CN111752152A - Siso紧格式无模型控制器基于lstm神经网络的参数自整定方法 - Google Patents

Abstract

本发明公开了一种SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，利用系统误差数据集作为LSTM神经网络的输入，LSTM神经网络进行前向计算并通过输出层输出惩罚因子、步长因子等SISO紧格式无模型控制器待整定参数，采用SISO紧格式无模型控制器的控制算法计算得到针对被控对象的控制输入，以系统误差函数的值最小化为目标，采用梯度下降法，并结合控制输入分别针对各个待整定参数的梯度信息，进行系统误差反向传播计算，在线实时更新LSTM神经网络的隐含层权系数、输出层权系数，实现控制器基于LSTM的参数自整定。本发明提出的SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，能有效克服控制器参数的在线整定难题，对SISO系统具有良好的控制效果。

Description

SISO紧格式无模型控制器基于LSTM神经网络的参数自整定 方法

技术领域

本发明属于自动化控制领域，尤其是涉及一种SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法。

背景技术

SISO(Single Input and Single Output，单输入单输出)系统广泛存在于炼油、化工、火电、机械、电气、石化、制药、食品、造纸、水处理、冶金、水泥、橡胶等行业的反应器、精馏塔、机器、设备、装置、生产线、车间、工厂等被控对象中。随着科技水平的不断提高，工业装置日益大型化与复杂化，使生产过程呈现出越来越多的强非线性、时变等特征，而以PID为代表的传统控制器在控制具有强非线性、时变等特征的复杂被控对象时往往难以达到理想的控制效果。无模型控制器是一种新型的基于数据驱动的控制模型，对未知非线性时变系统具有很好的控制效果，因此具有良好的应用前景。

针对SISO系统的无模型控制器的现有实现方法中包括SISO紧格式无模型控制器。SISO紧格式无模型控制器是一种新型的数据驱动控制方法，不依赖被控对象的任何数学模型信息，仅依赖于SISO被控对象实时测量的输入输出数据进行控制器的分析和设计，并且实现简明、计算负担小及鲁棒性强，对未知非线性时变SISO系统也能够进行较好的控制，具有良好的应用前景。SISO紧格式无模型控制器的理论基础，由侯忠生与金尚泰在其合著的《无模型自适应控制-理论与应用》(科学出版社，2013年，第55页)中提出，其控制算法如下：

其中，u(k)为k时刻的系统控制输入；e(k)为k时刻的系统误差；φ_c(k)为k时刻的SISO系统伪偏导数估计值；λ为惩罚因子，ρ为步长因子。

然而，SISO紧格式无模型控制器在实际投用前需要依赖经验知识来事先设定惩罚因子λ和步长因子ρ等参数的数值，在实际投用过程中也尚未实现惩罚因子λ和步长因子ρ等参数的在线自整定。参数有效整定手段的缺乏，不仅使SISO紧格式无模型控制器的使用调试过程耗费大量的人力物力，而且有时还会严重影响SISO紧格式无模型控制器的控制效果，制约了SISO紧格式无模型控制器的推广应用。

为了打破制约SISO紧格式无模型控制器推广应用的瓶颈，SISO紧格式无模型控制器在实际投用过程中还需要解决在线自整定参数的难题。

发明内容

本发明的目的在于，提供一种SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，以解决SISO紧格式无模型控制器的参数在线自整定问题。

为此，本发明的上述目的通过以下技术方案来实现，包括以下步骤：

步骤(1)：SISO紧格式无模型控制器参数包含惩罚因子λ和步长因子ρ；确定SISO紧格式无模型控制器待整定参数，所述SISO紧格式无模型控制器待整定参数，为所述SISO紧格式无模型控制器参数的部分或全部，包含惩罚因子λ和步长因子ρ的任意之一或其组合；确定LSTM神经网络的输入层节点数、隐含层单元数、输出层节点数，所述输出层节点数不少于所述SISO紧格式无模型控制器待整定参数个数；初始化LSTM神经网络每一个隐含层单元中输入门、遗忘门、细胞状态以及输出门中待训练学习的权系数；初始化LSTM神经网络输出层待训练学习的权系数；

步骤(2)：将当前时刻记为k时刻，基于系统输出期望值与系统输出实际值，采用系统误差计算函数计算得到k时刻的系统误差，记为e(k)；

步骤(3)：将步骤(2)计算得到的系统误差及其函数组、系统输出期望值、系统输出实际值的任意之一或任意种组合，作为LSTM神经网络的输入；

步骤(4)：基于步骤(3)所述的LSTM神经网络的输入，LSTM神经网络提取输入向量中的误差信息与时间关联性信息进行前向计算，首先将当前时刻的输入和上一时刻LSTM的隐含层状态值进行拼接并生成临时向量，利用所述临时向量计算LSTM隐含层单元中遗忘门的输出，然后进行LSTM隐含层单元中输入门与输入状态的计算，基于所述输入门与输入状态的值计算LSTM隐含层单元中细胞状态值，接着完成LSTM隐含层单元中输出门的计算，利用所述输出门与细胞状态的计算结果更新隐含层单元的最终输出，最后通过LSTM神经网络的输出层进行最终的计算，得到所述SISO紧格式无模型控制器待整定参数的值；

步骤(5)：基于步骤(2)得到的系统误差e(k)、步骤(4)得到的所述SISO紧格式无模型控制器待整定参数的值，采用SISO紧格式无模型控制器的控制算法，计算得到SISO紧格式无模型控制器针对被控对象在k时刻的控制输入u(k)；

步骤(6)：基于步骤(5)得到的所述控制输入u(k)，计算所述控制输入u(k)分别针对各个所述SISO紧格式无模型控制器待整定参数在k时刻的偏导数，具体计算公式如下：

当所述SISO紧格式无模型控制器待整定参数中包含惩罚因子λ时，所述控制输入u(k)针对所述惩罚因子λ在k时刻的偏导数为：

当所述SISO紧格式无模型控制器待整定参数中包含步长因子ρ时，所述控制输入u(k)针对所述步长因子ρ在k时刻的偏导数为：

其中，φ(k)为k时刻的伪梯度估计值；

步骤(7)：以系统误差函数的值最小化为目标，采用基于链式法则的梯度下降法进行LSTM神经网络反向传播计算，更新所述LSTM神经网络所有待训练学习的权系数，作为后一时刻LSTM神经网络进行前向计算的权系数；所述梯度下降法公式如下：

其中w为待训练学习的权系数，J(w)是关于w的系统误差函数，α是学习率，为0到1之间的实数；所述反向传播计算过程中，在更新LSTM神经网络所有待训练学习的权系数时，使用步骤(6)中所述控制输入u(k)分别针对各个所述SISO紧格式无模型控制器待整定参数在k时刻的偏导数；

步骤(8)：所述控制输入u(k)作用于被控对象后，得到被控对象在后一时刻的系统输出实际值，返回到步骤(2)，重复步骤(2)到步骤(8)。

LSTM(Long Short Term Memory，长短期记忆)神经网络是一种时间递归式神经网络，LSTM神经网络结构中包含遗忘门、输入门、细胞状态以及输出门，这种网络结构保证LSTM神经网络同时具备传统前馈神经网络的学习能力以及存储时间序列信息的记忆能力。SISO紧格式无模型控制器在每一个时刻都会产生不同的系统控制输入输出以及系统误差等时间序列信息，而控制器参数的整定与上述的系统变量具有紧密联系，LSTM神经网络可以很好地处理时间序列信息，包括提取时间序列信息的特征以及迭代学习待整定参数与时间序列信息的内在联系，利用LSTM神经网络可以帮助解决SISO紧格式无模型控制器参数在线自整定的难题。

在采用上述技术方案的同时，本发明还可以采用或者组合采用以下进一步的技术方案：

所述步骤(2)中的所述系统误差计算函数的自变量包含系统输出期望值与系统输出实际值。

所述步骤(2)中的所述系统误差计算函数采用e(k)＝y^*(k)-y(k)，其中y^*(k)为k时刻设定的系统输出期望值，y(k)为k时刻采样得到的系统输出实际值；或者采用e(k)＝y^*(k+1)-y(k)，其中y^*(k+1)为k+1时刻的系统输出期望值；或者采用e(k)＝y(k)-y^*(k)；或者采用e(k)＝y(k)-y^*(k+1)。

所述步骤(3)中的所述系统误差及其函数组，包含k时刻的系统误差e(k)、k时刻及之前所有时刻的系统误差的累积即

k时刻系统误差e(k)的一阶后向差分e(k)-e(k-1)、k时刻系统误差e(k)的二阶后向差分e(k)-2e(k-1)+e(k-2)、k时刻系统误差e(k)的高阶后向差分的任意之一或任意种组合。

所述步骤(7)中的所述系统误差函数的自变量包含系统误差、系统输出期望值、系统输出实际值的任意之一或任意种组合。

所述步骤(7)中的所述系统误差函数为ae²(k)+bΔu²(k)，其中，e(k)为系统误差，Δu(k)＝u(k)-u(k-1)，a与b为大于或等于0的常数。

所述被控对象包含反应器、精馏塔、机器、设备、装置、生产线、车间、工厂等工业对象。

运行所述控制方法的硬件平台包含数字信号处理控制器、嵌入式系统控制器、可编程逻辑控制器、工业控制计算机、单片机控制器、微处理器控制器、现场可编程门阵列控制器、集散控制系统、现场总线控制系统、工业物联网控制系统、工业互联网控制系统的任意之一或任意种组合。

本发明提供的SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，能够实现良好的控制效果，并有效克服在工业控制中，SISO紧格式无模型控制器的惩罚因子λ和步长因子ρ需要费时费力进行整定的难题。

附图说明

图1为本发明的原理框图；

图2为三容水箱SISO系统的示意图；

图3为三容水箱SISO系统输出的控制效果图；

图4为三容水箱SISO系统控制输入曲线；

图5为三容水箱SISO系统控制输入的惩罚因子λ变化曲线；

图6为三容水箱SISO系统控制输入的步长因子ρ变化曲线。

具体实施方式

下面结合附图和具体实施例对本发明进一步说明。

图1给出了本发明的原理框图。针对具有单个输入和单个输出的SISO系统，采用SISO紧格式无模型控制器进行控制；SISO紧格式无模型控制器参数包含惩罚因子λ和步长因子ρ；确定SISO紧格式无模型控制器待整定参数，所述SISO紧格式无模型控制器待整定参数，为所述SISO紧格式无模型控制器参数的部分或全部，包含惩罚因子λ和步长因子ρ的任意之一或其组合；在图1中，SISO紧格式无模型控制器待整定参数为惩罚因子λ和步长因子ρ；确定LSTM神经网络的输入层节点数、隐含层单元数、输出层节点数，所述输出层节点数不少于所述SISO紧格式无模型控制器待整定参数个数；初始化LSTM神经网络每一个隐含层单元中输入门、遗忘门、细胞状态以及输出门中待训练学习的权系数，初始化LSTM神经网络输出层待训练学习的权系数；将当前时刻记为k时刻；将输出期望值y^*(k)与输出实际值y(k)之差作为k时刻的系统误差e(k)，同时计算k时刻系统误差的一阶后向差分e(k)-e(k-1)以及历史系统误差总和

将e(k)、e(k)-e(k-1)、

组合向量作为LSTM神经网络的输入，LSTM神经网络提取输入向量中的误差信息与时间关联性信息进行前向计算，首先将当前时刻的输入和上一时刻LSTM的隐含层状态值进行拼接并生成临时向量，利用所述临时向量计算LSTM隐含层单元中遗忘门的输出，然后进行LSTM隐含层单元中输入门与输入状态的计算，基于所述输入门与输入状态的值计算LSTM隐含层单元中细胞状态值，接着完成LSTM隐含层单元中输出门的计算，利用所述输出门与细胞状态的计算结果更新隐含层单元的最终输出，最后通过LSTM神经网络的输出层进行最终的计算，得到所述SISO紧格式无模型控制器待整定参数的值。基于系统误差e(k)、SISO紧格式无模型控制器待整定参数的值，采用SISO紧格式无模型控制器的控制算法，计算得到SISO紧格式无模型控制器针对被控对象在k时刻的控制输入u(k)；计算控制输入u(k)分别针对各个所述SISO紧格式无模型控制器待整定参数在k时刻的偏导数。

本方法以系统误差函数的值最小化为目标，采用基于链式法则的梯度下降法进行LSTM神经网络反向传播计算，更新LSTM神经网络所有待训练学习的权系，作为后一时刻LSTM神经网络进行前向计算的权系数；所述反向传播计算过程中，在更新LSTM神经网络所有待训练学习的权系数时，需要使用控制输入u(k)分别针对各个所述SISO紧格式无模型控制器待整定参数在k时刻的偏导数；以当前时刻为例，对于LSTM神经网络输出层待训练学习的权系数，首先计算误差函数关于当前时刻输出层权系数的梯度，利用梯度下降法更新当前时刻的输出层权系数；对于LSTM神经网络隐含层单元中所有待训练学习的权系数，首先利用链式法则逐个计算误差函数关于隐含层单元中遗忘门，输入门，细胞状态以及输出门的梯度值，再利用全导数公式获得误差函数关于隐含层中所有权系数的梯度代数式，同样利用梯度下降法即可对权系数进行更新；控制输入u(k)作用于被控对象后，得到被控对象在后一时刻的输出实际值，然后重复上述过程，进行后一时刻的SISO紧格式无模型控制器基于LSTM的参数自整定过程。

以下是本发明的一个具体实施例。

被控对象三容水箱为单输入单输出SISO系统，是一个具有非线性、大惯性等复杂特点的典型工业对象，图2为三容水箱的示意图，由3个水箱构成，其中系统输出实际值y是水箱3的液位高度(cm)，控制输入u是流入水箱1的流量调节阀的阀门开度(％)。三容水箱的初始工况为：u(0)＝40％，y(0)＝50cm。在20秒处，为满足工业现场工况调整的需要，系统输出期望值y^*(20)从50cm调整为60cm；随后，在60秒处，系统输出期望值y^*(60)从60cm又调整回到50cm。针对工业现场的上述典型实际工况，开展三组试验进行对比验证。运行本发明控制方法的硬件平台采用工业控制计算机。

第一组试验(RUN1)：LSTM神经网络的输入层节点数预设为3个，隐含层节点数预设为9个，输出层节点数预设为2个，其中输出层2个节点分别输出惩罚因子λ和步长因子ρ；然后采用SISO紧格式无模型控制器的控制算法，对上述三容水箱SISO系统进行控制；图3的RUN1曲线为输出的控制效果图，图4的RUN1曲线为控制输入曲线，图5的RUN1曲线为控制输入的惩罚因子λ变化曲线，图6的RUN1曲线为控制输入的步长因子ρ变化曲线；从图3的RUN1曲线可以发现，系统输出实际值能够快速跟踪系统输出期望值的变化，同时系统输出实际值的超调量很小，实现了理想的控制性能；从图5与图6的RUN1曲线可以发现，惩罚因子λ和步长因子ρ能够及时根据系统误差的变化进行在线自整定，使系统更快速、准确、稳定地跟踪输出期望值。本发明的方法通过对惩罚因子λ和步长因子ρ进行同时自整定，能够实现良好的控制效果，并且可以有效克服惩罚因子λ和步长因子ρ需要费时费力进行整定的难题。

第二组试验(RUN2)：惩罚因子λ固定，取值为第一组试验(RUN1)时惩罚因子λ变化曲线的平均值；步长因子ρ固定，取值为第一组试验(RUN1)时步长因子ρ变化曲线的平均值；然后采用SISO紧格式无模型控制器的控制算法，对上述三容水箱SISO系统进行控制；图3的RUN2曲线为输出的控制效果图，图4的RUN2曲线为控制输入曲线，图5的RUN2曲线为控制输入的惩罚因子λ，图6的RUN2曲线为控制输入的步长因子ρ；从图3的RUN2曲线可以发现，系统输出实际值能够慢速跟踪系统输出期望值的变化，同时系统输出实际值的超调量很小；与第一组试验(RUN1)的控制性能相比，第二组试验(RUN2)在控制性能的快速性指标方面较为逊色。

第三组试验(RUN3)：惩罚因子λ与步长因子ρ的取值，均固定为常用值0.5；然后采用SISO紧格式无模型控制器的控制算法，对上述三容水箱SISO系统进行控制；图3的RUN3曲线为输出的控制效果图，图4的RUN3曲线为控制输入曲线，图5的RUN3曲线为控制输入的惩罚因子λ，图6的RUN3曲线为控制输入的步长因子ρ；从图3的RUN3曲线可以发现，系统输出实际值能够最快速跟踪系统输出期望值的变化，但是系统输出实际值的超调量较大；与第一组试验(RUN1)的控制性能相比，第三组试验(RUN3)在控制性能的稳定性指标方面较为逊色。

上述三组试验的结果表明，第一组试验(RUN1)中采用的由本发明提供的SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，具有最优的控制性能综合指标。

应该特别指出的是，在上述具体实施例中，将输出期望值y^*(k)与输出实际值y(k)之差作为k时刻的系统误差e(k)，也就是e(k)＝y^*(k)-y(k)，仅为所述误差计算函数中的一种方法；也可以将k+1时刻系统输出期望值y^*(k+1)与k时刻输出y(k)之差作为系统误差e(k)，也就是e(k)＝y^*(k+1)-y(k)；所述误差计算函数还可以采用输出期望值与输出实际值的其他计算方法，举例来说，

对上述具体实施例的被控对象而言，采用上述不同的系统误差计算函数，都能够实现良好的控制效果。

更应该特别指出的是，在上述具体实施例中，在以系统误差函数的值最小化为目标来更新LSTM神经网络的隐含层权系数、输出层权系数时，所述系统误差函数采用了系统误差平方e²(k)，仅为所述系统误差函数中的一种函数；举例来说，所述系统误差函数还可以采用ae²(k)+bΔu²(k)，其中，Δu(k)＝u(k)-u(k-1)，a与b为大于或等于0的常数；显然，当b等于0时，所述系统误差函数仅考虑了e²(t)的贡献，表明最小化的目标是系统误差最小，也就是追求精度高；而当b大于0时，所述系统误差函数同时考虑e²(t)的贡献和Δu²(t)的贡献，表明最小化的目标在追求系统误差小的同时，还追求控制输入变化小，也就是既追求精度高又追求操纵稳。对上述具体实施例的被控对象而言，采用上述不同的系统误差函数，都能够实现良好的控制效果；与系统误差函数仅考虑e²(k)贡献时的控制效果相比，在系统误差函数同时考虑e²(t)的贡献和Δu²(t)的贡献时其控制精度略有降低而其操纵平稳性则有提高。

最后应该特别指出的是，所述SISO紧格式无模型控制器待整定参数，包含惩罚因子λ和步长因子ρ的其中之一或所有；在上述具体实施例中，试验验证时惩罚因子λ和步长因子ρ实现了同时自整定；在实际应用时，还可以根据具体情况，选择待整定参数的任意种组合，举例来说，步长因子ρ固定而惩罚因子实现自整定；此外，SISO紧格式无模型控制器待整定参数，包括但不限于惩罚因子λ和步长因子ρ，举例来说，根据具体情况，还可以包括SISO系统伪偏导数估计值φ(k)等参数。

上述具体实施方式用来解释说明本发明，仅为本发明的优选实施例，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改、等同替换、改进等，都落入本发明的保护范围。

Claims (8)

1.SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，其特征在于包括以下步骤：

步骤(1)：SISO紧格式无模型控制器参数包含惩罚因子λ和步长因子ρ；确定SISO紧格式无模型控制器待整定参数，所述SISO紧格式无模型控制器待整定参数，为所述SISO紧格式无模型控制器参数的部分或全部，包含惩罚因子λ和步长因子ρ的任意之一或其组合；确定LSTM神经网络的输入层节点数、隐含层单元数、输出层节点数，所述输出层节点数不少于所述SISO紧格式无模型控制器待整定参数个数；初始化LSTM神经网络每一个隐含层单元中输入门、遗忘门、细胞状态以及输出门中待训练学习的权系数；初始化LSTM神经网络输出层待训练学习的权系数；

步骤(2)：将当前时刻记为k时刻，基于系统输出期望值与系统输出实际值，采用系统误差计算函数计算得到k时刻的系统误差，记为e(k)；

步骤(3)：将步骤(2)计算得到的系统误差及其函数组、系统输出期望值、系统输出实际值的任意之一或任意种组合，作为LSTM神经网络的输入；

步骤(4)：基于步骤(3)所述的LSTM神经网络的输入，LSTM神经网络提取输入向量中的误差信息与时间关联性信息进行前向计算，首先将当前时刻的输入和上一时刻LSTM的隐含层状态值进行拼接并生成临时向量，利用所述临时向量计算LSTM隐含层单元中遗忘门的输出，然后进行LSTM隐含层单元中输入门与输入状态的计算，基于所述输入门与输入状态的值计算LSTM隐含层单元中细胞状态值，接着完成LSTM隐含层单元中输出门的计算，利用所述输出门与细胞状态的计算结果更新隐含层单元的最终输出，最后通过LSTM神经网络的输出层进行最终的计算，得到所述SISO紧格式无模型控制器待整定参数的值；

步骤(5)：基于步骤(2)得到的系统误差c(k)、步骤(4)得到的所述SISO紧格式无模型控制器待整定参数的值，采用SISO紧格式无模型控制器的控制算法，计算得到SISO紧格式无模型控制器针对被控对象在k时刻的控制输入u(k)；

步骤(6)：基于步骤(5)得到的所述控制输入u(k)，计算所述控制输入u(k)分别针对各个所述SISO紧格式无模型控制器待整定参数在k时刻的偏导数，具体计算公式如下：

当所述SISO紧格式无模型控制器待整定参数中包含惩罚因子λ时，所述控制输入u(k)针对所述惩罚因子λ在k时刻的偏导数为：

当所述SISO紧格式无模型控制器待整定参数中包含步长因子ρ时，所述控制输入u(k)针对所述步长因子ρ在k时刻的偏导数为：

其中，φ(k)为k时刻的伪梯度估计值；

步骤(7)：以系统误差函数的值最小化为目标，采用基于链式法则的梯度下降法进行LSTM神经网络反向传播计算，更新所述LSTM神经网络所有待训练学习的权系数，作为后一时刻LSTM神经网络进行前向计算的权系数；所述梯度下降法公式如下：

其中w为待训练学习的权系数，J(w)是关于w的系统误差函数，α是学习率，为0到1之间的实数；所述反向传播计算过程中，在更新LSTM神经网络所有待训练学习的权系数时，使用步骤(6)中所述控制输入u(k)分别针对各个所述SISO紧格式无模型控制器待整定参数在k时刻的偏导数；

步骤(8)：所述控制输入u(k)作用于被控对象后，得到被控对象在后一时刻的系统输出实际值，返回到步骤(2)，重复步骤(2)到步骤(8)。

2.根据权利要求1所述的SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，其特征在于，所述步骤(2)中的所述系统误差计算函数的自变量包含系统输出期望值与系统输出实际值。

3.根据权利要求2所述的SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，其特征在于，所述系统误差计算函数采用e(k)＝y^*(k)-y(k)，其中y^*(k)为k时刻设定的系统输出期望值，y(k)为k时刻采样得到的系统输出实际值；或者采用e(k)＝y^*(k+1)-y(k)，其中y^*(k+1)为k+1时刻的系统输出期望值；或者采用e(k)＝y(k)-y^*(k)；或者采用e(k)＝y(k)-y^*(k+1)。

4.根据权利要求1所述的SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，其特征在于，所述步骤(3)中的所述系统误差及其函数组，包含k时刻的系统误差e(k)、k时刻及之前所有时刻的系统误差的累积即

k时刻系统误差e(k)的一阶后向差分e(k)-e(k-1)、k时刻系统误差e(k)的二阶后向差分e(k)-2e(k-1)+e(k-2)、k时刻系统误差e(k)的高阶后向差分的任意之一或任意种组合。

5.根据权利要求1所述的SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，其特征在于，所述步骤(7)中的所述系统误差函数的自变量包含系统误差、系统输出期望值、系统输出实际值的任意之一或任意种组合。

6.根据权利要求5所述的SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，其特征在于，所述系统误差函数为ae²(k)+bΔu²(k)，其中，e(k)为系统误差，Δu(k)＝u(k)-u(k-1)，a与b为大于或等于0的常数。

7.根据权利要求1所述的SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，其特征在于：所述被控对象包含反应器、精馏塔、机器、设备、装置、生产线、车间、工厂。

8.根据权利要求1所述的SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，其特征在于：运行所述控制方法的硬件平台包含数字信号处理控制器、嵌入式系统控制器、可编程逻辑控制器、工业控制计算机、单片机控制器、微处理器控制器、现场可编程门阵列控制器、集散控制系统、现场总线控制系统、工业物联网控制系统、工业互联网控制系统的任意之一或任意种组合。

Images