摘要：首先分析了目前先進(jìn)控制技術(shù)工程實(shí)施過程中的技術(shù)瓶頸，在此基礎(chǔ)上提出了新的先進(jìn)控制技術(shù)建模方法。本文基于工業(yè)自動化通用技術(shù)平臺（IAP），采用圖形化控制策略組態(tài)技術(shù)開發(fā)了一套神經(jīng)網(wǎng)絡(luò)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(jié)構(gòu)，可快速自適應(yīng)地調(diào)整控制器參數(shù)。仿真實(shí)驗(yàn)結(jié)果表明，神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)的精度高，穩(wěn)定性好，可成為處理復(fù)雜工業(yè)過程，尤其是解決不確定和非線性領(lǐng)域問題的有效工具。

　　關(guān)鍵詞：先進(jìn)控制技術(shù)；神經(jīng)網(wǎng)絡(luò)；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(qiáng)耦合、非線性、強(qiáng)干擾、參數(shù)時變、大時滯、信息不完全、約束性強(qiáng)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(shí)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(fù)雜的耦合與制約關(guān)系、求得全局最優(yōu)，最有效的方法是采用先進(jìn)控制技術(shù)，或在常規(guī)控制的基礎(chǔ)上疊加先進(jìn)控制的補(bǔ)償分量。

1先進(jìn)控制技術(shù)應(yīng)用現(xiàn)狀

　　自上世紀(jì)70年代起，先進(jìn)控制技術(shù)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(yīng)用。先進(jìn)控制技術(shù)的內(nèi)涵豐富，具有時代特征，至今沒有一個嚴(yán)格統(tǒng)一的定義。但先進(jìn)控制的任務(wù)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(fù)雜工業(yè)過程。先進(jìn)控制理論的研究主要包括預(yù)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(luò)控制、內(nèi)膜控制及自適應(yīng)控制等，其中神經(jīng)網(wǎng)絡(luò)是目前研究較多的一種技術(shù)。

　　先進(jìn)控制技術(shù)的理論計(jì)算較復(fù)雜，傳統(tǒng)的實(shí)現(xiàn)方式需要單獨(dú)安裝、配置一個軟件包或計(jì)算站，但其執(zhí)行過程始終是個“黑箱”，模塊或軟件內(nèi)部計(jì)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(hù)都造成了一定的困難。加之，先進(jìn)控制技術(shù)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(shè)計(jì)、開發(fā)、調(diào)試、運(yùn)行和維護(hù)等方面都存在著較大甚至根本性的差異，使得企業(yè)在導(dǎo)入先進(jìn)控制技術(shù)過程中需要投入大量的資金，運(yùn)行維護(hù)成本也非常高，這是目前生產(chǎn)企業(yè)先進(jìn)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(luò)智能控制系統(tǒng)，可以有效地降低神經(jīng)網(wǎng)絡(luò)技術(shù)的導(dǎo)入成本和風(fēng)險，縮小先進(jìn)控制與傳統(tǒng)控制的差別，實(shí)現(xiàn)先進(jìn)控制與傳統(tǒng)控制同構(gòu)組態(tài)，為現(xiàn)代控制理論的工程應(yīng)用創(chuàng)造更好的技術(shù)環(huán)境。

2對角遞歸神經(jīng)網(wǎng)絡(luò)

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

　　大多數(shù)情況下，最好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是只在一個很小的單元組中使用反饋。因?yàn)榫W(wǎng)絡(luò)的權(quán)值（參數(shù)）個數(shù)越少，對模型的隨機(jī)性影響越?。痪W(wǎng)絡(luò)結(jié)構(gòu)越簡單，算法的收斂速度越快。所以，簡化遞歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、縮短訓(xùn)練時間后就形成了一種新型神經(jīng)網(wǎng)絡(luò)范式——對角遞歸神經(jīng)網(wǎng)絡(luò)（Diagonal Recurrent Neural Network，DRNN）。

　　對角遞歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)有3層，分別為輸入層、隱含層與輸出層，其結(jié)構(gòu)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(guān)的遞歸神經(jīng)元組成。簡化了網(wǎng)絡(luò)結(jié)構(gòu)，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(luò)結(jié)構(gòu)

　　對于任意的離散時刻k，Ii(k)是網(wǎng)絡(luò)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(luò)的輸出。WIij、WDj和WOj分別表示輸入層、隱含層和輸出層的權(quán)值。

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

　　

3對角遞歸神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)

　　神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)的系統(tǒng)結(jié)構(gòu)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(luò)組成，分別稱為DRNC與DRNI。由辨識器DRNI網(wǎng)絡(luò)的輸出ym(k)辨識未知的被控設(shè)備的實(shí)際輸出y(k)，并提供設(shè)備的Jacobian信息給控制器DRNC。由DRNC的輸出u(k)驅(qū)動未知的動態(tài)系統(tǒng)，使設(shè)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(luò)的控制系統(tǒng)結(jié)構(gòu)

　　31辨識器DRNI 的學(xué)習(xí)算法

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

　　定義DRNI網(wǎng)絡(luò)的性能指標(biāo)函數(shù)為：

　　可按式（3）計(jì)算。

　　32控制器DRNC的學(xué)習(xí)算法

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

　　定義DRNC網(wǎng)絡(luò)的性能指標(biāo)函數(shù)為：

　　DRNC網(wǎng)絡(luò)中權(quán)值的更新公式為：

　　其中ηC是DRNC網(wǎng)絡(luò)的學(xué)習(xí)率。因子yu(k)≡y(k)/u(k)代表被控設(shè)備的敏感度，一般很難通過直接計(jì)算獲得，但若DRNI網(wǎng)絡(luò)已得到較好的訓(xùn)練，可近似認(rèn)為：

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

4神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)組態(tài)

　　41工業(yè)自動化通用技術(shù)平臺（IAP）

　　工業(yè)自動化通用技術(shù)平臺（Industry Automation Platform，IAP）是由福建中海創(chuàng)集團(tuán)研發(fā)的一種基于圖形化、模塊化控制邏輯組態(tài)技術(shù)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(jié)構(gòu)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(gòu)成。

　　IAPplant軟件采用面向設(shè)備的多維立體方式構(gòu)建現(xiàn)代化工廠的工藝設(shè)備和控制設(shè)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(shí)現(xiàn)控制系統(tǒng)構(gòu)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(shí)現(xiàn)了控制策略的組態(tài)分析、無擾動在線重構(gòu)、實(shí)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(jī)模擬實(shí)際的控制站運(yùn)行。IAPsimu軟件接收源自IAPlogic軟件的控制策略組態(tài)，經(jīng)過運(yùn)算后，產(chǎn)生相應(yīng)的輸出結(jié)果，反饋給IAPlogic軟件，實(shí)現(xiàn)對控制策略的計(jì)算、調(diào)試與模擬運(yùn)行。

　　42系統(tǒng)控制結(jié)構(gòu)組態(tài)

　　本文的神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)是基于IAP平臺研發(fā)的，首先在系統(tǒng)結(jié)構(gòu)組態(tài)軟件IAPplant中建立對角遞歸神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)工程管理架構(gòu)和IO體系，根據(jù)神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)中各個變量定義IAPplant軟件中IO點(diǎn)的具體信息，如IO點(diǎn)序的分布、IO類型、IO數(shù)量、標(biāo)簽名、注釋等。圖3所示是神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)結(jié)構(gòu)設(shè)計(jì)圖。

　　43系統(tǒng)控制策略組態(tài)

　　根據(jù)神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)的算法機(jī)理，在IAPlogic軟件中對完整的系統(tǒng)進(jìn)行控制策略組態(tài)。假設(shè)一個有代表性的非線性被控對象［5］，該設(shè)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(biāo)是確定設(shè)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(shè)備的組態(tài)設(shè)計(jì)為例，說明IAPlogic軟件組態(tài)設(shè)計(jì)原理與過程。根據(jù)參考模型與被控設(shè)備的差分方程，在IAPlogic軟件中采用基礎(chǔ)元件和連接線實(shí)現(xiàn)控制邏輯組態(tài)，如圖4所示。

　　圖4參考模型與被控設(shè)備控制策略組態(tài)

　　神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)的控制策略組態(tài)設(shè)計(jì)完成后，進(jìn)行控制策略的分析、鏈接、邏輯傳送，確認(rèn)無誤后，即可開始仿真實(shí)驗(yàn)。表1列出了圖4所需用到的IAP基礎(chǔ)元件列表。

　　表1控制策略組態(tài)元件圖標(biāo)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(shè)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(yùn)算器輸出等于兩個輸入的累加乘法運(yùn)算器輸出等于兩個輸入信號相乘除法運(yùn)算器輸出等于兩個輸入信號相除

5仿真實(shí)驗(yàn)結(jié)果

　　本實(shí)驗(yàn)中，設(shè)置學(xué)習(xí)率ηc=003，ηI=002，IAPsimu虛擬控制站的計(jì)算周期T1=100 ms，上位機(jī)中數(shù)據(jù)監(jiān)控周期T=500 ms。仿真實(shí)驗(yàn)結(jié)果分別如圖5~7所示。

       圖5所示是神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)開始運(yùn)行（計(jì)算）10 min內(nèi)的仿真結(jié)果。圖中三條曲線分別表示參考輸出yr(k)、設(shè)備的實(shí)際輸出y(k)與控制誤差ec(k)=yr(k)－y(k)?？梢钥闯?，在初始計(jì)算的10 min之內(nèi)，設(shè)備實(shí)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(jié)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(yùn)算時的07下降到03。

　　在神經(jīng)網(wǎng)絡(luò)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(yīng)能力，能迅速恢復(fù)到穩(wěn)定狀態(tài)。

6結(jié)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(gòu)建神經(jīng)網(wǎng)絡(luò)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(luò)的先進(jìn)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(jì)算環(huán)境中。系統(tǒng)運(yùn)行時，元件計(jì)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(luò)的學(xué)習(xí)特性展示出來，有效地降低了神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的復(fù)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(jì)算過程透明、可觀測，系統(tǒng)中所有權(quán)值、變量數(shù)據(jù)可自動記錄在計(jì)算機(jī)中，供技術(shù)人員分析對角遞歸神經(jīng)網(wǎng)絡(luò)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(shí)施。

參考文獻(xiàn)

　　［1］ 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(luò)非線性系統(tǒng)辨識研究［D］. 成都：西南交通大學(xué)，2011.

　?。?］ 姚慶文，何成平. 基于自適應(yīng)PID的切帶機(jī)控制系統(tǒng)設(shè)計(jì)［J］. 煤炭技術(shù)，2011，30(11)：45-47.

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

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