时滞不确定大纯滞后系统的神经元非模型控制.pdfVIP

自动化学报 ACTAAUTOMAT忙A 2000年6月 SlNICA 增刊B 时滞不确定大纯滞后系统的神经元 非模型控制 刘稳国 周重阳 王文海 孙优贤 {新江大学工业控锚技术研究所浙江大学工业拉橱技术国家重点实验室中田杭州310027) 。 。产 籀要本文制用文f|】给出的神经元模型0提出了一种针对存在不确定时濡的大纯滞后对象的 非模型控镧策略．该方法完全不依赖于被控对象的数学模型，又克服了大滞后对象控制后果 不能及时反馈的不足．应用该方法对大纯滞后一阶和二阶对象的仿真研究表明，该方法对太 纯滞后系统的不确定时滞具有报强的适应性，各种控制性能明显优于传统的PID控制． 关键词神经元非模型控制纯滞后PID控潮 1引言 工业过程中普遍存在着具有大纯滞后和参数不确定的被控对象，这是控制器设计 难以解决的问题．特别是当滞后时间远大于对象的时间常数时，由于控制作用的迟延． 极易引起系统闭环的不稳定或根本无法对系统进行有效的控制．同时由于对象时滞的不 确定性，难以建立精确的数学模型，基于对象模型的纯滞后补偿施密斯预估器或采用数 字控制器的达林算法很难在实际过程中实现．人工神经网络具有很强的自学习和自适应 那能力，可以处理那些难以用数学模型描述的．不确定的对象，但基于多层前向网络的 神经控制方法存在着算法复杂，参数收敛慢，存在局部最小点，在线学习困难等缺点， 使其在工业控制中的应用遇到了报大的困难．为此，本文作者之一提出了一种面向控制 的神经元非模型控制方法，并相继在水轮机和电渣重熔等工业过程中获得成功，本文针 对时滞不确定大纯滞后对象．将文【1】的控制方法作了改进，取得令人满意的效果． 2神经元非模型控制 文Il】针对将现有多层前向神经网络直观套用控制中存在的缺陷．提出了一种适用 于控制的神经元模型．并建立了相应的神经元非模型控制系统(如图1所示)，图中转 换器将来自环境E的信号转换为神经元的输入状态‘(f)，神经元的输出s(t)可表示为： 5(f)=k·∑H(f)‘(f) (1) f=i 增刊B 自动化学报 其中，k0是神经元的增益， w．(f)是相应于神经元输入 X，(，)(f=1,2，…，)的权值，其值 由相应的神经元算法确定． 一般认为神经元通过改变自身 的突触加权值进行自组织．根据 D．o．Hebb提出的著名假设，可吐 得到以下学习规则： H(H-1)=Wi(f)+d·Pi(f)(2) 式中，d0是学习速率，P，(f) 强I面向控制的神经元模型 是学习策略．为适应控制的要求， 文fll提出了如下联想式学习策略： pat)=z(t)s(t)x．(r) (3) (A(，)==(rK(伪相结合的方式．通过关联搜索对未知的外界作出反应和作用．这意 味着神经元在教师信号z(r)的指导下对环境信息进行自组织来产生控制作用，并隐含 着对神经元作用信号的评价． 由上述的神经元模型及学习策略，文[1】提出了如下的神经元控制器学习算法： ^ r n ∽邛善Wi(蝴f)]7酗(f)| (4) 11q(r+I)=w，(f)+d[，(，)一y(t)lu(t)x。O) 式中，，(r)为给定信号．y(f)为对象的实际输出，Ⅵ(r)为对应于输入xAt)的权值， x。(r)为神经元的输入状态，可在进行控制系统设计时根据需要来选取． 3控制系统设计 纯滞后系统的当前输入需要经过滞后时间“后才能在输出中表现出来