有关解耦控制的最新技术
输出神经元的输入输出函数为
x ″h (k )=u ″h (k ).(7)
式(6)和(7)中:u ″h 为输出层神经元的输入值;x ″h 为输出层神经元的输出值;w ′sjh 为隐含层至输出层的连接权值;h =1,2,为输出层神经元序号.
1.2 反传算法
PID 神经元网络学习的目标是使
J =∑2p =1E p =1m ∑2p =1∑m k =1[r p (k )-y p (k )]2=1m ∑2p =1∑m k =1e 2p (k )(8)
为最小,式中:m 为每批采样点数;n 为被控变量个数;p 为系统输入变量的数量.
按梯度法调节PID 神经元网络权值,经n 0步训练和学习的权值分别由以下各式确定.
(1)隐含层至输出层
隐含层至输出层的权值迭代公式为
w ′sjh (n 0+1)=w ′sjh (n 0)-η′sj h J w ′sjh
,(9) J sjh =-2m ∑n p =1∑m k =1[r p (k )-y p (k )]sg n y p (k +1)-y p (k )v h (k )
-v h (k -1)x ′sj (k )=-1m ∑n p =1∑m k =1[δ′hp (k )x ′sj (k )].(10)
(2)输入层至隐含层
输入层至隐含层的权值迭代公式为
w sij (n 0+1)=w sij (n 0)-ηsij J w sij
,(11) J w sij =-1m ∑n p =1∑n h =1∑m k =1δ′hp (k )w ′sjh sgn x ′sj (k )-x ′sj (k -1)u ′sj (k )-u ′sj (
k -1)x si (k ).(12)2 动态模型的建立
为了提高PID 神经网络的训练速度,采用离线训练的方式,由图1知须建立变风量空调机组部分的动态模型,在此系统中建立机组部分变频器-风机-静压回路和新风阀-CO 2气体体积含量回路的动态模型.由于这两个回路之间的耦合呈非线性关系,故采用神经网络方式建立其动态模型,结构原理图如图2所示.
图2 动态模型结构原理
Fig .2 Principle of dy namic model structure
动态模型的建立过程:利用多层前馈神经网络能够以任何精度逼近任意非线性映射,采用常用的BP 神经网络来建立变频器-风机-静压回路和新风阀-CO 2气体体积含量回路的动态模型.通过直接学习系统的输入/输出数据,使实际系统输出与BP 神经网络的输出之间的误差函数e (k )小于目标设定值,从而归纳出隐含在系统输入/输出数据中的关系.这个关系隐含在神经网络内部,它究竟表现为何种形式,对外界是不可知的,并且人们关心的并不是神经网络以什么样的形式去逼近实际系统,而只要神经网络的输出P (k )能够逼近同样输入信号激励下的对象输出Y (k ),则认为神经网络已充分体现出实际系统特性,完15第1期付龙海等:基于PID 神经网络解耦控制的变风量空调系统