摘要：首先分析了目前先進控制技術工程實施過程中的技術瓶頸，在此基礎上提出了新的先進控制技術建模方法。本文基于工業自動化通用技術平臺（IAP），采用圖形化控制策略組態技術開發了一套神經網絡智能控制系統，該系統具有基于參考模型跟蹤的控制結構，可快速自適應地調整控制器參數。仿真實驗結果表明，神經網絡智能控制系統的精度高，穩定性好，可成為處理復雜工業過程，尤其是解決不確定和非線性領域問題的有效工具。

　　關鍵詞：先進控制技術；神經網絡；控制策略組態

0引言

　　目前的工業過程控制系統中，生產的核心部分往往具有多變量強耦合、非線性、強干擾、參數時變、大時滯、信息不完全、約束性強等特征。隨著過程工業日益走向大型化、連續化、綜合化，人們對生產過程的實時性、整體性的要求也越來越高，所以若想從全局出發協調和處理裝置間復雜的耦合與制約關系、求得全局最優，最有效的方法是采用先進控制技術，或在常規控制的基礎上疊加先進控制的補償分量。

1先進控制技術應用現狀

　　自上世紀70年代起，先進控制技術已有40余年的發展歷程，目前已取得一定的成果，并在流程工業上得到了一定程度的應用。先進控制技術的內涵豐富，具有時代特征，至今沒有一個嚴格統一的定義。但先進控制的任務是明確的［1］，即用來控制常規控制效果差，甚至無法控制的復雜工業過程。先進控制理論的研究主要包括預測控制、模糊控制、最優控制、解耦控制、推理控制、魯棒控制、神經網絡控制、內膜控制及自適應控制等，其中神經網絡是目前研究較多的一種技術。

　　先進控制技術的理論計算較復雜，傳統的實現方式需要單獨安裝、配置一個軟件包或計算站，但其執行過程始終是個“黑箱”，模塊或軟件內部計算過程無法觀察，變量數據無法監測，給系統調試和后期維護都造成了一定的困難。加之，先進控制技術的形態特征與傳統控制的組態又有很大的不同，兩者在設計、開發、調試、運行和維護等方面都存在著較大甚至根本性的差異，使得企業在導入先進控制技術過程中需要投入大量的資金，運行維護成本也非常高，這是目前生產企業先進控制系統投入率偏低的主要原因。

　　為解決以上問題，本文采用新的軟件工程方法開展研究，研發了一種神經網絡智能控制系統，可以有效地降低神經網絡技術的導入成本和風險，縮小先進控制與傳統控制的差別，實現先進控制與傳統控制同構組態，為現代控制理論的工程應用創造更好的技術環境。

2對角遞歸神經網絡

　　神經網絡是模擬人類大腦中神經網絡的結構與行為的一種模型，具有高度的并行分布式處理、自適應能力及很強的動態特性，為解決非線性與不確定領域的問題提供了一條新的途徑。神經網絡按照連接方式的不同分為前饋神經網絡與遞歸神經網絡兩種，不同之處在于遞歸神經網絡是動態網絡。系統辨識時，若采用前饋神經網絡，則存在一些不足：首先必須假定系統的模型類別和階次；其次隨著系統階次增加，神經網絡結構迅速膨脹，學習收斂速度下降。而遞歸神經網絡利用網絡內部的狀態反饋描述系統的非線性動力學特性，可以彌補以上缺陷［2］。

　　大多數情況下，最好的神經網絡結構是只在一個很小的單元組中使用反饋。因為網絡的權值（參數）個數越少，對模型的隨機性影響越小；網絡結構越簡單，算法的收斂速度越快。所以，簡化遞歸神經網絡的結構、縮短訓練時間后就形成了一種新型神經網絡范式——對角遞歸神經網絡（Diagonal Recurrent Neural Network，DRNN）。

　　對角遞歸神經網絡的結構有3層，分別為輸入層、隱含層與輸出層，其結構如圖1所示。隱含層由一組僅接收自己內反饋，與其神經元無關的遞歸神經元組成。簡化了網絡結構，減少了需要調整的參數，加快了收斂速度。

　　圖1對角遞歸神經網絡結構

　　對于任意的離散時刻k，Ii(k)是網絡的第i個輸入，Sj(k)是隱含層第j個遞歸神經元的輸入總和，Xj(k)是遞歸神經元的輸出，一般取j=2i+1。O(k)是對角遞歸神經網絡的輸出。WIij、WDj和WOj分別表示輸入層、隱含層和輸出層的權值。

　　對角遞歸神經網絡的動態方程為［3］：

　　其中f(·)為隱含層遞歸神經元的激勵函數：

　　對角遞歸神經網絡的輸出O(k)對權值WIij、WDj和WOj的梯度分別為：

　　

3對角遞歸神經網絡控制系統

　　神經網絡智能控制系統的系統結構如圖2所示，其中控制器與辨識器均由對角遞歸神經網絡組成，分別稱為DRNC與DRNI。由辨識器DRNI網絡的輸出ym(k)辨識未知的被控設備的實際輸出y(k)，并提供設備的Jacobian信息給控制器DRNC。由DRNC的輸出u(k)驅動未知的動態系統，使設備的輸出y(k)無限逼近期望輸出yr(k)。

　　圖2基于對角遞歸神經網絡的控制系統結構

　　31辨識器DRNI 的學習算法

　　由控制器DRNC產生的當前控制信號u(k)和前一時刻設備的輸出y(k－1)作為辨識器DRNI網絡的輸入。將DRNI網絡的輸出ym(k)和y(k)之間的辨識誤差帶入權值更新公式，調節DRNI網絡的權值。

　　定義DRNI網絡的性能指標函數為：

　　可按式（3）計算。

　　32控制器DRNC的學習算法

　　控制器DRNC網絡的輸入分別為參考輸入r(k)、前一時刻設備的輸出y(k－1)和前一時刻的控制信號u(k－1)，輸出是設備的控制信號u(k)。經過幾個訓練周期調節DRNC網絡的權值后，可以使設備的實際輸出y(k)與期望輸出yr(k)之間的誤差達到一個很小的值。但訓練DRNC網絡時需要被控設備的Jacobian信息，而該信息通常是未知的，所以需要DRNI為DRNC估計被控設備的敏感度函數yu(k)（Jacobian信息）。

　　定義DRNC網絡的性能指標函數為：

　　DRNC網絡中權值的更新公式為：

　　其中ηC是DRNC網絡的學習率。因子yu(k)≡y(k)/u(k)代表被控設備的敏感度，一般很難通過直接計算獲得，但若DRNI網絡已得到較好的訓練，可近似認為：

　　所以，通過輪流訓練DRNI和DRNC網絡，可以調節得到更有效的DRNC網絡權值，這即是基于對角遞歸神經網絡的控制系統的基本原理［4］。

4神經網絡智能控制系統組態

　　41工業自動化通用技術平臺（IAP）

　　工業自動化通用技術平臺（Industry Automation Platform，IAP）是由福建中海創集團研發的一種基于圖形化、模塊化控制邏輯組態技術的分布式控制系統。IAP平臺的仿真軟件工具主要由系統結構組態軟件IAPplant、模塊化控制策略組態軟件IAPlogic和動態仿真軟件IAPsimu等部分構成。

　　IAPplant軟件采用面向設備的多維立體方式構建現代化工廠的工藝設備和控制設備，將其他系統軟件無縫地連接在一起，提供相互之間的系統信息交互通道，實現控制系統構架一體化的數據管理環境。IAPlogic軟件摒棄了傳統的梯形圖編程模式，采用圖形化的組態方式，實現了控制策略的組態分析、無擾動在線重構、實時監控、邏輯執行趨勢監控、在線修改參數、提供了一個面向不同品牌控制器的跨平臺控制策略組態開發和管理工具。IAPsimu軟件可以在沒有硬件的情況下，基于PC機模擬實際的控制站運行。IAPsimu軟件接收源自IAPlogic軟件的控制策略組態，經過運算后，產生相應的輸出結果，反饋給IAPlogic軟件，實現對控制策略的計算、調試與模擬運行。

　　42系統控制結構組態

　　本文的神經網絡智能控制系統是基于IAP平臺研發的，首先在系統結構組態軟件IAPplant中建立對角遞歸神經網絡控制系統工程管理架構和IO體系，根據神經網絡控制系統中各個變量定義IAPplant軟件中IO點的具體信息，如IO點序的分布、IO類型、IO數量、標簽名、注釋等。圖3所示是神經網絡智能控制系統結構設計圖。

　　43系統控制策略組態

　　根據神經網絡智能控制系統的算法機理，在IAPlogic軟件中對完整的系統進行控制策略組態。假設一個有代表性的非線性被控對象［5］，該設備可用差分方程描述為：

　　參考模型的差分方程為：

　　yr(k+1)=0.6yr(k)+r(k)（10）

　　參考輸入r(k)=sin(2πk/25)+sin(2πk/10)+2。系統的控制目標是確定設備輸入yr(k)使lim|y(k)－yr(k)|<ε，其中ε是一個非常小的常數。

　　本文僅以參考模型與被控設備的組態設計為例，說明IAPlogic軟件組態設計原理與過程。根據參考模型與被控設備的差分方程，在IAPlogic軟件中采用基礎元件和連接線實現控制邏輯組態，如圖4所示。

　　圖4參考模型與被控設備控制策略組態

　　神經網絡智能控制系統的控制策略組態設計完成后，進行控制策略的分析、鏈接、邏輯傳送，確認無誤后，即可開始仿真實驗。表1列出了圖4所需用到的IAP基礎元件列表。

　　表1控制策略組態元件圖標元件名稱元件功能中間模擬量模擬量輸入輸出的中間值模擬量設定器產生模擬量信號SIN發生器產生正弦信號比例調節器輸入與比例相乘后的數值加法運算器輸出等于兩個輸入的累加乘法運算器輸出等于兩個輸入信號相乘除法運算器輸出等于兩個輸入信號相除

5仿真實驗結果

　　本實驗中，設置學習率ηc=003，ηI=002，IAPsimu虛擬控制站的計算周期T1=100 ms，上位機中數據監控周期T=500 ms。仿真實驗結果分別如圖5~7所示。

       圖5所示是神經網絡智能控制系統開始運行（計算）10 min內的仿真結果。圖中三條曲線分別表示參考輸出yr(k)、設備的實際輸出y(k)與控制誤差ec(k)=yr(k)－y(k)。可以看出，在初始計算的10 min之內，設備實際輸出y(k)在上升和下降階段擬合參考輸出yr(k)的情況較好，但在參考輸出yr(k)的波峰及波谷處仍有較大誤差，控制誤差ec(k)最大值為07。

　　圖6是控制系統收斂后的結果，從圖中可看出，在參考輸出yr(k)的波峰及波谷處誤差明顯減小，此時控制誤差ec(k)的最大值已從初始運算時的07下降到03。

　　在神經網絡智能控制系統穩定的情況下，加入賦值為1、持續時間為5 s的擾動信號，系統的調整曲線如圖7所示。圖中可以看出，雖然控制系統受到較大干擾，但系統有較好的自調節、自適應能力，能迅速恢復到穩定狀態。

6結論

　　本文采用圖形化、常規控制的控制策略組態元件來構建神經網絡智能控制系統，組態方法簡單、便捷，成功地將對角遞歸神經網絡的先進控制算法與常規控制算法的圖形化組態集成在同一個計算環境中。系統運行時，元件計算過程可觀測、可操控，還能夠以動態趨勢圖形顯示的形式將神經網絡的學習特性展示出來，有效地降低了神經網絡控制系統的復雜性，極大地縮短了控制系統開發和部署的時間。系統計算過程透明、可觀測，系統中所有權值、變量數據可自動記錄在計算機中，供技術人員分析對角遞歸神經網絡系統控制品質使用，方便了智能控制算法在工業控制系統中的實施。

參考文獻

　　［1］ KU C C, LEE K Y. Diagonal recurrent neural networks for dynamic systems control［J］. IEEE Transaction on Neural Networks,1995, 6(1):144-156.

　　［2］ 戴晟. 基于DE算法的DRNN網絡非線性系統辨識研究［D］. 成都：西南交通大學，2011.

　　［3］ 姚慶文，何成平. 基于自適應PID的切帶機控制系統設計［J］. 煤炭技術，2011，30(11)：45-47.

　　［4］ 陳大明. 基于對角遞歸神經網絡永磁同步電機無傳感器控制研究［D］. 沈陽：沈陽工業大學，2007.

　　［5］ 陳沖，胡國文，劉星橋，等. 基于DRNN的三電機變頻調速系統參數PID控制研究［J］. 鹽城工學院學報(自然科學版)，2010，23(3)：39-43.