[发明专利]应用人工神经网络的通用过程控制

说明书

本发明涉及工业生产过程控制，具体涉及自适应控制复杂系统的一种方法和设备。

本案是1990年8月9日申请的申请号为071565、358、题为“应用人工神经网络的通用过程控制”的专利申请的部分继续申请。

各种工业的生产过程日益复杂，为了处理对生产过程的经济与安全有影响的各种未知或意想不到的事件，越来越迫切自动控制器能象人类那样思考，凭经验进行判断。

目前流行的比例-积分-微商（PID）控制器能为动态特性变化范围较小的许多单输入输出（SISO）系统提供令人满意的控制性能。然而，PID在控制诸如化学反应器、高炉、蒸馏塔和轧钢机之类的复杂系统时存在一些较大的困难。这些系统通常是随时间变化的，并且是非线性的，它们的各输入端和各输出端严格地耦合，以及系统动态特性具有参数和结构的不确定性。

目前已开发的许多先进控制技术（例如模型预测控制、增强（Robust）控制和自适应控制）都是为了控制这些系统而开发的。但所有这些技术有赖于生产过程的精确而较简单的动力学模型。现在很难找到这样的模型，即便得到了这种模型，由于模型的不确定因素也会严重影响控制性能。由于要将这些技术付诸实施是相当复杂的，因而不存在通用的控制器或软件包，从而商业性实际控制是非常困难的而且花费很大。

最新的、基于称为“专家控制”或“智能控制”的专家系统技术的控制方法标志朝这个方向迈进了一步。它使用所谓的“控制什么和采用什么算法”的手段，根据系统环境和控制任务的变化来调节控制策略。但是专家控制在很大程度上依赖于根据经验和实时的推理而建立的知识库。然而在实践中要建立重复再现复杂系统的系统动态特性的实时知识库简直是不可能的。因此，专家控制主要用于使诸如生产规划、调度和故障诊断之类的各种问题最优化决策。

为此，目前对于能够简单且有效地用以控制各种复杂系统的通用控制器的需求仍然存在。这种控制器应该具有很强的自学和自适应能力以处理系统环境中的不确定因素和变化。此外，这种控制器应该只依赖于系统特性的闭环实时输入/输出数据和定性的知识，不需要系统态特性的精细知识。

本发明是通过提供这样的一种控制器来达到上述各种目的的，该控制器中的人工神经网络（ANN）由误差值的时序驱动和加权，该控制器直接控制生产过程。

更具体地说，本发明的第一方面是在预定的时间间隔内将测定出的变量与给定值加以比较，由此产生一系列误差信号。这些误差信号被用来作为ANN控制器的输入，并与过程的输出一起，用作为调节互连着ANN内各神经元的各加权因数的学习源。ANN控制器的输出即为生产过程的输入。

按照本发明的第二方面，ANN部件的现时输入与ANN输出层的现时输出相加，以使ANN控制器即刻响应误差信号。

按照本发明的第二方面，可以有选择性地衰减ANN部件的输出，以充分补偿生产过程的稳态增益。

图1a示出采用本发明ANN控制器的单回路反馈控制系统的方框图;

图1b示出除了与本发明的学习算法有关的另一些参数以外的方框图;

图2示出用以说明误差信号的取样情况的时间一幅值图;

图3示出本发明的ANN控制器的结构图;

图4示出图1bANN控制器的部分详图;

图5和6分别示出在时间常数和延变化的情况下对生产过程进行ANN和PID控制两者相比较的模拟结果的时间-幅值图;

图7至图9分别示出在生产过程在增益、时间变化和噪声方面都是非线性的情况下进行ANN控制的模拟结果的时间-幅值图;

图10和图11示出了对五种普通的生产过程进行ANN和PID控制的有比较性的模拟结果的时间-幅值图;

图12示出了在干扰变化的情况下对上述同样的五种普通生产过程进行ANN控制的有比较性的模拟结果的时间-幅值图;

图13和图14示出了在结构变化的情况下对某一生产过程进行ANN和PID控制的比较结果的时间-幅值图;

图15示出应用本发明的典型生产过程图;

图16示出图15的生产过程的方框图;

图17示出使用本发明的ANN控制器的一个控制系统的方框图。

图1a示出了一个具有ANN控制器的典型单回路反馈控制系统。ANN控制器20的输入e（t）是通过在比较器22中将r（t）与y（t）进行比较提供的。控制器20的输出u（t）为系统24的输入，系统24的输出为y1（t）值。测定的变量y（t）是由加法器26产生的，是y1（t）与干扰d（t）之和。

图1  中所示的各信号如下：