摘要：首先分析了目前先進控制技術工程實施過程中的技術瓶頸，在此基礎上提出了新的先進控制技術建模方法。本文基于工業(yè)自動化通用技術平臺（IAP），采用圖形化控制策略組態(tài)技術開發(fā)了一套神經(jīng)網(wǎng)絡智能控制系統(tǒng)，該系統(tǒng)具有基于參考模型跟蹤的控制結構，可快速自適應地調(diào)整控制器參數(shù)。仿真實驗結果表明，神經(jīng)網(wǎng)絡智能控制系統(tǒng)的精度高，穩(wěn)定性好，可成為處理復雜工業(yè)過程，尤其是解決不確定和非線性領域問題的有效工具。

　　關鍵詞：先進控制技術；神經(jīng)網(wǎng)絡；控制策略組態(tài)

0引言

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

1先進控制技術應用現(xiàn)狀

　　自上世紀70年代起，先進控制技術已有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用。先進控制技術的內(nèi)涵豐富，具有時代特征，至今沒有一個嚴格統(tǒng)一的定義。但先進控制的任務是明確的［1］，即用來控制常規(guī)控制效果差，甚至無法控制的復雜工業(yè)過程。先進控制理論的研究主要包括預測控制、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)絡控制、內(nèi)膜控制及自適應控制等，其中神經(jīng)網(wǎng)絡是目前研究較多的一種技術。

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

　　為解決以上問題，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)絡智能控制系統(tǒng)，可以有效地降低神經(jīng)網(wǎng)絡技術的導入成本和風險，縮小先進控制與傳統(tǒng)控制的差別，實現(xiàn)先進控制與傳統(tǒng)控制同構組態(tài)，為現(xiàn)代控制理論的工程應用創(chuàng)造更好的技術環(huán)境。

2對角遞歸神經(jīng)網(wǎng)絡

　　神經(jīng)網(wǎng)絡是模擬人類大腦中神經(jīng)網(wǎng)絡的結構與行為的一種模型，具有高度的并行分布式處理、自適應能力及很強的動態(tài)特性，為解決非線性與不確定領域的問題提供了一條新的途徑。神經(jīng)網(wǎng)絡按照連接方式的不同分為前饋神經(jīng)網(wǎng)絡與遞歸神經(jīng)網(wǎng)絡兩種，不同之處在于遞歸神經(jīng)網(wǎng)絡是動態(tài)網(wǎng)絡。系統(tǒng)辨識時，若采用前饋神經(jīng)網(wǎng)絡，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)絡結構迅速膨脹，學習收斂速度下降。而遞歸神經(jīng)網(wǎng)絡利用網(wǎng)絡內(nèi)部的狀態(tài)反饋描述系統(tǒng)的非線性動力學特性，可以彌補以上缺陷［2］。

　　大多數(shù)情況下，最好的神經(jīng)網(wǎng)絡結構是只在一個很小的單元組中使用反饋。因為網(wǎng)絡的權值（參數(shù)）個數(shù)越少，對模型的隨機性影響越??；網(wǎng)絡結構越簡單，算法的收斂速度越快。所以，簡化遞歸神經(jīng)網(wǎng)絡的結構、縮短訓練時間后就形成了一種新型神經(jīng)網(wǎng)絡范式——對角遞歸神經(jīng)網(wǎng)絡（Diagonal Recurrent Neural Network，DRNN）。

　　對角遞歸神經(jīng)網(wǎng)絡的結構有3層，分別為輸入層、隱含層與輸出層，其結構如圖1所示。隱含層由一組僅接收自己內(nèi)反饋，與其神經(jīng)元無關的遞歸神經(jīng)元組成。簡化了網(wǎng)絡結構，減少了需要調(diào)整的參數(shù)，加快了收斂速度。

　　圖1對角遞歸神經(jīng)網(wǎng)絡結構

　　對于任意的離散時刻k，Ii(k)是網(wǎng)絡的第i個輸入，Sj(k)是隱含層第j個遞歸神經(jīng)元的輸入總和，Xj(k)是遞歸神經(jīng)元的輸出，一般取j=2i+1。O(k)是對角遞歸神經(jīng)網(wǎng)絡的輸出。WIij、WDj和WOj分別表示輸入層、隱含層和輸出層的權值。

　　對角遞歸神經(jīng)網(wǎng)絡的動態(tài)方程為［3］：

　　其中f(·)為隱含層遞歸神經(jīng)元的激勵函數(shù)：

　　對角遞歸神經(jīng)網(wǎng)絡的輸出O(k)對權值WIij、WDj和WOj的梯度分別為：

　　

3對角遞歸神經(jīng)網(wǎng)絡控制系統(tǒng)

　　神經(jīng)網(wǎng)絡智能控制系統(tǒng)的系統(tǒng)結構如圖2所示，其中控制器與辨識器均由對角遞歸神經(jīng)網(wǎng)絡組成，分別稱為DRNC與DRNI。由辨識器DRNI網(wǎng)絡的輸出ym(k)辨識未知的被控設備的實際輸出y(k)，并提供設備的Jacobian信息給控制器DRNC。由DRNC的輸出u(k)驅動未知的動態(tài)系統(tǒng)，使設備的輸出y(k)無限逼近期望輸出yr(k)。

　　圖2基于對角遞歸神經(jīng)網(wǎng)絡的控制系統(tǒng)結構

　　31辨識器DRNI 的學習算法

　　由控制器DRNC產(chǎn)生的當前控制信號u(k)和前一時刻設備的輸出y(k－1)作為辨識器DRNI網(wǎng)絡的輸入。將DRNI網(wǎng)絡的輸出ym(k)和y(k)之間的辨識誤差帶入權值更新公式，調(diào)節(jié)DRNI網(wǎng)絡的權值。

　　定義DRNI網(wǎng)絡的性能指標函數(shù)為：

　　可按式（3）計算。

　　32控制器DRNC的學習算法

　　控制器DRNC網(wǎng)絡的輸入分別為參考輸入r(k)、前一時刻設備的輸出y(k－1)和前一時刻的控制信號u(k－1)，輸出是設備的控制信號u(k)。經(jīng)過幾個訓練周期調(diào)節(jié)DRNC網(wǎng)絡的權值后，可以使設備的實際輸出y(k)與期望輸出yr(k)之間的誤差達到一個很小的值。但訓練DRNC網(wǎng)絡時需要被控設備的Jacobian信息，而該信息通常是未知的，所以需要DRNI為DRNC估計被控設備的敏感度函數(shù)yu(k)（Jacobian信息）。

　　定義DRNC網(wǎng)絡的性能指標函數(shù)為：

　　DRNC網(wǎng)絡中權值的更新公式為：

　　其中ηC是DRNC網(wǎng)絡的學習率。因子yu(k)≡y(k)/u(k)代表被控設備的敏感度，一般很難通過直接計算獲得，但若DRNI網(wǎng)絡已得到較好的訓練，可近似認為：

　　所以，通過輪流訓練DRNI和DRNC網(wǎng)絡，可以調(diào)節(jié)得到更有效的DRNC網(wǎng)絡權值，這即是基于對角遞歸神經(jīng)網(wǎng)絡的控制系統(tǒng)的基本原理［4］。

4神經(jīng)網(wǎng)絡智能控制系統(tǒng)組態(tài)

　　41工業(yè)自動化通用技術平臺（IAP）

　　工業(yè)自動化通用技術平臺（Industry Automation Platform，IAP）是由福建中海創(chuàng)集團研發(fā)的一種基于圖形化、模塊化控制邏輯組態(tài)技術的分布式控制系統(tǒng)。IAP平臺的仿真軟件工具主要由系統(tǒng)結構組態(tài)軟件IAPplant、模塊化控制策略組態(tài)軟件IAPlogic和動態(tài)仿真軟件IAPsimu等部分構成。

　　IAPplant軟件采用面向設備的多維立體方式構建現(xiàn)代化工廠的工藝設備和控制設備，將其他系統(tǒng)軟件無縫地連接在一起，提供相互之間的系統(tǒng)信息交互通道，實現(xiàn)控制系統(tǒng)構架一體化的數(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，實現(xiàn)了控制策略的組態(tài)分析、無擾動在線重構、實時監(jiān)控、邏輯執(zhí)行趨勢監(jiān)控、在線修改參數(shù)、提供了一個面向不同品牌控制器的跨平臺控制策略組態(tài)開發(fā)和管理工具。IAPsimu軟件可以在沒有硬件的情況下，基于PC機模擬實際的控制站運行。IAPsimu軟件接收源自IAPlogic軟件的控制策略組態(tài)，經(jīng)過運算后，產(chǎn)生相應的輸出結果，反饋給IAPlogic軟件，實現(xiàn)對控制策略的計算、調(diào)試與模擬運行。

　　42系統(tǒng)控制結構組態(tài)

　　本文的神經(jīng)網(wǎng)絡智能控制系統(tǒng)是基于IAP平臺研發(fā)的，首先在系統(tǒng)結構組態(tài)軟件IAPplant中建立對角遞歸神經(jīng)網(wǎng)絡控制系統(tǒng)工程管理架構和IO體系，根據(jù)神經(jīng)網(wǎng)絡控制系統(tǒng)中各個變量定義IAPplant軟件中IO點的具體信息，如IO點序的分布、IO類型、IO數(shù)量、標簽名、注釋等。圖3所示是神經(jīng)網(wǎng)絡智能控制系統(tǒng)結構設計圖。

　　43系統(tǒng)控制策略組態(tài)

　　根據(jù)神經(jīng)網(wǎng)絡智能控制系統(tǒng)的算法機理，在IAPlogic軟件中對完整的系統(tǒng)進行控制策略組態(tài)。假設一個有代表性的非線性被控對象［5］，該設備可用差分方程描述為：

　　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)的控制目標是確定設備輸入yr(k)使lim|y(k)－yr(k)|<ε，其中ε是一個非常小的常數(shù)。

　　本文僅以參考模型與被控設備的組態(tài)設計為例，說明IAPlogic軟件組態(tài)設計原理與過程。根據(jù)參考模型與被控設備的差分方程，在IAPlogic軟件中采用基礎元件和連接線實現(xiàn)控制邏輯組態(tài)，如圖4所示。

　　圖4參考模型與被控設備控制策略組態(tài)

　　神經(jīng)網(wǎng)絡智能控制系統(tǒng)的控制策略組態(tài)設計完成后，進行控制策略的分析、鏈接、邏輯傳送，確認無誤后，即可開始仿真實驗。表1列出了圖4所需用到的IAP基礎元件列表。

　　表1控制策略組態(tài)元件圖標元件名稱元件功能中間模擬量模擬量輸入輸出的中間值模擬量設定器產(chǎn)生模擬量信號SIN發(fā)生器產(chǎn)生正弦信號比例調(diào)節(jié)器輸入與比例相乘后的數(shù)值加法運算器輸出等于兩個輸入的累加乘法運算器輸出等于兩個輸入信號相乘除法運算器輸出等于兩個輸入信號相除

5仿真實驗結果

　　本實驗中，設置學習率ηc=003，ηI=002，IAPsimu虛擬控制站的計算周期T1=100 ms，上位機中數(shù)據(jù)監(jiān)控周期T=500 ms。仿真實驗結果分別如圖5~7所示。

       圖5所示是神經(jīng)網(wǎng)絡智能控制系統(tǒng)開始運行（計算）10 min內(nèi)的仿真結果。圖中三條曲線分別表示參考輸出yr(k)、設備的實際輸出y(k)與控制誤差ec(k)=yr(k)－y(k)?？梢钥闯觯诔跏加嬎愕?0 min之內(nèi)，設備實際輸出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，此時控制誤差ec(k)的最大值已從初始運算時的07下降到03。

　　在神經(jīng)網(wǎng)絡智能控制系統(tǒng)穩(wěn)定的情況下，加入賦值為1、持續(xù)時間為5 s的擾動信號，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)、自適應能力，能迅速恢復到穩(wěn)定狀態(tài)。

6結論

　　本文采用圖形化、常規(guī)控制的控制策略組態(tài)元件來構建神經(jīng)網(wǎng)絡智能控制系統(tǒng)，組態(tài)方法簡單、便捷，成功地將對角遞歸神經(jīng)網(wǎng)絡的先進控制算法與常規(guī)控制算法的圖形化組態(tài)集成在同一個計算環(huán)境中。系統(tǒng)運行時，元件計算過程可觀測、可操控，還能夠以動態(tài)趨勢圖形顯示的形式將神經(jīng)網(wǎng)絡的學習特性展示出來，有效地降低了神經(jīng)網(wǎng)絡控制系統(tǒng)的復雜性，極大地縮短了控制系統(tǒng)開發(fā)和部署的時間。系統(tǒng)計算過程透明、可觀測，系統(tǒng)中所有權值、變量數(shù)據(jù)可自動記錄在計算機中，供技術人員分析對角遞歸神經(jīng)網(wǎng)絡系統(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)中的實施。

參考文獻

　?。?］ 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.

　?。?］ 戴晟. 基于DE算法的DRNN網(wǎng)絡非線性系統(tǒng)辨識研究［D］. 成都：西南交通大學，2011.

　?。?］ 姚慶文，何成平. 基于自適應PID的切帶機控制系統(tǒng)設計［J］. 煤炭技術，2011，30(11)：45-47.

　?。?］ 陳大明. 基于對角遞歸神經(jīng)網(wǎng)絡永磁同步電機無傳感器控制研究［D］. 沈陽：沈陽工業(yè)大學，2007.

　　［5］ 陳沖，胡國文，劉星橋，等. 基于DRNN的三電機變頻調(diào)速系統(tǒng)參數(shù)PID控制研究［J］. 鹽城工學院學報(自然科學版)，2010，23(3)：39-43.