基于对角递归网络的时变系统解耦控制 decoupling control of time-varying system based on diagonal recurrent neural network.pdfVIP

!皇皇璺垫些型!：!苎!!堂苎!塑 控制理论及其应用 基于对角递归网络的时变系统解耦控制 of Basedon DecouplingContro．1Time·varyingSystem Diagonal NeuraINetwork 湖南冶金职业技术学院(株州412000)凌 云 李毅梅 刘颖慧 Hunan YunLiYimeiLiu (MetallurgicalProfessionalTechnologyCollege，Zhuzhou412000，China)Ling 果表明，DRNN神经网络对多变量强耦合时变对象具有良好的解耦性能和自学习控制特性。 关键词：对角递归网络解耦控制在线辨识仿真 Abstract：ThisforwardaPID basedon recurrentneuralnetworkon-line paperputs deeouplingeontroHingproject diagonal structureand ofneuralnetworkare isworkedout useof resultofthesimulationshowsthatit algorithm presented．It by computer．The have and powerfulself-learningself-adaptivedecouplecapabilities． recurrentneuralnetwork controloh-lineidentification Keywords：diagonal decoupling simulating 【中图分类号]TPl3【文献标识码】A【文章编号】1000．3886(2007)03—0014。03 1 引言 单纯使用传统的PID控制器不能胜任真空炉的温度控制。人 工神经网络有学习能力、泛化能力、容错能力和非线性映射能力， 可以弥补常规方法的局限性，使得非线性、时变性和不确定性的多 变量的解耦成为可能。基于BP算法的多层前馈神经网络反映的 是系统静态的输入输出映射关系㈧“。与静态网络相比，动态网络 本身是时变系统，它具有可在系统状态完全未知的情况下进行控 制的特点，更适合于处理时变的输入、输出过程。文献[31提出了一 reeurrentneural 种基于对角回归神经网络(diagonal network， DRNN)的控制系统，它既有动态神经网络的特点，又具有结构简 图1基于DRNN的PID解耦控制系统 单、学习快速的优势[3，“。因此，将DRNN与PID控制器相结合，设 计的控制系统将具有更强的适应能力和更强的鲁棒性，用于真空 引入输入误差的二次性能指标，定义二次性能指标函数为： 炉的温度的控制有着实际的研究意义。 (3) 2系统控制原理 蟛，(k)、整，(k)、如(尼)的调整采用梯度下降法： 2．1基于DRNN的PID解耦控制原理 墨-(k)=K，(k一1)+△局一 图1为三输入、三输出对象的PID解耦控制原理图，图中仅画 墨一(k)=Ki-(k一1)+△Kil(4) 出一个输入输出的控制结构。DRNN组成的辨识器NNI，在线辨识 ‰-(k)=凰-(k一1)+A肠1 得到梯度信息，PID。控制器的控制参数根据梯度信息在线调整， 其中 以适应系统参数的变化，使系统的控制品质得到改善。 以控制器PID，为例，PID控制器采用增量式