基于LSTM算法的前馈控制系统扰动预测研究.pdfVIP

59卷3期2024年6月

59卷

Vol.59No.3CHINAMETALFORMINGEQUIPMENTMANUFACTURINGTECHNOLOGYJun.2024

基于LSTM算法的前馈控制系统扰动预测研究

姚红伟，尹静文

（新乡职业技术学院智能制造学院，河南新乡453000）

摘要：为了提高机械自动化系统前馈控制精度，设计了一种基于长短期记忆LSTM循环神经网络的前馈控制系统扰动预测模型，

并开展实验测试分析。研究结果表明：预测结果中较大间隔下形成的扰动信号序列均方根误差更低，具备更高精度；小间隔时间

尺度下形成了更低峭度的扰动信号序列。经过组合预测序列结果更加趋近高占比的序列，获得更小负峭度与序列波动，降低均方

根误差，达到更精确的效果。

关键词：过程控制；前馈系统；扰动预测；LSTM；多时间尺度；峭度

中图分类号：TP183文献标识码：A

DOI：10.16316/j.issn.1672-0121.2024.03.022文章编号：1672-0121（2024）03-0092-03

0引言馈控制的相互关系。本文利用深度学习LSTM模型

预测前馈系统扰动参数，构建了一种通过多时间尺

可根据预测时间序列的方式分析系统运行过度进行组合的方式优化前馈系统预测性能。

[2]

程，从而实现对系统未来行为的判断。在时间序列

分析和预测方面，最初采用自归移动均（ARI-1LSTM循环神经网络

MA）方法，之后建立了机器学习分支人工神经网络

传统结构的循环神经网络包含了输入层、中间

（ANN），以及最终构建的深度学习网络（Deeplearn-

隐藏层与输出层三个部分。设置的时间序列X=[X,

1

[3-5]

ing）。目前已有许多学者针对时间序列变化特征设

X,······X]，到达时刻t时，对应的隐藏层状态是

置新的方法，并构建了多种精确的序列预测模型。张2t

Y，输出结果是Z，则存在下述关系：

[6]tt

冬青等通过人工智能神经网络分析时间序列，并且

Z=f（w·Y）

对非线性序列也表现出了优异预测性能。这是由于taot

Y=f（wX+w·Y）

以模仿人类大脑神经系统建立的人工神经网络算法tbttt-1

其中，wo表示输出层权重系数矩阵fa表示输出层的

模型可以对非线性映