纯滞后系统的单神经元-Smith预估控制

《纯滞后系统的单神经元-Smith预估控制》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第26卷第1期电力科学与工程Vo1．26，No．1482010年1月ElectricPowerScienceandEngineeringJan．，2010纯滞后系统的单神经元一Smith预估控制邢红颖，梁伟平(华北电力大学控制与计算机工程学院，河北保定071003)摘要：工业过程控制中，纯滞后系统普遍存在，单纯的Smith预估控制的鲁棒性差，单神经元具有自学习、自适应能力，将单神经元与Smith二者有机结合，形成单神经元一smi血复合控制器，并利用MATLAB／Simulink对其进行仿真研究。仿真结果表明，这种控制器充分发挥了神经元自适应

2、、自学习的功能，弥补了单纯的Smith控制器在处理纯滞后问题中的不足，具有良好的抗干扰能力和适应性。关键词：纯滞后系统；PID控制器；Smith预估器；单神经元中图分类号：TP273文献标识码：A0引言工业过程控制中，被控对象往往存在不同程度的纯滞后，由于纯滞后的存在，系统稳定性降低。Ziegler—Nichols参数整定法整定的PID控制器，能图1带有Smith预估器的系统框图Fig．1SystemdiagramwithSmithpredictor较好地解决滞后步数为0．15-0．6纯滞后对象的控制。但对于滞后步数较大或控制精度要求较高的

3、场Y)之间的传递函数为合，该方法就不适用了。1957年Smith提出的预估：一()Je十GOs(t)(1)器是解决大纯滞后的有效方法，但它需要控制对象的精确数学模型，而且抗干扰能力差。单神经元是神经为了完全补偿对象的纯滞后特性，则要求网络的基本组成单位，具有自学习、自适应的能力，=()e一+G()=()(2)不需要对被控对象进行精确的辨识，能够较好地克服被控对象的参数时变、非线性特性，提高控制系统于是，可得Smith预估补偿器的传递函数为的抗干扰能力，从而可以弥补Smith预估器的不足。G()=GP()(1一e一”)(3)本文将单神经元PI

4、D与Smith预估器相结合，利用Smith预估器克服被控对象的大迟延特性，利用单神经元PID不需要被控对象精确模型的优点，提高2人工神经元对象特性变化的自适应能力和抗干扰能力。仿真实验表明：该控制算法具有良好的控制品质、抗干扰能2．1单神经元模型力和鲁棒性，明显优于常规PID控制。对生物神经元进行抽象简化后，得到人工神经元模型，如图2所示。1Smith预估器的基本原理对于第i个神经元，，，⋯，是神经元接收到的信息，wmz，⋯，w为连接强度，称之为权。带有Smith预估器的系统如图1所示。利用某种运算把输入信号的作用结合起来，给出它由图1可知

5、，经补偿后控制量)与反馈量们的总效果，称之为“净输入”。根据不同的运算收稿日期：2009-09-08。作者简介：邢红颖(1984一)，女，华北电力大学控制与计算机工程学院硕士研究生，E-mail：xinghongyingopop@126．GOm。第1期邢红颖，等纯滞后系统的单神经元-Smith预估控制49(3)有监督Hebb学习规则将无监督Hebb学习规则和有监督Delta学习规则两者结合起来，组成有监督Hebb学习规则，即：Aw()=(七)(()一0，(七))0(七)(7)2．3单神经元PID控制单神经元自适应PID控制器及其学习算法结图

6、2人工神经元模型构框图如图4所示。Fig．2Artificialneuralmodel图中转换器的输入为设定()和输出y(k)；方式，净输入的表达方式有多种类型，其中最简单的一种是线性加权求和，即：：∑Wxj，=1=)(4)式中W为加权系数；)为活化函数。神经网络是由若干个上述的神经元以一定的连图4单神经元自适应PID控制器结构接形式连接而成的复杂的互联系统，神经元之间的Fig．4StructureofsingleneuraladaptivePIDcontroller互联模式将对神经网络的性质和功能产生重要影转换器的输出为神经元学习控制所需

7、要的状态量响。由神经元构成的神经网络示意图如图3所示。(七)，(七)，(七)。这里。(尼)=()一(尼)P(尼)x2(k)：Ae(k)(七)=(尼)一2P(七一1)+g(七一2)(8)D(k)~yr(k)-y(=P(，为性能指标或递进信号。图中为神经元的比例系数，K>0。神经元通过关联搜索来产生控制信号，即输入层隐层输出层3图3由神经元构成的神经网络示意图(七)=(一1)十∑W(七)。(七)(9)Fig．3Neuralnetworkdiagramconstitutedbyneuronsf=12．2神经网络的几种学习规则式中W(为对应于蕾(的

8、加权系数。(1)无监督Hebb学习规则本文采用有监督的Hebb学习规则实现。其控用O表示单元i的激活值(输出)，DJ表示单制算法及学习算法为的激活值，表示单元u，到单元i的连接加