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：

r（t）-给定值（sp），这是生产过程输出的目标值或轨迹（trajectory）。

y（t）-测定变量（MV），测定的生产过程的输出。

u（t）-输出（OP），控制器的输出或生产过程的输入。

e（t）-误差（ER），e（t）＝r（t）-y（t）。

d（t）-干扰，由噪声或负荷变化引起的干扰。

y1（t）-生产过程的输出，在无干扰时的生产过程自身的实际输出，这里y（t）＝y1（t）+d（t）。

控制的目的是使测定变量y（t）在给定值、干扰和系统动态特性发生变化的情况下跟踪其给定值r（t）的给定轨迹。

换句话说，ANN控制器的任务是使（1）式所示的给定值与测定变量之间的误差减到最小：

MINe（t）2＝∑（r（t）-y（t））2（1）

图1b示出了采用图3和4的ANN控制器结构时加到ANN控制器20的学习算法的另一个输入信号Y。图1b中，Y是经规格化电路35规格化了的生产过程的输出y1（t）。

图2示出了误差信号e（t）随时间而变化的情况。在本发明的系统中，e（t）在各取样间隔T进行取样，取样间隔T取决于待控制的生产过程的的性质。这里采用的e（t）值为e（K-N+1）至e（k），其中k为当前迭代次数。

图3为本发明的ANN控制器的结构图。ANN具有带有N个神经元28的输入层（A层）、带有R个神经元30的隐蔽层（B层）和带有一个神经元32的输出层（C层）。N和R的选择是根据生产过程的性质选定的。

A层的输入包括存储的误差信号样品e（k-N+1）至e（k）。这些样品由规格化电路34规格化到0至1的数值范围以成为E（1）至E（N）。A层中各种神经元的输出通过由各自的加要因数w（j，1）至w（i，N）（其中J＝1，R）加权的通路分别被传送到B层中的神经元。将各种神经元30的各输出加起来，并将各神经元30的输出通过由各自的加权因数h（1，1）至h（1，R）加权有通路传送到单神经元32。

神经元32的输出u1（k）经规格化解除电路36解除其规格化成为e（t）原来数值范围，以形成输出层的输出u2（k）。接着，在加权法器38中将 u2（k）和e（k）相加，产生ANN部件的输出u3（k）。最后，u3（k）通过稳态增益补偿器40衰减，产生ANN控制器的输出u（k），该输出在时间域中至应于图1a和图1b的u（t）。

图4为A、B、各层的神经元网络的部分详图。加法器42的输入包括自各神经元28来的输出加上偏置信号wb（j）（一般wb（j）＝1）。和信号p（j）用反曲函数σ（p）处理，以形成神经元30的输出v（j）。同样，加法器44的输入包括自各神经元30来的输出加上偏置信号Hb（1）（通常Hb（1）＝1）。和信号q（1）用反曲函数σ（q）处理以形成神经元32的输出u1（k）。

该反曲函数σ（p）应使

$V\left(j\right)=\frac{1}{1+e^{p\left(j\right)}}---\left(2\right)$

同样，反曲函数σ（q）应使

$\mathrm{ul}\left(k\right)=\frac{1}{1+e^{q\left(1\right)}}---\left(3\right)$

从神经元28到加法器42的通路由加权因数w（j，1）至w（j，N）加权。同样，从神经元30至神经元32的通路由加权因数h（1，1）至h（1，R）加权。这些加权因数在每次迭代时由学习算法46（其各输入是规格化的误差值E（1）至E（N））来调节而且在迭代次数K时由规格化的生产过程输出值y（k）来调节。

开始时，各加权因数是随机设定的。以后的调节则是根据学习算法46按下列方式进行的。

每次进行迭代时，首先根据上一个样品和下式对C层的加权值更新：

h（1，j）（k）＝h（1，j）（k-1）+△h（1，j）  （4）

式中，在每次迭代时，h（1，j）（k）是h（1，j）的现时值，而h（1，j）（k-1）是h（1，j）的上一次最后一个的值，且

△h（1，j）＝ηY（k）（1-Y（k）V（j）Es  （5）

式中Es是E（i）（即i个规格化的误差值E（1）至E（N）的和，并由换算系数a（i）加权过从而使 $\mathrm{Es}=\underset{i=1}{\overset{N}{\Sigma }}a\left(i\right)E\left(i\right)\left(6\right)$

加权值a（i）可以选取得使a（i）＝1/2i

然后根据上一个样品按下式更新B层的加权值：

w（j，i）（k）＝w（j，i）（k-1）+△w（j，i）  （7）

式中采用同样的符号，

△w（j，i）＝ηV（j）（1-V（j））E（i）Y（k）（1-Y（k））Es  h（1，j）（k）  （8）

式中E（i）为第i个神经元28的规格化输入，而Es由（6）式计算。

在本发明的最佳实施例中，η叫做学习率，它是根据对被控制的生产过程的动态特性的估计来选定的。在大部分实践中，η在开始时可以取1与3之间的值（最好是2）。若控制器的运行表明“应采用一个不同值”，则可进行调节。

η值过大会使闭环系统响应的波动过大，η值过小则产生残留偏差或产生不能容许的慢响应。

下面的一些模拟图最能说明应用本发明的效果。在讨论这些模拟图时，S是拉普拉斯变算子，Gp（s）是生产过程的拉普拉斯变换，Y（s）是y（t）（过程输出）的拉普拉斯变换，u（s）则为y（t）（过程输入）的拉普拉斯变换。Gp（s）、Y（s）和u（s）三者之间的关系如下：

Gp（s）＝ (Y（s）)/(u（s）) （9）

图5示出了在时间常数变化的情况下第二阶段系统的ANN和PID两种控制相比较的模拟结果。

Gp（s）＝ 1/(（s+1）（0.5s+1）) ＝＞ 1/(（100s+1）（50s+1）) （10）

图5中，曲线48示出了系统的阶跃输入（给定值r（t）从0变到1）。曲线52表示主时间常数为1时，在ANN控制下系统闭环阶跃响应，还表示主时间为100时、在同样的ANN控制下的响应。曲线54表示主时间常数为1时PID控制器的响应，曲线56表示主时间常数为100时PID的响应。取样间隔T为时间常数（最好约为主时间常数的1/20，单位为秒）的函数，但两个控制器的其它参数都不变。可以看出，即使主时间常数已变化了100倍，在ANN控制下的响应无变化。而主时间常数的变化会使PID控制变得不稳定。

图6示出了在时延变化的情况下第二阶加延迟生产过程的ANN和PID控制相比较的模拟结果：

$\mathrm{Gp}\left(s\right)=\frac{1}{(s+1)(0.5s+1)}=⟩\frac{e^{-s}}{(s+1)(0.5s+1)}---\left(11\right)$

图6中，曲线48还表示系统的阶跃输入。曲线60表示无时延时在ANN控制下的响应。曲线62表示时延为1时系统在ANN控制下的响应。图64表示无时延时在PID控制下的响应。曲线66表示时延为1时在PID下的响应。两控制器的参数在此情况下都不改变。可以看出，时延变化时，ANN控制器的控制性能比PID好得多。

图7示出了非线性生产过程ANN控制的模拟结果，其中直流增益随r（t）的函数而变化

Gp（s）＝ (K（r）)/(（100s+1）（50s+1）) ，K（r）＝r2（12）

图7中，曲线70和72表示系统输入。曲线74和76表示r（t）分别从0变到1（曲线74）和从1变到2（曲线76）时ANN控制的闭环阶跃响应。可以看出，在非线性增益的情况下，ANN能很好地对生产过程发挥其控制作用。

图8示出了随时间而变化的生产过程的ANN控制的模拟结果，其中主时间常数随时间函数而变化：

Gp（s）＝ 1/(（T1（t）s+1）（T2（t）s+1）) （13）

其中t1（t）＝0.25t+10，t1（t）＝0.05t+5。

图8中，曲线48表示阶跃输入，曲线82表示T1（t）从10变到30且T2（t）从5变到10时系统在ANN控制下的响应。取样间隔T根据标称时间常数20选取并且不变。可以看出，对于控制随时间而变化的生产过程，ANN控制能发挥很好的控制作用。

图9是系统在存在测量噪声的情况下ANN控制的模拟结果。

Gp（s）＝ 1/(（s+1）（0.5s+1）) ，y（t）＝y1（t）+d（t） （14）

其中，y1（t）为过程输出，d（t）为平均值为0时的白噪声，y（t）为所测出的变量。

图9中，曲线48为阶跃输入，曲线86为系统在ANN控制下的阶跃响应。可以看出，在施加随机测量噪声时，ANN控制器正常工作。

图10至14中采用了以下的过程：

G（p（s）＝ 2/(（s+1）) （15）

$\mathrm{Gp}\left(s\right)=\frac{1}{{(s+1)}^3}\left(16\right)$

Gp（s）＝ 2/(（s+1+0.5j）（s+1-0.5j）) （17）

Gp（s）＝ (e-s)/(（s+1)2(2s+1)(0.5s+1）) （17）

图10示出了对于（15）至（19）式表示的各过程进行ANN控制的模拟结果。图10中，曲线90至98分别示出对于这五个过程的ANN控制响应。在这些情况下，取样间隔＝0.1秒，学习率＝2，稳态稳益补偿＝1。

图11中，曲线100至108分别表示对于过程（15）至（19）的PID控制响应。在这些情况下，取样间隔＝0.1秒，Kp（比例增益）＝1，Ki（积分增益）＝0.8，Kd（微分增益）＝0.01。

比较一下图10和图11的模拟结果，可以看出，ANN对各种不同类型的过程都具有优异的控制性能，而PID如果每次不将其各参数调谐好制性能就不能发挥作用。

图12示出了在干扰变化的情况下对于过程（15）至（19）的ANN控制的模拟结果。在此情况下，r（t）仍然为零，d（t）则从0变到1。图12中，曲线109表示给定值r（t），曲线110至118则分别表示ANN控制对这五个过程发生变化时的响应。在这些情况下，所有调谐参数仍与图10中所用的一样。可以看出，ANN对跟踪（给定值的变化）和调节（干扰的变 化）等问题能发挥作用。

图13示出了对具有结构变化的过程进行ANN控制的模拟结果。在此情况下，过程（15）至（18）被采用。图13中，曲线120为从0变到1、从1变到0、从0变到1.5和从1.5变到1的给定值。过程结构按以下方式变化：

迭代次数  过程

0-50  （15）

51-150  （16）

151-300  （17）

301-500  （18）

曲线122表示对于具有结构变化的过程的ANN控制响应。在此模拟中，所有调谐参数仍然与图10中所用的一样。可以看出，ANN控制器能很好地自适应过程结构的变化。

图14示出了与图13所示的相同的实验的PID控制模拟结果。各PID参数与图11中所使用的一样。曲线120还是给定值，曲线132是对于具有结构变化的过程的PID控制响应。可以看出，在每次结构变化时如果没有妥善调谐其各项参数，则PID不会很好工作。

总之，可以看出，时间常数、时延、直流增益、干扰、噪声和结构发生合理的线性变化或非线性变化的明显影响。

如果采用匹配的取样间隔，则时间常数可在一个宽的范围内变化。若时间常数的变化范围适当，例如从1到10，则取样间隔可以根据通常处于未定范围中间的标称时间常数来选择。于是，ANN控制器将以所选取的取样间隔在该范围内工作。

只要时延对主时间常数的比值小于2，时延就可以在较宽的内变化。若该比值大于2，则应诸如史密斯预报算子之类的算法。

在如图3所示的ANN控制器不使用稳态增益补偿器40的情况下，直流增益可以在0.1至10的范围内变化。若直流增益大于10或小于0.1，则为了调定补偿器40需要有构形方面的信息。

只要系统仍然是开环并保持稳定，则干扰和噪声对ANN控制器的影响不大，结构变化也是如此。

对于开环且不稳定的生产过程，不能直接使用ANN控制器。但要使不稳定的开环生产过程稳定下来可采取许多解决办法。例如，人们可以在生产过程中施加一个纯增益的负反馈回路以使闭环系统变得稳定。这时可应用ANN控制器来控制已稳定化的生产过程。

可以看出，PID控制器不具备上述性能。PID控制器在时间常数、时延、直流增益和结构变化等方面对生产过程的动态变化非常敏感。事实上，在许多情况下，PID如果其各项参数没有重新妥善调谐是会使系统不稳定的。

图15示出了特别适宜采用本发明进行控制的工业生产过程的一个例子。化学原料140以未经控制的速率进入压力容器142中，于是在容器142中就发生化学反应产生气体144和液体146，液体146填充容器142达液面高度为H。气体144的压力P影响着单位原料所产生的液体146的量。压力P与液面高度H分别借助于阀148和150通过改变气体144和液体146的排放率进行控制。

如图16所示，压力容器142可以表示为一个耦合着的2×2（两输入两输出）过程154，其中干扰156和排放设定值158、160使回路的输出P和H彼此相互影响。该过程是非线性的且随时间而变化（由于容器的形状），而且严格地耦合着（由于P与H之间的相互关系）。

由于上述过程的特性，因此要用传统的控制器为P和H设计出控制性能令人满意的两个单控制回路非常困难。但有了本发明的ANN控制器，过程154就可以用图17所示的ANN控制器有效地进行控制。

控制器162、164的输出166、168为阀148、150的控制信号，它们的输入170、172则是分别通过将P和H的实际测定值与其要求值Pr和Hr进行比较产生的误差信号。压力容器系统154的干扰输入156包括原料供给140和系统的任何其它不可预知的干扰。

在使用ANN控制器的情况下，就能实现良好的控制性能。为了选取取样频率和学习率需要有限的构形信息。两者一经适当地选定，就无需调谐各参数了。