具有長時延網(wǎng)絡(luò)系統(tǒng)內(nèi)?？刂撇呗匝芯浚?/h1>
2022-02-22 02:51:52雷何芬時維國
自動化技術(shù)與應(yīng)用 2022年1期
雷何芬,時維國
(大連交通大學(xué)，電氣信息工程學(xué)院，遼寧大連116028)
1 引言
網(wǎng)絡(luò)控制系統(tǒng)(networked Control System，NCS)是以通信網(wǎng)絡(luò)作為傳輸介質(zhì)，實現(xiàn)傳感器、控制器和執(zhí)行器等系統(tǒng)部件之間的信息交換。NCS 因其效率高、靈活性強(qiáng)且成本低等優(yōu)點得到廣泛的應(yīng)用。但是NCS中由于網(wǎng)絡(luò)的引入出現(xiàn)了傳統(tǒng)控制系統(tǒng)中未曾出現(xiàn)的一些問題，如網(wǎng)絡(luò)誘導(dǎo)時延、單包傳輸與多包傳輸、數(shù)據(jù)包丟失、網(wǎng)絡(luò)調(diào)度等。這些問題的存在對NCS的性能分析和設(shè)計有很大的影響。因此，近年來NCS 成為國內(nèi)外控制界研究的熱點問題之一[1-3]。
在NCS中網(wǎng)絡(luò)信息傳輸時延是由于通信網(wǎng)絡(luò)的網(wǎng)絡(luò)協(xié)議、網(wǎng)絡(luò)帶寬、數(shù)據(jù)包處理方式等而引起的。而NCS中網(wǎng)絡(luò)時延將會影響控制系統(tǒng)的性能，甚至造成整個控制的不穩(wěn)定。NCS中由于采用的設(shè)配不同以及網(wǎng)絡(luò)協(xié)議的差異，網(wǎng)絡(luò)時延分為隨機(jī)的、有界的以及確定的。網(wǎng)絡(luò)時延中隨機(jī)時延相較于確定時延和有界時延更難處理[4-6]。文獻(xiàn)[7]針對NCS 中的隨機(jī)時變時延，采用Markov 鏈對控制系統(tǒng)中前向通道和反饋通道時延建模，以及在閉環(huán)回路中加入狀態(tài)觀測器方法，來提高NCS 的穩(wěn)定。文獻(xiàn)[8-10]針對NCS 中的隨機(jī)長時延問題，采用廣義預(yù)測控制的方案對時延進(jìn)行補(bǔ)償。文獻(xiàn)[11]通過在控制器和執(zhí)行器接受端設(shè)置緩沖區(qū)將NCS中隨機(jī)時延轉(zhuǎn)變?yōu)榇_定時延方法，并利用內(nèi)?？刂?Internal Model Control，IMC)策略對時延進(jìn)行補(bǔ)償。目前針對NCS 中長時延研究，學(xué)者們采用的主要方案是通過數(shù)學(xué)建?；蚩刂撇呗詠斫鉀Q。
本文針對NCS中隨機(jī)時延，采用IMC控制策略。針對隨機(jī)時延中的長時延問題，在內(nèi)?？刂频木W(wǎng)絡(luò)控制系統(tǒng)(networked Control System for Internal Model Control，IMC-NCS)加入AR-BP時延預(yù)測環(huán)節(jié)；針對IMCNCS 中被控對象模型不匹配而影響系統(tǒng)控制性能，運用模糊控制規(guī)則實時調(diào)節(jié)濾波器參數(shù)。
2 內(nèi)?？刂频木W(wǎng)絡(luò)控制系統(tǒng)
IMC 的控制策略是通過數(shù)學(xué)模型對控制器進(jìn)行設(shè)計，其算法簡單易工程實現(xiàn)[12]。當(dāng)被控對象受到外界干擾導(dǎo)致參數(shù)改變時，IMC-NCS 控制性能指標(biāo)不會隨之突變，具有較強(qiáng)的魯棒性。本文針對NCS 中出現(xiàn)的隨機(jī)時延進(jìn)行研究，從控制策略的角度出發(fā)，將IMC加入到NCS中對時延進(jìn)行補(bǔ)償。
IMC-NCS結(jié)構(gòu)圖如圖1所示，圖中CIMC(s)為內(nèi)?？刂破?，GP(s)是被控對象的傳遞函數(shù)，sc為信號在反饋通道中傳輸?shù)木W(wǎng)絡(luò)時延，ca為信號在前向通道中傳輸?shù)木W(wǎng)絡(luò)時延。Gm(s)是被控對象的內(nèi)部模型，y(s)是系統(tǒng)輸出，ym(s)是內(nèi)模模型輸出，r(s)是系統(tǒng)的輸入信號。根據(jù)NCS時延的疊加性[13]，可將NCS 中反饋通道的時延疊加到系統(tǒng)的前向通道中，即 =sc+ca，為網(wǎng)絡(luò)控制系統(tǒng)時延的大小，得IMC-NCS的等效結(jié)構(gòu)如圖2所示。
圖1 IMC-NCS結(jié)構(gòu)圖
圖2 IMC-NCS等效結(jié)構(gòu)圖
由圖2可知IMC-NCS閉環(huán)傳遞函數(shù)為：
由IMC 原理可知，當(dāng)Gm(s)=Gp(s)，內(nèi)?？刂破魅。篊IMC(s)=(s)f(s)，Gm-(s)為被控對象內(nèi)部模型Gm(s)的最小相位部分；f(s)為濾波器，f(s)=，λ為濾波器的時間常數(shù)，n為濾波器的階次，時延部分用一階Pade進(jìn)行線性化處理，即。將參數(shù)帶入式(1)得：
由Lyapunov 穩(wěn)定性判定方法二對式(2)進(jìn)行穩(wěn)定性分析，可求得系統(tǒng)保持穩(wěn)定的最大時延閾值max，且max大小與濾波器的時間常數(shù)系數(shù)λ有關(guān)。
3 時延預(yù)測的IMC-NCS
針對IMC-NCS穩(wěn)定性受系統(tǒng)最大時延閾值的限制，為了保證IMC-NCS 中時延出現(xiàn)長時延時，系統(tǒng)能保持穩(wěn)定和較好的動、靜態(tài)性能，在內(nèi)模通道中引入一個時延預(yù)測環(huán)節(jié)，為預(yù)測時延值[14]。
時延預(yù)測的IMC-NCS結(jié)構(gòu)圖：
由圖3可知系統(tǒng)的閉環(huán)傳遞函數(shù)為：
圖3 時延預(yù)測的IMC-NCS
由(4)式可知系統(tǒng)僅經(jīng)過 延遲即能產(chǎn)生輸出，系統(tǒng)的性能僅與濾波器時間常數(shù)λ有關(guān)，系統(tǒng)保持穩(wěn)定的條件為λ＞0，即只要保證濾波器參數(shù)λ大于零，系統(tǒng)就是穩(wěn)定的，與時延 大小無關(guān)。在IMC-NCS中加入時延預(yù)測環(huán)節(jié)可以減小NCS長時延對系統(tǒng)穩(wěn)定性的影響。
3.1 AR-BP神經(jīng)網(wǎng)絡(luò)的時延預(yù)測模型
NCS 受外界因素及內(nèi)部環(huán)境作用，其隨機(jī)時延序列同時含有線性和非線性趨勢。針對隨機(jī)時延中的線性趨勢，采用對線性趨勢較敏感的AR模型進(jìn)行預(yù)測。針對隨機(jī)時延中的非線性趨勢，采用對非線性關(guān)系具有很強(qiáng)的映射能力的BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測。首先對采集的隨機(jī)時延樣本序列{Xt}建立AR預(yù)測模型，模型中的階數(shù)采用最終預(yù)報誤差準(zhǔn)則確定，模型中的自回歸系數(shù)通過最小二乘估計確定，AR預(yù)測模型的表達(dá)式為：
將AR 預(yù)測模型得到的時間序列記為{Xt}A，將樣本時間序列{Xt}減去AR 預(yù)測得到的時間序列{Xt}A即為樣本時間序列中的殘差時間序列{Xt}e：
殘差時間序列{Xt}e中隱藏了樣本時間序列{Xt}中非線性變化趨勢。利用BP 神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性處理能力，對殘差時間序列{Xt}e進(jìn)行預(yù)測，BP神經(jīng)網(wǎng)絡(luò)取2-10-1的網(wǎng)絡(luò)結(jié)構(gòu)，隱含層和輸出層的神經(jīng)元函數(shù)選為“l(fā)ogsig”，BP神經(jīng)網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)設(shè)為1000，誤差精度為0．01，學(xué)習(xí)速率為0．5。預(yù)測的結(jié)果記為{Xt}B。
將AR 模型預(yù)測結(jié)果{Xt}A加上BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果{Xt}B即為對樣本時間序列{Xt}的預(yù)測值。AR-BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果如圖4所示。
圖4 AR-BP時延預(yù)測
4 濾波器參數(shù)模糊設(shè)計
在IMC-NCS中被控制對象的數(shù)學(xué)模型是通過物理理論辨識獲取的，而在工業(yè)中被控對象的數(shù)據(jù)是隨環(huán)境變換而變化的。當(dāng)被控對象與被控對象模型出現(xiàn)不同時，繼續(xù)使用不變的濾波器參數(shù)，IMC-NCS的控制效果將會與理論輸出產(chǎn)生偏差?？紤]工業(yè)環(huán)境的不確定性，降低IMC-NCS理論輸出與實際輸出的偏差。本文采用模糊控制理論將濾波器參數(shù)隨工業(yè)環(huán)境變化而變化的方案。圖5為模糊控制IMC-NCS結(jié)構(gòu)圖。
圖5 模糊控制IMC-NCS結(jié)構(gòu)圖
濾波器中參數(shù)λ的整定是根據(jù)被控對象的輸出y(s)與被控對象模型輸出ym(s)的偏差E和偏差變化率EC進(jìn)行在線調(diào)整的。輸入的模糊子集E={NB，NM，NS，Z，PS，PM，PB}，EC={NB，NM，NS，Z，PS，PM，PB}，E論域選為{-3，3}，EC的論域選為{-0．5，0．5}，選取三角形、Z型、S型隸屬度函數(shù)相結(jié)合的形式作為輸入變量的隸屬度函數(shù)；輸出的模糊子集為λ={B，BM，M，MS，S，Z}，λ的初始值λ0和論域根據(jù)實際的被控對象和模型匹配程度對系統(tǒng)的進(jìn)行大量仿真確定，且要保證λ值不為負(fù)。
參數(shù)λ的確定其依據(jù)是：當(dāng)y(s)與ym(s)的偏差E和偏差的變化率EC乘積大于零時，則系統(tǒng)輸出偏差有上漲的趨勢，需增大λ保持系統(tǒng)的跟蹤特性；當(dāng)偏差E和偏差的變化率EC乘積小于零時，則系統(tǒng)輸出偏差有減低的趨勢，需降低λ保持系統(tǒng)有較快的響應(yīng)速度。
表1 模糊控制規(guī)則表
λ0數(shù)值的確定是依據(jù)系統(tǒng)模型的匹配程度根據(jù)經(jīng)驗選取，再利用模糊控制規(guī)則在線實時修正濾波器參數(shù)λ的值[15]，其修正公式如下：
λ=λ0+λ{(lán)E，EC}
式中：λ{(lán)E，EC}為經(jīng)過模糊控制推理計算后對濾波器參數(shù)λ的在線調(diào)整。
5 仿真分析
5.1 加時延預(yù)測的IMC-NCS
在TrueTime2．0仿真軟件中建立IMC-NCS的仿真模型，選取CSMA/CD(Ethernet)以太網(wǎng)為網(wǎng)絡(luò)環(huán)境，傳感器采用時間驅(qū)動，控制器和執(zhí)行器采用事件驅(qū)動，采樣周期為T=50ms，網(wǎng)絡(luò)傳輸速率為80000bits/s，參考信號為幅值從-1到+1變化的方波信號，仿真時間為10s。
被控對象的傳遞函數(shù)?。篏P(s)=
系統(tǒng)中濾波器取：f(s)=，時間常數(shù)λ=0．05。
未加時延預(yù)測環(huán)節(jié)的IMC-NCS的保持系統(tǒng)穩(wěn)定的最大時延閾值max=100ms。
對未加時延預(yù)測環(huán)節(jié)的IMC-NCS和加入時延預(yù)測環(huán)節(jié)的IMC-NCS進(jìn)行仿真，其輸出響應(yīng)如圖7所示。
未加時延預(yù)測環(huán)節(jié)的IMC-NCS，由圖6和圖7知，系統(tǒng)的性能受時延值大小的影響，系統(tǒng)只能在一定的時延范圍內(nèi)才能對參考信號進(jìn)行跟蹤，當(dāng)時延值大于系統(tǒng)的時延閾值時系統(tǒng)會變得不穩(wěn)定。
對加入時延預(yù)測環(huán)節(jié)的IMC-NCS，由圖6和圖7知，系統(tǒng)僅經(jīng)過 延遲即能產(chǎn)生輸出，系統(tǒng)對參考信號的跟蹤特性不受網(wǎng)絡(luò)控制系統(tǒng)隨機(jī)時延大小的影響。當(dāng)時延值=375ms＞7T時，系統(tǒng)仍具有很好的輸出特性。
圖6 IMC-NCS的傳輸時延
圖7 有無時延預(yù)測環(huán)節(jié)IMC-NCS輸出響應(yīng)
5.2 模糊控制的濾波器參數(shù)整定
取被控對象為一個二階傳遞函數(shù)系統(tǒng)，其傳遞函數(shù)為：
當(dāng)模型不匹配時，被控對象的內(nèi)部模型為：
由圖8和表2可知，當(dāng)被控對象與被控對象模型不匹配時，通過模糊控制規(guī)則在線實時地調(diào)整濾波器參數(shù)λ，有效的改善了內(nèi)模網(wǎng)絡(luò)系統(tǒng)的動、靜態(tài)性能，提高了系統(tǒng)的控制精度。
表2 有無模糊控制的IMC-NCS輸出IAE值
6 結(jié)束語
本文針對NCS中隨機(jī)時延對系統(tǒng)的影響，采用IMC加入到NCS中的控制策略。針對IMC-NCS對隨機(jī)長時延處理不佳的狀態(tài)，在系統(tǒng)中加入AR-BP 時延預(yù)測環(huán)節(jié)；針對IMC-NCS 中被控對象模型不匹配而影響系統(tǒng)控制性能，運用模糊控制規(guī)則實時調(diào)節(jié)濾波器參數(shù)。仿真結(jié)果表明，加入時延預(yù)測環(huán)節(jié)IMC-NCS 的能夠很好地對長時延進(jìn)行補(bǔ)償，且系統(tǒng)的穩(wěn)定性不受時延大小的影響；當(dāng)模型不匹配時，采用模糊控制規(guī)則在線調(diào)整濾波器參數(shù)的方法，改善了系統(tǒng)的動、靜態(tài)性能，提高了系統(tǒng)的控制精度。
猜你喜歡
基于GCC-nearest時延估計的室內(nèi)聲源定位電子制作(2019年23期)2019-02-23 13:21:12 大慣量系統(tǒng)位置控制策略研究機(jī)電工程技術(shù)(2018年10期)2018-12-06 02:26:38 基于改進(jìn)二次相關(guān)算法的TDOA時延估計測控技術(shù)(2018年6期)2018-11-25 09:50:10 FRFT在水聲信道時延頻移聯(lián)合估計中的應(yīng)用系統(tǒng)工程與電子技術(shù)(2016年7期)2016-08-21 13:59:18 T-S模糊控制綜述與展望西南交通大學(xué)學(xué)報(2016年3期)2016-06-15 20:29:35 基于模糊控制的PLC在溫度控制中的應(yīng)用電子制作(2016年21期)2016-05-17 03:53:01 基于分段CEEMD降噪的時延估計研究電測與儀表(2016年17期)2016-04-11 12:38:28 基于模糊控制的恒壓供水系統(tǒng)的研究通信電源技術(shù)(2016年5期)2016-03-22 01:09:57 用于光伏MPPT中的模糊控制占空比擾動法電源技術(shù)(2015年11期)2015-08-22 08:50:38
雷何芬,時維國
(大連交通大學(xué)，電氣信息工程學(xué)院，遼寧大連116028)
1 引言
網(wǎng)絡(luò)控制系統(tǒng)(networked Control System，NCS)是以通信網(wǎng)絡(luò)作為傳輸介質(zhì)，實現(xiàn)傳感器、控制器和執(zhí)行器等系統(tǒng)部件之間的信息交換。NCS 因其效率高、靈活性強(qiáng)且成本低等優(yōu)點得到廣泛的應(yīng)用。但是NCS中由于網(wǎng)絡(luò)的引入出現(xiàn)了傳統(tǒng)控制系統(tǒng)中未曾出現(xiàn)的一些問題，如網(wǎng)絡(luò)誘導(dǎo)時延、單包傳輸與多包傳輸、數(shù)據(jù)包丟失、網(wǎng)絡(luò)調(diào)度等。這些問題的存在對NCS的性能分析和設(shè)計有很大的影響。因此，近年來NCS 成為國內(nèi)外控制界研究的熱點問題之一[1-3]。
在NCS中網(wǎng)絡(luò)信息傳輸時延是由于通信網(wǎng)絡(luò)的網(wǎng)絡(luò)協(xié)議、網(wǎng)絡(luò)帶寬、數(shù)據(jù)包處理方式等而引起的。而NCS中網(wǎng)絡(luò)時延將會影響控制系統(tǒng)的性能，甚至造成整個控制的不穩(wěn)定。NCS中由于采用的設(shè)配不同以及網(wǎng)絡(luò)協(xié)議的差異，網(wǎng)絡(luò)時延分為隨機(jī)的、有界的以及確定的。網(wǎng)絡(luò)時延中隨機(jī)時延相較于確定時延和有界時延更難處理[4-6]。文獻(xiàn)[7]針對NCS 中的隨機(jī)時變時延，采用Markov 鏈對控制系統(tǒng)中前向通道和反饋通道時延建模，以及在閉環(huán)回路中加入狀態(tài)觀測器方法，來提高NCS 的穩(wěn)定。文獻(xiàn)[8-10]針對NCS 中的隨機(jī)長時延問題，采用廣義預(yù)測控制的方案對時延進(jìn)行補(bǔ)償。文獻(xiàn)[11]通過在控制器和執(zhí)行器接受端設(shè)置緩沖區(qū)將NCS中隨機(jī)時延轉(zhuǎn)變?yōu)榇_定時延方法，并利用內(nèi)?？刂?Internal Model Control，IMC)策略對時延進(jìn)行補(bǔ)償。目前針對NCS 中長時延研究，學(xué)者們采用的主要方案是通過數(shù)學(xué)建?；蚩刂撇呗詠斫鉀Q。
本文針對NCS中隨機(jī)時延，采用IMC控制策略。針對隨機(jī)時延中的長時延問題，在內(nèi)?？刂频木W(wǎng)絡(luò)控制系統(tǒng)(networked Control System for Internal Model Control，IMC-NCS)加入AR-BP時延預(yù)測環(huán)節(jié)；針對IMCNCS 中被控對象模型不匹配而影響系統(tǒng)控制性能，運用模糊控制規(guī)則實時調(diào)節(jié)濾波器參數(shù)。
2 內(nèi)?？刂频木W(wǎng)絡(luò)控制系統(tǒng)
IMC 的控制策略是通過數(shù)學(xué)模型對控制器進(jìn)行設(shè)計，其算法簡單易工程實現(xiàn)[12]。當(dāng)被控對象受到外界干擾導(dǎo)致參數(shù)改變時，IMC-NCS 控制性能指標(biāo)不會隨之突變，具有較強(qiáng)的魯棒性。本文針對NCS 中出現(xiàn)的隨機(jī)時延進(jìn)行研究，從控制策略的角度出發(fā)，將IMC加入到NCS中對時延進(jìn)行補(bǔ)償。
IMC-NCS結(jié)構(gòu)圖如圖1所示，圖中CIMC(s)為內(nèi)?？刂破?，GP(s)是被控對象的傳遞函數(shù)，sc為信號在反饋通道中傳輸?shù)木W(wǎng)絡(luò)時延，ca為信號在前向通道中傳輸?shù)木W(wǎng)絡(luò)時延。Gm(s)是被控對象的內(nèi)部模型，y(s)是系統(tǒng)輸出，ym(s)是內(nèi)模模型輸出，r(s)是系統(tǒng)的輸入信號。根據(jù)NCS時延的疊加性[13]，可將NCS 中反饋通道的時延疊加到系統(tǒng)的前向通道中，即 =sc+ca，為網(wǎng)絡(luò)控制系統(tǒng)時延的大小，得IMC-NCS的等效結(jié)構(gòu)如圖2所示。
圖1 IMC-NCS結(jié)構(gòu)圖
圖2 IMC-NCS等效結(jié)構(gòu)圖
由圖2可知IMC-NCS閉環(huán)傳遞函數(shù)為：
由IMC 原理可知，當(dāng)Gm(s)=Gp(s)，內(nèi)?？刂破魅。篊IMC(s)=(s)f(s)，Gm-(s)為被控對象內(nèi)部模型Gm(s)的最小相位部分；f(s)為濾波器，f(s)=，λ為濾波器的時間常數(shù)，n為濾波器的階次，時延部分用一階Pade進(jìn)行線性化處理，即。將參數(shù)帶入式(1)得：
由Lyapunov 穩(wěn)定性判定方法二對式(2)進(jìn)行穩(wěn)定性分析，可求得系統(tǒng)保持穩(wěn)定的最大時延閾值max，且max大小與濾波器的時間常數(shù)系數(shù)λ有關(guān)。
3 時延預(yù)測的IMC-NCS
針對IMC-NCS穩(wěn)定性受系統(tǒng)最大時延閾值的限制，為了保證IMC-NCS 中時延出現(xiàn)長時延時，系統(tǒng)能保持穩(wěn)定和較好的動、靜態(tài)性能，在內(nèi)模通道中引入一個時延預(yù)測環(huán)節(jié)，為預(yù)測時延值[14]。
時延預(yù)測的IMC-NCS結(jié)構(gòu)圖：
由圖3可知系統(tǒng)的閉環(huán)傳遞函數(shù)為：
圖3 時延預(yù)測的IMC-NCS
由(4)式可知系統(tǒng)僅經(jīng)過 延遲即能產(chǎn)生輸出，系統(tǒng)的性能僅與濾波器時間常數(shù)λ有關(guān)，系統(tǒng)保持穩(wěn)定的條件為λ＞0，即只要保證濾波器參數(shù)λ大于零，系統(tǒng)就是穩(wěn)定的，與時延 大小無關(guān)。在IMC-NCS中加入時延預(yù)測環(huán)節(jié)可以減小NCS長時延對系統(tǒng)穩(wěn)定性的影響。
3.1 AR-BP神經(jīng)網(wǎng)絡(luò)的時延預(yù)測模型
NCS 受外界因素及內(nèi)部環(huán)境作用，其隨機(jī)時延序列同時含有線性和非線性趨勢。針對隨機(jī)時延中的線性趨勢，采用對線性趨勢較敏感的AR模型進(jìn)行預(yù)測。針對隨機(jī)時延中的非線性趨勢，采用對非線性關(guān)系具有很強(qiáng)的映射能力的BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測。首先對采集的隨機(jī)時延樣本序列{Xt}建立AR預(yù)測模型，模型中的階數(shù)采用最終預(yù)報誤差準(zhǔn)則確定，模型中的自回歸系數(shù)通過最小二乘估計確定，AR預(yù)測模型的表達(dá)式為：
將AR 預(yù)測模型得到的時間序列記為{Xt}A，將樣本時間序列{Xt}減去AR 預(yù)測得到的時間序列{Xt}A即為樣本時間序列中的殘差時間序列{Xt}e：
殘差時間序列{Xt}e中隱藏了樣本時間序列{Xt}中非線性變化趨勢。利用BP 神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性處理能力，對殘差時間序列{Xt}e進(jìn)行預(yù)測，BP神經(jīng)網(wǎng)絡(luò)取2-10-1的網(wǎng)絡(luò)結(jié)構(gòu)，隱含層和輸出層的神經(jīng)元函數(shù)選為“l(fā)ogsig”，BP神經(jīng)網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)設(shè)為1000，誤差精度為0．01，學(xué)習(xí)速率為0．5。預(yù)測的結(jié)果記為{Xt}B。
將AR 模型預(yù)測結(jié)果{Xt}A加上BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果{Xt}B即為對樣本時間序列{Xt}的預(yù)測值。AR-BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果如圖4所示。
圖4 AR-BP時延預(yù)測
4 濾波器參數(shù)模糊設(shè)計
在IMC-NCS中被控制對象的數(shù)學(xué)模型是通過物理理論辨識獲取的，而在工業(yè)中被控對象的數(shù)據(jù)是隨環(huán)境變換而變化的。當(dāng)被控對象與被控對象模型出現(xiàn)不同時，繼續(xù)使用不變的濾波器參數(shù)，IMC-NCS的控制效果將會與理論輸出產(chǎn)生偏差?？紤]工業(yè)環(huán)境的不確定性，降低IMC-NCS理論輸出與實際輸出的偏差。本文采用模糊控制理論將濾波器參數(shù)隨工業(yè)環(huán)境變化而變化的方案。圖5為模糊控制IMC-NCS結(jié)構(gòu)圖。
圖5 模糊控制IMC-NCS結(jié)構(gòu)圖
濾波器中參數(shù)λ的整定是根據(jù)被控對象的輸出y(s)與被控對象模型輸出ym(s)的偏差E和偏差變化率EC進(jìn)行在線調(diào)整的。輸入的模糊子集E={NB，NM，NS，Z，PS，PM，PB}，EC={NB，NM，NS，Z，PS，PM，PB}，E論域選為{-3，3}，EC的論域選為{-0．5，0．5}，選取三角形、Z型、S型隸屬度函數(shù)相結(jié)合的形式作為輸入變量的隸屬度函數(shù)；輸出的模糊子集為λ={B，BM，M，MS，S，Z}，λ的初始值λ0和論域根據(jù)實際的被控對象和模型匹配程度對系統(tǒng)的進(jìn)行大量仿真確定，且要保證λ值不為負(fù)。
參數(shù)λ的確定其依據(jù)是：當(dāng)y(s)與ym(s)的偏差E和偏差的變化率EC乘積大于零時，則系統(tǒng)輸出偏差有上漲的趨勢，需增大λ保持系統(tǒng)的跟蹤特性；當(dāng)偏差E和偏差的變化率EC乘積小于零時，則系統(tǒng)輸出偏差有減低的趨勢，需降低λ保持系統(tǒng)有較快的響應(yīng)速度。
表1 模糊控制規(guī)則表
λ0數(shù)值的確定是依據(jù)系統(tǒng)模型的匹配程度根據(jù)經(jīng)驗選取，再利用模糊控制規(guī)則在線實時修正濾波器參數(shù)λ的值[15]，其修正公式如下：
λ=λ0+λ{(lán)E，EC}
式中：λ{(lán)E，EC}為經(jīng)過模糊控制推理計算后對濾波器參數(shù)λ的在線調(diào)整。
5 仿真分析
5.1 加時延預(yù)測的IMC-NCS
在TrueTime2．0仿真軟件中建立IMC-NCS的仿真模型，選取CSMA/CD(Ethernet)以太網(wǎng)為網(wǎng)絡(luò)環(huán)境，傳感器采用時間驅(qū)動，控制器和執(zhí)行器采用事件驅(qū)動，采樣周期為T=50ms，網(wǎng)絡(luò)傳輸速率為80000bits/s，參考信號為幅值從-1到+1變化的方波信號，仿真時間為10s。
被控對象的傳遞函數(shù)?。篏P(s)=
系統(tǒng)中濾波器取：f(s)=，時間常數(shù)λ=0．05。
未加時延預(yù)測環(huán)節(jié)的IMC-NCS的保持系統(tǒng)穩(wěn)定的最大時延閾值max=100ms。
對未加時延預(yù)測環(huán)節(jié)的IMC-NCS和加入時延預(yù)測環(huán)節(jié)的IMC-NCS進(jìn)行仿真，其輸出響應(yīng)如圖7所示。
未加時延預(yù)測環(huán)節(jié)的IMC-NCS，由圖6和圖7知，系統(tǒng)的性能受時延值大小的影響，系統(tǒng)只能在一定的時延范圍內(nèi)才能對參考信號進(jìn)行跟蹤，當(dāng)時延值大于系統(tǒng)的時延閾值時系統(tǒng)會變得不穩(wěn)定。
對加入時延預(yù)測環(huán)節(jié)的IMC-NCS，由圖6和圖7知，系統(tǒng)僅經(jīng)過 延遲即能產(chǎn)生輸出，系統(tǒng)對參考信號的跟蹤特性不受網(wǎng)絡(luò)控制系統(tǒng)隨機(jī)時延大小的影響。當(dāng)時延值=375ms＞7T時，系統(tǒng)仍具有很好的輸出特性。
圖6 IMC-NCS的傳輸時延
圖7 有無時延預(yù)測環(huán)節(jié)IMC-NCS輸出響應(yīng)
5.2 模糊控制的濾波器參數(shù)整定
取被控對象為一個二階傳遞函數(shù)系統(tǒng)，其傳遞函數(shù)為：
當(dāng)模型不匹配時，被控對象的內(nèi)部模型為：
由圖8和表2可知，當(dāng)被控對象與被控對象模型不匹配時，通過模糊控制規(guī)則在線實時地調(diào)整濾波器參數(shù)λ，有效的改善了內(nèi)模網(wǎng)絡(luò)系統(tǒng)的動、靜態(tài)性能，提高了系統(tǒng)的控制精度。
表2 有無模糊控制的IMC-NCS輸出IAE值
6 結(jié)束語
本文針對NCS中隨機(jī)時延對系統(tǒng)的影響，采用IMC加入到NCS中的控制策略。針對IMC-NCS對隨機(jī)長時延處理不佳的狀態(tài)，在系統(tǒng)中加入AR-BP 時延預(yù)測環(huán)節(jié)；針對IMC-NCS 中被控對象模型不匹配而影響系統(tǒng)控制性能，運用模糊控制規(guī)則實時調(diào)節(jié)濾波器參數(shù)。仿真結(jié)果表明，加入時延預(yù)測環(huán)節(jié)IMC-NCS 的能夠很好地對長時延進(jìn)行補(bǔ)償，且系統(tǒng)的穩(wěn)定性不受時延大小的影響；當(dāng)模型不匹配時，采用模糊控制規(guī)則在線調(diào)整濾波器參數(shù)的方法，改善了系統(tǒng)的動、靜態(tài)性能，提高了系統(tǒng)的控制精度。
猜你喜歡
電子制作(2019年23期)2019-02-23 13:21:12
機(jī)電工程技術(shù)(2018年10期)2018-12-06 02:26:38
測控技術(shù)(2018年6期)2018-11-25 09:50:10
系統(tǒng)工程與電子技術(shù)(2016年7期)2016-08-21 13:59:18
西南交通大學(xué)學(xué)報(2016年3期)2016-06-15 20:29:35
電子制作(2016年21期)2016-05-17 03:53:01
電測與儀表(2016年17期)2016-04-11 12:38:28
通信電源技術(shù)(2016年5期)2016-03-22 01:09:57
電源技術(shù)(2015年11期)2015-08-22 08:50:38
