，，

(中國航天空氣動(dòng)力技術(shù)研究院 特種飛行器總體設(shè)計(jì)部，北京 100074 )

0 引言

本論文提到的無人機(jī)組件測(cè)試系統(tǒng)，主要用于對(duì)某型號(hào)無人機(jī)組件進(jìn)行相關(guān)性能測(cè)試和試驗(yàn)驗(yàn)證。該無人機(jī)工作狀態(tài)下的環(huán)境要求苛刻，在高海拔情況下，外界大氣溫度達(dá)到-70 ℃～-50 ℃，部分部件承壓達(dá)到2 MPa。所進(jìn)行的地面測(cè)試能夠精確模擬不同的機(jī)上環(huán)境，得到不同機(jī)載設(shè)備的散熱功耗等數(shù)據(jù)，從而保證無人機(jī)艙內(nèi)飛控、測(cè)控、電氣等電子設(shè)備在要求的使用溫度范圍內(nèi)正常工作。

整個(gè)系統(tǒng)由氣源系統(tǒng)、熱路試驗(yàn)回路、冷路試驗(yàn)回路、低溫試驗(yàn)回路、計(jì)算機(jī)測(cè)控系統(tǒng)和產(chǎn)品試驗(yàn)段系統(tǒng)組成。該系統(tǒng)主要完成對(duì)多條回路的溫度、壓力、流量的測(cè)量和控制，所進(jìn)行的試驗(yàn)項(xiàng)目包括調(diào)壓特性試驗(yàn)、溫控特性試驗(yàn)、氣流諧振試驗(yàn)、熱沖擊試驗(yàn)、壓力和溫度循環(huán)試驗(yàn)等。具體而言，控制對(duì)象是由電加熱器、高壓引氣控制組件、預(yù)冷器調(diào)節(jié)控制組件、預(yù)冷器、壓力調(diào)節(jié)/關(guān)斷控制組件、引氣單向控制裝置以及系統(tǒng)試驗(yàn)件管路組成的一套氣源分系統(tǒng)。

該航空產(chǎn)品測(cè)試系統(tǒng)是一個(gè)典型的多變量MIMO系統(tǒng)，有多個(gè)輸入和輸出，3個(gè)被控量溫度、壓力、流量之間存在強(qiáng)耦合，實(shí)施控制時(shí)往往“牽一發(fā)而動(dòng)全身”，傳統(tǒng)的控制方法難以取得良好的控制效果。

新世紀(jì)以來，以神經(jīng)網(wǎng)絡(luò)為代表的智能控制理論發(fā)展日新月異，為工業(yè)過程多變量解耦控制這個(gè)老問題提供了新的解決思路。

1 航空測(cè)試系統(tǒng)原理及結(jié)構(gòu)

航空測(cè)試系統(tǒng)采用分布式控制系統(tǒng)架構(gòu)，總體可分為：檢測(cè)與執(zhí)行級(jí)、下位直接控制級(jí)和上位管理監(jiān)控級(jí)[1]。該系統(tǒng)以工業(yè)級(jí)計(jì)算機(jī)為核心，集成單元組合儀器及微處理器，集中管理、分散控制。圖1為航空測(cè)試系統(tǒng)其中一路管道流程圖。

系統(tǒng)試驗(yàn)段中共有76個(gè)測(cè)溫點(diǎn)，其中熱路最高溫度值達(dá)到700 ℃， 溫度傳感器采用Ⅰ級(jí)熱電偶；冷路和制冷路溫度最高在300 ℃，選用PT100A級(jí)鉑電阻。壓力測(cè)量共24點(diǎn)，選用高精度等級(jí)為0.1級(jí)的壓力傳感變送器。流量測(cè)量點(diǎn)67點(diǎn)，選用E&H質(zhì)量流量計(jì)。

圖1 熱路試驗(yàn)流程圖

計(jì)算機(jī)通過儀表來控制調(diào)節(jié)閥或調(diào)功器等設(shè)備工作，系統(tǒng)中各控制參數(shù)的控制算法均由計(jì)算機(jī)完成，控制執(zhí)行機(jī)構(gòu)包括氣源壓力調(diào)節(jié)閥、出/入口壓力調(diào)節(jié)閥、超壓保護(hù)調(diào)節(jié)閥、1～14號(hào)電加熱器、氣源流量調(diào)節(jié)閥、流量輔調(diào)閥等。系統(tǒng)主要被控參數(shù)指標(biāo)如表1。

表1 主要被控參數(shù)指標(biāo)

傳統(tǒng)控制方法在進(jìn)行多變量耦合系統(tǒng)的控制時(shí)，必須獲得對(duì)象參數(shù)，再依次設(shè)計(jì)補(bǔ)償器、解耦器和控制器[2]。然而多變量系統(tǒng)的參數(shù)一般不易獲得，補(bǔ)償器、解耦器和控制器的實(shí)現(xiàn)與一體化難以實(shí)現(xiàn)，故而采用傳統(tǒng)控制方法不足以完成對(duì)強(qiáng)耦合多變量系統(tǒng)的有效控制[3]。

圖2 系統(tǒng)控制量耦合關(guān)系

2 解耦控制方案設(shè)計(jì)

本文根據(jù)神經(jīng)網(wǎng)絡(luò)的相關(guān)知識(shí)，采用了一種新型的PID神經(jīng)元網(wǎng)絡(luò)，來嘗試解決強(qiáng)耦合多變量系統(tǒng)的控制難題。所建立的PID神經(jīng)元網(wǎng)絡(luò)基于前向多層網(wǎng)絡(luò)，是對(duì)其的一種拓展，其特殊之處在于隱含層輸入輸出函數(shù)依據(jù)PID控制規(guī)律選取，從而使得隱含層神經(jīng)元具有比例、積分和微分處理功能[4]。

由相關(guān)理論可知，PID神經(jīng)元網(wǎng)絡(luò)有非常強(qiáng)的自主學(xué)習(xí)能力，可以實(shí)時(shí)地獲得系統(tǒng)給定值和測(cè)量值，根據(jù)誤差自動(dòng)調(diào)整前向網(wǎng)絡(luò)的權(quán)值。應(yīng)用該種PID神經(jīng)元網(wǎng)絡(luò)控制器，不需要事先知道控制對(duì)象的結(jié)構(gòu)和參數(shù)[5]。理論上可以并行完成系統(tǒng)解耦控制工作，獲得理想的靜態(tài)和動(dòng)態(tài)特性。這種PID神經(jīng)元網(wǎng)絡(luò)對(duì)多變量系統(tǒng)的解耦控制方法最早由廣州大學(xué)的舒懷林老師提出，筆者對(duì)該方法進(jìn)行了改進(jìn)，在連接權(quán)系數(shù)的學(xué)習(xí)過程中加入了改進(jìn)的遺傳算法，目的是克服多層前向神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度慢，易陷入局部的最小值等缺陷。

2.1 PID神經(jīng)元網(wǎng)絡(luò)

多控制量PID神經(jīng)元網(wǎng)絡(luò)的結(jié)構(gòu)，縱向上分為三層：輸入層、隱含層和輸出層，每層神經(jīng)元的數(shù)目為2n:3n:n。橫向上n個(gè)控制量的神經(jīng)元網(wǎng)絡(luò)可以看作n個(gè)平行的子網(wǎng)絡(luò)，各子網(wǎng)絡(luò)有相似的結(jié)構(gòu)[6]。多控制量PID神經(jīng)元網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖3所示。

圖3 多控制量神經(jīng)元網(wǎng)絡(luò)

圖中，n個(gè)平行子網(wǎng)絡(luò)包括三層：輸入層，左邊一列兩個(gè)神經(jīng)元，分別接收控制量的設(shè)定值和當(dāng)前值，設(shè)定值為X11，X21，…，Xn1，當(dāng)前值為X12，X22，…，Xn2；隱含層，中間一列3個(gè)神經(jīng)元，由3個(gè)分別具有比例(P)、積分(I)和微分(D)處理功能的神經(jīng)元構(gòu)成；輸出層，右邊一列一個(gè)神經(jīng)元，輸出當(dāng)前計(jì)算得到的控制量，即Y1，Y2，…，Yn。圖中ωij和ωjk是網(wǎng)絡(luò)連接權(quán)值。

2.1.1 前向算法

輸入層包含2n個(gè)神經(jīng)元，輸出值xsi即輸入值Xsi，公式如下：

xsi(k)=Xsi(k)

(1)

隱含層包含3n個(gè)神經(jīng)元，這些神經(jīng)元的輸入值為xsi乘以網(wǎng)絡(luò)連接權(quán)值ωij，公式如下：

(2)

隱含層具有比例、積分和微分處理功能的神經(jīng)元各有n個(gè)，輸出的計(jì)算公式如下：

比例神經(jīng)元

us1(k)=kp*nets1(k)

(3)

積分神經(jīng)元

Us2(k)=nets2(k)+Us2(k-1)

us2(k)=ki*Us2(k)

(4)

微分神經(jīng)元

us3(k)=kd*[nets3(k)-nets3(k-1)]

(5)

輸出層的輸出為隱含層所有神經(jīng)元輸出與網(wǎng)絡(luò)連接權(quán)值為ωjk的乘積之和。有n個(gè)神經(jīng)元，構(gòu)成n維輸出向量，計(jì)算公式如下：

(6)

2.1.2 反傳算法

在多控制量PID神經(jīng)元網(wǎng)絡(luò)控制的過程中，根據(jù)誤差反向傳播，修正網(wǎng)絡(luò)連接權(quán)值，使得被控量逐漸趨近于設(shè)定值。

計(jì)算誤差公式：

(7)

式中，n為輸出結(jié)點(diǎn)個(gè)數(shù)，yh(k)為預(yù)測(cè)的輸出，r(k)為控制目標(biāo)。

多控制量PID神經(jīng)元網(wǎng)絡(luò)的權(quán)值修正一般采用梯度學(xué)習(xí)算法，可通過增加動(dòng)量項(xiàng)提高學(xué)習(xí)效率[7]，公式如下：

隱含層到輸出層：

η1*[ωjk(k)-ωjk(k-1)]

(8)

輸入層到隱含層：

η1*[ωij(k)-ωij(k-1)]

(9)

式中，η、η1為學(xué)習(xí)速率。在實(shí)際的應(yīng)用中，該修正過程對(duì)初值的選擇要求較高，尋優(yōu)過程往往收斂于局部最優(yōu)解。

2.2 遺傳算法訓(xùn)練PID神經(jīng)元網(wǎng)絡(luò)參數(shù)

遺傳算法是近十年來發(fā)展起來的一種最優(yōu)化控制方法，可以在全局域內(nèi)進(jìn)行魯棒搜索，適用范圍廣，可以有效地避免尋優(yōu)過程收斂于局部最優(yōu)解，而且沒有BP算法對(duì)初值敏感的缺陷[8-9]。

采用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行訓(xùn)練，關(guān)鍵部分是遺傳算子的設(shè)計(jì)。一般包括選擇、交叉和變異算子。

1)選擇。

采用比例選擇算子，個(gè)體i被選中的概率為

(10)

式中，M為種群規(guī)模，F(xiàn)i為個(gè)體i的適應(yīng)度。種群中的個(gè)體被選中的概率主要取決于其適應(yīng)度大小[10]。

2)交叉。

(11)

針對(duì)算法的后期可能出現(xiàn)的早熟現(xiàn)象，設(shè)計(jì)了自適應(yīng)的α參數(shù)：

(12)

式中，fmax為種群中的最大適應(yīng)度值，f′為用于交叉的兩個(gè)染色體中較大的適應(yīng)度值，fav為種群平均適應(yīng)度值。

3)變異。

(13)

(14)

由上可知，該算法既保證了適應(yīng)度高的個(gè)體更容易將其特性遺傳到下一代，同時(shí)賦予適應(yīng)度低的個(gè)體較大的交叉變異概率。從而可以不損失種群的多樣性，防止出現(xiàn)早熟現(xiàn)象，又能保證算法的收斂性。

PID神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)算法步驟總結(jié)如下：

1) 算法參數(shù)初始化，隨機(jī)生成初始種群即M組神經(jīng)網(wǎng)絡(luò)的連接權(quán)值；

2) 神經(jīng)網(wǎng)絡(luò)將本代各染色體作為網(wǎng)絡(luò)權(quán)值，運(yùn)行前向算法，得到目標(biāo)函數(shù)；

3) 計(jì)算適應(yīng)度值，若滿足則輸出參數(shù)，結(jié)束算法；否則，進(jìn)行下一步；

4) 進(jìn)行選擇、交叉、變異算法操作，產(chǎn)生新一代種群；

5) 判斷是否滿足移民準(zhǔn)則，是則把新移民代的染色體送到PID神經(jīng)網(wǎng)絡(luò)控制器，更新種群，轉(zhuǎn)第2步，否則直接轉(zhuǎn)第2步。

3 控制方案驗(yàn)證

3.1 MATLAB仿真

被控對(duì)象選取一個(gè)3輸入3輸出的復(fù)雜耦合系統(tǒng)，由以下方程描述：

(15)

多變量PID神經(jīng)元網(wǎng)絡(luò)和被控對(duì)象構(gòu)成閉環(huán)系統(tǒng)，結(jié)構(gòu)如圖4。

圖4 PID神經(jīng)元網(wǎng)絡(luò)閉環(huán)控制系統(tǒng)

對(duì)于控制量目標(biāo)值r1在0

仿真圖中，縱坐標(biāo)表示實(shí)際輸出，橫坐標(biāo)為采樣時(shí)刻。由圖5可以看出，在r1的跳變時(shí)刻，輸出y1能夠迅速跟隨，輸出y2,y3受影響較小，仍能保持穩(wěn)定，對(duì)r2,r3也是如此，解耦控制是成功的。

圖5 仿真結(jié)果

3.2 航空測(cè)試系統(tǒng)實(shí)際應(yīng)用效果

進(jìn)行熱路兩參數(shù)狀態(tài)切換性能調(diào)試試驗(yàn)，檢驗(yàn)系統(tǒng)溫度、流量/壓力控制性能。

給定氣源壓力1 500 kPa～2 500 kPa，控制熱路出口溫度和出口壓力，測(cè)定熱路出口流量。調(diào)試參數(shù)：排氣反壓開度20%，試驗(yàn)狀態(tài)由(180 ℃、1 000 kPa)切換至(200 ℃、800 kPa)切換至(200 ℃、600 kPa)，相應(yīng)流量變化為9 300 kg/h→7 400 kg/h→5 700 kg/h。

試驗(yàn)結(jié)果如圖6、圖7、圖8。

圖6 狀態(tài)切換測(cè)試溫度控制曲線

圖7 狀態(tài)切換測(cè)試壓力控制曲線

圖8 狀態(tài)切換測(cè)試流量控制曲線

經(jīng)驗(yàn)證，該控制方法取得了較為滿意的控制效果，在試驗(yàn)系統(tǒng)入口壓力、溫度、流量等參數(shù)的控制范圍內(nèi)，進(jìn)行試驗(yàn)狀態(tài)轉(zhuǎn)換時(shí)，從一個(gè)試驗(yàn)狀態(tài)的參數(shù)控制值轉(zhuǎn)換到另一個(gè)試驗(yàn)狀態(tài)的參數(shù)控制值，由計(jì)算機(jī)采用文章中的控制算法自動(dòng)控制完成，轉(zhuǎn)換過程平穩(wěn)，試驗(yàn)狀態(tài)轉(zhuǎn)換的過渡過程較短，控制精度滿足壓力±0.5%FS、流量±1.0%、溫度±2.0 ℃。

4 結(jié)論

本文所設(shè)計(jì)的基于遺傳算法的神經(jīng)網(wǎng)絡(luò)解耦控制方法是將現(xiàn)代智能控制理論應(yīng)用于多變量測(cè)控系統(tǒng)的一次有益嘗試，經(jīng)試驗(yàn)驗(yàn)證該方法完全滿足無人機(jī)組件測(cè)試系統(tǒng)的項(xiàng)目需求，有力地支持了相關(guān)型號(hào)無人機(jī)的研制工作。

參考文獻(xiàn)：

[1]尹祿高,劉旺開,沈?yàn)槿? 基于組件與設(shè)計(jì)模式的測(cè)控系統(tǒng)[J]. 計(jì)算機(jī)測(cè)量與控制,2010,18(2):360-362.

[2]吳宏岐,張軍利,周妮娜. 基于神經(jīng)網(wǎng)絡(luò)的智能控制技術(shù)及應(yīng)用[J]. 信息技術(shù),2004(1):1-3.

[3]平玉環(huán),李宗耀,孫 劍. 模糊神經(jīng)網(wǎng)絡(luò)在解耦控制中的研究[J]. 控制工程,2009,16(4):461-463.

[4]李佳穎. 一種微水儀/露點(diǎn)儀校驗(yàn)系統(tǒng)的設(shè)計(jì)[D].鄭州：鄭州大學(xué),2016.

[5]代冀陽,應(yīng) 進(jìn),李華英,等. 基于PID網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)多變量系統(tǒng)解耦控制[J]. 計(jì)算機(jī)仿真,2011,28(12):27-31.

[6]俞凱耀,席東民. 人工魚群算法優(yōu)化的PID神經(jīng)網(wǎng)絡(luò)解耦控制[J]. 計(jì)算機(jī)仿真,2014,31(10):350-353.

[7]應(yīng) 進(jìn). 基于粒子群算法的航空發(fā)動(dòng)機(jī)多變量控制研究[D].南昌：南昌航空大學(xué),2011.

[8]任 一,劉旺開,何 理. 遺傳算法模糊PID測(cè)控系統(tǒng)在環(huán)控試驗(yàn)臺(tái)中的應(yīng)用[J]. 計(jì)算機(jī)測(cè)量與控制,2012,20(3):690-693.

[9]馬 杰. 基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)噪聲主動(dòng)控制研究[D].杭州：浙江理工大學(xué),2011.

[10]胡云山,申 意,曾 光,等. 基于遺傳策略的SHA-1差分路徑搜索算法[J]. 信息工程大學(xué)學(xué)報(bào),2016,17(04):390-395.

[11]梁昔明,肖 偉,龍 文,等. 基于梯度信息指導(dǎo)交叉的遺傳算法[J]. 計(jì)算機(jī)應(yīng)用,2010,30(10):2582-2584.