專利名稱：時間序列預測與智能控制結合的參數在線整定方法與系統的制作方法
技術領域：
本發明提出了一種時間序列預測與智能控制結合的參數在線整定方法和采用了該方法的系統，可應用于控制與智能控制、人工智能與輔助決策等領域。
背景技術：
到目前為止，控制科學研究的控制方法的特征是(I)控制系統的控制方法由控制算法和控制參數構成；(2)控制算法用確定的規則(模型、公式)描述；(3)控制參數的配置和整定方法存在兩種形式(3. I)控制參數在控制系統正式運行前進行初始化配置、初 步整定和最終整定，正式運行后控制參數固定不變，例如比例微分積分控制方法、模糊控制方法等；(3. 2)控制參數在控制系統正式運行前進行初始化和初步整定，正式運行后控制系統自身按照確定的規則和目標對控制參數進行整定，例如神經網絡控制方法；(4)控制參數調整的依據又可以分為兩種情況(4. I)可以根據控制系統各狀態的歷史、當前值進行調整，例如比例微分積分控制、模糊控制、神經網絡控制等方法；(4. 2)還可以根據狀態的預測值進行調整，例如預測控制。特征(I)是由數學建模方法和計算機原理決定的。目前數學建模方法是描述客觀規律的最有效的方法，而計算機是實現控制最有效的工具。因此基于控制算法和控制參數模型的控制方法的發展受上述兩項基礎學科發展的制約。對于特征(I)的突破需要對上述兩項研究基礎進行突破。特征(2)很大程度上受人工智能科學發展約束，由于目前人工智能主要方法主要在推理系統、神經計算科學等方法的領域，因此控制算法的模式很大程度上與人工智能算法近似。對于特征(2)的突破關鍵在于對人工智能方法的突破。本研究主要針對特征(3)和特征(4)進行改進，最終小波神經網絡、時間序列預測技術與經典的控制方法進行結合，創造了一種新的算法。首先對特征(3)和特征(4)的涉及到的經典算法的研究現狀進行介紹比例微分積分控制是最經典應用最廣的控制方法，該方法的核心思想是將控制的實施方式分為三種情況，即連續施控、突擊施控和延緩施控三種方式，從而解決控制系統被控對象的三類特征，即達到某一目標需要持續受力、啟動時或需要快速響應時需要受大力、受力過大導致系統不穩定。該方法的優點是結構簡單，實施方便。該方法的問題是缺乏智能，無法在線應對控制系統發生的變化，例如被控對象發生變化時，控制系統自身無法對控制參數進行調整，從而應對這種變化；此外該方法自身無法根據環境變化有目標地智能地嘗試優化控制參數。模糊控制方法可以事先將針對不同情況的控制參數配置到控制系統中，當情況變化時，控制參數可以根據預先設定的規則改變控制參數，解決了控制系統適應變化的問題，但無法像經典的比例微分積分控制那樣應對被控對象的三類特性；同樣模糊控制方法自身也無法根據環境變化有目標地智能地嘗試優化控制參數。神經網絡控制方法的特點是可以根據環境變化有目標地智能地嘗試優化控制參數，而且調整參數的過程可以是非線性的。這種方法具有了一定的智能性，其原因一是由于該方法的算法基礎是人腦的生物學數學模型。該方法的問題是無法像經典的比例微分積分控制那樣應對被控對象的三類特性。預測控制方法的特點是控制參數的調整依據增加了對控制實施后結果的預測，因此控制具備了超前性；但該方法的問題除了無法像經典的比例微分積分控制那樣應對被控對象的三類特性之外，還存在該方法對被控對象模型的依賴問題，如果預測模型不準確，則會導致預測結果不準確，預測方法基于被控對象的數學模型，預測結果的準確性和可靠性缺乏保障；

發明內容
本本發明主要解決的問題本發明提出了一種時間序列預測與智能控制結合的參數在線整定方法和采用了該方法的系統，可應用于可應用于控制與智能控制、人工智能與輔助決策等領域。該方法將 小波神經網絡和經典控制方法結合，解決了控制領域對系統運行前參數配置工作的依賴問題；對系統輸出采用向量時間序列方法進行處理，使得控制方法具有了預測效果，且該預測具有統計檢驗保證；該技術方案將小波神經網絡和預測技術同時與經典控制方法相結合，使得控制系統具有了較為高級的人工智能，具有預測、學習、參數在線優化、自適應的效果。本發明的創新點在于(I)采用小波神經網絡實現了對經典控制方法的控制參數在線優化；(2)采用了向量時間序列方法實現了對控制系統的預測控制；(3)同時采用了小波神經網絡和向量時間序列方法實現帶有預測效果的控制參數在線優化；(4)針對本發明提出的上述方法，設計了采用該方法的實用新型硬件系統；編寫了完整的計算機仿真程序，可以驗證該方法的各項效果和控制結果的穩定性；該程序及其子程序可以直接應用于采用了該方法的實用新型硬件系統中去；本發明采取的技術方案為了實現上述目的，解決上述問題，本發明采取了如下技術方案I.時間序列預測與智能控制結合的參數在線整定方法，其特征在于包括以下5個步驟，即步驟I. O至步驟1.5 :步驟I. O參數初始化該步驟為計算過程中涉及到的各變量分別賦予初始值；包括以下12個子步驟，即步驟I. O. I至步驟I. O. 12 I. O. I設定算法當前執行次數t、執行總次數T 當算法連續運行有限次的情況時設當前執行次數初始值t = I ;執行和調整總次數T的取值原則是要保證系統運行總次數O. 8T次后控制結果(1300)能夠穩定在控制目標(1000)附近；其中能夠穩定的含義是當執行次數達到O. 8T以后，控制結果(1300)Ysystem(t)與控制目標(1000)rin(t)之間的誤差在±3%以內，參見公式I :
權利要求
1.時間序列預測與智能控制結合的參數在線整定方法，其特征在于包括以下5個步驟，即步驟I. O至步驟1.5 : 步驟I. O參數初始化 該步驟為計算過程中涉及到的各變量分別賦予初始值；包括以下12個子步驟，即步驟I. O. I 至步驟 I. O. 12 I. O. I設定算法當前執行次數t、執行總次數T 當算法連續運行有限次的情況時設當前執行次數初始值t = I ;執行和調整總次數T的取值原則是要保證系統運行總次數O. 8T次后控制結果(1300)能夠穩定在控制目標(1000)附近；其中能夠穩定的含義是當執行次數達到O. 8T以后，控制結果(1300)Ysystem(t)與控制目標(1000)rin(t)之間的誤差在±3%以內，參見公式I :
2.根據權利要求I所述的時間序列預測與智能控制結合的參數在線整定方法的步驟I. 2計算控制量，其特征在于 算法的輸入是控制參數(1100) Ke(t)、控制量(1200) u(t)和誤差error(t)時間序列值； 算法的輸出是控制量(1200) u (t)； 控制算法(201)可以采用、位置式PID控制算法、增量式PID控制算法、模糊控制算法、專家控制算法； 采用增量式PID控制算法時，u (t)的計算參見公式44 u (t) =u (t-1) +Kp (t) · (error (t) -error (t-1)) +Ki (t) · error (t)公式 4 4 +Kd (t) · (error(t)_2error(t_l)+error(t_2)) ο
3.根據權利要求I所述的時間序列預測與智能控制結合的參數在線整定方法的步驟I. 3采集或計算系統輸出，其特征在于 當該系統為計算機仿真應用的情況時，被控對象(300)采用確定的控制系統被控對象數學模型，該數學模型的輸入是控制量u(t)，通過計算機仿真計算得出的結果即為控制結果ysyst (t);上述計算機仿真計算，即通過對被控對象建立連續傳遞函數模型，進而對該連續傳遞函數采用Z變換進行離散化，得到根據U(t)和ysystM(t)時間序列值計算出Ysystem (t)的計算公式；在Matlab中z變換通過c2d()函數和tfdata()函數實現；具體實現過程請參見本專利說明書中實施例部分； 當該系統為真實控制系統應用的情況時因此控制結果ysystM(t)不是通過計算機仿真計算得到的，而是通過對真實控制系統輸出采樣得到的。
4.根據權利要求I所述的時間序列預測與智能控制結合的參數在線整定方法的步驟I. 4計算預測結果，其特征在于 首先判斷當前t時刻是否到達啟動預測是可啟動預測時刻Tpredirt 如果當前t時刻小于啟動預測時刻TpMdic;t，則不啟動預測，控制結果(1300)ysyst (t)直接充當預測結果(1400) yQUt(t),即 yQUt(t) = ysystem(t)； 如果當前t時刻大于等于啟動預測時刻Tpredirt，則啟動預測，采集當前時刻的控制擾動源(500)產生的控制擾動量(1500)rTOf(t)以及預測擾動源(600)產生的預測擾動量(1600)rorf ⑴； 在線預測算法(401)的輸入分別是控制參數(1100)的時間序列Ke(t)、Ke(t-l)、Kc(t_2)、· · ·、Kc (t_Kpredict)、控制量(1200)的時間序列 u(t)、u (t-1)、u(t_2)、…、u (t-Kpredict)、控制結果(1300)的時間序列 ysysteni(t)、ysystem (t-1)、ysystem (t-2)、…、Ysystem (t-Kpredict)、控制擾動量(1500)的時間序列 Lef (t)、I^ef (t_I)、Γοε (t~2)、…、roef (t-Kpredict)、預測擾動量(1600)的時間序列 rOTf (t)、rotf (t-1)、rorf (t-2)、…、r〇rf (t Kpre(jict); 其中，控制擾動源(500 )是除控制量(1200 )以外的對被控對象產生作用的控制環境中的其他裝置；預測擾動源(600)是除控制參數(1100)、控制量(1200)、控制結果(1300)以外的對在線預測器(400)產生影響的控制環境中的其他裝置；控制擾動量(1500)是由控制擾動源(500)產生的與控制量(1200)—起作用于被控對象(300)，并對其輸出產生影響的輸入，在理想的情況下，控制擾動量(1500)rTOf(t)可以為常數0，即忽略不計；其中，預測擾動量(1600)是由預測擾動源(600)產生的與控制參數(1100)、控制量(1200)、控制結果(1300) —起作用于在線預測器(400)，并對在線預測算法(401)的輸出產生影響的輸入，在理想情況下，即可以忽略控制系統內外環境中其他裝置的擾動影響的情況下，控制擾動源(500)和預測擾動源(600)可以忽略，即不存在控制擾動源(500)和預測擾動源(600)，此時控制擾動量(1500)1^(0和預測擾動量(1600) rOTf(t)為常數O ; 在線預測算法(401)的輸出是控制結果預測值(1401)5Vediet(t)； 當前t時刻大于等于啟動預測時刻TpMdic;t的這種情況下，將控制結果預測值(1401)Ypredict (t)作為預測結果(1400) yQUt(t)，即 y_(t) = Ypredict (t)； 綜上所述，預測結果(1400) yout (t)的取值見公式45
5.根據權利要求4所述的在線預測算法(401)，其特征在于 在線預測算法(401)可以采用經典的向量時間序列預測方法即VARMA方法、神經網絡預測方法、線性回歸預測方法、非線性回歸預測方法、曲線函數擬合方法，也可以采用滿足輸入是由時間序列控制參數(1100)、時間序列控制量(1200)、時間序列控制結果(1300)、時間序列控制擾動量(1500)、時間序列預測擾動量(1600)，輸出是控制結果預測值(1401)的預測算法； 采用VARMA算法時，nAR和nMA參數的取值范圍為5至10閉區間內的正整數；在MatIab中VARMA預測算法通過vgxsetO、vgxvarx ()、vgxpred()三個函數實現；具體實現過程請參見本專利說明書中實施例部分5
6.采用了時間序列預測與智能控制結合的參數在線整定方法的系統，其特征在于由第〇裝置一控制決策器(O)、第一裝置一在線整定器(100)、第二裝置一控制執行器(200)、第三裝置一被控對象(300)、第四裝置一在線預測器(400)、第五裝置一控制擾動源(500)和第六裝置一預測擾動源(600)七組裝置組成；.1.1各組裝置內部構成以及輸入、輸出接口情況 I. I. O第〇裝置——控制決策器(O)可以是嵌入式設備、或單片機系統、或工控機、或PLC可編程邏輯控制器、或計算機、或服務器、或移動終端； 當第〇裝置一控制決策器(O)采用計算機(I)時，其輸出接口可以是以太網接口，通過網線及網絡交換設備與第一裝置一在線整定器(100)的輸入接口相連接； I. I. I第一裝置一在線整定器(100)可以是嵌入式設備、或單片機系統、或工控機、或PLC可編程邏輯控制器、或計算機、或服務器； 當第一裝置一在線整定器(100)采用計算機(100)時，其兩個輸入接口可以是以太網接口，通過網線及網絡交換設備與第〇裝置一控制決策器(O)、第四裝置一在線預測器(400)的輸出接口相連接；其兩個輸出接口可以是以太網接口，通過網線及網絡交換設備與第二裝置——控制執行器(200)、第四裝置——在線預測器(400)的輸入接口相連接；上述以太網接口可以復用同一個以太網接口； I. I. 2第二裝置——控制執行器(200)可以是嵌入式設備、或單片機系統、或工控機、或PLC可編程邏輯控制器、或計算機、或服務器、或PID控制器配合變頻器、或驅動器； 當第二裝置一控制執行器(200 )采用PLC可編程邏輯控制器(201)和變頻器(202 )時，其輸入接口可以是PLC可編程邏輯控制器(201)的以太網接口，通過網線及網絡交換設備與第一裝置——在線整定器(100)的輸出接口相連接；其輸出接口可以是變頻器(202)三項交流輸出接口，通過電纜線與第三裝置——被控對象(300)的輸入接口相連接； 第二裝置——控制執行器(200)內部裝置的連接關系如下PLC可編程邏輯控制器(201)與變頻器(202)之間，可以通過RS485接口、或以太網接口、或工業總線接口相連接；第二裝置——控制執行器(200 )作為轉發裝置，實現從第六裝置——預測擾動源(600 )向第四裝置一在線預測器(400)的連接過細和工作過程是PLC可編程邏輯控制器(201)可以通過傳感器接口作為輸入接口接收來自第六裝置——預測擾動源(600)的信息，并通過以太網接口向第四裝置——在線預測器(400)進行轉發； I. I. 3第三裝置——被控對象(300)可以是電機、或溫控設備、或壓控設備、或電磁場、或生產系統、或經濟系統； 當第三裝置一被控對象(300)采用電機(301)、負載風扇(302)時和測速編碼器(303)時，其中一個輸入接口可以是電機(301)的三項交流輸入接口，通過電纜線與第二裝置——控制執行器(200)的三項交流輸出接口相連接；其中另一個輸入是負載風扇(302)受到的第五裝置一控制擾動源(500)的降溫風扇(501)輸出的快速流動的空氣的擾動；第三裝置——被控對象(300)輸出接口可以通過測速編碼器(303)的RS232、或以太網、或工業總線接口與第四裝置——在線預測器(400)的輸入接口相連接； 第三裝置——被控對象(300)內部裝置的連接關系如下電機(301)扭矩輸出主軸通過傳動裝置與負載風扇(302)的扭矩輸入主軸相連接，電機(301)帶動負載風扇(302)轉動，從而構成一組輸出與輸入的關系；同時負載風扇(302)的扭矩輸入主軸又固定有測速編碼器(303)的碼盤，風扇(302)轉動帶動碼盤轉動，從而構成一組輸出與輸入的關系；電機(301)工作過程中會產生熱量，影響電機的工作性能，進而影響預測的結果；因此電機(301)工作過程中會產生熱量可以作為第四裝置——在線預測器(400)的輸入之一；該散熱問題通過降溫風扇(501)解決，降溫風扇(501)在解決散熱問題的同時也對負載風扇(302)產生干擾，因此第五裝置——控制擾動源(500)的輸出也是負載風扇(302)的輸入之一; I. I. 4第四裝置——在線預測器(400)可以是嵌入式設備、或單片機系統、或工控機、或PLC、或計算機、或服務器； 當第四裝置——在線預測器(400)采用計算機(401)時，其兩個輸入接口可以是以太網接口，通過網線及網絡交換設備與第一裝置——在線整定器(100)、第二裝置——控制執行器(200)的PLC可編程邏輯控制器(201)的以太網輸出接口相連接；其另一個輸入接口和被控對象(300)的測速編碼器(303)之間通過RS232、或以太網、或工業總線接口相連接； I. I. 5第五裝置——控制擾動源(500)可以是影響空氣流動的裝置、或影響濕度的裝置、影響溫度的裝置、障礙物、產生干擾的裝置； 當第五裝置——控制擾動源(500)采用降溫風扇(501)時，其風扇轉動產生的流動空氣對電機(301)進行降溫，同時也會對負載風扇(302)產生影響，即作為負載風扇(302)的輸入之一； I. I. 6第六裝置——預測擾動源(600)可以是影響空氣流動的裝置、或影響濕度的裝置、影響溫度的裝置、障礙物、產生干擾的裝置。
當認為第六裝置——預測擾動源(600)之一是電機(301)的發熱量時，溫度傳感器(601)的輸入是電機(301)的溫度；溫度傳感器(601)的輸出采用三線制接法與第二裝置一控制執行器(200)的PLC可編程邏輯控制器(201)的傳感器輸入接口相連接； I. 2各組裝置間連接關系以及信號傳遞關系 控制決策器(O)的輸出為系統控制目標(1000) rin;該控制目標(1000)與在線整定器(100)的輸入相連接，成為在線整定器(100)的輸入之一；在線整定器(100)的輸入之二是預測結果(1400) yout ;在線控制器根據控制目標(1000)和預測結果(1400),通過在線整定算法(101)計算得出控制參數(1100)K。，該控制參數(1100)既是控制執行器(200)的輸入，又是在線預測器(400)的輸入之一；控制執行器(200)根據其輸入的控制參數(1100)通過控制算法計算出控制量(1200)u，該控制量(1200)既是被控對象(300)的輸入之一，又是在線預測器(400)的輸入之二 ；被控對象(300)的輸入之二是控制擾動源(500)產生的控制擾動量(1500)roef,被控對象(300)在控制量(1200)和控制擾動量(1500)這兩個輸入的共同作用下，產生控制結果(1300) ysystem，該控制結果(1300)是在線預測器(400)的輸入之三；在線預測器(400)的輸入之四是由預測擾動源(600)產生的預測擾動量(1600)rOTf，在線預測器(400)根據控制參數(1100)、控制量(1200)、控制結果(1300)、預測擾動量(1600) rorf的時間序列歷史值，通過在線預測算法(401)計算出控制結果預測值(1401) ypralic;t和預測結果(HOO)ywt，該預測結果(1400)作為在線整定器(100)的輸入； I. 3系統啟動后的工作過程如下 系統啟動后的各裝置按照I. 3. O過程O至I. 3. 5過程5這六個過程運行 I. 3. O 過程 O : 第〇裝置——控制決策器(O)實現“時間序列預測與智能控制結合的參數在線整定方法”的步驟I. O參數初始化； I. 3. I 過程 I :·第一裝置一在線整定器(100)實現“時間序列預測與智能控制結合的參數在線整定方法”的步驟I. I計算控制參數K。并修正在線整定算法參數W ；I. 3. 2 過程 2 第二裝置——控制執行器(200)實現“時間序列預測與智能控制結合的參數在線整定方法”步驟I. 2計算控制量u (t)；I. 3. 3 過程 3 第三裝置——被控對象(300)實現“時間序列預測與智能控制結合的參數在線整定方法”步驟I. 3采集或計算系統輸出ysystem(t)；I. 3. 4 過程 4 第四裝置——在線預測器(400)實現“時間序列預測與智能控制結合的參數在線整定方法”步驟I. 4計算預測結果yout (t)；I.3. 5 過程 5 第〇裝置——控制決策器(O)根據當前系統的各項參數、狀態和輸出，實現“時間序列預測與智能控制結合的參數在線整定方法”步驟I. 5判斷算法是否結束。
全文摘要
本發明提出了一種基于時間序列預測的小波神經網絡在線PID整定方法和采用了該方法的系統，方法具體包括參數初始化，計算控制參數并修正在線整定參數，計算控制量，計算或采集系統輸出，計算預測結果，系統具體包括控制決策器、在線整定器、控制執行器、被控對象、在線預測器、控制擾動源和預測擾動源，控制決策器實現參數初始化，在線整定器用于計算控制參數并修正在線整定算法參數，控制執行器用于計算控制量，在線預測器用于計算預測結果，控制決策器用于判斷算法是否結束。該方法將小波神經網絡和經典控制方法結合，解決了控制領域對系統運行前參數配置工作的依賴問題，使得控制系統具有預測、學習、參數在線優化、自適應的效果。
文檔編號G05B13/04GK102902203SQ20121036531
公開日2013年1月30日 申請日期2012年9月26日 優先權日2012年9月26日
發明者劉經緯, 王普, 楊蕾 申請人:北京工業大學