[发明专利]一种在线解耦生物质发酵的控制方法

权利要求书

1.一种在线解耦生物质发酵的控制方法，其特征在于，包括以下步骤：

S1：设计基于RBF神经网络的自适应PID控制算法；

S2：设计基于RBF神经网络的分散解耦控制算法；

S3：将步骤S1中的RBF神经网络自适应PID控制算法与步骤S2中RBF神经网络分散解耦控制算法相结合。

2.根据权利要求1所述的一种在线解耦生物质发酵的控制方法，其特征在于，所述步骤S1包括以下步骤：

S11：神经网络在线整定PID控制器的比例k_p、积分k_i、微分k_d参数，

经典增量式数字PID控制算法表示为：

c(1)＝e(k)-e(k-1)(1)

c(2)＝e(k)(2)

c(3)＝e(k)-2(k-1)+e(k-2)(3)

u(k)＝u(k-1)+Δu(k)(4)

Δu(k)＝k_p(e(k)-e(k-1))+k_ie(k)+k_d(e(k)-2e(k-1)+e(k-2))(5)

由公式(1)(2)(3)(4)(5)得

u(k)＝u(k-1)+k_p(e(k)-e(k-1))+k_ie(k)+k_d(e(k)-2e(k-1)+e(k-2))(6)

其中,e(k)＝r(k)-y(k)，k_p、k_i、k_d分别为控制器的比例、积分、微分系数；

S12：神经网络性能指标函数为：

Ei(k)=12(ri(k)-yi(k))2=12ei(k)2,i=1,2...---(7)]]>

S13：根据RBF神经网络梯度下降法，在线调整输出权值、隐层节点的中心向量及基宽参数，调整算法如下：

Δwjl(k)=-∂E(k)∂wjl(k)=-∂E(k)∂y(k)·∂y(k)∂u(k)·∂u(k)∂ol(k)·∂ol(k)∂wjl(k)---(8)]]>

Δσj(k)=-∂E(k)∂σj(k)=-∂E(k)∂y(k)·∂y(k)∂u(k)·(Σl=13∂u(k)∂ol(k)·∂ol(k)∂hj(k)·∂hj(k)∂σj(k))---(9)]]>

Δcij(k)=-∂E(k)∂cij(k)=∂E(k)∂y(k)·∂y(k)∂u(k)·(Σl=13∂(k)∂ol(k)·∂ol(k)∂hl(k)·∂hl(k)∂cij(k))---(10)]]>

S14：k_p、k_i、k_d为PID控制器的三个可调参数，用O₁、O₂、O₃来表示，则根据式(6)可得：

∂u(k)∂o1(k)=e(k)-e(k-1)---(11)]]>

∂u(k)∂o2(k)=e(k)---(12)]]>

∂u(k)∂o3(k)=e(k)-2e(k-1)+e(k-2)---(13)]]>

S15：神经网络的输出层权值学习算法为：

w_jl(k)＝w_jl(k-1)+ηΔw_jl(k)+α(w_jl(k-1))-w_jl(k-2)(14)

Δwjl(k)=e(k)·∂y(k)∂u(k)·∂u(k)∂ol(k)·hj(k)---(15)]]>

同理，隐层节点的中心向量及基宽参数的学习算法：

c_ij(k)＝c_ij(k-1)+ηc_ij(k)+α(c_ij(k-1)-c_ij(k-2))(16)

Δcij(k)=e(k)·∂y(k)∂u(k)(Σl=13∂u(k)∂ol(k)·wjl(k)·hj(k)·(xi-cij(k-1))σj2(k))---(17)]]>

σ_j(k)＝σ_j(k-1)+ηΔσ_j(k)+α(σ_j(k-1)-σ_j(k-2))(18)

Δσj(k)=e(k)·∂y(k)∂u(k)(Σl=13∂u(k)∂ol(k)·wjl(k)·hj(k)·||X(k)-Cj(k)||2σj3(k))---(19)]]>

其中,η为学习速率,α为动量因子,η∈[0,1]，α∈[0,1]；

S16：PID控制器的三个可调参数k_p、k_i、k_d的整定算法如下：

kp(k)=o1(k)=ΣJ=1Mwj1(k)·exp(-||X(k)-Cj(k)||22σj2(k))ki(k)=o2(k)=ΣJ=1Mwj2(k)·exp(-||X(k)-Cj(k)||22σj2(k))kd(k)=o3(k)=ΣJ=1Mwj3(k)·exp(-||X(k)-Cj(k)||22σj2(k))---(20).]]>

3.根据权利要求1或2所述的一种在线解耦生物质发酵的控制方法，其特征在于，所述步骤S2包括以下步骤：

S21：首先设计一个解耦器D(s)，与被控过程G(s)串联之后的传递函数为非奇异矩阵；

Q(s)＝G(s)D(s)＝diag{q_jj(s)}

S22：神经网络解耦器1输出表示为：

v₁(k)＝f₁[x₁(k)，x₁(k-1)，…，x₁(k-n₁)，v₁(k-1)，v₁(k-2)，…，v₁(k-m₁)](21)

神经网络解耦器2输出表示为：

v₂(k)＝f₂[x₂(k)，x₂(k-1)，…，x₂(k-n₂)，v₂(k-1)，v₂(k-2)，…，v₂(k-m₂)](22)

k为采样次数；m₁，m₂，n₁，n₂取决于被控过程阶次；

S23：系统的输出由解耦器输出与控制器输出的和表示：

u₁＝x₁+v₂，u₂＝x₂+v₁(23)

S24：神经网络解耦器1、解耦器2指标函数为：

Ji=12ΣK=1N[yj(k)]2,i=1,2;j=2,1---(24)]]>

S24：设网络的n维输入向量X＝[x₁，x₂，...，x_n]^T，m维径向基H＝[h₁，h₂，...，h_j，...，h_m]，网络输出v＝w₁h₁+w₂h₂+...+w_mh_m,w为连接权向量；

S24：神经网络解耦器算法如下：

Δwj(k)=-∂J1(k)∂wj(k)=-∂J1(k)∂y2(k)·∂y2(k)∂v1(k)·∂v1(k)∂wj(k)---(25)]]>

Δσj(k)=-∂J1(k)∂σj(k)=-∂J1(k)∂y2(k)·∂y2(k)∂v1(k)·∂v1(k)∂σj(k)---(26)]]>

Δcij(k)=-∂J1(k)∂cij(k)=-∂J1(k)∂y2(k)·∂y2(k)∂v1(k)·∂v1(k)∂cij(k)---(27)]]>

w_j(k)＝w_j(k-1)+ηΔw_j(k)+α(w_j(k-1)-w_j(k-2))(28)

Δwj(k)=-y2(k)·sgn(∂y2(k)∂v1(k))·hj(k)---(29)]]>

c_ij(k)＝c_ij(k-1)+ηc_ij(k)+α(c_ij(k-1)-c_ij(k-2))(30)

Δcij(k)=-y2(k)·sgn(∂y2(k)∂v1(k))·wj(k)·hj(k)·(xi(k)-cij(k-1))σj2(k)---(31)]]>

σ_j(k)＝σ_j(k-1)+ηΔσ_j(k)+α(σ_j(k-1)-σ_j(k-2))(32)

Δσj(k)=-y2(k)·sgn(∂y2(k)∂v1(k))·wj(k)·hj(k)·||X(k)-Cj(k)||2σj3(k)---(33)]]>

η为学习速率，α为惯性系数，η∈[0,1]，α∈[0,1]。