南京工程學(xué)院自適應(yīng)控制器的實(shí)際應(yīng)用一、概述近20年來，系統(tǒng)辨識(shí)和參數(shù)估計(jì)理論獲得了迅速的發(fā)展，已經(jīng)成為自動(dòng)控制理論的一個(gè)十分活躍而又重要的分支。這是由于系統(tǒng)辨識(shí)和參數(shù)估計(jì)是建立被控系統(tǒng)數(shù)學(xué)模型的重要途徑之一，許多問題在做出決策之前都需要尋找描述該問題的數(shù)學(xué)模型，因而，模型化方法是進(jìn)行系統(tǒng)分析、設(shè)計(jì)、預(yù)測(cè)、控制、決策的前提和基礎(chǔ)，形成了與辨識(shí)技術(shù)緊密結(jié)合的綜合新技術(shù)一如自適應(yīng)控制、自適應(yīng)預(yù)報(bào)、自適應(yīng)濾波、自適應(yīng)信號(hào)處理等。隨著控制理論的發(fā)展與應(yīng)用面的擴(kuò)大，系統(tǒng)辨識(shí)出自身發(fā)展之外，與其他技術(shù)的聯(lián)系也更加緊密，如與模糊方法的結(jié)合形成的模糊自適應(yīng)；與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合形成的神經(jīng)網(wǎng)絡(luò)自適應(yīng)；與人工智能技術(shù)相結(jié)合形成的智能自適應(yīng)技術(shù)；與故障診斷技術(shù)相結(jié)合形成的自適應(yīng)故障診斷技術(shù)等。為了加深對(duì)系統(tǒng)辨識(shí)的認(rèn)識(shí)，我從實(shí)際的角度，選取了四個(gè)不同類型的自適應(yīng)技術(shù)，進(jìn)行了解和分析，力求做到學(xué)以致用。二、模糊自適應(yīng)控制器的實(shí)際應(yīng)用模糊自適應(yīng)控制理論是模糊控制理論與自適應(yīng)控制理論相互交叉、相互滲透而形成的一個(gè)研究領(lǐng)域。模糊控制理論的特點(diǎn)是運(yùn)用模糊集合理論，總體考慮系統(tǒng)因素，協(xié)調(diào)控制作用的一種控制方法。它的方法是用模糊控制命題表示一組控制規(guī)律，將指標(biāo)函數(shù)與控制量聯(lián)系起來，經(jīng)模糊推理決定控制量，而不管系統(tǒng)本身的內(nèi)在因素。因而模糊控制是處理控制系統(tǒng)不確定性的一種有效方法。這里我選用的是水溫的模糊自適應(yīng)控制器的設(shè)計(jì)。模糊控制器的設(shè)計(jì)：仁確定模糊控制器的輸入變量和輸出變量：溫度誤差和溫度誤差的變化量作為輸入量，以提前打開電加熱的時(shí)間為輸出變量；確定模糊集的隸屬函數(shù)和模糊控制器控制規(guī)則：a.輸入和輸出變量的詞集：①中文：｛負(fù)大，負(fù)中，負(fù)小，零，正小，正中，正大｝英文：｛NB,NM,NS,乙PS,PM,PB｝;b.定艾各模糊變量的模糊子：F（x）二exp［-（巳）勺（其中a為正態(tài)形隸屬函數(shù)的中心，參數(shù)。的大小直接影響隸屬函數(shù)的形狀，而隸屬函數(shù)的開關(guān)不同會(huì)導(dǎo)致不同的控制特性）；C：建立模糊控制器的控制規(guī)則：衷3.1：棋EC確立模糊化和非模糊化（又稱清晰化）的方法：如果精確量x的實(shí)際變化范圍為［a,b］,將［a,b］區(qū)間的精確變量轉(zhuǎn)換為［-6,6］區(qū)間變化的變量y,采用如下公式：y二旦［x-旦］（由上式計(jì)算的y值若不b_a2是整數(shù)，可以把它歸入最接近y的整數(shù)）；選擇模糊控制器的輸入變量及輸出變量的論域并確定模糊控制器的參數(shù)（如量化因子、比例因子）：設(shè)誤差變量所取的模糊子集的論域?yàn)椋簕_n,,???，0,???，，n};誤差變化變量所取的模糊子集的論域?yàn)椋簕-m,~m+1,...，0,1,...，m~1,m};控制量所取的模糊子集的論域?yàn)閧_i,_i+1,.，0,1,???，i~1,i};誤差量化因子K=n/x0;誤差變化量化因子《二m/x“；輸出控制量的比例因子：K0=yu/IO（具體的水溫控制器設(shè)計(jì)與實(shí)現(xiàn)本文不在詳細(xì)敘述，如需要可參考“水溫的模糊自適應(yīng)控制及其應(yīng)用研究”一文）通過仿真圖線可以看出，對(duì)于太陽(yáng)能熱水器這種大慣性、純滯后的、參數(shù)時(shí)變的、難以建立精確的數(shù)學(xué)模型的控制對(duì)象，采用模糊自適應(yīng)控制器，可以取得比經(jīng)典的模糊控制器更好的控制效果。當(dāng)系統(tǒng)的參數(shù)發(fā)生變化時(shí)，模糊自適應(yīng)控制器的適應(yīng)能力明顯的優(yōu)于經(jīng)典的模糊控制器，具體的表現(xiàn)在前者的上升時(shí)間短、穩(wěn)態(tài)誤差小、穩(wěn)態(tài)時(shí)間較短。三、神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制器的實(shí)際應(yīng)用所謂的人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)系統(tǒng)的工作原理而建立的一種信息處理系統(tǒng)，它具有許多特點(diǎn)：①非線性描述一能實(shí)現(xiàn)任意的非線性映射；②并行分布處理功能；③學(xué)習(xí)與適應(yīng)一可據(jù)系統(tǒng)的過去的數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)；④數(shù)據(jù)融合一神經(jīng)網(wǎng)絡(luò)可作為基于定量數(shù)據(jù)的系統(tǒng)與基于定性數(shù)據(jù)的人工智能系統(tǒng)的接口；⑤適用于多變量系統(tǒng)。從控制理論的觀點(diǎn)來看，能夠?qū)Ψ蔷€性控制系統(tǒng)進(jìn)行描述和處理及它的學(xué)習(xí)與適應(yīng)功能，是神經(jīng)網(wǎng)絡(luò)最主要的和最吸引人的特點(diǎn)。本文選擇的是基于神經(jīng)網(wǎng)絡(luò)辨識(shí)的自適應(yīng)PID控制器?？刂葡到y(tǒng)結(jié)構(gòu)如圖1所示：圖i控制系統(tǒng)結(jié)構(gòu)首先對(duì)被控對(duì)象進(jìn)行控制，利用神經(jīng)網(wǎng)絡(luò)在線辨識(shí)控需’）對(duì)象的特性，設(shè)置一監(jiān)控器對(duì)控制效果進(jìn)行監(jiān)視.由于被控對(duì)象具有時(shí)變性，通過監(jiān)控器發(fā)現(xiàn)控制效果不佳的時(shí)候需要對(duì)PID控制參數(shù)尋優(yōu).實(shí)際工業(yè)控制中，被控對(duì)象一般是不能被反復(fù)重置的.因此對(duì)參數(shù)的尋優(yōu)不能直接通過對(duì)象完成.本文提出在滿足對(duì)象基本控制的情況下，通過并行的神經(jīng)網(wǎng)絡(luò)對(duì)PID參數(shù)在線尋優(yōu).系統(tǒng)工作流程是:對(duì)象辨識(shí)網(wǎng)絡(luò)先對(duì)被控對(duì)象進(jìn)行辨識(shí)，辨識(shí)達(dá)到要求的精度之后將對(duì)象辨識(shí)網(wǎng)絡(luò)的權(quán)值傳給并行的神經(jīng)網(wǎng)絡(luò)，然后通過尋優(yōu)算法，找到一組滿足控制要求的PID控制參數(shù)，將其傳回PID控制器，通過PID控制器對(duì)被控對(duì)象進(jìn)行控制，參數(shù)尋優(yōu)部分和并行神經(jīng)網(wǎng)絡(luò)部分處于等待狀態(tài).當(dāng)監(jiān)控器監(jiān)測(cè)到控制效果不佳的時(shí)候，將PID控制器的當(dāng)前參數(shù)傳到參數(shù)尋優(yōu)模塊中，作為尋優(yōu)的初值.與此同時(shí)，將對(duì)象辨識(shí)網(wǎng)絡(luò)的權(quán)值傳到并行神經(jīng)網(wǎng)絡(luò)中，參數(shù)尋優(yōu)模塊開始工作，當(dāng)找到達(dá)到精度范圍的控制參數(shù)之后，將該參數(shù)傳回PID控制器中，由PID控制器控制被控對(duì)象.這種工作方式，一方面可快速地在線調(diào)整控制器的控制參數(shù)，同時(shí)可將系統(tǒng)控制與神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)并行以自適應(yīng)工況的變化。在線辨識(shí)：由于在現(xiàn)場(chǎng)控制中，被控對(duì)象具有非線性、時(shí)變性以及不確定性，且在很多時(shí)候不允許中斷控制過程以尋找最優(yōu)控制參數(shù)，因而當(dāng)原來的一組控制參數(shù)不能達(dá)到最佳的控制效果時(shí)，必須對(duì)控制參數(shù)進(jìn)行在線尋優(yōu).為此，設(shè)計(jì)了一個(gè)對(duì)象辨識(shí)神經(jīng)網(wǎng)絡(luò)一直在線跟蹤學(xué)習(xí)被控對(duì)象的動(dòng)態(tài)特性.一旦監(jiān)視到控制效果不佳，立即將其權(quán)值和閾值傳給與其并行的神經(jīng)網(wǎng)絡(luò)，控制參數(shù)的尋優(yōu)都是通過并行網(wǎng)絡(luò)進(jìn)行的，因此不會(huì)影響系統(tǒng)的控制以及對(duì)象的跟蹤辨識(shí).當(dāng)被控對(duì)象在原來的一組參數(shù)下可以基本正常運(yùn)行時(shí)進(jìn)行參數(shù)尋優(yōu)，尋優(yōu)結(jié)束后，所尋參數(shù)再直接用于對(duì)象控制，以獲得最佳的控制效果.這樣就解決了被控對(duì)象時(shí)變性及逐個(gè)參數(shù)試調(diào)的困難。設(shè)被控對(duì)象為一單輸出的非線性系統(tǒng)，可用模型：y(t+1)=f(y(t),...，y(t-n+1),u(t),...，u(t-m+1))來描述，y和u分別是系統(tǒng)的輸出和輸入；n和m分別是y(t)和u(t)的階次；f()是非線性函數(shù)。因?yàn)榫哂袉坞[層及任意固定的連續(xù)Sigmoid非線性函數(shù)的反傳MLP，可以以任意的精度逼近緊集上的任何連續(xù)函數(shù)。用具有一個(gè)隱層的反傳MLP來辨識(shí)被控對(duì)象，網(wǎng)絡(luò)的具體結(jié)構(gòu)如圖2所示.圖2可描述為：yn(t+1)=fn(y(t),.，y(t-n+1),u(t),...，u(t-m+1),w(t))其中％(t+1)為網(wǎng)絡(luò)的輸出，W(t)為神經(jīng)網(wǎng)絡(luò)各層權(quán)值,f?()表示由辨識(shí)網(wǎng)絡(luò)所實(shí)現(xiàn)的非線性函數(shù).網(wǎng)絡(luò)輸入層的正向計(jì)算為：liFy(t-i),i=0,1,-,n-1u(t-i+n),i二n,n+1,…，其中：I\和0j,分別為第j層第i個(gè)神經(jīng)元的輸入和輸出,mFn+m,即輸入層的節(jié)點(diǎn)個(gè)數(shù)?令rib為隱層結(jié)點(diǎn)個(gè)數(shù)，隱層的正向計(jì)算為:l2i(t)=52八(0,i=1,2,…，m2輸出層的正向計(jì)算為：1'仕)二￡町0；(/),口，…，m2yn(t)二I’(t)/=!

其中：v/訂為輸入層與隱含層之間的連接權(quán)值；w'i為隱含層與輸出層之間的j,連接權(quán)值.激勵(lì)函數(shù)選取為對(duì)稱的Sigmoid函數(shù):g(x)——.利1+用BP算法對(duì)以上用于辨識(shí)的神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行訓(xùn)練，在修正權(quán)值時(shí)，為了避免振蕩及陷入局部極小，需添加一個(gè)“動(dòng)量項(xiàng)”?設(shè)r(t)為設(shè)定值與網(wǎng)絡(luò)輸出值間的誤差，T］為學(xué)習(xí)率，CL為學(xué)習(xí)動(dòng)量，則相應(yīng)的權(quán)值修正公式為:r(t)=l(Yn(t)-y(t))2為dr四△i儼二k=3,即k為輸出層時(shí):dr—dr如二(兒-y)g’a‘)k<3,即k為非輸出層時(shí):△叱嚴(yán)(0=必噸*(，一1)+(-〃)—rr噱“(f-1)=噱“(f-1)=”廣(】)+△晾,(0按上述公式反向傳播誤差，調(diào)節(jié)連接權(quán)值，反復(fù)訓(xùn)練后，可以達(dá)到較滿意的辨識(shí)效果。PID控制及其參數(shù)的尋優(yōu)：本文使用的增量式PID控制器如圖3所示:4W)PID控制器圖3增量式PID控制器e(t)為對(duì)象輸出y與設(shè)定值r之間的偏差，即e(t)=r-y(t),Ae(t)是偏差的變化率，即△e(t)=e(t)-e(t-1).PID控制器的比例、積分和微分參數(shù)分別為k”l和kd,根據(jù)增量PID計(jì)算公式,t時(shí)刻的輸出為：4W)△u(t)=%△e(t)+k.e(t)+kd(△e(t)-△e(t-1))于是控制量就可由u(t)=u(t-1)+Au(t)計(jì)算得出?由于PID控制中的三個(gè)參數(shù)人土和kd是獨(dú)立的，因此可以使用單純形算法來對(duì)其進(jìn)行尋優(yōu)，以找到比較滿意的一組參數(shù)。(仿真數(shù)據(jù)本文并不提供)基于神經(jīng)網(wǎng)絡(luò)辨識(shí)的自適應(yīng)PID控制器，利用監(jiān)控器實(shí)時(shí)觀測(cè)被控對(duì)象的控制效果，一旦對(duì)象控制效果不理想，立即啟動(dòng)與控制器并行的尋優(yōu)器通過與對(duì)象辨識(shí)網(wǎng)絡(luò)并行的神經(jīng)網(wǎng)絡(luò)進(jìn)行尋優(yōu)，重新獲得滿意的PID控制參數(shù)后再送入控制器，從而保證了對(duì)時(shí)變系統(tǒng)的有效控制.本文的方法簡(jiǎn)單有效易行，仿真研究顯示了較好的響應(yīng)能力和穩(wěn)定性，且具有較弓魚的抗干擾能力及較好的實(shí)時(shí)性，有利于工業(yè)中應(yīng)用。四、遺傳自適應(yīng)控制器的實(shí)際應(yīng)用遺傳算法是一種適應(yīng)性極強(qiáng)的全局優(yōu)化算法，由于可以避開連續(xù)性、可微性的限制，遺傳算法可以用于解決很多復(fù)雜的優(yōu)化問題。本文利用遺傳算法來建立多模型自適應(yīng)控制器。每個(gè)采樣時(shí)刻，各元素模型控制器的權(quán)值通過遺傳算法計(jì)算出來，同時(shí)采用加權(quán)和的方式構(gòu)成被控對(duì)象的控制器。仿真結(jié)果表明，即使系統(tǒng)參數(shù)變化幅度較大時(shí)，本節(jié)中介紹的算法依然可以使系統(tǒng)輸出很好的跟蹤設(shè)定值。基于遺傳算法的多模型自適應(yīng)控制器的設(shè)計(jì)（由于篇幅限制，本文不在詳細(xì)介紹此控制器，如需要請(qǐng)參考“基于遺傳算法的多模型自適應(yīng)控制”一文）本文在龍升照等提出的解析式類型控制規(guī)則的基礎(chǔ)上，引入了偏差積分項(xiàng)，并提出用優(yōu)選法進(jìn)行參數(shù)的優(yōu)化，克服了輸入維數(shù)和確定模糊控制規(guī)則這一傳統(tǒng)模糊控制存在的矛盾，仿真結(jié)果表明：利用該方法進(jìn)行主汽溫度的控制，尋優(yōu)速度快，計(jì)算量小，消除了穩(wěn)態(tài)誤差，具有較弓魚的魯棒性和適應(yīng)能力，取得了良好的控制品質(zhì)。五、自適應(yīng)在故障診斷方面的實(shí)際應(yīng)用在這個(gè)方面，我選取的是關(guān)于自適應(yīng)降噪抵消技術(shù)在軸承故障診斷中的應(yīng)用。自適應(yīng)噪聲抵消技術(shù)原理：自適應(yīng)噪聲抵消技術(shù)是一種有效的降噪方法，它的核心是自適應(yīng)濾波器，即在輸入過程的統(tǒng)計(jì)特性未知或隨時(shí)間變化時(shí)，通過自適應(yīng)算法改變?yōu)V器的權(quán)向量，以達(dá)到最佳濾波效果。自適應(yīng)噪聲抵消技術(shù)是一種能夠很好的消除背景噪聲影響的信號(hào)處理技術(shù)，應(yīng)用自適應(yīng)噪聲抵消技術(shù)可以在未知外界干擾源特征、傳遞途徑不斷變化、背景噪聲和被測(cè)對(duì)象聲波相似的情況下，有效的消除或降低外界聲源的干擾而獲得較高信噪比的對(duì)象信號(hào)。自適應(yīng)噪聲抵消的基本原理是將含噪信號(hào)與參考信號(hào)進(jìn)行抵消運(yùn)算，從而消除或降低帶噪信號(hào)中的噪聲。其關(guān)鍵問題是自適應(yīng)噪聲抵消系統(tǒng)的參考信號(hào)一定要與待消除的噪聲具有一定相關(guān)性，而與要檢測(cè)或提取的信號(hào)不相關(guān)。自適應(yīng)噪聲抵消的原理圖如圖1所示

輸入信號(hào)X(n)為含有噪聲的原始信號(hào)，經(jīng)過延遲后得到參考輸入信號(hào)XA(n).X(K)+圖I自適應(yīng)噪聲抵消的原理圖延遲信號(hào)經(jīng)過自適應(yīng)濾波器得到輸出信號(hào)Y(n),E(n)為X(n)與Y(n輸入信號(hào)X(n)為含有噪聲的原始信號(hào)，經(jīng)過延遲后得到參考輸入信號(hào)XA(n).X(K)+圖I自適應(yīng)噪聲抵消的原理圖自適應(yīng)濾波算法：結(jié)合圖1,自適應(yīng)噪聲抵消器的原始輸入信號(hào)為:X(n)=[x(1),x(2)，…,x(n)]T延遲△后的信號(hào)，即自適應(yīng)濾波器的主輸入信號(hào)為:XA(n)=[xA(1),xA(2)，…，xA(n)]T假設(shè)自適應(yīng)濾波器的階數(shù)為M,濾波器在k時(shí)刻的輸入信號(hào)向量和權(quán)向量分別為:XH(n)=[xA(k),xA(k?1),…,xA(k-M+1)]tW(k)=[w0(k),Wi(k),…，wim(k)]T濾波器在k時(shí)刻的輸出為Y(k)=W(kTXM(k)因此誤差信號(hào)為：E(k)=X(k)-W(k)TXM(k)濾波器權(quán)系數(shù)的迭代方程為：W(k+1)=W(k)+2uXM(k)E(k)其中|i為步長(zhǎng)因子，它用于控制濾波器的收斂速度和穩(wěn)定性。為了使系統(tǒng)穩(wěn)定步長(zhǎng)因子的范圍為05<1/入狀，入唯為輸入信號(hào)自相關(guān)矩陣的最大特征值。由于輸入端不可避免地存在一些干擾噪聲，自適應(yīng)算法將產(chǎn)生參數(shù)失調(diào)噪聲。干擾噪聲越大，則引起的失調(diào)噪聲就越大，減小步長(zhǎng)因子口可以減少自適應(yīng)算法的穩(wěn)態(tài)失調(diào)噪聲，提高算法的收斂精度。但同時(shí)會(huì)降低算法的收斂速度和跟蹤速度。因此，固定步長(zhǎng)的自適應(yīng)算法在收斂速度、時(shí)變系統(tǒng)跟蹤速度與收斂精度方面對(duì)步長(zhǎng)因子11的要求是相互矛盾的?？刹捎米儾介L(zhǎng)的方法來解決這一矛盾(本文中并不涉及此方面)。診靳方法的流程：提出的軸承故障診斷方法的流程圖見圖2位導(dǎo)采集—?ANC―NHilbert^換故障荊別?一包培譜分析圖2基于ANC的軸承故障診斷方法的流程圖(1)采集軸承的故障振動(dòng)加速度信號(hào)。把故障振動(dòng)加速度信號(hào)作為ANC的參考輸入信號(hào)，其延遲信號(hào)作為主輸入信號(hào)，進(jìn)行自適應(yīng)除噪處理。對(duì)自適應(yīng)濾波后的信號(hào)進(jìn)行HiIbe