基于RBF神經(jīng)網(wǎng)絡(luò)的監(jiān)督控制

基于RBF神經(jīng)網(wǎng)絡(luò)的監(jiān)督控制

劉啟兵吳逍摘要：對(duì)于傳統(tǒng)PD控制，它的參數(shù)很難準(zhǔn)確整定，同時(shí)它與控制對(duì)象的精確數(shù)學(xué)模型具有依賴關(guān)系，而且適應(yīng)性相對(duì)比較差，對(duì)于復(fù)雜過程，它的控制精度得不到保證。針對(duì)工業(yè)控制領(lǐng)域中大滯后系統(tǒng)，采用傳統(tǒng)PD，其控制效果達(dá)不到令人滿意的程度，為了獲得更高的控制精度，該文提出了在基于RBF神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的監(jiān)督控制方法。因?yàn)镽BF神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)能力，故此方法通過RBF神經(jīng)網(wǎng)絡(luò)的這個(gè)特點(diǎn)自調(diào)整系統(tǒng)的控制參數(shù)，最終實(shí)現(xiàn)系統(tǒng)的智能控制。利用仿真進(jìn)行驗(yàn)證，同時(shí)和傳統(tǒng)的PD控制方法進(jìn)行比較，結(jié)果表明控制方法更具優(yōu)勢(shì)，如控制的精度高、響應(yīng)的速度快等，而且自適應(yīng)性、魯棒性和抗干擾能力也相對(duì)很強(qiáng)，給控制系統(tǒng)的設(shè)計(jì)提供了新的思路。關(guān)鍵詞：PD控制；RBF神經(jīng)網(wǎng)絡(luò)；自適應(yīng)控制；監(jiān)督控制TP311.5：A：1009-3044（2018）13-0176-03SupervisionandControlbasedonRBFNeuralNetworkLIUQi-bing，WUXiao（ShanghaiMaritimeUniversity，Shanghai201306，China）Abstract：ItisdifficulttogetpreciseparametersofclassicPDcontroller，andthePDcontr[本文來自于WWw.zz-news.coM]olmethodisreliedontheprecisemathematicalmodelbadly.Sinceitcan'tacquirethesatisfiedcontrolresultusingthetraditionalPDcontrolforthebiglagsysteminindustrycontrolfield，inordertoimprovethecontrolprecision，thepaperproposesasupervisorycontrolmethodbasedonRBFneuralnetwork.Thismethodusestheliabilityofself-studyandself-adaptabilityofRBFnetworktoturningparametersofsystem，soastorealizetheintelligentcontrolofthesystem.Verifiedbysimulation，theresultsshowthatthecontrolmethodhasfasterresponsetime，highercontrolprecisioncomparedwiththetraditionalPDcontrolmethods，andisofstrongadaptability，robustnessandanti-interferenceability.Keywords：PDcontrol；RBFneuralnetwork；adaptivecontrol；supervisorycontrol1引言PD控制因其自身算法簡易、穩(wěn)定性好、可靠性高以及強(qiáng)魯棒性等優(yōu)勢(shì)，大量的應(yīng)用在工業(yè)控制中；但是PD控制效果的好壞和控制參數(shù)選用的優(yōu)劣具有很直接的聯(lián)系，而傳統(tǒng)的參數(shù)整定方法則與被控對(duì)象是依賴關(guān)系。同時(shí)在現(xiàn)代工業(yè)中過程機(jī)理復(fù)雜，精準(zhǔn)的數(shù)學(xué)模型很難被確立，并且不一樣層次的非線性、時(shí)變等不明確因素存在著，系統(tǒng)的要求很不容易通過常規(guī)的PD控制得到滿足。故神經(jīng)網(wǎng)絡(luò)因其自身強(qiáng)大的非線性映射能力、并行處理能力以及自學(xué)習(xí)能力而作為一門特別火熱的交叉學(xué)科，大量的應(yīng)用在控制領(lǐng)域。在生物神經(jīng)元模型基礎(chǔ)上，人工神經(jīng)元網(wǎng)絡(luò)由零發(fā)展而來。此理論中最重要的一點(diǎn)是多個(gè)神經(jīng)元傳遞的信息可以被生物神經(jīng)元接受，進(jìn)而可以將其向下傳遞給其他多個(gè)神經(jīng)元。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)基本方式如下：實(shí)際輸出值在給定的輸入基礎(chǔ)上得出，接著記載實(shí)際輸出與目標(biāo)輸出之間的差值，進(jìn)而以降低綜合差值為目標(biāo)整定連接權(quán)值，以此方式依次進(jìn)行下去，一組最優(yōu)的連接權(quán)集合在最后會(huì)被獲取。本文通過RBF神經(jīng)網(wǎng)絡(luò)對(duì)PD控制參數(shù)進(jìn)行在線自整定，以常規(guī)PD控制為基礎(chǔ)，系統(tǒng)的控制參數(shù)通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)能力得到自動(dòng)調(diào)整，進(jìn)而構(gòu)造一個(gè)具有參數(shù)自整定能力、穩(wěn)定的PD控制器。系統(tǒng)的魯棒性通過這個(gè)新型的PD控制器獲得了相應(yīng)的提升，同時(shí)此控制器能夠高品質(zhì)地控制工業(yè)純滯后對(duì)象。2問題描述圖1為RBF神經(jīng)網(wǎng)絡(luò)示意圖，圖2為基于RBF網(wǎng)絡(luò)的監(jiān)督控制系統(tǒng)，其控制思想為：初始階段采用PD反饋控制，然后過渡到神經(jīng)網(wǎng)絡(luò)控制。在控制過程中，如出現(xiàn)較大的誤差，則PD控制起主導(dǎo)作用，神經(jīng)網(wǎng)絡(luò)控制起調(diào)節(jié)作用。輸入層、隱含層和輸出層，這是一般RBF神經(jīng)網(wǎng)絡(luò)的三層結(jié)構(gòu)。徑向基函數(shù)組成了隱含層神經(jīng)元激活函數(shù)。隱含層節(jié)點(diǎn)本質(zhì)是數(shù)組運(yùn)算單元，它是由隱含層構(gòu)成的。任一隱含層節(jié)點(diǎn)都具有一個(gè)中心向[本文來自于wwW.zz-newS.cOm]量c，并且與輸入?yún)?shù)向量x擁有一樣的維數(shù)，[∥xt-cjt∥]被定義為它們之間的歐氏距離。隱含層的輸出是非線性激活函數(shù)[hjt]構(gòu)成：3基于RBF神經(jīng)網(wǎng)絡(luò)監(jiān)督控制器設(shè)計(jì)設(shè)徑向基向量為[h=h1，…，hmT]，[hj]為高斯函數(shù)，則[hjt=exp-∥xt-cjt∥22b2j]（2）其中，[i=1，j=1，…，m]；[xk]為RBF網(wǎng)絡(luò)的輸入；[cj=c11，…，c1m]；[bj=b1，…，bmT]。由此函數(shù)表達(dá)式能夠認(rèn)識(shí)到，參數(shù)[cj]和[bj]對(duì)高斯函數(shù)產(chǎn)生的影響，針對(duì)此影響的設(shè)計(jì)要求如下：（1）隱含層第j個(gè)神經(jīng)元高斯基函數(shù)的寬度用[bj]表示。高斯基函數(shù)寬度與[bj]值成正比。高斯基函數(shù)寬度對(duì)網(wǎng)絡(luò)映射范圍具有重要影響，寬度越大，映射范圍越大，否則，映射范圍將會(huì)減小。故[bj]值在設(shè)計(jì)時(shí)，一般取相對(duì)適中的數(shù)值。（2）隱含層第j個(gè)神經(jīng)元高斯基函數(shù)中心點(diǎn)的坐標(biāo)向量用[cj]表示。而高斯函數(shù)對(duì)輸入的敏感程度與此值離輸入距離有關(guān)，距離越小越敏感。設(shè)權(quán)值向量為[w=w1，…，wmT]（3）RBF神經(jīng)網(wǎng)絡(luò)的輸出為[unk=h1w1+…+hjwj+…+hmwm]（4）其中，m為隱含層節(jié)點(diǎn)的個(gè)數(shù)?？偪刂戚斎霝閇uk=unk+upk]（5）誤差指標(biāo)為：[Ek=12unk-upk2]。（6）采用梯度下降法，網(wǎng)絡(luò)權(quán)值學(xué)習(xí)算法為：其中，[η∈0，1]為學(xué)習(xí)速率，[α∈0，1]為動(dòng)量因子。4被控對(duì)象及性能設(shè)被控對(duì)象為[Gs=1000s3+87.35s2+10470s]（8）取采樣周期為1ms，對(duì)上述對(duì)象進(jìn)行離散化，可得[yk=-den2yk-1-den3yk-2][+num2uk-1+num3uk-2]（9）取神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為1-4-1，理想跟蹤指令為[xk=ydk]，網(wǎng)絡(luò)的初始權(quán)值取[0，1]之間的隨機(jī)數(shù)，根數(shù)網(wǎng)絡(luò)的輸入范圍，高斯函數(shù)的參數(shù)取[c=-2-112]。取學(xué)習(xí)速率[η=0.30]，動(dòng)量因子[α=0.05]。控制對(duì)象的性能通過matlab的繪制的開環(huán)根軌跡觀察。經(jīng)計(jì)算可知此被控對(duì)象無零點(diǎn)，極點(diǎn)為P=0.0000+0.0000i、-43.6750+92.5337i、-43.6750-92.5337i。從零極點(diǎn)以及開環(huán)根軌跡可以看出，在一定范圍內(nèi)傳函穩(wěn)定，超出這個(gè)范圍后，傳函就進(jìn)入不穩(wěn)定狀態(tài)。5控制器實(shí)現(xiàn)步驟控制器實(shí)現(xiàn)主要通過以下三大步驟完成：一、參數(shù)初始化；二、神經(jīng)網(wǎng)絡(luò)訓(xùn)練：1）設(shè)置輸入信號(hào)；2）獲得實(shí)際輸出及誤差；3）求取神經(jīng)網(wǎng)絡(luò)的輸出值；4）全職訓(xùn)練；5）數(shù)值更新；6）性能指標(biāo)判定。三、輸出圖像判定結(jié)果。6實(shí)驗(yàn)仿真本次仿真，將通過對(duì)比的方式來驗(yàn)證監(jiān)督控制系統(tǒng)的效果。其中，所做的對(duì)比為：在方波信號(hào)下，完全PD控制和加入RBF控制的對(duì)比。由仿真實(shí)驗(yàn)可知：在輸入方波信號(hào)下，完全PD控制與加入RBF神經(jīng)網(wǎng)絡(luò)控制，輸出都能穩(wěn)定跟蹤輸入，可以從誤差效果圖中看出加入RBF神經(jīng)網(wǎng)絡(luò)控制的效果更好，即出現(xiàn)較大的誤差時(shí)，PD控制起主導(dǎo)作用，神經(jīng)網(wǎng)絡(luò)控制起調(diào)節(jié)作用。7結(jié)論RBF神經(jīng)網(wǎng)絡(luò)控制器在向傳統(tǒng)控制器的輸出[upk]進(jìn)行學(xué)習(xí)的基礎(chǔ)上，持續(xù)地校準(zhǔn)連接權(quán)值使輸出更接近于零，最后取代傳統(tǒng)控制器達(dá)到主導(dǎo)地位，也就是說[uk≈unk]。針對(duì)較難調(diào)整PD參數(shù)的狀況，通過RBF神經(jīng)網(wǎng)絡(luò)監(jiān)督控制則可以獲得令人滿意的效果。盡管此刻RBF神經(jīng)網(wǎng)絡(luò)控制器處于主導(dǎo)地位，然而移除傳統(tǒng)控制器與反饋通道是行不通的，當(dāng)系統(tǒng)收到外部干擾時(shí)，則要求反饋控制器進(jìn)行調(diào)整，最終降低誤差。RBF神經(jīng)網(wǎng)絡(luò)監(jiān)督控制就是使用了這種前饋加反饋的監(jiān)督控制方法，首先因?yàn)橄到y(tǒng)的魯棒性和穩(wěn)定性可以由傳統(tǒng)反饋控制器的作用獲得保證，其次就是系統(tǒng)的自適應(yīng)能力和精度能夠通過RBF神經(jīng)網(wǎng)絡(luò)監(jiān)督控制器的作用獲得提高。參考文獻(xiàn)：[1]Jimenez，F(xiàn)ranciscoJavier.Virtualinstrumentformeasurement，processingdata，andvisualizationofvibrationpatternsofpiezoelectricdevices[J].ComputerStandardsandInterfaces，2005，27（6）：653-663[2]Chen，Guochu，Zhang，Lin等.ApplicationofNeuralnetworkPIDControllerinConstantTemperatureandConstantLiquid-levelSystem.[J]微計(jì)算機(jī)信息，2003（1）：23～24，42[3]Malley，D.Ahigh-speedmulti-channeldataacquisitionsystem[J].AIPConferenceProceedings，200