[發明專利]電子節氣門的自學習逆模型控制方法

無效

• 申請號: 200910044150.1
• 申請日: 2009-08-18
• 公開（公告）號: CN101630144A
• 公開（公告）日: 2010-01-20
• 發明（設計）人: 王耀南;袁小芳;張輝;吳亮紅
• 申請（專利權）人: 湖南大學
• 主分類號: G05B13/02
• 分類號: G05B13/02;F02D41/00;G06N3/04;G06N3/08
• 代理公司: 長沙市融智專利事務所
• 代理人: 顏 勇

1.一種電子節氣門的自學習逆模型控制方法，其特征在于，采用第一徑向基函數神經網絡作為辨識器對電子節氣門進行模型辨識；采用第二徑向基函數神經網絡作為逆模型器對電子節氣門進行控制；

第一徑向基函數神經網絡為一個具有輸入層、隱含層、輸出層的三層神經網絡結構，第一徑向基函數神經網絡的輸入層包括5個節點，分別是y(k-1)、y(k-2)、y(k-3)、u(k)、u(k-1)，所述的y(k)表示電子節氣門的狀態量，即氣門開度角θ，u(k)表示電子節氣門的輸入控制量，k表示采樣的時刻；第一徑向基函數神經網絡的輸出層為一個節點，即辨識的狀態量

第二徑向基函數神經網絡的輸出直接作為電子節氣門的輸入控制量，第二徑向基函數神經網絡為一個具有輸入層、隱含層、輸出層的三層神經網絡結構，第二徑向基函數神經網絡的輸入層包括5個節點，分別是y_d(k)、y(k-1)、y(k-2)、y(k-3)、u(k-1)，所述的y_d(k)為期望的狀態量，即期望的電子節氣門開度角；第二徑向基函數神經網絡的輸出層為一個節點，即u(k)；

第一徑向基函數神經網絡和第二徑向基函數神經網絡均先經過離線學習，再進行在線學習；所述的在線學習為采用梯度算法調整第一徑向基函數神經網絡和第二徑向基函數神經網絡權值；第二徑向基函數神經網絡的權值在線調整表示為：

WC(k+1)=WC(k)+η(-∂EC∂WC);]]>

-∂EC∂WC=eC(k)yu(k)bC(k);]]>

y_u(k)估計為：yu(k)=∂y(k)∂u(k)≈∂y^(k)∂u(k);]]>

∂y^(k)∂u(k)=-u(k)WIT·bI(k)σ2;]]>

其中k表示時刻，W_C(k+1)表示k+1時刻的第二徑向基函數神經網絡權值；η為學習率；E_C(k)表示設定的誤差函數，e_C(k)表示控制誤差，y_u(k)為輸出狀態量對于控制輸入的敏感度、b_C(k)表示第二徑向基函數神經網絡參數；表示第一徑向基函數神經網絡權值，b_I(k)表示第一徑向基函數神經網絡參數，σ為寬度參數。

2.根據權利要求1所述的電子節氣門的自學習逆模型控制方法，其特征在于，所述的離線學習為根據現場樣本數據，采用模糊K均值聚類算法來確定第一徑向基函數神經網絡和第二徑向基函數神經網絡的中心及寬度參數，采用梯度下降法調整網絡權值。