h a tn e e d e dt om o d i f y t h ee x p e r i m e n tt a r g e ti st 0 f i n dar u l em o d i f i c a t i o na l g o r i t h mm a tm a k e so v e r s h o o ts m a l l e r , c o n v e r g e n c es p e e d q u i c k e r i nt h es i m u l a t i o ne x p e r i m e n t s ，f o u rg r o u p so fs i m u l a t i o nc o n t r a s t i v ee x p e r i m e n t s b a s e do nd i f f e r e n te x p e r i m e n tg o a l sa r ed e s i g n e d t h eb e s tm o d i f i c a t i o nm e t h o do ft h i s a l g o r i t h mi sg a i n e db yd o i n gt h e s ee x p e r i m e n t s t h ee x p e r i m e n tr e s u l ts h o w s t h a tb y a d d i n gt h i sm o d i f i c a t i o na l g o r i t h mi n t on o r m a lf u z z yc o n t r o l l e r , o v e r s h o o to f t r a n s i t i o n p r o c e s s t h a ts y s t e mr e s p o n d st ot h es t e ps i g n a lw i l lb ef u r t h e rd e c r e a s e d ，a n dc o n v e r g e n t s p e e d w i l lb ef u r t h e ri n c r e a s e d k e y w o r d ss e l f - a d a p t i v e r u l em o d i f i c a t i o n a l g o r i t h m ；i n t e l l i g e n t h o m en e t w o r k ； i n t e l l i g e n tc o n t r o lt e c h n o l o g y ；l o n w o r k st e c h n o l o g y ；s i m u l a t i o n 豇 第一章绪论 第一章绪论 1 1 智能家居网络 智能家居网络( i n t e l l i g e n th o m en e t w o r k ) 是信息时代的一种高科技产物。它 是在集成协同环境下，利用先进的计算机技术、网络通信技术、智能控制技术和 综合布线技术，将家庭的各种家电组成家庭局域网，实现家居资源互操作和远程 监控的智能化管理，为人们提供多样化、个性化、方便、舒适、安全和高效的现 代化家居生活环境。 智能家居、智能楼宇和智能小区三者所涉及的研究对象和研究内容是不同。 “智能家居”研究的是如何实现家庭范围内的智能化管理。 “智能楼宇”研究的是如何实现整栋楼宇的智能化管理、 “智能小区”研究的是如何实现整个小区的智能化管理。 1 三网伸入家庭 在家居环境与外界联系时，会接触到三大网络。它们分别是电话网、有线电 视网 姒冷 图4 4 偏差变化率的模糊划分 f i g 4 4f u z z yp a r t i n g o fe r r o rc h a n g er a t ea e ( 3 ) 输出控制量h 的模糊划分 对于一个模糊控制系统，输出控制信号“取9 个模糊量，即正高( p h ) ，正大 ( p b ) ，正中( p m ) ，正小( p s ) ，零( z e ) ，负小( n s ) ，负中( n m ) ，负大( n b ) ， 负高( n h ) ，并采用非线性正交模糊划分法，如图4 - 5 所示- 其划分和偏差p 的划 分类似。 董坚耋壁釜芏奎兰塑墼堡型耋鎏塑塞 op sp 啊p bp h 一 一21 6 1 2 一o 8 一o 4 0o 4 0 81 21 62 图4 5 控制信号“的模糊划分 f i g 4 - 5f u z z yp a r t i n g o fc o n t r o ls i g n a l “ 2 模糊控制规则的确定 对于双输入单输出的模糊控制系统，最常用的控制规则表达式为： r j ? i fe = a a n da e = b t h e n “= c t 在我们的研究中，选取：i = l ，2 。9j = l ，2 ，5 k = l ，2 ，9 l = 1 ，2 一，4 5 a ； p h , p b , p m , p s , o , n s , n m , n b , n h b ie p b , p s , o , n s , n b c k l p h 。p b , p m , p s , o , n s , n m , n b , n h 根据图4 2 ，可以看到： 当e = p h 时，有a e = p b ，这时需要较大的控制量u - - p m ，故有控制规则； i f e = p ha n da e = p bt h e n u = p m 当e = n m 时，有z l e = o ，这时的控制量应为u = n m ，故有控制规则： i f e = n ma n da e = 0t h e n “= ：m 如此类推，可得到下面4 5 条模糊控制规则： r i ：话e = p ha n d a e = p bt h e nu = p m r 2 7 i f e = 艘a n da e = p st h e nu = 船 r 牾：i fe = n ha n d a e = n bt h e nu = n m ：蛮三兰銮耋三耋堡圭耋竺兰兰 将上面的模糊控制规则以表格的形式进行表示，如表4 - 1 所列。 表4 一l 过渡过程的初始模糊控制规则表 t a b l e4 - 1 o r i g i n a lf u z z y c o n t r o lr u l eo ft r a n s i t i o np r o c e s s 亭 n hn bn m n sdp sp m p b p h n 8n msdp sp mp bp hp hp h n sn hn bn mn sdp sp mp hp h 4 0 dn hn bn mn sdp sp mp bp h p sn h n hn bn m n sdp sp mp 8 p bn hn hn h曰m wn sdp sp m 由于模糊控制规则采用r l ? i fe = a ia n d a e = b jt h e n = c l 的形式，当某时刻的双输入量为+ 和a e * 时，由于输入量有两个，而每个输入 量最多可能与两个模糊量有关，故最多可能与2 2 条规则有关。所以控制可能与1 条规则有关，也可能与2 条规则有关。最多与4 条规则有关。 4 1 3 基于偏差收敛的实时自适应规则校正算法 在得到控制系统的初始模糊控制规则后，由于初始规则一般较为粗造，和实际 情况有一定差距。所以在运行时还需要根据被控对象的实际运行状态加以校正， 以加快被控对象过渡过程的收敛速度。在系统的控制过程中，偏差应收敛于零。 为此，本文提出了一种基于偏差收敛的实时自适应规则校正算法。 假设g 为系统期望输出值，y 为系统实际输出值，t 时刻的偏差e ( t ) - - - - g - - y ( t ) ， 抖1 时刻的偏差为p ( 件1 ) = g 一“件1 ) 。 1 基于偏差收敛的规则校正基本原理 由于在控制过程中产生的偏差是由控制结果决定的，并且每次控制产生的偏差 有所不同，为了寻找偏差收敛的一般规律，必须对偏差的变化趋势进行分析。 下面对p ( o 和e ( 件1 ) 的1 1 种状态变化趋势分别进行讨论。 第四章网络节点的智能控制方法研究 ( 1 ) 状态1 状态1 的偏差e 变化情况如图4 ，6 所示。 y o 图4 - 6 状态1 的偏差e 变化趋势 f i g 4 - 6c h a n g e t r e n do fe r r o rei ns t a t u s1 从图中可以看到，p ( 力和p ( 件1 ) 的极性为正，p ( 力( f + 1 ) ；同时缸( 件1 ) = e ( t + 1 ) - - e ( t ) 0 ，系统在t 时刻的控制作用使系统在f + 1 时刻的偏差进一步减小。因此， 状态1 无需进行规则校正。 ( 2 ) 状态2 状态2 的偏差e 变化情况如图4 7 所示。 y o y ( t ) 弋 e ( t + 1 ) e ( t ) t 图4 7 状态2 的偏差e 变化趋势 f i g 4 - 7c h a n g e t r e n do fe r r o rei ns t a t u s1 从图中可以看到，e ( 力的极性为正，e ( t + 1 ) 的极性为零，p ( 咖p ( f + 1 ) ；同时 a e ( t + 1 ) = e ( t + 1 ) - - e ( 0 0 ，系统在t 时刻的控制作用使系统在f + 1 时刻的偏差进一步 减小。因此，状态2 也无需进行规则校正。 广东工业大学工学硕士学位论文 ( 3 ) 状态3 状态3 的偏差口变化情况如图4 8 所示。 y 0 y ( t ) i 广 石( t ) t 图4 8 状态3 的偏差e 变化趋势 f i g 4 - 8c h a n g e t r e n do fe r r o r8i ns t a t u s3 从图中可以看到，p ( f ) 的极性为正，p ( f + 1 ) 的极性为负；同时8 ( 件1 ) = e ( f + 1 ) p ( 0 o ，系统在t 时刻的控制作用使系统在件l 时刻的偏差增大，使系统控制产生 超调。因此，状态3 必须进行规则校正。 ( 4 ) 状态4 状态4 的偏差e 变化情况如图4 - 9 所示。 y 0 - y ( t ) 石烈 一 t 图4 - 9 状态4 的偏差e 变化趋势 f 谵4 9c h a n g e t r e n do fe r r o rei ns t a t u s4 从图中可以看到，p ( 0 的极性为零，p ( f 十1 ) 的极性为负；同时血( 件1 ) ( 件1 ) e ( o o ，系统在f 时刻的控制作用使系统在f + l 时刻的偏差增大，使系统控制产生 超调。因此，状态4 必须进行规则校正。 第四章网络节点的智能控制方法研究 ( 5 ) 状态5 状态5 的偏差e 变化情况如图4 1 0 所示。 y 0 e ( t + 1 )；( ) 。( t ) 弋 一 t 图4 1 0 状态5 的偏差p 变化趋势 f i g 4 - 1 0c h a n g e t r e n do fe i t o rei ns t a t u s5 从图中可以看到，“0 和p ( 什1 ) 的极性均为负，拜1 ) e ( o o ，系统在t 时刻的控制作用使系统在件1 时刻的偏差为零。因此，状态7 不需要进行规则校正。 ( 8 ) 状态8 状态8 的偏差e 变化情况如图4 - 1 3 所示。 y o 图4 1 3 状态8 的偏差e 变化趋势 f i g 4 - 1 3c h a n g e t r e n do f e r r o rei ns t a t u s8 从图中可以看到，p ( 力的极性为负，e c t + 1 ) 的极性为正；同时a e ( t + 1 ) = e ( t + 1 ) - - e ( o 0 ，系统在t 时刻的控制作用使系统在t + l 时刻的偏差增大，使系统处于负超 调状态。因此，状态8 必须进行规则校正。 第四章网络节点的智能控制方法研究 ( 9 ) 状态9 状态9 的偏差p 变化情况如图4 1 4 所示。 y o 图4 1 4 状态9 的偏差e 变化趋势 f i g 4 1 4c h a n g e t r e n do fe r r o rei ns t a t u s9 从图中可以看到，e ( o 的极性为零，e 0 + 1 ) 的极性为正；同时a e ( t + 1 ) = e ( t + 1 ) - - p ( o o ，系统在t 时刻的控制作用使系统在件1 时刻的偏差增大，使系统处于负超 调状态。因此，状态9 必须进行规则校正。 ( 1 0 ) 状态1 0 状态1 0 的偏差e 变化情况如图4 1 5 所示。 y 0 图4 1 5 状态1 0 的偏差8 变化趋势 f i g 4 - 1 5c h a n g e t r e n do f e r r o r ei ns t a r i s1 0 从图中可以看到，e ( o 和e ( 件1 ) 的极性均为正，即“h 1 ) x ( t ) o ；同时 a e ( t + 1 ) = e ( t + 1 ) - - e ( t ) 0 ，系统在f 时刻的控制作用使系统在f + 1 时刻的偏差增大， 使系统处于负超调状态。因此，状态1 0 必须进行规则校正。 广东工业大学工学硕士学位论文 ( 1 1 ) 状态1 1 状态l l 的偏差p 变化情况如图4 1 6 所示。 y o l 。( t ) 吼+ l t 图4 1 6 状态1 1 的偏差e 变化趋势 f i g 4 - 1 6c h a n g e t r e n do f e r r o rei ns t a t u s1 1 从图中可以看到，e ( o 和e ( f + 1 ) 的极性均为零；同时a e ( t + 1 ) - - e ( t + 1 ) e ( o - - - o 系 统在t 时刻的控制作用使系统在f + 1 时刻的偏差为零，使系统的实际输出与给定输 出相等。因此，状态l l 无需进行规则校正。 通过上面的1 1 种状态分析，对e ( o 、p ( 件1 ) 和a e ( t + 1 ) 在不同状态下的规则校 正规律进行总结，我们可以得到表4 - 2 。 表4 - 2 模糊控制规则校正表 t a b l e 4 - 2m o d i f i c a t i o nt a b l eo ff u z z yc o n t r o lm l c 状态e ( oe ( f + 1 )a e ( t + 1 ) 1 0 o 0- - - 0 ( 0 3 o 0 ol 4- - - 0 0 0l 5 o 0 0l 6 0 8 0 0f 9- - 0 o of 1 0 o 0 0f 1 1- - 0 = 0= 0 说明： “一”：表示无需进行规则校正 “f ，表示需要修改规则应增加控制量 “i ”：表示需要修改规则，应减小控制量 3 6 第四章髑络节点的智能控制方法研究 接着对表4 - 2 的数据作进一步分析和仿真实验，我们总结出下面的规律： ( 1 ) 只要当p ( 件1 ) 和a e ( t + 1 ) 同时小于零时：说明此时处于上半周上升沿，就 应校正规则，降低控制量。通过仿真实验，得出正确的校正方法是：只对第1 个 上半周的上升沿进行校正，校正2 次，步数为2 ，用模糊量n h 取代当前激发强度 最大的规则后件的最大模糊控制量。由于可能会出现具有2 、3 或4 个相同的最大 激发强度的规则，此时，应比较其后件的模糊控制量的大小，将其中最大的模糊 控制量校正为最小的模糊控制量n h 。 ( 2 ) 只要当e ( f + 1 ) 和a e ( t + 1 ) 同时大于零时：说明此时处于下半周下降沿，就 应校正规则，加大控制量。通过仿真实验，得出正确的校正方法是：只对第2 个 下半周的下降沿进行校正，校正1 次，用模糊量p m 取代当前激发强度最大的规则 后件的最小模糊控制量。由于可能会出现具有2 、3 或4 个相同的最大激发强度的 规则，此时，应比较其后件的模糊控制量的大小，将其中最小的模糊控制量校正 为较大的模糊控制量p m 。 ( 3 ) 当e ( f + 1 ) 和a e ( t + 1 ) 不属于上述两种情况时，说明系统控制的偏差正在减 小，此时不进行校正规则，但不能再续用已校正过的规则表，必须恢复初始规则。 最后，对上述的规律进行归纳，可得到校正条件，如表4 3 所列。 当f 时刻的控制规则只( 力执行完后，在f + l 时刻会产生e ( h 1 ) 和a e ( t + 1 ) 。此时， 根据该件1 时刻的b ( f + 1 ) 和a e ( t + 1 ) 的值，来决定是否对t 时刻具有最大激发强度， 而且后件模糊控制量最大的规则r ( o 进行校正。 或表述为：当t - 1 时刻的控制规则只1 ) 执行完后，在t 时刻会产生e ( 0 和a e ( t ) 。 此时，根据该t 时刻的e ( 0 和a e ( 0 的值，来决定是否对f - 1 时刻具有最大激发强度， 而且后件模糊控制量最大( 应降低控制量时) 、或最小( 应加大控制量时) 的规则 r ( t 1 ) 进行校正。 表4 3 模糊控制规则的校正条件 t a b l e4 3m o d i f i c a t i o nc o n d i t i o no ff u z z yc o n t r o lr u l e f规律“f )a e ( t ) l 1 0 0f i 3其他情况 说明： “一”：表示无需进行规m 校正 “t ”：表示需要修改规则，应加大控制量 “l ”：表示需要修改规则，应降低控制量 3 7 厂东工业大学工学硕士学位论文 2 最大激发强度的判别 ( 1 ) 激发强度的定义 在模糊控制规则中，当有精确值输入时，控制规则中前件的模糊量分别得到 相应的隶属度，每条规则前件中所有模糊量隶属度进行逻辑与操作的结果( 即取最 小值) ，称为该控制规则的激发强度，记作：0 【。 例如：一条控制规则的格式为 r v i f x = x ia n d ) ，= 巧t h e nz = z k 当输入为妒，矿时，则有规则鱼的激发强度a f ： 0 【f = 墨o + ) 八巧o ，+ ) ( 2 ) 最大激发强度 当有精确值输入时，在多条模糊控制规则中，会产生多个激发强度，其值最大 者，称为最大激发强度，记作：。 对于激发强度，0 c f + 1 ，0 1 + 2 ，0 1 1 + 3 ，则有最大激发强度a 。： a m = = m a x ( a l ，o c “1 0 1 1 + 2 ，+ 3 )或o n 产( 嘶v + l v o v o 3 ) 实际上，具有最大激发强度的规则可能不止1 个，可能会出现2 ，3 或4 具有 相等最大激发强度的规则。 3 校正算法 基于偏差收敛的实时自适应规则校正算法的执行过程如下： 在执行该算法，应先执行常规模糊控制器算法，产生t 时刻的输出控制量u ( t ) 。 然后再执行下列的步骤。 ( 1 )求取具有最大激发强度的规则后件在规则表中的坐标。 ( 2 )求取具有最大激发强度的规则的数量。 ( 3 )然后判断t 时刻产生的p ( 力、a e ( t ) 是否满足校正条件。 ( 4 )若不满足，则恢复初始规则表。 ( 5 ) 若p ( f ) 0 ，则进行规则校正，加大控制量。 执行完后，应t = t + l ，返回去执行常规模糊控制器算法，如此在每个时刻循环 执行。 3 8 第四章网络节点的智能控制方法研究 在第( 5 ) 步中，主要应完成以下操作： 根据第( 2 ) 步，找出具有最大激发强度。且后件模糊控制量最大的规则。 根据第( 3 ) 步和第步，对需要校正的后件控制量用模糊量n h 取代。 但限定对整个上升沿的只执行2 次规则校正，两次校正之间间隔l 步，即 t 时刻校正后，必须等到( t + 2 ) 时刻才能再次执行校正，不能连续进行校 正，否则校正失效。 在第( 6 ) 步中，主要应完成以下操作： 根据第( 2 ) 步，找出具有最大激发强度，且后件模糊控制量最小的规则。 根据第( 3 ) 步和第步，对需要校正的后件控制量用模糊量p m 取代。 但限定对整个下降沿只执行1 次规则校正。若执行2 次以上的规则校正， 是无效。 该校正算法的流图如图4 1 7 所示。 为了得到最优的校正效果，本人对校正的次数、应采用的校正量、校正的步 长、校正的波数、是否需要恢复初始规则等多种情况进行了大量的仿真实验，通 过相互间的对比和改进，从中总结出最优校正方法，如上所述。 各种仿真实验仿真结果所输出的控制波形用图形进行显示，并对采用基于偏 差收敛的实时自适应规则校正算法之前和之后的输出波形进行了比较。 仿真软件采用m a t l a b 6 5 ，仿真波形图请参阅第五章节点智能控制器的仿真， 仿真源程序代码请参阅附录。 广东工业大学工学硕士学位论文 图4 1 7 基于偏差收敛的实时自适应规则校正算法流程 f i g 4 - 1 7 f l o wc h a r to fr e a l - t i m es e l f - a d a p f i v er u l eb a s e do l le l r r o rc o n v e r g e n c e 4 2神经网络控制方法 神经网络具有逼近任意非线性函数能力、自学习能力、并行分布处理能力和 数据融合能力，使它适用于那些难以建立数学模型的复杂非线性时变系统场合a 神经网络控制的研究始于2 0 世纪6 0 年代，到现在已有加多年的历史。但目 前，神经网络控制的发展基本还处于仿真研究阶段，实际应用还相当少，完整的 理论体系尚未建立。 4 2 1 神经网络控制的结构 神经网络控制的形式很多。具有代表性的神经网络控制形式主要有以下几种： 神经网络监视学习控制、神经网络直接逆控制、神经网络内模控制、神经网络反 第四章网络节点的智能控制方法研究 向传播控制、神经网络预测控制和自适应神经网络控制等。下面将对这几种典型 的神经网络控制方案作简要介绍。 2 1 1 1 2 3 】【笛】闭 1 神经网络监视控制 用神经网络模拟人的作用而组成的神经控制器去对被控对象执行控制称为神 经网络监视控制。它利用神经网络在一定条件下可以逼近任意非线性函数的特性， 通过学习训练，将人的经验和知识传递给神经网络控制系统。可用于难以建立被 控对象的数学模型，具有很强的非线性、大滞后、时变性和不确定性的系统。 神经网络监督控制的结构如图4 - 1 8 所示。它包含一个与训练导师( 常规控制 器) 并联运行的神经网络监督控制器n n s c 。 图4 。1 8 神经网络监督控制系统的结构 f i g 4 - 1 8s t r u c t u r eo fs u p e r v i s i n g c o n t r o ls y s t e mo f n e u r a ln e t w o r k n n s c 可采用多层前向b p 网络，由于b p 算法难以满足在线训练的时间要求， 因此在投入运行之前应对n n s c 进行离线训练。n n s c 训练时所采用的输入信号 一般是传感器所检测出的信号，输出数据则是人工控制信号。 2 神经网络直接逆控制 神经网络直接逆控制的设计思路是这样的：若被控对象的模型表示为 f ：y = ，( “) ，则被控对象的逆模型为f 。：u = f 。( ) i ) 。直接用f 。作为神经网络 控制器的模型，然后，通过神经网络来学习对象的逆模型，来实现直接的逆控制。 神经网络直接逆控制系统的结构如图4 1 9 所示。 图4 1 9 神经网络直接逆控制系统的结构 f i g 4 1 9 s t r u c t u r eo fd i r e c tr e v e r s cc o n t r o lo fn e u r a ln e t w o r k 4 1 广东工业大学工学硕士学位论文 由于这种系统缺少反馈环节，鲁棒性严重不足，同时控制效果完全依赖于逆 向模型的真实程度，因此仅适用于一些简单的控制场合，例如机器人手臂的控制， 而在工业控制中难以应用。 3 神经网络内模控制 神经网络内模控制可较好地解决神经网络直接逆控制存在的问题，其控制系 统的结构如图4 2 0 所示。 图4 2 0 神经网络内模控制系统的结构 f i g 2 0 s t r u c t u r eo fi n n e rm o d e lc o n t r o lo fn e u r a ln e t w o r k 其中p 是被控对象的传递算子，d 是系统内部的扰动，d 是输出的测量噪声， m 是被控对象的神经网络数学模型，c 是神经网络控制器，f 是具有惯性环节或积 分环节的线性滤波器。 由于系统存在扰动或模型m 不准确等原因，使y m y 。输出误差f = y - y 。反 馈到参考输入r ，从而构成了闭环控制系统。由于负反馈的作用，使y 接近于r ， 因而具有很好的鲁棒性。同时，滤波器f 可以补偿c 中的纯微分项。并平滑e 的 变化，使控制信号球不会进入饱和区。 4 神经网络反向传播控制 神经网络反向传播控制是利用神经网络实现最优控制的通用方法。反向传播 是一种常用于训练循环网络的依时间反向传播的一种扩展算法。将反向传播用于 控制系统中，可形成间接逆控制系统，其结构如图4 2 1 所示。 第四章两络节点的智能控制方法研究 图4 2 1 神经网络反向传播控制系统的结构 f i g 4 2 1 s t r u c t u r eo f b a c k w a r d p r o p a g a t i o nc o n t r o l o fn e u r a ln e t w o r k 在图中，逆向模型神经网络n 1 在执行误差反向传播时，其最后一层的误差取 自正向模型神经网络n 2 反向传来的误差，因此反向传播算法需要一个良好的模型。 目前对于神经网络反向传播控制的透彻描述还存在一定的困难，不过它是一种具有 多方面应用潜力的方法。 s 神经网络预溪4 控制 预测控制是一种新型的计算机控制方法，它利用内部模型来预测被控对象未 来输出及其与给定值之差，以某种优化指标计算当前应加于被控对象的控制量， 以便使未来的输出尽可能地跟踪给定参考轨迹。控制系统根据预测模型的输出， 采用滚动优化控制策略和偏差反馈校正策略，对被控对象进行控制。由于这种方 法实施滚动优化，对模型时变、干扰和失配等影响能及时补偿，故在复杂工业环 节中更为实际和有效。 对于结构未知，或难以建立精确数学模型的复杂非线性系统，由于神经网络 可以精确地描述非线性动态过程，因此，将神经网络与预测控制相结合，便形成 了神经网络预测控制系统。神经网络预测控制系统的结构如图4 2 2 所示。 图4 - 2 2 神经网络预测控制系统的结构 f i g 4 - 2 2 s t r u c t u r eo ff o r e c a s t i n gc o n t r o lo fn e u r a ln e t w o r k 4 3 至三些銮：三兰翟圭：竺鲨兰 其中，y r ( f ) 表示未来输出的期望值，“( f ) 表示控制器输出的控制量，) ，( r ) 表 示被控对象的实际输出量，神经网络预测器所提供的输出预报值用y 0 + k ) 表示，k 为最小输出预报区间。 神经网络预测控制系统在运行时，首先获取未来期望输出的序列值，接着利 用神经网络预测模型产生预报输出值，以历史误差为基础，修正可能存在的误差。 然后计算预测模型的预报输出值与未来时刻期望值的误差，并用最优化算法获得最 优的控制序列，最后将第一个控制量施加于被控对象。在下一时刻又重复上面的“多 步预报，一步控制”的过程。 6 自适应神经网络控制 自适应神经网络控制技术最常用的控制方案主要有两种：一种是神经网络模 型参考自适应控制n n - m r a c ，另一种是神经网络参数自校正控制n n - p s t c 。 n n m r a c 有两种设计方案：第一种是直接n n m r a c 。它根据对象输出与 期望输出的误差，按某种方法直接调节控制器的参数，以直接达到控制的目的。 第二种是间接n n - m r a c 。它采用基于在线辨识基础上的神经网络控制器，通过 系统辨识获取被控对象的数学模型，在按一定的设计指标设计控制器。第二种方 法采用了两个神经网络，分别用辨识器和控制器，在训练和应用时都非常费时， 因此第一种方法优于第二种方法。 直接n n m a r c 系统的结构如图4 2 3 所示。其中哟为给定输入量，y ( t ) 为系 统实际输出量，k r 和k t 分别为输入反馈增益和状态反馈增益，u ( 0 为神经网络控 制器的输出的控制量，e 为训练标准。 图4 2 3 神经网络直接自适应控制系统的结构 f i g 4 - 2 3 s t r u c t u r eo fd i r e c ts e l f - a d a p t i v en e u r a ln e t w o r kc o n t r o l “ 第四章两络节点的智能控制方法研究 n n p s t c 将神经网络作为自校正调节器，采用了神经网络在一定条件下能够 逼近非线性函数的特性。n n - p s t c 系统的结构如图4 2 4 所示。其中y p ( k ) 为系统的 期望输出量，y ( k ) 为系统的实际输出量，u ( k ) 为控制器输出的控制量。 图4 2 4 神经网络参数自校正控制系统的结构 f i g 4 - 2 4 s t n l c t i l r eo f p a r a m e t e rs e l f - m o d i f i c a t i o nc o n t r o lo fn e u r a ln e t w o r k 4 2 2p i d 神经网络控制 上一节介绍了传统的神经网络控制方法，近两年来，p i d 神经网络作为一种特 殊的神经网络结构被提出来，这种神经网络由比例神经元p 、积分神经元i 和微分 神经元d 组成，可以构成一个完整的神经网络p i d 控制器，对系统实现控制e 本 节介绍p i d 神经网络的结构及其数学模型，以及权系数的学习算法，并且给出其 对系统控制时的系统结构。 1 p i d 神经网络的结构 p i d 神经网络由p 神经元、i 神经元和d 神经元组成。p 神经元具有比例运算 功能，i 神经元具有积分运算功能，d 神经元具有微分运算功划”1 渊。p i d 神经网 络可用于构造p i d 神经网络控制器，来取代传统的p i d 控制器，去控制生产过程 中的控制对象。p i d 神经网络将p i d 控制器的算法和神经网络的学习功能相结合， 形成了具有学习功能的p i d 控胄4 器。为了给输入量和反馈量提供输入通道，p i d 神经网络采用2 3 1 型的三层结构，如图4 - 2 5 所示。【四1 广东工业大学工学硕士学位论文 x h 3 图4 2 5p i d 神经网络的结构 f i g 4 - 2 5 s t r u c t u r eo fp i dn e u r a ln e t w o r k 从图中可以看到，p i d 神经网络是一种前向神经网络。其输入层有两个神经元 x 1 1 和x 位；隐含层有三个神经元x h l 、x m 和x m , 输出层有一个神经元x o 。输入 层包含两个节点，用于将输入信号传送给隐含层的神经元。在隐含层中，神经元 x a l 、x m 和x h 3 分别作为p 神经元、i 神经元和d 神经元。输出层的神经元用于 输出控制信号。 p i d 神经网络的数学模型将在下面进行分层讨论。 ( 1 ) 输入层 为( = r i ( k ) ( 1 ) 其中，r l ( ，f _ 1 ，2 ，是在采样时刻k 时的合成输入信号；x l l ( k ) ，f = 1 ，2 ，是输 入层神经元弱；在采样时刻k 时的输出信号。 ( 2 ) 隐含层 隐含层是p i d 神经网络的关键层，用于执行p i d 运算操作。该层的三个神经 元的功能在下面分别进行讨论。 p 神经元 p 神经元x m 的输入功能和输出功能可用公式( 2 ) 、( 3 ) 进行描述。 2 u t t l ( 足) = ( - o t j x l j ( 七) 一b ，u u l ( k ) 1 1 5 u n k k ) 茎l ，u r n ( k ) 、1 ；s ， 其中c 0 2 ；，f _ 1 ，2 ，是i 神经元x m 与输入层之间的权系数a d 神经元 d 神经元x n 3 的输入功能和输出功能可用公式( 6 ) 、( 7 ) 进行描述。 2 n i l3 ( 忌) = 缈3 ，勤( 七) 叫触- i 黧5 t