[發明專利]一種基于神經網絡的雙容系統辨識方法

有效

• 申請號: 201810332324.3
• 申請日: 2018-04-13
• 公開（公告）號: CN108681241B
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 文盼;任正云;陳安鋼;范智平;鄭浩;吳珊珊;陳毅
• 申請（專利權）人: 東華大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 上海泰能知識產權代理事務所(普通合伙) 31233
• 代理人: 宋纓;錢文斌

本發明涉及一種基于神經網絡的雙容系統辨識方法，所述神經網絡模型采用LSTM模型；將雙容系統的輸入和當前的狀態作為神經網絡的輸入值，神經網絡的輸出值為系統的預測輸出值，將系統的預測輸出值和雙容系統的真實值進行比較，利用反向誤差傳播算法，調整神經網絡模型的權值，使得神經模型達到系統要求的辨識精度。本發明減少系統建模的難度。

技術領域

本發明涉及自動控制系統技術領域，特別是涉及一種基于神經網絡的雙容系統辨識方法。

背景技術

如圖1所示，雙容系統是一種比較常見的工業現場液位系統，在實際生產中，雙容水箱控制系統在石油、化工﹑環保﹑水處理﹑冶金等行業尤為常見。通過液位的檢測與控制從而調節容器內的輸入輸出物料的平衡，以便保證生產過程中各環節的物料搭配得當。雙容系統實驗裝置由上水箱、下水箱、儲水槽、電機、傳感器等組成。上下水箱各有一個壓力傳感器將液位轉換為電壓，同時可控制電機的電壓來控制從儲水箱到上水箱水流的流速。

系統辨識是對系統進行辨識與識別的簡稱。要對一個系統進行辨識與識別，有很多方法，其中一種是觀察系統的行動，看它屬于哪一個系統。在這之前，首先要知道被當作標準的系統是哪些。控制系統的基本做法是：事先知道若干標準的系統模型，通過對被測系統實施的一系列措施，看被測系統與哪個標準最接近。控制理論的實際應用都離不開被控制對象的數學模型，無論這種模型是有較高的可信度，還是離實際情況相差很遠，總之在數理分析時，總得有一個模型。

人工神經網絡是由大量而簡單的神經元按某種方式連接形成的智能仿生動態網絡。人工神經網絡的研究始于上世紀40年代，1943年，心理學家W.S.McCulloch和數學邏輯學家W.Pitts在分析、綜合神經元基本特征的基礎上，第一次提出了神經計算模型(M-P模型)。他們通過模型提出了神經元的形式化數學描述和網絡結構的方法，證明了單個神經元能執行邏輯功能。現在應用最多的神經網絡主要有感知器網絡、網絡、網絡、網絡、CMAC(小腦模型神經網絡)網絡和模糊神經網絡。經過多年的發展，神經網絡理論在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領域取得了廣泛的應用。

發明內容

本發明所要解決的技術問題是提供一種基于神經網絡的雙容系統辨識方法，減少系統建模的難度。

本發明解決其技術問題所采用的技術方案是：提供一種基于神經網絡的雙容系統辨識方法，所述神經網絡模型采用LSTM模型；將雙容系統的輸入和當前的狀態作為神經網絡的輸入值，神經網絡的輸出值為系統的預測輸出值，將系統的預測輸出值和雙容系統的真實值進行比較，利用反向誤差傳播算法，調整神經網絡模型的權值，使得神經模型達到系統要求的辨識精度。

所述LSTM模型用兩個門來控制單元狀態的內容，一個是遺忘門，其決定了上一時刻的單元狀態有多少保留到當前時刻；另一個是輸入門，其決定了當前時刻網絡的輸入有多少保存到單元狀態；所述LSTM模型用輸出門來控制單元狀態有多少輸出到LSTM模型的當前輸出值。

所述的基于神經網絡的雙容系統辨識方法，包括以下步驟：采用y(k+1)＝f[y(k),...,y(k-m+1)；u(k),...,u(k-n+1)]來表示雙容系統，其中，u(k)為加到伺服閥上的控制量，y(k)為液位高度，辨識采用串-并聯結構，將被控對象的輸入輸出數據作為神經網絡的輸入，利用學習算法不斷減小網絡模型輸出與被控對象輸出的差值，最終實現對系統的逼近；液位模型輸入和輸出之間的非線性關系表示為y(k)＝f(y(k-1),u(k-1))，采用輸入和輸出的一階延時{y(k-1),u(k-1)}作為網絡輸入，其中u(k-1)為系統控制量，y(k-1)為液位實際采樣值；預處理模型辨識前數據；訓練神經網絡模型：-0.1—0.1之間的一個隨機數對權值進行初始化；輸入訓練采樣；計算誤差；使用反向傳播算法進行訓練，修正權值和閾值；重新計算誤差，若達到系統的要求，則停止訓練并保存模型，否則重復訓練步驟。

所述預處理模型辨識前數據包括去除趨勢項、數據濾波和數據歸一化。

有益效果