[發(fā)明專利]一種改進FSRBFD的自適應解耦控制方法

有效

• 申請?zhí)枺?/td>: 201910589838.1
• 申請日: 2019-07-02
• 公開（公告）號: CN110262244B
• 公開（公告）日: 2022-04-01
• 發(fā)明（設計）人: 廖雪超;陳振寰;鄧萬雄;伍杰平
• 申請（專利權）人: 武漢科技大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 杭州宇信知識產(chǎn)權代理事務所(普通合伙) 33231
• 代理人: 劉艷艷

1.一種改進FSRBFD的自適應解耦控制方法，其特征在于，包括如下步驟：

S1、系統(tǒng)建模：根據(jù)控制量與輸出量之間的關系，確定系統(tǒng)的傳遞函數(shù)矩陣模型；所述系統(tǒng)建模具體為：

以每個通道厚度作為測量值，加熱螺栓溫度作為控制量，構成一個三輸入三輸出的控制系統(tǒng)，設系統(tǒng)控制量為(u₁，u₂，u₃)，輸出量為(y₁，y₂，y₃)，其中，每個輸出量y_i同時受到多個控制量u_i的影響，從而確定三通道厚度系統(tǒng)的傳遞函數(shù)矩陣模型，如下：

S2、建立RBFD解耦控制器：所述RBFD解耦控制器包括輸入層、隱含層和輸出層，RBFD解耦控制器的解耦控制過程包括RBF初始化、RBF聚類、RBF模型訓練和RBF測試；

所述RBF初始化是對系統(tǒng)數(shù)據(jù)初始化，所述系統(tǒng)數(shù)據(jù)包括：輸入樣本X(k)，隱含層R_j聚類數(shù)量，數(shù)據(jù)中心點C_j，擴展常數(shù)σ_j和隱含層R_j對輸出層i的權值w_ji；然后提取M條運行數(shù)據(jù)作為RBF網(wǎng)絡的訓練集，將所有耦合影響的相關自變量作為RBF網(wǎng)絡的系統(tǒng)輸入，表述為：

所述RBF聚類具體包括如下：

1)聚類初始化：

將數(shù)據(jù)集的所有數(shù)據(jù)X(k)，k＝1...M，隨機分為n個聚類R_j，j＝1...n；

得到各個R_j的中心點C_j＝avg[X(j)]，X(j)∈R_j；

2)聚類更新：

重新計算各R_j的新中心點C_j＝avg[X(j)]，X(j)∈R_j；

3)終止判斷條件：

if(C_j(T+1)≠C_j(T))，T為聚類迭代次數(shù)，則重新執(zhí)行步驟2)聚類更新；

else聚類結束，轉到步驟4)；

4)聚類結果輸出：

得到各聚類R_j的初始中心點C_j^*；

擴展常數(shù)

所述RBF模型訓練采用梯度下降法，通過最小化目標函數(shù)E_i，i＝1,2,3實現(xiàn)對各隱含層節(jié)點R_j，j＝1...n的數(shù)據(jù)中心點C_j、擴展常數(shù)σ_j和輸出權值w_ji的自適應調節(jié)，具體包括：

1)權值隨機初始化：

2)訓練數(shù)據(jù)集：

for k＝1 to M

計算R_j輸出：

計算所有輸出層輸出：

計算輸出層誤差：e_i(k)＝0-y_mi(k)，i＝1,2,3 (12)

計算輸出層目標函數(shù)：

采用梯度下降法對調節(jié)量ΔC_j，Δσ_j，Δw_ij進行累加：

end for

參數(shù)調整：C_j(t)＝C_j(t-1)+ΔC_j(k) (17)

σ_j(t)＝σ_j(t-1)+Δσ_j(k) (18)

w_ji(t)＝w_ji(t-1)+Δw_ji(k) (19)

輸出層的目標函數(shù)均值化：

3)終止條件判斷

if(J_iJ_h)訓練結束，轉到步驟4)，J_h為目標函數(shù)閾值；

else t＝t+1，并重新執(zhí)行步驟2)，訓練數(shù)據(jù)集；

4)訓練結束

得到各R_j最終的中心點權值擴展常數(shù)

所述RBF測試是將測試集的新數(shù)據(jù)代入RBF模型，根據(jù)各R_j最終的中心點和擴展常數(shù)得到隱含層的輸出yh_j(k)：

進而根據(jù)各個聚類的權值得到系統(tǒng)三通道輸出：

S3、建立FSRBFD解耦控制器：采用附加動量項、自適應學習率和附加微分項的方法對RBFD解耦控制器進行改進，建立自適應學習率的解耦控制器FSRBFD；

采用附加動量項方法對RBFD解耦控制器的RBF訓練模塊的訓練數(shù)據(jù)集子模塊上進行改進，具體如下：

以中心點C_j為例，令式(14)中C_j的梯度為g(t)：

則為數(shù)據(jù)中心C_j附加動量項后，可表述為：

式中，α代表遺忘因子，αΔC_j(t-1)代表之前梯度下降的方向和大小信息對當前梯度下降的調整作用；

通過自適應學習率方法對附加動量項后的固定學習率進行自適應調整，具體如下：

η(t)＝δ(t)η(t-1) (25)

上式中，δ(t)為第t次迭代時的自適應學習率因子，δ(t)定義為：

δ(t)＝2^λ (26)

其中λ為梯度方向，表達形式為：

λ＝sign(g(t)g(t-1)) (27)

結合上面附加動量項和自適應學習率的方法，由式(24)、(25)可得：

ΔC_j(t)＝αΔC_j(t-1)+δ(t)η(t-1)g(t) (28)

根據(jù)式(28)對數(shù)據(jù)中心C_j依據(jù)下式計算：

同理，對輸出權值w_ji依據(jù)下式計算：

對擴展常數(shù)σ_j依據(jù)下式計算：

對公式(13)中定義的目標函數(shù)加入誤差微分項，對輸出設定值進行線性逼近的反向優(yōu)化，θ為微分加權因子，增加微分項后的目標函數(shù)為：

同時對式(31)、(34)、(37)的梯度函數(shù)g(t)加入微分項，可得：

其中，β、μ為動量因子。