王智琳，李 彥，劉金保

（江蘇科技大學 江蘇 鎮(zhèn)江 212003）

在當前的工業(yè)生產(chǎn)過程中，如冶金、造紙、紡織、建材等領域，經(jīng)常需要多臺電機傳送和卷取產(chǎn)品。為使產(chǎn)品不被拉斷和堆積，提高產(chǎn)品運送的質(zhì)量和效率，電機之間需保持協(xié)調(diào)運行，其中同步誤差的控制是一個關鍵問題，它與系統(tǒng)的張力及電機間的轉(zhuǎn)速之差有關，因此速度和張力的控制是多電機同步系統(tǒng)協(xié)調(diào)運行的關鍵。

而在多變量非線性強耦合控制系統(tǒng)中 ，若不采取一定的解耦措施難以獲得滿意的控制效果。傳統(tǒng)的控制方法一般要首先知道對象參數(shù) ，然后設計解耦器、控制器，這個過程比較繁瑣，且常依賴于對象數(shù)學模型的準確性。因此傳統(tǒng)的方法難以實現(xiàn)有效控制。神經(jīng)網(wǎng)絡解耦控制是控制理論界的重大課題之一，尤其適用于傳統(tǒng)控制方法難以解決的問題，因此更具有研究價值。

目前有許多神經(jīng)網(wǎng)絡與PID結合的控制算法，對對象基本無要求，但是算法對初值選擇要求較高，盡管采取了如帶動量項的梯度下降法，變學習速率法等改進，還是會不可避免的陷入局部極值，且有時會振蕩，文中對此采用了更具動態(tài)特性的對角遞歸神經(jīng)網(wǎng)絡 （Diagonal Recurrent Neural Network，DRNN）與PID相結合；并利用遺傳算法（Genetic Algorithm，GA）的全局尋優(yōu)特性來優(yōu)化網(wǎng)絡初值[1]，以此用GA和DRNN兩者的優(yōu)點使系統(tǒng)獲得更好的控制效果。

1 三電機系統(tǒng)

如圖1為3臺電機的速度張力運行時的簡單物理模型，各電機軸上安裝有皮帶輪，電機之間通過皮帶輪上的傳輸帶連結；當電機運轉(zhuǎn)時，轉(zhuǎn)子旋轉(zhuǎn)拉動皮帶協(xié)調(diào)運行。

圖1 多電機同步系統(tǒng)的物理模型Fig.1 Physical model of multi-motor synchronization system

根據(jù)虎克定律，考慮前滑量，相鄰兩臺電機之間的張力表示為：

上式中有 1≤i＜j≤3，Ki為傳遞系數(shù)，Tij為張力變化時間常數(shù)；ri、ki、ωri分別為第 i電機的半徑、 速比和第 i臺電機的電氣角速度；rj、kj、ωrj分別為第 j電機的半徑、速比和第 j臺電機的電氣角速度；npi和npj分別為兩電機的磁極對數(shù)。

根據(jù)電機學中的拖動方程和公式（1）得到3臺電機同步系統(tǒng)在磁場定向模式下的數(shù)學模型：

由上易知，此對象是一個高階、多變量、非線性、強耦合系統(tǒng)，尤其是速度和張力間的耦合，所以對于該系統(tǒng)的控制，如果以其中一臺電機為主電機，其他兩臺為從電機，則可減小控制難度。

2 基于GA的DRNN-PID算法

鑒于本對象的特性，文中采用了基于遺傳算法的DRNN的PID控制算法。

圖2 控制結構圖Fig.2 Control chart

圖2為本算法的控制結構圖。其中DRNN網(wǎng)絡為Elman網(wǎng)絡的一種簡化[2-3]，它包含有輸入層，隱層和輸出層3層，其中隱層為回歸層。設 I=[I1，I2，…，In]為網(wǎng)絡輸入向量，Ii（k）為輸入層第i個神經(jīng)元的輸入，sj（k）為第j個回歸神經(jīng)元輸入總和，O（k）為網(wǎng)絡輸出， f（·）為雙 S 函數(shù)：f（x）=（1-e-x）/（1+e-x），DRNN的輸入輸出映射關系為：

上式中 r（k）為給定輸入；u（k）為 DRNN-PID 控制器的輸出，也即控制對象的輸入；y（k）為控制對象的輸出；T為采樣周期；而系數(shù) kp（k）、ki（k）、kd（k）采用 DRNN 網(wǎng)絡進行整定：

上式中 E＝0.5（r（k）－y（k））2，K 分別代表 PID 的 3 個系數(shù)：Kp，Ki，Kd；μ表示其各自對應的學習速率；X分別表示其對應的 x1，x2，x3 值；?y/?u 由 DRNN 網(wǎng)絡辨識。

網(wǎng)絡權值訓練可采用梯度下降法：

上式中 Pj（k）=?Xj（k）/，Qij（k）=?Xj（k）/，且

故可知DRNN與PID結合的算法的步驟是：

1）網(wǎng)絡輸入層、回歸層、輸出層權值賦予小的隨機初值，并設定網(wǎng)絡各層的學習速率和慣性系數(shù)；

2）PID 控制器參數(shù) kp，ki，kd 賦初值， 并同時給 Pj、Qij賦零初值；

3）計算PID控制器的輸出u，將u和系統(tǒng)輸出y作為網(wǎng)絡輸入I；

4）對神經(jīng)網(wǎng)絡的權值進行實時修正；

5）令 k=k+1，返回步驟 3。

當設計的系統(tǒng)穩(wěn)定時，ym（k）≈y（k），則有：

而通常情況下隨機賦的初值很難使網(wǎng)絡得到很好的結果，且容易出現(xiàn)本文引言中提到的缺點：易振蕩，易陷入局部極小值點等，所以需要優(yōu)化初值。此時采用遺傳算法（GA）的全局搜索特點來對DRNN的初值進行初步優(yōu)化。

需要注意的是鑒于GA算法的特性，很難實現(xiàn)在線調(diào)整網(wǎng)絡的初值，因此需要離線訓練，文中采用改進的GA算法，采用實數(shù)編碼，選擇時采用輪盤賭法和最優(yōu)保留法相結合，而交叉和變異時采用自適應交叉率和變異率，具體方法如下：

1）實數(shù)編碼 它是對原參數(shù)直接進行遺傳操作，具有求解精度高、便于大空間搜索等優(yōu)點。編碼時，每個連接權值直接用一個實數(shù)表示，整個網(wǎng)絡的權值分布用一組實數(shù)表達，所有的每個權值按一定順序級聯(lián)為一個長串，即為一個染色體。2）自適應交叉和變異 交叉率和變異率的算式分別如下：

上式中α1和α2為大于0的常數(shù)，文中都取為1.5；fmax為最大適應度值，favg為平均適應度值，為交叉前兩父串中適應度值較大者，f為需變異位串適應度值；Pc1、Pc2和 Pm1、Pm2為預先指定的常數(shù)，分別取為 Pc1＝0.9，Pc2＝0.6，Pm1＝0.1，Pm2＝0.001。 這樣做的好處是：①可相應提高群體中表現(xiàn)優(yōu)良的個體的交叉率和變異率，使得它們不會處于一種停滯不變的狀態(tài)；②對于群體中適應度小于平均適應度的個體，其交叉率和變異率將以較大的概率進行交叉和變異；③對于群體中適應度大于平均適應度時，其交叉率和變異率以接近當前最佳適應度的形式進行動態(tài)調(diào)整，其調(diào)整沿著適應度增大的方向以指數(shù)衰減方式進行，衰減的強弱以系數(shù)α1和α2表示。

變異策略采用下述方法：

待變異個體 X=（x1，x2，…，xi，…，xk）的變異點基因值 xi的取值范圍是[ximin，ximax]，則變異后的新基因值由下式?jīng)Q定：

上式中rand為 （0，1）上的隨機數(shù)，t為當前進化代數(shù)，T為最大進化代數(shù)，b為系統(tǒng)參數(shù)，一般取為2。該算法在開始階段（t較小時）變異范圍大，而在進化后期（t接近T）主要進行局部搜索，變異范圍越來越小，由此產(chǎn)生的新基因值更接近原基因值，這樣使得最優(yōu)解的搜索更加集中于某一最有希望的重點區(qū)域中。

3 實驗結果和仿真分析

圖4是以文中的三電機系統(tǒng)[公式（2）]為對象的控制效果，3臺電機以1主2從形式，圖中wr1為主電機的轉(zhuǎn)速，F(xiàn)12，F(xiàn)23分別表示第1、2臺電機間和第2、3電機間的兩個張力。該算法的關鍵是前期遺傳算法的搜索要獲得的大致的全局最優(yōu)點，后面DRNN的精確調(diào)整就容易得多。

圖3 基于GA的DRNN-PID的控制效果圖Fig.3 Control rendering of DRNN-PID algorithm based on GA

圖4 三電機系統(tǒng)控制效果圖Fig.4 Control rendering of three motor system

4 結束語

綜上得出，基于遺傳算法的DRNN的PID控制算法完全不依賴于對象模型，通過恰當?shù)挠柧毢蛯W習就可以獲得很好的控制效果。算法結構簡單，易于實現(xiàn)，應用在速度和張力的解耦控制或其他工業(yè)控制場合很方便，具有很好的推廣應用價值。

[1]徐麗娜.神經(jīng)網(wǎng)絡控制[M].3版.北京:電子工業(yè)出版社，2009.

[2]張今朝，劉國海，潘天紅.多電機同步系統(tǒng)的多模型辨識[J].電機與控制學報，2009，13（1）:138-142.ZHANG Jin-zhao， LIU Guo-hai， PAN Tian-hong.Multimodel identification to multi-motor synchronous system[J].Electric Machines and Control，2009，13（1）:138-142.

[3]KU Chao-lee，Lee K Y.Diagonal recurrent neural networks for dynamic systems control[J].IEEE.Transactions on Neural Networks，1995，6（1）:144-156.

[4]XUN Liang.Comments on Diagonal recurrent neural networks for dynamic system control reproof of theorems 2 and 4[J].IEEE.Transactions on Neural Networks，1997，8（3）:811-812

[5]韓貴金.一種基于對角遞歸神經(jīng)網(wǎng)絡的PID解耦控制器[J].電子科技，2007（9）:22-26.HAN Gui-jin.A PID decoupling controller based on DRNN[J].Electronic Science&Technology，2007（9）:22-26.

[6]段慧達，鄭德玲，劉聰.基于對角遞歸神經(jīng)網(wǎng)絡的建模及應用[J].北京科技大學學報，2004，26（1）:103-105.DUAN Hui-da， ZHENG De-ling， LIU Cong.Modeling and application based on diagonal recurrent neural network[J].Journal of University Beiing of Science and Technology，2004，26（1）:103-105.

[7]王曉哲，顧樹生.基于遺傳算法的PID神經(jīng)網(wǎng)絡解耦控制[J].控制與決策，1999，14（Suppl）:617-620.WANG Xiao-zhe，GU Shu-sheng.A PID neural network decoupling control based on genetic algorithm[J].Control and Decision，1999，14（Suppl）:617-620.