DOC《基于α阶神经网络逆系统孵化过程解耦控制》

1、先对系统进行正模型训练,是对象输出与网络输出之差,用来调整权值的误差信号.

2、为系统训练一个逆模型NNC,并通过它产生下个采样时间,让输出等于当前被控对象的理想输入的控制量.通过这种方法这个网络就被强制实现模型的逆.图2控制器结构中,α阶神经网络逆系统中NNI和NNC用基于改进蛙跳算法的RBF神经网络进行训练[8],氧气浓度用模糊控制器[9]. 图2控制器结构 控制算法如下:

1、首先通过离线来训练网络NNI.通过离线训练NNI是因为对对象模型的逼近精度会直接对控制性能产生影响,而通过把进行离线训练的NNI作为在线辨识的初始值可以避免控制在开始阶段产生较大误差,从而发生震荡.

2、对系统中的R(t),Y(t),U(t)进行采样,并得到R(t),Y(t),U(t)的相关数据;

3、将获得的样本信号输入到NNC,得到U(k);

之后U(k)将输入对象及离线训练的NNI;

4、通过梯度下降算法来调整NNI的权值与阀值;

5、用替代Y(k)来调整NNC的权值及阀值;

6、返回2后继续向下执行. 2仿真 以常见的简单模糊控制方法与本文的控制方法进行系统性能对比实验.通过耦合度分析得知温度、湿度之间的耦合关系较为严重,现通过对温度、湿度的耦合控制作为仿真实验,将温度控制目标设定为37.5℃,而湿度控制目标则为相对湿度65%.如图

3、图4所示,分别为实验过程中孵化温度、湿度在2种不同控制策略下的对应变化曲线.分析图得出,由于本文提出的方法采用了α阶神经网络逆系统解耦方法,相对于传统模糊控制方法来说,温度和湿度变化的耦合性得到明显改善. 图3 温度对比实验曲线 图4湿度对比实验曲线 3应用 如图

5、图6为系统采用模糊解耦控制后,部分入孵初始时的运行曲线.分析图中数据可得结论,系统温度值波动范围为设定值的±1.7℃,而其相对湿度波动范围则达到设定值的±2.1%,两者的值波动过大,而且都在孵化工艺要求的范围外长时间滞留,系统超调量过大 ,不符合孵化工艺要求.因此模糊解耦控制不能完全满足孵化标准. 图5模糊控制温度运行曲线(温度设定值37.5℃图6模糊控制湿度运行曲线(湿度设定值65% 如图

7、图8为采用本文提出方法系统部分运行曲线,从图中可看出,由于采用了α阶神经网络逆系统控制,温湿度的解耦效果良好,系统能快速将温湿度稳定在给定工艺范围内. 图7 温度运行曲线(温度设定值37.5℃图8 湿度运行曲线(湿度设定值65%) 4结论 针对孵化系统是一个复杂的多输入多输出,强耦合的非线性动态系统的特点,本文提出了一种基于α阶神经网络逆系统的解耦方法来消除系统主要参数之间的耦合关系.首先,针对本文所涉及的3个参数之间耦合度不同的特点,本文先对3个参数进行耦合度分析,其后将耦合度较强的2个进行线性化解耦控制,另1个则由模糊解耦控制器控制,这样一个复杂的非线性系统就变得简单易控制.结果表明该方法应用在孵化过程中可对温度湿度以及氧气浓度进行精确快速而稳定的解耦控制. 参考文献: [1]沈学杰,周国雄 .家禽孵化智能控制系统的设计及实现[J].农机化研究,2009,(4):64-66. [2]蔡兵.智能孵化控制系统的设计与实现[J].电子科技大学学报,2004,33(2):188-191. [3]周国雄,蒋辉平.基于分层结构模糊免疫PID的孵化过程控制[J].农业工程学报,2007,2(12):167-170. [5]王正齐,刘贤兴. 基于神经网络逆系统的无轴承异步电机非线性内模控制[J].自动化报.2013,39(4):433-439. [6]董泽,孙剑,张媛媛,等. 基于α阶逆神经网络解耦的循环流化床锅炉燃烧-汽水系统PSO-PID控制[J].动力工程,2009,29(6):549-553,564. [7]赵波,邹力. 基于结构熵的IaaS平台耦合度计算方法[J].华中科技大学学报,2014,42(11):11-16,22. [9] 杨海,马捷. Nonlinear Control for Autonomous Underwater Glider Motion Based on Inverse System Method [J].Journal of Shanghai Jiaotong University(Science).2010,15(6):713-718. [9]周国雄,蒋辉平,肖会芹.孵化控制系统专家模糊控制方法及其应用[J].计算机测量与控制,2007,15(11):1547-1549,1552. ........