專利名稱：隨機(jī)系統(tǒng)基于動(dòng)靜混合神經(jīng)網(wǎng)絡(luò)建模的抗干擾控制方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種隨機(jī)分布控制系統(tǒng)中基于動(dòng)靜混合神經(jīng)網(wǎng)絡(luò)建模的抗干擾復(fù)合控制方法，可用于粒子加工、 造紙、磨礦、燃燒等批量輸出過程及其基于圖像信息的過程監(jiān)測(cè)和控制。
背景技術(shù)：
隨著現(xiàn)代エ業(yè)的迅猛發(fā)展，エ業(yè)過程越來越復(fù)雜，需要監(jiān)測(cè)的信息也越來越多。在粒子加工、造紙、磨礦、化工過程中，人們關(guān)心的是批量輸出信息的統(tǒng)計(jì)信息，如加工粒子的均勻性，紙張的均勻性等，這歸結(jié)為ー種隨機(jī)分布控制系統(tǒng)。對(duì)于燃燒過程的研究發(fā)現(xiàn)，衡量燃燒過程效益的ー個(gè)重要指標(biāo)是燃燒室內(nèi)溫度場(chǎng)的分布，對(duì)這種分布常規(guī)的處理辦法是通過物理原理建立ー組偏微分方程，并利用有限元的計(jì)算方法來實(shí)現(xiàn)對(duì)燃燒室溫度分布場(chǎng)的分析和效益計(jì)算，這實(shí)際上也是ー個(gè)隨機(jī)分布系統(tǒng)。目前，最先進(jìn)的辦法是利用ー組速度較快的微數(shù)碼攝像機(jī)組成一定結(jié)構(gòu)的傳感器系統(tǒng)，從而獲得燃燒室內(nèi)火焰分布的三維圖形。這種三維圖形可以用ー個(gè)聯(lián)合概率密度函數(shù)來表示，整個(gè)系統(tǒng)就成為ー個(gè)動(dòng)態(tài)的隨機(jī)分布系統(tǒng)，控制的目標(biāo)是通過合理的選擇燃料輸入和過程參數(shù)，使火焰分布三維圖形的聯(lián)合概率密度函數(shù)滿足既定要求。由于實(shí)際過程的復(fù)雜性、動(dòng)態(tài)性和批量輸出特性，隨機(jī)分布控制系統(tǒng)的建模一直是ー個(gè)難題。傳統(tǒng)的建模是基于白噪聲的線性系統(tǒng)建模，通過樣本方差和樣本均值可以明確輸出的概率模型。對(duì)于存在非線性和非高斯噪聲特性的復(fù)雜エ業(yè)過程，方差和均值信息不再滿足建模的需求。常見的方法是采用基于樣條逼近或靜態(tài)神經(jīng)網(wǎng)絡(luò)逼近方案建立輸出的概率密度函數(shù)模型，相應(yīng)的權(quán)則采用系統(tǒng)辨識(shí)的方法給出。該種方法對(duì)于常值權(quán)函數(shù)有效，對(duì)于時(shí)變權(quán)函數(shù)則無能為力，需要明確從輸入到權(quán)的動(dòng)態(tài)關(guān)系，建立權(quán)動(dòng)態(tài)系統(tǒng)模型。本專利創(chuàng)新點(diǎn)在于在靜態(tài)神經(jīng)網(wǎng)絡(luò)建模的基礎(chǔ)上，設(shè)計(jì)全反饋的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)逼近權(quán)動(dòng)態(tài)系統(tǒng)，建立權(quán)動(dòng)態(tài)系統(tǒng)模型，之前尚未有類似方案被提出。同樣，過程的復(fù)雜性限制了建模的精度，內(nèi)外部干擾的存在也影響到建模的精度。在實(shí)際系統(tǒng)中，有些干擾也是可觀測(cè)或可檢測(cè)的，基于干擾觀測(cè)器的控制方法(DOBC)是近年來得到關(guān)注較多的一種有效的干擾抵消方法，比輸出調(diào)節(jié)理論更加靈活且有更廣泛的研究對(duì)象，并且可以靈活地與現(xiàn)有的先進(jìn)控制方法相結(jié)合。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題是針對(duì)復(fù)雜エ業(yè)過程建模的不足和干擾的影響，提供一種隨機(jī)分布控制系統(tǒng)中基于動(dòng)靜混合神經(jīng)網(wǎng)絡(luò)建模的抗干擾復(fù)合控制方法，用于提高復(fù)雜エ業(yè)過程的控制精度。本發(fā)明技術(shù)解決方案(I)對(duì)于隨機(jī)分布控制系統(tǒng)的批量輸出建立靜態(tài)神經(jīng)網(wǎng)絡(luò)逼近模型r (タノ/) = Fj (り (タ)
其中，y e [Yl, y2]是隨機(jī)分布控制系統(tǒng)的批量輸出，yi、y2是已知實(shí)數(shù)，y1; y2分別表示輸出的上屆和下屆，Y (y, u)是輸出y在輸入u條件下的概率密度函數(shù)的平方根滿足
\^r2(y,u)dy=l是相應(yīng)的神經(jīng)網(wǎng)絡(luò)逼近模型，其中Vn(t) = [V1 (t)，v2 (t)，···
，vn(t)]T和Bn(y) = [bjyhbjy),…，比む)]是權(quán)函數(shù)向量和相應(yīng)的基函數(shù)向量，i =I, 2，…，n ；Vi (t)和IDi (y)分別是權(quán)函數(shù)和對(duì)應(yīng)的基函數(shù)，i = 1，2，…，η ;令V (t)=[V1 (t)，V2 ⑴，…，Vlri (t)]T, B (y) = [Id1 (y)，b2 (y)，…，V1 (y)],則Y (y, u) = VT(t)B(y)+vn(t)bn(y)其中 Vn ( = A；1 (-A2V(Z) + -Vt(t)A0V( )， K = Jj. B{y)BT(y)dy，A2 = ζ BT(y)b {y)dy ,A3 = ζ b;(y)dy =へん _ A^r .(2)針對(duì)第(I)步中的權(quán)函數(shù)V(t)建立動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)逼近模型
權(quán)利要求
1. 一種隨機(jī)系統(tǒng)基于動(dòng)靜混合神經(jīng)網(wǎng)絡(luò)建模的抗干擾控制方法，其特征在于包括以下步驟 首先，對(duì)于隨機(jī)分布控制系統(tǒng)的批量輸出建立靜態(tài)神經(jīng)網(wǎng)絡(luò)逼近模型；其次，對(duì)于靜態(tài)神經(jīng)網(wǎng)絡(luò)模型的權(quán)進(jìn)行動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)逼近，形成權(quán)動(dòng)態(tài)系統(tǒng)；再次，針對(duì)權(quán)動(dòng)態(tài)系統(tǒng)中的有界干擾設(shè)計(jì)觀測(cè)器進(jìn)行估計(jì)并前饋補(bǔ)償；最后，基于線性矩陣不等式方法對(duì)復(fù)合控制系統(tǒng)設(shè)計(jì)觀測(cè)器增益和控制器增益，使權(quán)動(dòng)態(tài)系統(tǒng)實(shí)現(xiàn)穩(wěn)定并滿足一定的抗干擾性能，具體步驟如下 (1)對(duì)于隨機(jī)分布控制系統(tǒng)的批量輸出建立靜態(tài)神經(jīng)網(wǎng)絡(luò)逼近模型 r{y,u) = v,! (t)B (y) 其中，y e [Yl) y2]是隨機(jī)分布控制系統(tǒng)的批量輸出，yi、y2是已知實(shí)數(shù)，y1； y2分別表示輸出的上屆和下屆，Y (y, u)是輸出y在輸入u條件下的概率密度函數(shù)的平方根，滿足Ilj2(y^u)dy=l^vj( κ(γ)是相應(yīng)的神經(jīng)網(wǎng)絡(luò)逼近模型，其中vn(t) = [V1 α),ν2α),-，vn(t)]T和Bn(y) = [bjyhbjy),…，^(乂)]是權(quán)函數(shù)向量和相應(yīng)的基函數(shù)向量，i =I,2，…，n ；Vi (t)和IDi (y)分別是權(quán)函數(shù)和對(duì)應(yīng)的基函數(shù)，i = 1，2，…，η ;令V (t)=[V1 (t)，V2 ⑴，…，Vn^1 (t)]T, B (y) = [Id1 (y)，b2 (y)，…，V1 (y)],則Y (y, u) = VT(t)B(y)+vn(t)bn(y) 其中 νπ ( = A31 (-A2Vit)+ ^Ai -Vr(OA0ViO), Ai = Β(γ)ΒΓ(y)dy ,A2 = ；；ΒΓ(ν)^)Φ Λ3= ；；^(ν)φ ' = ΛΛ _λ2λγ ； (2)針對(duì)第(I)步中的權(quán)函數(shù)V(t)建立動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)逼近模型 I .v(/) = AxU) + Wfix(I)) + Hu(I) + Hd(I) [}/(!) = Cx(t) 其中，X為權(quán)動(dòng)態(tài)系統(tǒng)狀態(tài)，u為輸入，d為有界干擾，f(x)為神經(jīng)網(wǎng)絡(luò)的激活函數(shù)向量，滿足fT(x)f(x) ( xTLx，模擬神經(jīng)元的非線性特征，L > O為正定對(duì)角矩陣，A為穩(wěn)定矩陣，W為對(duì)稱的神經(jīng)網(wǎng)絡(luò)連接權(quán)矩陣，H和C為已知矩陣，H列滿秩，C行滿秩；干擾d(t)滿足|d(t) I ( (I1 <ooJE[|c/(i) <d2<oo，屯和d2分別是d(t)和3(/)的上界，|*|表示*的歐式范數(shù)； (3)針對(duì)第(2)步中的干擾d(t)設(shè)計(jì)觀測(cè)器 γ(/) = -NH\ r(/)十"(-V(O) |- /Vj Ax{/) + Wf {.γ(/)) + //it(/) I< d(t) = T(t) + p(x(t)) 其中τ (t)是干擾觀測(cè)器的狀態(tài)向量，p(x(t))是輔助函數(shù)，5是對(duì)干擾d的估計(jì)，況是待定的常值觀測(cè)器增益，是p(x(t))對(duì)于X的偏導(dǎo)數(shù)，令e =d_d,mCOCCjOCS觀測(cè)器誤差動(dòng)態(tài)滿足ed =-NHed+ ； (4)將第(3)步中的干擾估計(jì)七/)用于前饋補(bǔ)償，構(gòu)造復(fù)合控制器"(/) 二 -d(i) + Κχ( ) 其中K是待定的控制器增益； (5)由第(2)(3) (4)步得到閉環(huán)系統(tǒng)的狀態(tài)方程Σ為 ^ Γ x(t) I \A + HK H Γ x(t)l [WlΓθ - Σ:=+ f(x(0)+ d(t) ed(t) _ 0 -NH ed(t) O vI 需設(shè)計(jì)控制器增益K和觀測(cè)器增益N使得系統(tǒng)Σ穩(wěn)定； 設(shè)計(jì)控制器增益為[ = ，設(shè)計(jì)觀測(cè)器增益為# = ZT1晃，其中P1X), P2>0, R1和R2由以下線性矩陣不等式求得 'Sym(AP^HR1) HI] S1WL0-5P1 ε；ιΙ O " *-Sym(RM) O O sji **—I O O < O *** -I ο **串*—I 其中sym(M) = M+MT(M為方陣)，ε i和ε 2是可調(diào)節(jié)正數(shù)，符號(hào)*表示對(duì)稱矩陣中相應(yīng)部分的對(duì)稱塊； (6)將第(5)步所設(shè)計(jì)的觀測(cè)器增益N代入第(3)步中的觀測(cè)器，將得到的干擾估計(jì)值3代入第(4)步的復(fù)合控制器u (t)，同時(shí)將控制器增益K代入復(fù)合控制器u (t)，最后將復(fù)合控制器u(t)代入第(2)步的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)逼近模型，進(jìn)而實(shí)時(shí)計(jì)算權(quán)函數(shù)V(t)和第(I)步的概率密度函數(shù)的平方根Y (y，u)，至此完成了隨機(jī)系統(tǒng)動(dòng)靜混合神經(jīng)網(wǎng)絡(luò)建模及抗干擾控制器的設(shè)計(jì)。
全文摘要
隨機(jī)系統(tǒng)基于動(dòng)靜混合神經(jīng)網(wǎng)絡(luò)建模的抗干擾控制方法，涉及隨機(jī)分布控制系統(tǒng)批量輸出靜態(tài)神經(jīng)網(wǎng)絡(luò)建模、輸出權(quán)的動(dòng)態(tài)神經(jīng)網(wǎng)建模和基于觀測(cè)器的復(fù)合抗干擾控制。首先，對(duì)于隨機(jī)分布控制系統(tǒng)批量輸出建立靜態(tài)神經(jīng)網(wǎng)絡(luò)逼近模型；其次，對(duì)于靜態(tài)神經(jīng)網(wǎng)絡(luò)模型的權(quán)進(jìn)行動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)逼近，形成權(quán)動(dòng)態(tài)系統(tǒng)；再次，針對(duì)系統(tǒng)中的有界干擾設(shè)計(jì)觀測(cè)器進(jìn)行估計(jì)并前饋補(bǔ)償；最后，基于線性矩陣不等式方法對(duì)復(fù)合控制系統(tǒng)設(shè)計(jì)觀測(cè)器增益和控制器增益，使系統(tǒng)實(shí)現(xiàn)穩(wěn)定并滿足一定的抗干擾性能。
文檔編號(hào)G05B13/00GK102866629SQ201210351048
公開日2013年1月9日 申請(qǐng)日期2012年9月19日 優(yōu)先權(quán)日2012年9月19日
發(fā)明者郭雷, 張玉民 申請(qǐng)人:北京航空航天大學(xué)