滯后不確定系統的無(wú)辨識自適應智能控制方法

滯后不確定系統的無(wú)辨識自適應智能控制方法

針對帶有大純滯后、不確定性的工業(yè)過(guò)程，提出一種無(wú)需辨識的自適應智能控制方法。該方法不需要對過(guò)程建立數學(xué)模型，只要檢測過(guò)程的實(shí)際輸出和期望輸出，通過(guò)模糊預測控制來(lái)修正單神經(jīng)元自適應PSD控制律，即可以對滯后不確定、建模困難的工業(yè)過(guò)程實(shí)現自適應控制。仿真結果表明用該方法控制滯后不確定系統具有簡(jiǎn)單、實(shí)用、魯棒性強的特點(diǎn)。
關(guān)鍵詞：滯后不確定系統 單神經(jīng)元 PSD控制 模糊預測控制

1 引言
含有純滯后的不確定過(guò)程是石油、化工、冶金等工業(yè)生產(chǎn)中廣泛存在的一類(lèi)復雜過(guò)程。它的控制問(wèn)題一直是困擾控制理論和控制工程實(shí)踐的難題。目前對滯后不確定對象的控制主要采用自適應控制、魯棒控制、預測控制等^［１］，然而這些方法都是建立在過(guò)程模型確定的基礎上，不能對那些無(wú)法精確建模的復雜控制過(guò)程進(jìn)行有效的控制。Marsik和Strejc^［２］于1983年根據控制過(guò)程的幾何特性建立性能指標，提出了無(wú)需辨識的自適應PSD(比例、求和、微分)控制算法，這種方法無(wú)需辨識對象的參數，只要檢測過(guò)程實(shí)際輸出及期望輸出就可以形成閉環(huán)控制，可是該方法不能解決大純滯后問(wèn)題。以該算法調整神經(jīng)元的增益形成的單神經(jīng)元自適應PSD控制^{［３，４］}比前者具有更強的適應性和魯棒性，且算法簡(jiǎn)單，易于實(shí)時(shí)控制，在一定范圍內對滯后不確定過(guò)程能實(shí)現較好的控制。但單神經(jīng)元自適應PSD算法仍然是用過(guò)程當前和過(guò)去的信息來(lái)確定當前的控制動(dòng)作，不能預測過(guò)程未來(lái)的輸出及變化趨勢，當滯后步數繼續增大時(shí)，僅僅依靠增益和權值的自適應調整無(wú)法對大滯后不確定過(guò)程進(jìn)行滿(mǎn)意的控制。
針對以上問(wèn)題，將模糊預測控制引入滯后不確定過(guò)程的控制中。利用模糊控制良好的動(dòng)態(tài)特性和魯棒性^［５］，以及其在處理具有不確定性控制問(wèn)題上的獨到優(yōu)勢，用模糊預測控制器預測過(guò)程未來(lái)的輸出及變化趨勢，并給出相應的預測控制量，以模糊預測來(lái)修正單神經(jīng)元自適應PSD控制律構成無(wú)需辨識的自適應智能控制系統。仿真結果表明，該控制方法對滯后不確定系統具有良好的跟蹤調節特性和較強的自適應能力。
2 無(wú)辨識自適應智能控制系統設計
用于控制滯后不確定過(guò)程的無(wú)辨識自適應智能控制系統結構圖如圖1所示。整個(gè)系統由兩部分組成，單神經(jīng)元自適應PSD控制(虛線(xiàn)框所示)和模糊預測控制(點(diǎn)劃線(xiàn)框所示)。其中單神經(jīng)元自適應PSD控制器是主控制器，神經(jīng)元本身具有自適應、自學(xué)習的能力，采用Marsik和Strejc提出的無(wú)辨識自適應PSD算法對神經(jīng)元的增益進(jìn)行在線(xiàn)調整，增強了對滯后不確定過(guò)程的適應性和魯棒性。模糊預測控制器的作用是在不增加對過(guò)程模型要求的基礎上，根據過(guò)程的輸入輸出信息預測出控制量，來(lái)修正單神經(jīng)元自適應PSD控制量，使調節器提前動(dòng)作，從而使整個(gè)控制算法適用于大滯后不確定過(guò)程的控制。

2.1 單神經(jīng)元自適應PSD控制器
圖1中神經(jīng)元權值w_i的學(xué)習采用有監督的Hebb學(xué)習規則，為保證算法的收斂性和魯棒性，對學(xué)習算法進(jìn)行規范化處理。引用自適應PSD控制算法對增益k_v(t)進(jìn)行自調整，構成具有自學(xué)習、自組織和強魯棒性的新型單神經(jīng)元自適應ＰＳＤ控制算法。其控制算法歸納如下：

式中r(t)為給定信號，u(t)為控制器輸出，y(t)為對象的實(shí)際輸出，x_i(t)(i=1,2,Λ,n)為神經(jīng)元的輸入狀態(tài)，w_i(t)為對應于x_i(t)的加權系數，η_i為學(xué)習速度。根據PSD控制規律可以得到控制增益k_v(t)的在線(xiàn)調整算式如下：

其中0.025≤c≤0.05，0.005≤Ｌ≤0.1
由于神經(jīng)元自適應ＰＳＤ控制算法中增益系數可在線(xiàn)調整，它的可調參數選擇范圍較大，提高了控制系統的魯棒性和自適應能力。對滯后不確定系統的仿真實(shí)驗表明，在滯后步數不太大時(shí)，通過(guò)調整k_v(0)、T_v(0)的初值，在一定范圍內可以改善系統的動(dòng)態(tài)特性，取得較滿(mǎn)意的控制效果。但若進(jìn)一步增大滯后步數，依靠k_v(t)、T_v(t)的自調整及權值的自學(xué)習也難以抑制系統過(guò)大的超調和振蕩，甚至無(wú)法對滯后不確定系統進(jìn)行控制。鑒于此引入模糊預測控制器，以模糊預測控制量來(lái)修正單神經(jīng)元自適應ＰＳＤ控制量，從而對大滯后不確定系統進(jìn)行有效的控制。
2.2 模糊預測控制器
模糊預測控制器中模糊預測的功能是根據過(guò)程實(shí)際輸出逼近期望輸出來(lái)估計控制系統的性能并修正神經(jīng)元自適應PSD控制律。具體設計如下：
(1)模糊化。模糊預測控制器的輸入是過(guò)程實(shí)際輸出與期望輸出間的偏差e(t)及該偏差在t時(shí)刻和t-d時(shí)刻的變化Δ_e(t)，輸出是控制補償量u₂(t)。e(t)和Δe(t)描述為

其中d為純滯后時(shí)間。取k_e、k_ec分別為e(t)和Δe(t)的量化因子，k_u為預測輸出的比例因子。E、EC和U₂分別是e(t)、Δe(t)和u₂(t)的語(yǔ)言變量。E、EC各取三個(gè)語(yǔ)言變量分別為N、S、P，U₂取七個(gè)語(yǔ)言變量為NB、NM、NS、ZR、PS、PM、PB。輸入E、EC和輸出U₂均采用三角形均勻分布的隸屬函數。
(2)模糊控制規則。模糊預測控制的模糊規則為
if E(t) is A and EC(t) is B then U₂(t) is C
其中A，B，C分別為e(t)、Δe(t)和u₂(t)的模糊集。如果t時(shí)刻e(t)＞0，即過(guò)程輸出比期望輸出小，且過(guò)程輸出有比期望輸出更小的趨勢即Δe(t)＞0，那么可以推斷t-d時(shí)刻過(guò)程的輸入太小，應增大t-d時(shí)刻控制器的輸出；相反，如果過(guò)程輸出比期望輸出大，且過(guò)程輸出有比期望輸出更大的趨勢即e(t)＜0且Δe(t)＜0，那么可以推斷t-d時(shí)刻過(guò)程的輸入太大，應減小t-d時(shí)刻控制器的輸出。同理可以構造出模糊推理規則表如表1。

(3)逆模糊化。采用加權平均法進(jìn)行反模糊化，模糊預測控制的輸出由下式確定

3 仿真研究
含有純滯后的非線(xiàn)性被控對象為

單神經(jīng)元PSD控制器參數取Ｌ＝０.０６，c=0.03,k_v(0)=0.15,T_v(0)=55，w(0)=［０.１. ０.５.０.３５］，η（０）＝［0.045 0.05 0.1］；模糊預測器的量化因子及比例因子取k_e=7,k_ec＝２，k_u=0.01，分別采用單神經(jīng)元PSD控制器及本文的無(wú)辨識自適應智能控制器進(jìn)行仿真，仿真結果如圖2所示。

其中(a)為滯后步數為4時(shí)的跟蹤結果，兩條曲線(xiàn)基本重合，可見(jiàn)兩種方法性能基本相同；(b)為在保持原控制器參數不變，滯后步數增大到40時(shí)的跟蹤結果。此時(shí)，單神經(jīng)元PSD控制器產(chǎn)生較大超調，且不能在規定步數內達到穩定。而本文方法則可以取得較滿(mǎn)意的控制效果，具有較強的自適應性。
4 結論
無(wú)辨識自適應智能控制方法將神經(jīng)網(wǎng)絡(luò )的自學(xué)習、自調整特性和模糊控制良好的動(dòng)態(tài)特性、魯棒性，以及在處理具有不確定性控制問(wèn)題上的獨到優(yōu)勢結合在一起，以模糊預測來(lái)修正單神經(jīng)元自適應PSD控制律，從而在不增加對過(guò)程模型要求的基礎上，實(shí)現了對大滯后不確定過(guò)程的控制。該控制算法簡(jiǎn)單，適合時(shí)實(shí)控制，且適應性、魯棒性強，仿真研究表明該控制方法用于滯后不確定系統的控制取得良好的控制性能。

參考文獻：

［１］韓江洪，魯照權，陸陽(yáng).滯后不確定系統控制［Ｊ］．合肥工業(yè)大學(xué)學(xué)報，2000，23(1)：16-20
［２］Marsik J,Strejc V.Application of identification_free algorithms for