CN110244563B - 一种神经网络内模控制器模型失配识别及在线更新方法 - Google Patents

Abstract

本发明公开了神经网络内模控制器模型失配识别及在线更新方法，所述方法包括以下步骤：步骤1：建立神经网络模型，采用误差反向传播方法训练正向神经网络G_p和神经网络逆控制器G_c；步骤2：搭建神经网络内模控制器；步骤3：建立模型失配检测模块；步骤4：提出神经网络在线更新方法。

Description

一种神经网络内模控制器模型失配识别及在线更新方法

技术领域

本发明涉及优化控制技术领域，特别是涉及神经网络内模控制器模型失配识别及在线更新方法。

背景技术

内模控制(Internal Model Control-IMC)是一种基于过程数学模型进行控制器设计的控制策略，1982年由C.E.Garcia和M.Morari提出，因其设计简单、鲁棒性强和抗干扰能力强而获得广泛应用。但针对复杂系统，由于其对象模型和逆控制器难以求取，导致内模控制算法难以实现。基于上述情况，提出了将神经网络算法与内模控制算法(IMC)相结合，用被控对象输入输出数据训练神经网络参考模型和神经网络逆控制器来分别取代传统内模控制算法中的对象模型和逆控制器。

目前常见的神经网络内模控制方法，用给定值与被控量的误差对逆控制器和参考模型不断进行校正，其在控制过程中可能导致控制器偏离实际对象的逆模型，控制效果远远不如传统的IMC控制方法。此外，根据内控控制器的结构，当对象实际特性偏离参考模型特性时，控制效果可能会急剧下降甚至造成无法控制。因此，模型失配检测以及性能监测是神经网络内模控制中一个关键性的问题。

因此希望有一种神经网络内模控制器模型失配识别及在线更新方法能够解决现有技术中存在的问题。

发明内容

本发明公开了一种神经网络内模控制器模型失配识别及在线更新方法，所述方法包括以下步骤：

步骤1：建立神经网络模型，采用误差反向传播方法训练正向神经网络G_p和神经网络逆控制器G_c；

步骤2：搭建神经网络内模控制器；

步骤3：建立模型失配检测模块；

所述建立模型失配检测模块，将所述输出控制量u和所述偏差e接入失配识别模块，通过互信息方法分析所述输出控制量u和偏差e的相关性，判断神经网络内模控制器模型是否出现失配；

以输入u为横坐标，模型偏差e为纵坐标，得到一段时间内的u-e图像，再在图像上对点集区域划出矩形框λ，λ₁是λ在u方向上的长度，λ₂是λ在e方向上的长度。继续将λ等距地分成m₁×m₂个小格子ξ_ij，则u方向上的格子长度为λ₁/m₁，e方向上的格子长度为λ₂/m₂。对采样点k(u,e)进行判断,若k在小格子ξ_ij中，则做一次记录，直到将所有采样点都判断了一遍，得到落入标号为(i,j)的小格中的数据个数N_ij，同时记录落入范围i到i+1内的数据点数N_i，和从j到j+1内的点数N_j，即可得到p(x,y)＝N_ij/N，p(x)＝N_i/N，p(y)＝N_j/N，其中N为所有采样点数，将p(x,y)、p(x)、p(y)代入公式，即可求出一组u和e的互信息I；要判断是否失配，即u与e是否存在相关性，需要对I设定一个置信区间，即确定I超出一定范围可以判断失配；

步骤4：提出神经网络在线更新方法；

所述神经网络在线更新方法包括：当所述失配识别模块判断神经网络内模控制器模型已经失配时，开始采集被控对象的输入输出数据，采集100个样本数据后，通过所述误差反向传播方法，以新采集的样本作为新的数据，迭代训练当前正向神经网络G_p和神经网络逆控制器G_c，实现神经网络模型的增量式更新，将更新后的模型替换原本的神经网络模型，实现神经网络内模控制器模型在线更新。

优选地,所述步骤1误差反向传播方法训练正向神经网络G_p和神经网络逆控制器G_c包括以下步骤：

步骤1.1：数据采集与处理，以2s的时间间隔采集被控对象运行过程的输入输出数据，采集2000组输入输出数据后保存，取前1800组数据作为训练集训练神经网络，后200组数据作为测试集测试神经网络性能；

步骤1.2：以被控对象当前时刻的输出值和输入值作为神经网络输入，下一时刻输出值作为神经网络参考输出来离线训练所述正向神经网络G_p；迭代训练3000次，误差小于3％的时候停止训练；

步骤1.3：以被控对象当前时刻的输出值和下一时刻的输出值作为神经网络输入，当前时刻输入值作为神经网络参考输出来离线训练所述神经网络逆控制器G_c；迭代训练3000次，误差小于3％的时候停止训练。

优选地，所述步骤2搭建神经网络内模控制器包括以下步骤：

设定值r和第二减法器的输出值偏差e作为第一减法器的输入，第一减法器的输出为设定值r减去偏差e的值；第一减法器的输出接入滤波器G_f，滤波器G_f为一阶滤波器，滤波器G_f输出信号接入所述神经网络逆控制器G_c，经过神经网络运算后输出控制量u，控制量u分别接入被控对象G_m和所述正向神经网络G_p；正向神经网络G_p的输出值与被控对象的输出值被控量y作为第二减法器的输入，第二减法器的输出值偏差e为被控量y减去所述正向神经网络G_p的输出。

优选地,所述互信息方法中两个离散随机变量X和Y的互信息定义计算为公式(1)：

其中，p(x,y)是X和Y的联合概率分布函数，p(x)和p(y)分别是X和Y的边缘概率分布函数；互信息的大小反映了联合分布p(x,y)和边缘分布的乘积p(x)p(y)的相似程度。

本发明提出的一种神经网络内模控制器模型失配识别及在线更新方法实现了控制器模型的失配识别和在线更新，使控制系统具备了自诊断和自趋优功能。

附图说明

图1是神经网络内模控制系统模型失配识别和在线更新方法结构图。

图2是互信息计算示意图。

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

神经网络内模控制器模型失配识别及在线更新方法，其特征在于，所述方法包括以下步骤：

步骤1：建立神经网络模型，采用误差反向传播方法训练正向神经网络G_p和神经网络逆控制器G_c；误差反向传播方法训练正向神经网络G_p和神经网络逆控制器G_c包括以下步骤：

步骤1.1：数据采集与处理，以2s的时间间隔采集被控对象运行过程的输入输出数据，采集2000组输入输出数据后保存，取前1800组数据作为训练集训练神经网络，后200组数据作为测试集测试神经网络性能；

步骤1.2：以被控对象当前时刻的输出值和输入值作为神经网络输入，下一时刻输出值作为神经网络参考输出来离线训练所述正向神经网络G_p；迭代训练3000次，误差小于3％的时候停止训练；

步骤1.3：以被控对象当前时刻的输出值和下一时刻的输出值作为神经网络输入，当前时刻输入值作为神经网络参考输出来离线训练所述神经网络逆控制器G_c；迭代训练3000次，误差小于3％的时候停止训练。

步骤2：搭建神经网络内模控制器；如图1所示，搭建神经网络内模控制器包括以下步骤：

设定值r和第二减法器的输出值偏差e作为第一减法器的输入，第一减法器的输出为设定值r减去偏差e的值；第一减法器的输出接入滤波器G_f，滤波器G_f为一阶滤波器，滤波器G_f的表达式为：

1/(1+s)

滤波器G_f输出信号接入所述神经网络逆控制器G_c，经过神经网络运算后输出控制量u，控制量u分别接入被控对象G_m和所述正向神经网络G_p；正向神经网络G_p的输出值与被控对象的输出值被控量y作为第二减法器的输入，第二减法器的输出值偏差e为被控量y减去所述正向神经网络G_p的输出

步骤3：建立模型失配检测模块；将所述输出控制量u和所述偏差e接入失配识别模块，通过互信息方法分析所述输出控制量u和偏差e的相关性，判断神经网络内模控制器模型是否出现失配。

在概率论和信息论中，两个随机变量的互信息(Mutual Information:MI)是变量间相互依赖性的量度，不同于相关系数，互信息并不局限于实值随机变量。如果模型出现失配，则控制量u对偏差e的影响就会变大，即u与e的互信息就会变大，通过判断互信息的变化判断模型的失配；

互信息方法中两个离散随机变量X和Y的互信息定义计算为公式(1)：

其中，p(x,y)是X和Y的联合概率分布函数，p(x)和p(y)分别是X和Y的边缘概率分布函数；互信息的大小反映了联合分布p(x,y)和边缘分布的乘积p(x)p(y)的相似程度。

函数P的计算方法：如图2所示，以输入u为横坐标，模型偏差e为纵坐标，得到一段时间内的u-e图像，再在图像上对点集区域划出矩形框λ，λ₁是λ在u方向上的长度，λ₂是λ在e方向上的长度。继续将λ等距地分成m₁×m₂个小格子ξ_ij，则u方向上的格子长度为λ₁/m₁，e方向上的格子长度为λ₂/m₂。对采样点k(u,e)进行判断,若k在小格子ξ_ij中，则做一次记录，直到将所有采样点都判断了一遍，得到落入标号为(i,j)的小格中的数据个数N_ij，同时记录落入范围i到i+1内的数据点数N_i，和从j到j+1内的点数N_j，即可得到p(x,y)＝N_ij/N，p(x)＝N_i/N，p(y)＝N_j/N，其中N为所有采样点数，将p(x,y)、p(x)、p(y)代入公式，即可求出一组u和e的互信息I。

要判断是否失配，即u与e是否存在相关性，需要对I设定一个置信区间，即确定I超出一定范围可以判断失配，通过统计实验给出判断广义相关性的临界值表：

当检测50个样本计算的互信息值I>0.4233时，即判断模型已经失配。

步骤4：提出神经网络在线更新方法；当所述失配识别模块判断神经网络内模控制器模型已经失配时，开始采集被控对象的输入输出数据，采集100个样本数据后，通过所述误差反向传播方法，以新采集的样本作为新的数据，迭代训练当前正向神经网络G_p和神经网络逆控制器G_c，实现神经网络模型的增量式更新，将更新后的模型替换原本的神经网络模型，实现神经网络内模控制器模型在线更新。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种神经网络内模控制器模型失配识别及在线更新方法，其特征在于，所述方法包括以下步骤：

步骤1：建立神经网络模型，采用误差反向传播方法训练正向神经网络G_p和神经网络逆控制器G_c；

步骤2：搭建神经网络内模控制器；

步骤3：建立模型失配检测模块；

所述建立模型失配检测模块，将控制量u和偏差e接入失配识别模块，通过互信息方法分析控制量u和偏差e的相关性，判断神经网络内模控制器模型是否出现失配；

以控制量u为横坐标，偏差e为纵坐标，得到一段时间内的u-e图像，再在图像上对点集区域划出矩形框λ，λ₁是λ在u方向上的长度，λ₂是λ在e方向上的长度；继续将λ等距地分成m₁×m₂个小格子ξ_ij，则u方向上的格子长度为λ₁/m₁，e方向上的格子长度为λ₂/m₂；对采样点k(u,e)进行判断,若k在小格子ξ_ij中，则做一次记录，直到将所有采样点都判断了一遍，得到落入标号为(i,j)的小格中的数据个数N_ij，同时记录落入范围i到i+1内的数据点数N_i，和从j到j+1内的点数N_j，即可得到p(x,y)＝N_ij/N，p(x)＝N_i/N，p(y)＝N_j/N，其中N为所有采样点数，将p(x,y)、p(x)、p(y)代入

即可求出一组u和e的互信息I；要判断是否失配，即u与e是否存在相关性，需要对I设定一个置信区间，即确定I超出一定范围可以判断失配；其中，p(x,y)是X和Y的联合概率分布函数，p(x)和p(y)分别是X和Y的边缘概率分布函数；

步骤4：提出神经网络在线更新方法；

所述神经网络在线更新方法包括：当所述模型失配检测模块判断神经网络内模控制器模型已经失配时，开始采集被控对象的输入输出数据，采集100个样本数据后，通过所述误差反向传播方法，以新采集的样本作为新的数据，迭代训练当前正向神经网络G_p和神经网络逆控制器G_c，实现神经网络模型的增量式更新，将更新后的模型替换原本的神经网络模型，实现神经网络内模控制器模型在线更新。

2.根据权利要求1所述的神经网络内模控制器模型失配识别及在线更新方法，其特征在于：所述步骤1误差反向传播方法训练正向神经网络G_p和神经网络逆控制器G_c包括以下步骤：

步骤1.1：数据采集与处理，以2s的时间间隔采集被控对象运行过程的输入输出数据，采集2000组输入输出数据后保存，取前1800组数据作为训练集训练神经网络，后200组数据作为测试集测试神经网络性能；

步骤1.2：以被控对象当前时刻的输出值和输入值作为神经网络输入，下一时刻输出值作为神经网络参考输出来离线训练所述正向神经网络G_p；迭代训练3000次，误差小于3％的时候停止训练；

步骤1.3：以被控对象当前时刻的输出值和下一时刻的输出值作为神经网络输入，当前时刻输入值作为神经网络参考输出来离线训练所述神经网络逆控制器G_c；迭代训练3000次，误差小于3％的时候停止训练。

3.根据权利要求1所述的神经网络内模控制器模型失配识别及在线更新方法，其特征在于：所述步骤2搭建神经网络内模控制器包括以下步骤：

设定值r和第二减法器的输出值偏差e作为第一减法器的输入，第一减法器的输出为设定值r减去偏差e的值；第一减法器的输出接入滤波器G_f，滤波器G_f为一阶滤波器，滤波器G_f输出信号接入所述神经网络逆控制器G_c，经过神经网络运算后输出控制量u，控制量u分别接入被控对象G_m和所述正向神经网络G_p；正向神经网络G_p的输出值与被控对象的输出值被控量y作为第二减法器的输入，第二减法器的输出值偏差e为被控量y减去所述正向神经网络G_p的输出。

4.根据权利要求1所述的神经网络内模控制器模型失配识别及在线更新方法，其特征在于：所述互信息方法中两个离散随机变量X和Y的互信息定义计算为公式(1)：

其中，p(x,y)是X和Y的联合概率分布函数，p(x)和p(y)分别是X和Y的边缘概率分布函数；互信息的大小反映了联合分布p(x,y)和边缘分布的乘积p(x)p(y)的相似程度。

Images