神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)的研發(fā)*

宋怡霖，陳新楚,2，鄭 松,2

(1.福州大學(xué) 電氣工程與自動(dòng)化學(xué)院，福建 福州 350116；2.福建省工業(yè)控制信息安全技術(shù)企業(yè)重點(diǎn)實(shí)驗(yàn)室，福建 福州 350008)

神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)的研發(fā)*

宋怡霖1，陳新楚1,2，鄭 松1,2

(1.福州大學(xué) 電氣工程與自動(dòng)化學(xué)院，福建 福州 350116；2.福建省工業(yè)控制信息安全技術(shù)企業(yè)重點(diǎn)實(shí)驗(yàn)室，福建 福州 350008)

首先分析了目前先進(jìn)控制技術(shù)工程實(shí)施過(guò)程中的技術(shù)瓶頸，在此基礎(chǔ)上提出了新的先進(jìn)控制技術(shù)建模方法。本文基于工業(yè)自動(dòng)化通用技術(shù)平臺(tái)(IAP)，采用圖形化控制策略組態(tài)技術(shù)開發(fā)了一套神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)，該系統(tǒng)具有基于參考模型跟蹤的控制結(jié)構(gòu)，可快速自適應(yīng)地調(diào)整控制器參數(shù)。仿真實(shí)驗(yàn)結(jié)果表明，神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)的精度高，穩(wěn)定性好，可成為處理復(fù)雜工業(yè)過(guò)程，尤其是解決不確定和非線性領(lǐng)域問(wèn)題的有效工具。

先進(jìn)控制技術(shù)；神經(jīng)網(wǎng)絡(luò)；控制策略組態(tài)

0 引言

目前的工業(yè)過(guò)程控制系統(tǒng)中，生產(chǎn)的核心部分往往具有多變量強(qiáng)耦合、非線性、強(qiáng)干擾、參數(shù)時(shí)變、大時(shí)滯、信息不完全、約束性強(qiáng)等特征。隨著過(guò)程工業(yè)日益走向大型化、連續(xù)化、綜合化，人們對(duì)生產(chǎn)過(guò)程的實(shí)時(shí)性、整體性的要求也越來(lái)越高，所以若想從全局出發(fā)協(xié)調(diào)和處理裝置間復(fù)雜的耦合與制約關(guān)系、求得全局最優(yōu)，最有效的方法是采用先進(jìn)控制技術(shù)，或在常規(guī)控制的基礎(chǔ)上疊加先進(jìn)控制的補(bǔ)償分量。

1 先進(jìn)控制技術(shù)應(yīng)用現(xiàn)狀

自上世紀(jì)70年代起，先進(jìn)控制技術(shù)已有40余年的發(fā)展歷程，目前已取得一定的成果，并在流程工業(yè)上得到了一定程度的應(yīng)用。先進(jìn)控制技術(shù)的內(nèi)涵豐富，具有時(shí)代特征，至今沒(méi)有一個(gè)嚴(yán)格統(tǒng)一的定義。但先進(jìn)控制的任務(wù)是明確的[1]，即用來(lái)控制常規(guī)控制效果差，甚至無(wú)法控制的復(fù)雜工業(yè)過(guò)程。先進(jìn)控制理論的研究主要包括預(yù)測(cè)控制、模糊控制、最優(yōu)控制、解耦控制、推理控制、魯棒控制、神經(jīng)網(wǎng)絡(luò)控制、內(nèi)膜控制及自適應(yīng)控制等，其中神經(jīng)網(wǎng)絡(luò)是目前研究較多的一種技術(shù)。

先進(jìn)控制技術(shù)的理論計(jì)算較復(fù)雜，傳統(tǒng)的實(shí)現(xiàn)方式需要單獨(dú)安裝、配置一個(gè)軟件包或計(jì)算站，但其執(zhí)行過(guò)程始終是個(gè)“黑箱”，模塊或軟件內(nèi)部計(jì)算過(guò)程無(wú)法觀察，變量數(shù)據(jù)無(wú)法監(jiān)測(cè)，給系統(tǒng)調(diào)試和后期維護(hù)都造成了一定的困難。加之，先進(jìn)控制技術(shù)的形態(tài)特征與傳統(tǒng)控制的組態(tài)又有很大的不同，兩者在設(shè)計(jì)、開發(fā)、調(diào)試、運(yùn)行和維護(hù)等方面都存在著較大甚至根本性的差異，使得企業(yè)在導(dǎo)入先進(jìn)控制技術(shù)過(guò)程中需要投入大量的資金，運(yùn)行維護(hù)成本也非常高，這是目前生產(chǎn)企業(yè)先進(jìn)控制系統(tǒng)投入率偏低的主要原因。

為解決以上問(wèn)題，本文采用新的軟件工程方法開展研究，研發(fā)了一種神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)，可以有效地降低神經(jīng)網(wǎng)絡(luò)技術(shù)的導(dǎo)入成本和風(fēng)險(xiǎn)，縮小先進(jìn)控制與傳統(tǒng)控制的差別，實(shí)現(xiàn)先進(jìn)控制與傳統(tǒng)控制同構(gòu)組態(tài)，為現(xiàn)代控制理論的工程應(yīng)用創(chuàng)造更好的技術(shù)環(huán)境。

2 對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是模擬人類大腦中神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與行為的一種模型，具有高度的并行分布式處理、自適應(yīng)能力及很強(qiáng)的動(dòng)態(tài)特性，為解決非線性與不確定領(lǐng)域的問(wèn)題提供了一條新的途徑。神經(jīng)網(wǎng)絡(luò)按照連接方式的不同分為前饋神經(jīng)網(wǎng)絡(luò)與遞歸神經(jīng)網(wǎng)絡(luò)兩種，不同之處在于遞歸神經(jīng)網(wǎng)絡(luò)是動(dòng)態(tài)網(wǎng)絡(luò)。系統(tǒng)辨識(shí)時(shí)，若采用前饋神經(jīng)網(wǎng)絡(luò)，則存在一些不足：首先必須假定系統(tǒng)的模型類別和階次；其次隨著系統(tǒng)階次增加，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)迅速膨脹，學(xué)習(xí)收斂速度下降。而遞歸神經(jīng)網(wǎng)絡(luò)利用網(wǎng)絡(luò)內(nèi)部的狀態(tài)反饋描述系統(tǒng)的非線性動(dòng)力學(xué)特性，可以彌補(bǔ)以上缺陷[2]。

大多數(shù)情況下，最好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是只在一個(gè)很小的單元組中使用反饋。因?yàn)榫W(wǎng)絡(luò)的權(quán)值(參數(shù))個(gè)數(shù)越少，對(duì)模型的隨機(jī)性影響越小；網(wǎng)絡(luò)結(jié)構(gòu)越簡(jiǎn)單，算法的收斂速度越快。所以，簡(jiǎn)化遞歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、縮短訓(xùn)練時(shí)間后就形成了一種新型神經(jīng)網(wǎng)絡(luò)范式——對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)(Diagonal Recurrent Neural Network，DRNN)。

對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)有3層，分別為輸入層、隱含層與輸出層，其結(jié)構(gòu)如圖1所示。隱含層由一組僅接收自己內(nèi)反饋，與其神經(jīng)元無(wú)關(guān)的遞歸神經(jīng)元組成。簡(jiǎn)化了網(wǎng)絡(luò)結(jié)構(gòu)，減少了需要調(diào)整的參數(shù)，加快了收斂速度。

圖1 對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)方程為[3]：

(1)

其中f(·)為隱含層遞歸神經(jīng)元的激勵(lì)函數(shù)：

(2)

(3)

3 對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)

神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)的系統(tǒng)結(jié)構(gòu)如圖2所示，其中控制器與辨識(shí)器均由對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)組成，分別稱為DRNC與DRNI。由辨識(shí)器DRNI網(wǎng)絡(luò)的輸出ym(k)辨識(shí)未知的被控設(shè)備的實(shí)際輸出y(k)，并提供設(shè)備的Jacobian信息給控制器DRNC。由DRNC的輸出u(k)驅(qū)動(dòng)未知的動(dòng)態(tài)系統(tǒng)，使設(shè)備的輸出y(k)無(wú)限逼近期望輸出yr(k)。

圖2 基于對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)結(jié)構(gòu)

3.1 辨識(shí)器DRNI 的學(xué)習(xí)算法

由控制器DRNC產(chǎn)生的當(dāng)前控制信號(hào)u(k)和前一時(shí)刻設(shè)備的輸出y(k-1)作為辨識(shí)器DRNI網(wǎng)絡(luò)的輸入。將DRNI網(wǎng)絡(luò)的輸出ym(k)和y(k)之間的辨識(shí)誤差帶入權(quán)值更新公式，調(diào)節(jié)DRNI網(wǎng)絡(luò)的權(quán)值。

定義DRNI網(wǎng)絡(luò)的性能指標(biāo)函數(shù)為：

(4)

本文中，DRNI與DRNC網(wǎng)絡(luò)均采用動(dòng)態(tài)反向傳播(DBP)算法進(jìn)行訓(xùn)練，DRNI網(wǎng)絡(luò)中權(quán)值的更新公式為：

(5)

3.2 控制器DRNC的學(xué)習(xí)算法

控制器DRNC網(wǎng)絡(luò)的輸入分別為參考輸入r(k)、前一時(shí)刻設(shè)備的輸出y(k-1)和前一時(shí)刻的控制信號(hào)u(k-1)，輸出是設(shè)備的控制信號(hào)u(k)。經(jīng)過(guò)幾個(gè)訓(xùn)練周期調(diào)節(jié)DRNC網(wǎng)絡(luò)的權(quán)值后，可以使設(shè)備的實(shí)際輸出y(k)與期望輸出yr(k)之間的誤差達(dá)到一個(gè)很小的值。但訓(xùn)練DRNC網(wǎng)絡(luò)時(shí)需要被控設(shè)備的Jacobian信息，而該信息通常是未知的，所以需要DRNI為DRNC估計(jì)被控設(shè)備的敏感度函數(shù)yu(k)(Jacobian信息)。

定義DRNC網(wǎng)絡(luò)的性能指標(biāo)函數(shù)為：

(6)

DRNC網(wǎng)絡(luò)中權(quán)值的更新公式為：

(7)其中ηC是DRNC網(wǎng)絡(luò)的學(xué)習(xí)率。因子yu(k)≡?y(k)/?u(k)代表被控設(shè)備的敏感度，一般很難通過(guò)直接計(jì)算獲得，但若DRNI網(wǎng)絡(luò)已得到較好的訓(xùn)練，可近似認(rèn)為：

(8)

所以，通過(guò)輪流訓(xùn)練DRNI和DRNC網(wǎng)絡(luò)，可以調(diào)節(jié)得到更有效的DRNC網(wǎng)絡(luò)權(quán)值，這即是基于對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)的基本原理[4]。

4 神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)組態(tài)

4.1 工業(yè)自動(dòng)化通用技術(shù)平臺(tái)(IAP)

工業(yè)自動(dòng)化通用技術(shù)平臺(tái)(Industry Automation Platform，IAP)是由福建中海創(chuàng)集團(tuán)研發(fā)的一種基于圖形化、模塊化控制邏輯組態(tài)技術(shù)的分布式控制系統(tǒng)。IAP平臺(tái)的仿真軟件工具主要由系統(tǒng)結(jié)構(gòu)組態(tài)軟件IAPplant、模塊化控制策略組態(tài)軟件IAPlogic和動(dòng)態(tài)仿真軟件IAPsimu等部分構(gòu)成。

IAPplant軟件采用面向設(shè)備的多維立體方式構(gòu)建現(xiàn)代化工廠的工藝設(shè)備和控制設(shè)備，將其他系統(tǒng)軟件無(wú)縫地連接在一起，提供相互之間的系統(tǒng)信息交互通道，實(shí)現(xiàn)控制系統(tǒng)構(gòu)架一體化的數(shù)據(jù)管理環(huán)境。IAPlogic軟件摒棄了傳統(tǒng)的梯形圖編程模式，采用圖形化的組態(tài)方式，實(shí)現(xiàn)了控制策略的組態(tài)分析、無(wú)擾動(dòng)在線重構(gòu)、實(shí)時(shí)監(jiān)控、邏輯執(zhí)行趨勢(shì)監(jiān)控、在線修改參數(shù)、提供了一個(gè)面向不同品牌控制器的跨平臺(tái)控制策略組態(tài)開發(fā)和管理工具。IAPsimu軟件可以在沒(méi)有硬件的情況下，基于PC機(jī)模擬實(shí)際的控制站運(yùn)行。IAPsimu軟件接收源自IAPlogic軟件的控制策略組態(tài)，經(jīng)過(guò)運(yùn)算后，產(chǎn)生相應(yīng)的輸出結(jié)果，反饋給IAPlogic軟件，實(shí)現(xiàn)對(duì)控制策略的計(jì)算、調(diào)試與模擬運(yùn)行。

4.2 系統(tǒng)控制結(jié)構(gòu)組態(tài)

本文的神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)是基于IAP平臺(tái)研發(fā)的，首先在系統(tǒng)結(jié)構(gòu)組態(tài)軟件IAPplant中建立對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)工程管理架構(gòu)和IO體系，根據(jù)神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)中各個(gè)變量定義IAPplant軟件中IO點(diǎn)的具體信息，如IO點(diǎn)序的分布、IO類型、IO數(shù)量、標(biāo)簽名、注釋等。圖3所示是神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)結(jié)構(gòu)設(shè)計(jì)圖。

圖3 神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)結(jié)構(gòu)圖

4.3 系統(tǒng)控制策略組態(tài)

根據(jù)神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)的算法機(jī)理，在IAPlogic軟件中對(duì)完整的系統(tǒng)進(jìn)行控制策略組態(tài)。假設(shè)一個(gè)有代表性的非線性被控對(duì)象[5]，該設(shè)備可用差分方程描述為：

(9)

參考模型的差分方程為：

yr(k+1)=0.6yr(k)+r(k)

(10)

參考輸入r(k)=sin(2πk/25)+sin(2πk/10)+2。系統(tǒng)的控制目標(biāo)是確定設(shè)備輸入yr(k)使lim|y(k)-yr(k)|<ε，其中ε是一個(gè)非常小的常數(shù)。

本文僅以參考模型與被控設(shè)備的組態(tài)設(shè)計(jì)為例，說(shuō)明IAPlogic軟件組態(tài)設(shè)計(jì)原理與過(guò)程。根據(jù)參考模型與被控設(shè)備的差分方程，在IAPlogic軟件中采用基礎(chǔ)元件和連接線實(shí)現(xiàn)控制邏輯組態(tài)，如圖4所示。

圖4 參考模型與被控設(shè)備控制策略組態(tài)

神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)的控制策略組態(tài)設(shè)計(jì)完成后，進(jìn)行控制策略的分析、鏈接、邏輯傳送，確認(rèn)無(wú)誤后，即可開始仿真實(shí)驗(yàn)。表1列出了圖4所需用到的IAP基礎(chǔ)元件列表。

表1 控制策略組態(tài)元件

5 仿真實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)中，設(shè)置學(xué)習(xí)率ηc=0.03，ηI=0.02，IAPsimu虛擬控制站的計(jì)算周期T1=100 ms，上位機(jī)中數(shù)據(jù)監(jiān)控周期T=500 ms。仿真實(shí)驗(yàn)結(jié)果分別如圖5～7所示。

圖5 系統(tǒng)初始運(yùn)行結(jié)果

圖6 系統(tǒng)收斂后結(jié)果

圖7 擾動(dòng)實(shí)驗(yàn)結(jié)果

圖5所示是神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)開始運(yùn)行(計(jì)算)10 min內(nèi)的仿真結(jié)果。圖中三條曲線分別表示參考輸出yr(k)、設(shè)備的實(shí)際輸出y(k)與控制誤差ec(k)=yr(k)-y(k)?？梢钥闯?，在初始計(jì)算的10 min之內(nèi)，設(shè)備實(shí)際輸出y(k)在上升和下降階段擬合參考輸出yr(k)的情況較好，但在參考輸出yr(k)的波峰及波谷處仍有較大誤差，控制誤差ec(k)最大值為0.7。

圖6是控制系統(tǒng)收斂后的結(jié)果，從圖中可看出，在參考輸出yr(k)的波峰及波谷處誤差明顯減小，此時(shí)控制誤差ec(k)的最大值已從初始運(yùn)算時(shí)的0.7下降到0.3。

在神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)穩(wěn)定的情況下，加入賦值為1、持續(xù)時(shí)間為5 s的擾動(dòng)信號(hào)，系統(tǒng)的調(diào)整曲線如圖7所示。圖中可以看出，雖然控制系統(tǒng)受到較大干擾，但系統(tǒng)有較好的自調(diào)節(jié)、自適應(yīng)能力，能迅速恢復(fù)到穩(wěn)定狀態(tài)。

6 結(jié)論

本文采用圖形化、常規(guī)控制的控制策略組態(tài)元件來(lái)構(gòu)建神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)，組態(tài)方法簡(jiǎn)單、便捷，成功地將對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)的先進(jìn)控制算法與常規(guī)控制算法的圖形化組態(tài)集成在同一個(gè)計(jì)算環(huán)境中。系統(tǒng)運(yùn)行時(shí)，元件計(jì)算過(guò)程可觀測(cè)、可操控，還能夠以動(dòng)態(tài)趨勢(shì)圖形顯示的形式將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)特性展示出來(lái)，有效地降低了神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的復(fù)雜性，極大地縮短了控制系統(tǒng)開發(fā)和部署的時(shí)間。系統(tǒng)計(jì)算過(guò)程透明、可觀測(cè)，系統(tǒng)中所有權(quán)值、變量數(shù)據(jù)可自動(dòng)記錄在計(jì)算機(jī)中，供技術(shù)人員分析對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制品質(zhì)使用，方便了智能控制算法在工業(yè)控制系統(tǒng)中的實(shí)施。

[1] KU C C, LEE K Y. Diagonal recurrent neural networks for dynamic systems control[J]. IEEE Transaction on Neural Networks,1995, 6(1):144-156.

[2] 戴晟. 基于DE算法的DRNN網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)研究[D]. 成都：西南交通大學(xué)，2011.

[3] 姚慶文，何成平. 基于自適應(yīng)PID的切帶機(jī)控制系統(tǒng)設(shè)計(jì)[J]. 煤炭技術(shù)，2011，30(11)：45-47.

[4] 陳大明. 基于對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)永磁同步電機(jī)無(wú)傳感器控制研究[D]. 沈陽(yáng)：沈陽(yáng)工業(yè)大學(xué)，2007.

[5] 陳沖，胡國(guó)文，劉星橋，等. 基于DRNN的三電機(jī)變頻調(diào)速系統(tǒng)參數(shù)PID控制研究[J]. 鹽城工學(xué)院學(xué)報(bào)(自然科學(xué)版)，2010，23(3)：39-43.

Research and development of neural network intelligent control system

Song Yilin1，Chen Xinchu1,2，Zheng Song1,2

(1. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350116,China;2. Fujian Provincial Enterprise Key Laboratory of Industrial Control Information Security Technology, Fuzhou 350008,China)

This paper firstly analyzes the technical bottlenecks in the process of implementing the advanced control technology. Then a new modeling method of advanced control technology is provided. On the basis of IAP, a set of neural network intelligent control system is developed by using graphical control strategy configuration technology. This set of system has a control structure based on the reference model and can adaptively adjust the controller parameters with fast speed. Simulation experiment results show that the neural network intelligent control system has high control accuracy and good stability, which can be an effective tool to deal with complex industrial process, especially to solve the problems in the field of uncertainty and nonlinearity.

advanced control technology; neural network; control strategy configuration

福建省科技廳高校產(chǎn)學(xué)合作科技重大項(xiàng)目(2013H6009)

TP183

A

1674-7720(2016)01-0005-04

宋怡霖，陳新楚，鄭松．神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)的研發(fā)[J] .微型機(jī)與應(yīng)用，2016，35(1)：5-8.

2015-09-13)

宋怡霖(1989-)，女，在讀碩士研究生，主要研究方向：先進(jìn)控制、智能控制。

陳新楚(1964-)，男，副研究員，主要研究方向：工業(yè)控制系統(tǒng)、智能控制。

鄭松(1962-)，男，博士，研究員，高級(jí)工程師，主要研究方向：工業(yè)控制系統(tǒng)、先進(jìn)控制算法、仿真與建模。