基于α阶神经网络逆系统孵化过程解耦控制.docVIP

基于α阶神经网络逆系统孵化过程解耦控制 中南林业科技大学 李俊超 中南林业科技大学 计算机与信息工程学院 2012级自动化专业，410004 周国雄 副教授 摘要：针对家禽孵化过程是一个复杂的生物过程，温度、湿度和氧气浓度之间耦合严重，常规的控制方法难以保证3个参数之间的稳定，提出一种基于α阶神经网络逆系统家禽孵化过程解耦控制方法。首先将3个参数进行耦合度分析分组，然后采用α阶神经网络逆系统控制耦合度较强的两个参数,另一个则通过模糊控制器控制，从而保证3个参数的稳定。实验结果表明了该方法的有效性。 关键词：孵化过程；逆系统；模糊控制；耦合度 引 言 家禽孵化过程是一个复杂的生物过程，孵化过程中，温度、湿度、含氧浓度这3个关键因素对禽蛋孵化率及雏禽质量有很大影响，为保证受精禽蛋的孵化率最大化，必须精确的控制温度、湿度、氧气浓度并解除它们之间的耦合关系部分高校研究者对解耦控制方面进行了相关研究：文献针对禽蛋孵化过程中的控制问题，研制了一种以8051单片机为核心的孵化控制系统，采用不同控制方法对温度、湿度、氧气浓度进行控制，并用间接模糊解耦方法对3者进行解耦。文献[3]提出一种基于分层结构的模糊免疫PID算法，实现了主要参数的解耦，并能对其进行精确控制。 上述方法在一定程度上解决了3个主要参数之间的耦合关系，稳定，但由于孵化控制系统是一个复杂的动态非线性、强耦合、多干扰系统，无法得到精确的数学模型，所以上述常规的解耦方法并不能有效的解决变量耦合问题。因此本文提出一种基于α阶逆神经网络系统解耦方法，该方法不需要系统的具体数学模型，只需知道系统输入输出阶次之差就可构造逆模型[5-6]。考虑到温度、湿度、含氧浓度这3个变量之间的耦合度强弱关系不同，为方便后续解耦控制，将3个变量进行分组控制，首先将3个因素进行耦合度分析 [7]，将耦合度关联较强的分在1组进行解耦控制，耦合度关联较弱的直接进行模糊控制，从而实现孵化过程3个主要参数的解耦控制。 1 1.1动态耦合度分析 耦合度是根据输入输出间的不同耦合度来确定输入输出变量配对问题，它对解耦设计有很大作用。在孵化系统中，通过采取数据并用基于概率统计算法（无需知道具体的模型）来对温度、湿度和通风进行耦合度计算，并选出2个耦合度较强的变量进行先解耦以某孵化厂的孵化系统为例m 3选择温度、湿度和通风为输入量，温度、湿度、含氧量为输出量，采取24小时数据单位不断对耦合度分析数据进行更新，概率统计算法分析表明湿度与温度的耦合度大于温度与含氧浓度、含氧浓度与湿度的耦合度，所以将温度与湿度分为1组进行逆模解耦控制。一般的多输入多输出（MIMO）（个输入，个输出）非线性系统用高阶微分方程表示 . （1） 非线性系统中，， , ，。 若系统可逆，此时其α阶积分逆系统就可以表示为，其中， 为α ，与的函数关系。采用神经网络构造式所示的逆系统，将此逆系统串联到原系统之前,并重新定义输入 （） 此时系统相当于一个伪线性积分复合系统，其输入与输出关系可表示为： （3） 复合系统中。从上式可以看出，如果能利用神经网络构造出α阶逆系统，那么逆系统与原系统组成的复合系统就相当于r个相互无关的单输入单输出伪线性积分系统（如图），从而实现了原系统的线性解耦。 图1α阶神经网络逆系统解耦伪线性积分系统本文采用改进的正-逆系统建模法来建立某一未知对象的逆动力模型α阶神经网络逆系统控制器设计分为2步：1、先对系统进行正模型训练，是对象输出与网络输出之差，用来调整权值的误差信号。2、为系统训练一个逆模型NNC，并通过它产生下个采样时间，让输出等于当前被控对象的理想输入的控制量。通过这种方法这个网络就被强制实现模型的逆。图控制器结构中，α阶神经网络逆系统中NNI和NNC基于改进蛙跳算法的RBF神经网络进行训练，氧气浓度用模糊控制器[]。 图 控制器结构 控制算法如下：1首先通过离线来训练网络NNI。离线训练NNI是因为对对象模型的逼近精度会直接对控制性能产生影响，而通过进行离线训练的NNI作为在线辨识的初始值可以避免控制在开始阶段产生较大误差，从而发生震荡。2对系统中的，进行采样，并得到，的相关数据；3将获得的样本信号输入到NNC，得到；将输入对象及离线训练的NNI；通过梯度下降算法来调整NNI的权值与阀值；用替代来调整NNC的权值及阀值；返回2后继续向下执行。 2仿真 以常见的简单模糊控制方法与本文的控制方法进行系统性能对比实验。通过耦合度分析得知温度、湿度之间的耦合关系较为严重，现通过对温度、湿度的耦合控制作为仿真实验，将温度控制目标设定为37.5，而湿度控制目标则为相对湿度65%。如图图所示，分别为实验过程中孵化温度、湿度在2种不同控制策略下的对应变化曲线。分析，由于本文提出的方法采用了α阶神经网络逆系统解耦方法，相对