CN100412732C - 基于模型参考自适应控制的多变量系统神经网络解耦的简捷方法 - Google Patents

Abstract

本发明提供基于模型参考自适应控制的多变量系统神经网络解耦的简捷方法，属于复杂系统智能建模及解耦控制技术领域。该方法对于三相交流电弧炉电极控制系统，采用一种神经网络实时在线辨识与解耦，在对三相电极系统中的某一相在线辨识时，将另外两相的控制信号引入到这一相神经网络辨识器的输入端，作为该相辨识器的所有输入信号中的两个信号参与辨识，应用其结果对具有强耦合的三相电极系统进行解耦与控制。本发明适用于对任意多变量复杂系统的实时解耦、建模和控制，具有广泛性。

Description

基于模型参考自适应控制的多变量系统神经网络解耦的简捷方法

技术领域

本发明属于复杂系统智能建模及解耦控制技术领域，具体涉及基于模型参考自适应控制的多变量系统神经网络解耦的简捷方法。

背景技术

多变量复杂过程控制系统的控制面临两大主要难题：一个是因为系统的复杂和严重不确定性而难以用传统的理论和方法对系统实时在线建模；另一个是因为系统的复杂和严重不确定性，难以用基于解析模型的解耦理论对其实施解耦。尽管众多学者的研究论文已对多变量过程控制系统的解耦控制进行了深入系统的研究和论述，但是这些理论都基于一个前提：这就是必须写出多变量过程系统精确的解析模型，而这一点在现实中几乎不可能做到，尤其是对过程控制中系统随着运行工况不时改变、系统结构和参数严重不确定、非线性、滞后、诸多干扰等因素更是无法写出其解析模型。本发明正是基于这一事实和背景，在对三相交流电弧炉电极电弧电流的控制研究和开发中，探索出一种很简捷的基于神经网络模型参考自适应控制的实时在线解耦和建模的新方法。

发明内容

在对三相交流电弧炉电极电弧电流的控制研究和开发中，发明出一种很简捷的基于模型参考自适应控制的多变量系统神经网络解耦简捷方法。

本发明对于三相交流电弧炉电极控制系统，采用一种神经网络实时在线辨识与解耦，在对三相电极系统中的某一相在线辨识时，将另外两相的控制信号引入到这一相神经网络辨识器的输入端，作为该相辨识器的所有输入信号中的两个信号参与辨识，应用其结果对具有强耦合的三相电极系统进行解耦与控制。

对于三相交流电弧炉电极控制系统采用基于RBF神经网络辨识的模型参考自适应控制(MRAC)策略的构架上所采用的RBF神经网络，对三相电极系统实时在线解耦及辨识，并获得理想的结果。电极系统A相控制结构图见说明书附图1。文献“人工神经元网络及其应用”(袁曾任编清华大学出版社1999.10151～153)指出了离散时间系统非线性差分方程的四种模型结构如下：

模型I： $y_p(k+1)=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_p(k-i)+g[u_p\left(k\right),u_p(k-1),...,u_p(k-m+1)]$

模型II： $y_p(k+1)=f[y_p\left(k\right),y_p(k-1),...,y_p(k-n+1)]+\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}{\mathrm{\β}}_i{u}_p(k-i)$

模型III：y_p(k+1)＝f[y_p(k)，y_p(k-1)，...y_p(k-n+1)]+g[u_p(k)，u_p(k-1)，...，u_p(k-m+1)]

模型IV：y_p(k+1)＝f[y_p(k)，y_p(k-1)，...，y_p(k-n+1)，u_p(k)，u_p(k-1)，...，u_p(k-m+1)]

其中模型IV涵盖了模型I～模型III，本发明中图1采用的模型II具有控制器可分离结构，以便将控制信号u(k)从复杂系统非线性对象模型中分离出来，参与系统对象的辨识与控制，并且只需要一个神经网络辨识器NNI对非线性部分

f[u_p(k)，u_p(k-1)，...，y_p(k)，y_p(k-1)，...，y_p(k-n+1)]辨识(采用串-并结构)。三相电极系统由液压驱动装置驱动，是一个三输入三输出、非线性、强耦合(三相电极对电弧炉中钢水放电，而成为星型连接)、时变、大滞后、诸多干扰的复杂系统。电极系统输入为控制信号u(k)，输出为电极的电弧电流i(k+1)，将电极系统视为一广义对象(其中包括液压驱动装置和电极)，在神经网络辨识的基础上构建MRAC。由于电极系统三相控制信号u_a(k)、u_b(k)、u_c(k)与输出电流i_a(k+1)、i_b(k+1)、i_c(k+1)之间具有交叉强耦合，因此解耦是实现控制的关键。本发明实现解耦的简捷方法原理如下：

图1中A相的广义对象由自身环节P_aa及耦合环节P_ba、P_ca组成，系统模型的非线性部分f_a(·)包含了u_b(k)、u_c(k)的耦合影响。这里，辨识器采用串-并结构，其输入向量为[u_a(k)，i_a(k)，i_a(k-1)，i_a(k-2)，u_b(k)，u_c(k)]^T。辨识器模型为 ${\hat{f}}_a[u_a\left(k\right),i_a\left(k\right),i_a(k-1),i_a(k-2),u_b\left(k\right),u_c\left(k\right)],$ 由图1，A相电流控制器的输出u_a(k)，即A相控制律为 $u_a\left(k\right)=-{\hat{f}}_a(k+1)+i_m(k+1)+{\mathrm{\ρe}}_a(k+1),$ i_m(k+1)为参考模型输出，ρ为输出误差反馈系数，-1＜ρ＜0。由图1可见， $i_a(k+1)=f_a(k+1)+u_a\left(k\right)=f_a(k+1)-{\hat{f}}_a(k+1)+i_m(k+1)+{\mathrm{\ρe}}_a(k+1),$ 由于采用基于最近邻聚类的RBF网络实时在线辨识，辨识器学习速度快，完全满足在线要求，而且

逼近f_a(k+1)精度高，u_b(k)、u_c(k)对i_a(k+1)的交叉强耦合影响，由于在辨识模型 ${\hat{f}}_a[u_a\left(k\right),i_a\left(k\right),i_a(k-1),i_a(k-2),u_b\left(k\right),u_c\left(k\right)]$ 中产生了足够影响和作用，并且 ${\hat{f}}_a[u_a\left(k\right),i_a\left(k\right),i_a(k-1),i_a(k-2),u_b\left(k\right),u_c\left(k\right)]\≈f_a(k+1),$ 从而使得i_a(k+1)＝i_m(k+1)+ρe_a(k+1)。这样就使用很简捷的方法实现了对A相输出电流i_a(k+1)的解耦控制！对i_b(k+1)、i_c(k+1)的解耦原理类同。文献“一类非线性离散系统模糊自适应控制器设计“(张绍德华中理工大学学报2000，28(5)：75～77)已经证明了|ρ|＜1时，ρe_a(k+1)渐近收敛于零，即系统的输出能够渐近跟踪参考模型的输出，此处即i_a(k+1)＝i_m(k+1)。同理，i_b(k+1)＝i_m(k+1)，i_c(k+1)＝i_m(k+1)。

本发明使用的基于最近邻聚类RBF神经网络辨识器实现在线学习的方法是：

在控制流程中，程序初始化后，设u(k)为一斜坡输入，对应电极逐步下降点弧，起弧后当高速数据采集系统一旦采集到电流后，先取50个样本对(u(k)，i(k+1))，并对其保存，接着电流控制器投入到系统中，再利用当前时刻及过去时刻电极系统的输入输出数据来预报下一时刻电极系统的输出i(k+1)，在聚类学习时，始终保存当前时刻以前的49个时刻的输入输出数据对，连同当前时刻的输入输出数据对，共50个作为聚类学习的样本，这样连续向后推进，即可实现在线学习。

本发明三相电弧炉电极控制的计算机网络及系统组成见图2。

实验室模拟实验电路见图3。

对系统的输入输出数据进行归一化处理，归一化处理对网络训练非常重要，能够有效提高网络学习速度，减少训练时间。为了验证系统的跟踪和解耦效果，在模拟实验中(见图3)系统设定值为i(k+1)＝4(A)(归一化后为0.8)。试验结果如图4～6和表1所示。

表1实验装置三相输出电流

由表1可知，系统的跟踪精度高。由图4～6可知，系统收敛速度快，在调试中当人为改变一相电阻值时，对该相电流的影响迅速得到恢复，同时，对另外两相电流由于解耦发生作用而毫无影响。

本发明成功实现电极系统的实时在线解耦和建模，其中用很简捷的方法对三相电极系统成功解耦，从而实现对电极电流的准确平稳控制。本发明适用于对任意多变量复杂系统的实时解耦和控制，具有广泛性。

附图说明：

图1电极系统A相控制结构图

图2计算机网络及系统组成图

图3实验室模拟实验原理图

图4模拟试验三相输出电流波形(A相)

图5模拟试验三相输出电流波形(B相)

图6模拟试验三相输出电流波形(C相)

图1是基于RBF神经网络辨识的电弧炉MRAC系统A相结构图，图中工艺曲线为系统的设定值，相当于参考模型的输出i_m(k+1)。i_a(k+1)＝f_a(k+1)+u_a(k)属控制量可分离结构，对应说明书中提到的模型II结构，系统A相模型f_a(·)为非线性、时变、强耦合部分。NNI_a为基于最近邻聚类RBF网络的A相电极系统在线辨识器。A相电流控制器的输出u_a(k)为控制律， $u_a\left(k\right)=-{\hat{f}}_a(k+1)+i_m(k+1)+{\mathrm{\ρe}}_a(k+1),$ ρ为输出误差反馈系数，-1＜ρ＜0，B，C相控制量u_b(k)、u_c(k)对A相输出电流i_a(k+1)有强耦合作用，其耦合环节是P_ba、P_ca，图中u_b(k)、u_c(k)引入到NNI_a输入端，其目的是为了解耦。

图2是控制系统的计算机网络图，图2中，工控机中装入SIEMENS公司的WinAC RTX，它是面向高速和精确时间要求的基于PC的自动化集成方案中的核心部件，是一套应用于Windows操作系统的软件包，其功能不仅仅限于在PC上实现PLC功能，同时在PLC与PC间实现完美的集成。WinAC ODK(Open Development Kit)用于控制系统用户程序的开发，与WinAC控制平台相集成。控制系统的用户程序用VC++6.0编写。高速数据采集器选用台湾凌华公司生产的PXI总线系列产品DAQ-2010，PXI8570和PCI8570构建。采样频率为400Khz，每连续采样1000个数据，经数据预处理得到一个有效数。ET200M工作站分布式I/O接口。液压机构的响应速度为12ms。

图3是控制系统模拟实验图，用VC++6.0编制的控制系统程序，通过WinAC ODK和STEP7形成动态联结，将三相控制信号u_a(k)、u_b(k)、u_c(k)通过PROFIBUS送至远程I/O接口ET200M。并经A/D模块转换成模拟控制信号，作为变频器控制信号，变频器输出控制单相交流电机M，电机M带动单相调压器，以改变调压器输出电压，从而改变电阻负载上的电流。图3中，变频器、单相电机、齿轮减速器、单相调压器、负载电阻组成一个非线性、强耦合、滞后的广义对象，用以模拟电极系统。

图4～6是本发明的模拟实验三相输出电流波形图。

具体实施方式：

模拟实验系统组成：

本系统中，工控机通过工业以太网Industrial Ethernet(IE)与上位机通讯，通过现场总线Profibus DP(DP)与远程I/O接口ET200M联结，具体结构如图2所示。

三相电弧炉主电路中的石墨电极、短网、废钢、钢水等都可以用等效的时变电阻来表示。为模拟实际系统的运行过程，在实验室设计了1套三相模拟实验装置，如图3所示。

系统硬件配置：

①远程I/O选用Siemens公司的分布式I/O ET200M，包括模拟输入模块(1个)，模拟输出模块(1个)，数字输入模块(1个)，数字输出模块(1个)；

②交流变频器采用日本YASKAWA US mini J7 Series系列产品；

③高速数据采集器采用凌华科技的PXI-2010_DAQStreaming，采样3个信道的数字讯号，采样周期设为2.5μs；

④工控机采用SIEMENS公司的Simatic RACK PC IL。

系统使用的软件：

①WinAC RTX是面向高速和精确时间要求的SIEMENS工控软件，可实现基于PC的自动化解决方案。它充分利用了PC机的软硬件资源，既具有了很好的灵活性、适应性、扩展性，又保持了PLC原有的可靠性；

②WinAC ODK是与WinAC控制器配套使用的软件程序开发工具包，利用这个开发包可以在C++语言编译环境下编写程序代码，生成动态链接库程序，与STEP7进行实时数据交换；

③PLC控制程序：使用STEP 7集成开发工具编写，主要完成电气逻辑控制和状态参量监测，并配合工控机完成算法程序。采用STEP7中固定的系统功能SFC实现，需要时可以在主程序0B1中调用各功能模块；

④智能控制程序：考虑到该算法的复杂性，在该项目中选用VC++6.0结合WinAC ODK开发工具包编制实现系统的数据采集、处理、系统辨识、控制算法并输出控制量等功能的动态链接库程序，由WinAC调用，然后通过PLC把控制量送到变频器的控制输入端，从而实现对电流的控制要求。

Claims (2)

1. 基于模型参考自适应控制的多变量系统神经网络解耦方法，其特征在于该方法对于三相交流电弧炉电极控制系统，采用一种神经网络实时在线辨识与解耦，在对三相电极系统中的某一相在线辨识时，将另外两相的控制信号引入到这一相神经网络辨识器的输入端，作为该相辨识器的所有输入信号中的两个信号参与辨识，应用其结果对具有强耦合的三相电极系统进行解耦与控制。

2. 根据权利要求1所述的方法，其特征在于该方法采用基于最近邻聚类的RBF神经网络实现对多变量过程系统实时在线解耦、辨识，实现快速在线的学习方法是：在控制流程中，程序初始化后，设u(k)为一斜坡输入，对应电极逐步下降点弧，起弧后当高速数据采集系统一旦采集到电流后，先取50个样本对(u(k)，i(k+1))，并对其保存，接着电流控制器投入到系统中，再利用当前时刻及过去时刻电极系统的输入输出数据来预报下一时刻电极系统的输出i(k+1)，在聚类学习时，始终保存当前时刻以前的49个时刻的输入输出数据对，连同当前时刻的输入输出数据对，共50个作为聚类学习的样本，这样连续向后推进。

Images