一类非线性过程的智能控制方法研究

1、一类非线性过程的智能控制方法研究    一类非线性过程的智能 摘要:以一类典型的非线性过程控制系统双腔加热炉为背景,讨论复杂系统的控制问题.为了实现对复杂系统的稳定控制,必须考虑诸如非线性,大时滞,时变和强耦合的控制问题.设计了一种复合模糊神经网络控制器,利用模糊神经网络对系统进行辨识,利用神经元实现系统解耦,利用基于神经网络的自组织模糊控制器实现了系统的控制,实验证明了控制器对该类非线性过程控制的有效性.关键词:非线性;大时滞;模糊神经网络;系统辨识;解耦中图分类号:TP23 文献标识码:AResearchofIntelligentControlMet

2、hodsforaClassofNonlinearProcessZHUHai2rong,YANGYi,JIANGPing(SchoolofElectricalEngineering,NantongUniversity,Nantong226007,JiangsuProvince,China)Abstract:Thecontrolproblemofcomplexsystemswasdiscussedonbackgroundoftwo2layerresistanceheatingfurnace.Inordertogetstablecontrolforcomplexsystems,itisnecessa

3、rytoconsiderthecontrolproblemswithnonlinear,largescaletimedelay,timevaryingandcoupling.AFNNbasedmultiplexcontrolsystemwasdesignedforthiskindofnonlinearsystem.ThesystemisidentifiedbytheFNNanddecoup 基金项目:南通大学自然科学基金(05Z049),江苏高校科研成果产业化推进项目(JH07-031)作者简介:朱海荣(1979-),男,硕士,讲师,Email:zhu.hr1 引言随着系统设计要求的不断提高和

4、增加以及系统本身的非线性,不确定性,延迟,时变等特征,使得基于精确数学模型的常规控制器难以取得理想的控制效果2,这就给不需要建立精确模型的专家系统,人工神经网络以及模糊控制等智能控制方法的应用提供了广阔的空间,将这些智能控制方法应用于双腔加热炉控制过程具有较强的理论与实践意义.图1 双腔电阻加热炉结构图Fig.1 Thestructureoftwo2layerresistanceheatingfurnace专家控制系统在机器人控制等领域得到了成功的应用,但专家经验知识的获取问题和动态知识的获取问题,以及专家控制系统的稳定性分析都是其研究难点3.模糊控制的最大优势是不依93ELECTRICDRI

5、VE 2008 Vol.38 No.2电气传动 2008年 第38卷 第2期赖被控对象的精确模型,并且能够克服非线性因素的影响,具有鲁棒性4,通常采用二维模糊控制器的结构形式,采用该类模糊控制器的系统可能获得良好的动态特性,但静态特性不能令人满意5.神经网络在分布式处理,学习能力,鲁棒性和泛化能力方面具有明显的优势6,但在理论上还存在许多问题有待进一步的研究,主要是人工神经网络系统稳定性的分析方法,神经网络结构选取及优化方法,学习和控制算法的收敛性和实时性问题等7.因此,将神经网络的思想与方法融合到模糊模型的设计中,能够实现两者的优势互补,性能比单独的神经网络系统或单独的模糊系统要好8.2 系

6、统结构辨识2.1 模糊神经网络辨识方法本文采用的模糊神经网络如图2所示,它是基于TS模型的模糊神经网络模型9的改进结构,该模糊神经网络包括前件网络和后件网络两部分,前件网络包括4层结构:输入层,模糊化层,模糊推理层,模糊决策层;后件网络包括函数层和输出去模糊层.各操作层的功能以及对应的运算如下.1)输入层.其节点数对应特征变量个数,设为P,节点输入为输入变量值,节点输出为对应的输入值.2)模糊化层.节点数对应输入变量语言值(例如NB,NS,PM等)个数,设为M,节点输入是输入变量值,它的输出是各输入变量的模糊化值,其运算为f2i( )=exp-(Zi-cijij)2.3)模糊推理层.它的节点数

7、对应输入变量构成的所有可能的模糊条件数,节点个数为N,节图2 模糊神经网络结构Fig.2 ThestructureofFNN点输入是模糊化层的输出,对应的运算为:f3i( )=out2(i),它的每个节点通过权值wij与模糊决策层的所有节点相连,权值wij用来衡量这个模糊条件数对模糊决策的影响程度.4)模糊决策层.其节点数是系统的工作区域的数目,设为N,节点输入是模糊条件推理值,该层节点个数是通过对系统的分析给出的,同时也可以在自学习过程中进行调整,节点对应的运算是f4i( )=Nk=1wkj×out3(k).5)函数层.用一个双层网络表示,结构如图3所示,节点输入是系统的输入变量,

8、输出为yi,yi由下列模糊规则得到:ifziisAi,zjisAj,thenyisyi,这里i,j=1,N;zi,zj是输入变量;y是函数层输出变量;Ai,Aj是输入模糊子集,yi是输出模糊子集.6)去模糊层.通过模糊决策层的输出和函数层的整合,得到最终的系统输出,对应的运算为y(k)=Ni=1out4(i)yi(k)Ni=1out4(i)图3 函数层结构Fig.3 Thestructureofthefunctionlayer训练目标函数可以被定义为J=1kKt=1y(t)-y(t)Ty(t)-y(t)式中,K是学习样本个数.网络训练有多种训练方法,例如采用BP算法,共扼梯度法,GA算法,实值

9、遗传算法等对参数和结构进行学习,如果训练目标函数达到终止值,则固定网络的最终结构和参数,作为最终的神经网络逼近模型.2.2 系统辨识结果为了获得含有更多信息的数据样本,对双腔炉温输入的信号分别是u1和u2u1=0.25cos(0.002t)+sin(0.0005t-)+2u2=0.25sin(0.002t)+cos(0.0005t-)+2对其进行温度数据的采集,采样周期5s,采集1000个数据.将采集的输入输出数据做归一化04电气传动 2008年 第38卷 第2期朱海荣,等:一类非线性过程的智能控制方法研究处理,对神经网络进行训练,这里采用上面提到的模糊神经网络结构(见图2)对样本数据训练.辨

10、识曲线如图4所示,图4中曲线1,2分别为左腔电阻加热炉炉温辨识曲线和实际炉温曲线,曲线3,4分别为右腔电阻加热炉炉温辨识曲线和实际炉温曲线.从图4中可以看出,模糊神经网络辨识曲线基本上与实际炉温曲线吻合,说明该种结构的模糊神经网络对多输入多输出系统的辨识效果很好,可以较好地代替双腔电阻加热炉的模型.图4 双腔加热炉炉温辨识曲线Fig.4 Identificationcurveoftwo2layerresistanceheatingfurnace3 模糊神经网复合控制系统3.1 神经网络自组织模糊控制器基于神经网络的自组织模糊控制器(FNNSOC:fuzzy2neuralnetworkself2

11、organizedcontroller)系统结构如图5所示10.其控制规则通过一个神经网络执行,而规则修正由BP算法实现.NNSOC中的控制器是由神经网络实现的,网络输出代表了一个真实的控制量,而不是一个模糊子集,因此无需解模糊的过程.在FNNSOC中,可以通过调整网络的权值来修正控制量;采用BP算法进行一定次数的反复计算,就可以修正网络的权值而收到期望效果.FNNSOC的学习过程具有以下优点:1)它既不需要对控制的输出解模糊,也不需要对输入变量模糊化;2)由于网络的前向推算时间是固定的,因此,估算控制行为的时间也将不变.图5 FNNSOC系统结构Fig.5 ThestructureofFNN

12、SOCsystem正是由于FNNSOC有上述优点,下面的复合控制系统中将采用该FNNSOC作为系统的控制器.3.2 复合控制系统本文提出的控制系统对每一对输入输出都采用两个模糊神经网络,中间虚线框内为神经元解耦部分11,系统结构如图6所示.其中r为被控系统的期望输出,也是整个控制系统的输入;u3为模糊神经网络控制器的输出;u为神经元的输出,也即被控系统的输入;y为被控系统的输出.图6中的两个模糊神经网络,一个充当辨识器,一个充当控制器,前者对未知系统进行辨识,同时把受控对象的信息传送给后者,后者发出控制动作调整动态系统,这样就有效地解决了非线性受控对象的未知性和时变性问题.图6 采用模糊神经网

13、络的复合控制系统Fig.6 TheFNNbasedmultiplexcontrolsystem3.3 神经网络解耦神经元解耦部分位于图6虚线框内,由神经元结构可得:y1y2=g11g12g21g22w11w12w21w22u31u32式中:u31,u32为神经元前控制器的输出(图6中u1,u2为神经元的输出,亦即耦合系统的输入);g11,g22为主回路的传递函数;g12,g21为主回路间相互耦合的传递函数;w11,w12,w21,w22为连接神经元的权值.要实现解耦必须使包括神经元在内的广义被控对象的Bristol第一系数矩阵化为对角阵12.对此,把神经元和耦合系统看作广义对象,以公式Ji=1

14、2ri(t)-yi(t)2为目标函数,为使Ji达到最小,可采用梯度下降法:14朱海荣,等:一类非线性过程的智能控制方法研究电气传动 2008年 第38卷 第2期9Ji9wij(t)=-(ri-yi)9yi(t)9wij(t)=-(ri-yi)9yi(t)9ui(t)9ui(t)9wij(t)其中,9yi(t)9ui(t)由图2中的模糊神经网络辨识器FNNI提供.由此可以得出神经元权值修正公式如下:wij(t+1)=wij(t)-9Ji9wij(t)(ij)wij=1 (ij)只要通道中存在误差时,神经元就不断修正权值,直到系统的输出能跟踪期望的给定值,实现系统解耦.4 控制效果采用图6的控制结

15、构,左腔温度设定值为600,右腔温度设定值为400,采样周期5s,温度控制曲线如图7所示.图7中曲线T1是左腔炉温温度,曲线T2是右腔炉温温度,从控制曲线可以看出,左右两个腔的温度基本上跟踪自己的设定值快速且无超调地达到期望值.虽有一定的波动,但在误差接受范围之内,温度偏差不超过设定值的±1%,说明论文提出的复合模糊神经网络的多输入多输出解耦控制系统有很好的解耦效果.图7 温度控制曲线Fig.7 Thecurveoftemperaturecontrol5 结论非线性多变量耦合系统的控制一直是困扰控制界的一大难题,本文分析了模糊控制系统和神经网络的特点,提出将神经网络与模糊控制策略结合

16、起来,设计了复合模糊神经网络的多输入多输出解耦控制系统,利用模糊神经网络对非线性系统进行模型辨识,系统解耦及控制,从实验结果可知该设计方法能对一类非线性系统实现有效控制,同时为其它非线性系统的控制开辟了新的思路.参考文献1 徐英,杨尔辅.时变大纯滞后系统的单神经元预测控制.清华大学学报,2002,42(3):382-3862 李少远.智能控制的新进展J.控制与决策,2000,15(1):1-53 CaiZhixing.TheBasicandApplicationofIntelligentControl.Beijing:DefenseIndustryPress,2002:1-44 ChangYC

17、.RobustTrackingControlforNonlinearMIMOSystemsViaFuzzyApproachesJ.Automatica,2000,36(10):1535-15455 CordónO,GomideF,HerreraF.TenYearsofGeneticFuzzySystems:CurrentFrameworkandNewTrends.FuzzySetsandSystems,2004,141(1):5-316 KimYH,LewisFL,DawsonDM.IntelligentOptimalCon2trolofRoboticManipulatorsUsin

18、gNeuralNetworksJ.Automatica,2000,36(11):1355-13647 KulawskiGJ,BrdysMA.StableAdaptiveControlwithRe2currentNetworksJ.Automatica,2000,36(1):5-228 张凯,钱锋,刘漫丹.模糊神经网络技术综述.信息与控制,2003,32(5):431-4359 张建刚.模糊树模型及其在复杂系统辨识中的应用J.自动化学报,2000,26(3):378-38110ShaoChengtong,HanXiaoli.FuzzyAdaptiveSliding2modeControlforMIMONonlinearSystems.IEEETrans.onFuzzySystems,2003,11(3):353-36011王昕,李少远,岳恒.一类非线性系统的多模型神经网络解耦控制器.控制与决策,2004,19(4):424-42812ChaiTY,WangX,YueH.MultivariableIntelligentDecou2plingControlandItsApplications.Proceedingsof