专利名称：时间序列预测与智能控制结合的参数在线整定方法与系统的制作方法
技术领域：
本发明提出了一种时间序列预测与智能控制结合的参数在线整定方法和采用了该方法的系统，可应用于控制与智能控制、人工智能与辅助决策等领域。
背景技术：
到目前为止，控制科学研究的控制方法的特征是(I)控制系统的控制方法由控制算法和控制参数构成；(2)控制算法用确定的规则(模型、公式)描述；(3)控制参数的配置和整定方法存在两种形式(3. I)控制参数在控制系统正式运行前进行初始化配置、初 步整定和最终整定，正式运行后控制参数固定不变，例如比例微分积分控制方法、模糊控制方法等；(3. 2)控制参数在控制系统正式运行前进行初始化和初步整定，正式运行后控制系统自身按照确定的规则和目标对控制参数进行整定，例如神经网络控制方法；(4)控制参数调整的依据又可以分为两种情况(4. I)可以根据控制系统各状态的历史、当前值进行调整，例如比例微分积分控制、模糊控制、神经网络控制等方法；(4. 2)还可以根据状态的预测值进行调整，例如预测控制。特征(I)是由数学建模方法和计算机原理决定的。目前数学建模方法是描述客观规律的最有效的方法，而计算机是实现控制最有效的工具。因此基于控制算法和控制参数模型的控制方法的发展受上述两项基础学科发展的制约。对于特征(I)的突破需要对上述两项研究基础进行突破。特征(2)很大程度上受人工智能科学发展约束，由于目前人工智能主要方法主要在推理系统、神经计算科学等方法的领域，因此控制算法的模式很大程度上与人工智能算法近似。对于特征(2)的突破关键在于对人工智能方法的突破。本研究主要针对特征(3)和特征(4)进行改进，最终小波神经网络、时间序列预测技术与经典的控制方法进行结合，创造了一种新的算法。首先对特征(3)和特征(4)的涉及到的经典算法的研究现状进行介绍比例微分积分控制是最经典应用最广的控制方法，该方法的核心思想是将控制的实施方式分为三种情况，即连续施控、突击施控和延缓施控三种方式，从而解决控制系统被控对象的三类特征，即达到某一目标需要持续受力、启动时或需要快速响应时需要受大力、受力过大导致系统不稳定。该方法的优点是结构简单，实施方便。该方法的问题是缺乏智能，无法在线应对控制系统发生的变化，例如被控对象发生变化时，控制系统自身无法对控制参数进行调整，从而应对这种变化；此外该方法自身无法根据环境变化有目标地智能地尝试优化控制参数。模糊控制方法可以事先将针对不同情况的控制参数配置到控制系统中，当情况变化时，控制参数可以根据预先设定的规则改变控制参数，解决了控制系统适应变化的问题，但无法像经典的比例微分积分控制那样应对被控对象的三类特性；同样模糊控制方法自身也无法根据环境变化有目标地智能地尝试优化控制参数。神经网络控制方法的特点是可以根据环境变化有目标地智能地尝试优化控制参数，而且调整参数的过程可以是非线性的。这种方法具有了一定的智能性，其原因一是由于该方法的算法基础是人脑的生物学数学模型。该方法的问题是无法像经典的比例微分积分控制那样应对被控对象的三类特性。预测控制方法的特点是控制参数的调整依据增加了对控制实施后结果的预测，因此控制具备了超前性；但该方法的问题除了无法像经典的比例微分积分控制那样应对被控对象的三类特性之外，还存在该方法对被控对象模型的依赖问题，如果预测模型不准确，则会导致预测结果不准确，预测方法基于被控对象的数学模型，预测结果的准确性和可靠性缺乏保障；
发明内容
本本发明主要解决的问题本发明提出了一种时间序列预测与智能控制结合的参数在线整定方法和采用了该方法的系统，可应用于可应用于控制与智能控制、人工智能与辅助决策等领域。该方法将 小波神经网络和经典控制方法结合，解决了控制领域对系统运行前参数配置工作的依赖问题；对系统输出采用向量时间序列方法进行处理，使得控制方法具有了预测效果，且该预测具有统计检验保证；该技术方案将小波神经网络和预测技术同时与经典控制方法相结合，使得控制系统具有了较为高级的人工智能，具有预测、学习、参数在线优化、自适应的效果。本发明的创新点在于(I)采用小波神经网络实现了对经典控制方法的控制参数在线优化；(2)采用了向量时间序列方法实现了对控制系统的预测控制；(3)同时采用了小波神经网络和向量时间序列方法实现带有预测效果的控制参数在线优化；(4)针对本发明提出的上述方法，设计了采用该方法的实用新型硬件系统；编写了完整的计算机仿真程序，可以验证该方法的各项效果和控制结果的稳定性；该程序及其子程序可以直接应用于采用了该方法的实用新型硬件系统中去；本发明采取的技术方案为了实现上述目的，解决上述问题，本发明采取了如下技术方案I.时间序列预测与智能控制结合的参数在线整定方法，其特征在于包括以下5个步骤，即步骤I. O至步骤1.5 :步骤I. O参数初始化该步骤为计算过程中涉及到的各变量分别赋予初始值；包括以下12个子步骤，即步骤I. O. I至步骤I. O. 12 I. O. I设定算法当前执行次数t、执行总次数T 当算法连续运行有限次的情况时设当前执行次数初始值t = I ;执行和调整总次数T的取值原则是要保证系统运行总次数O. 8T次后控制结果(1300)能够稳定在控制目标(1000)附近；其中能够稳定的含义是当执行次数达到O. 8T以后，控制结果(1300)Ysystem(t)与控制目标(1000)rin(t)之间的误差在±3%以内，参见公式I :
权利要求
1.时间序列预测与智能控制结合的参数在线整定方法，其特征在于包括以下5个步骤，即步骤I. O至步骤1.5 : 步骤I. O参数初始化 该步骤为计算过程中涉及到的各变量分别赋予初始值；包括以下12个子步骤，即步骤I. O. I 至步骤 I. O. 12 I. O. I设定算法当前执行次数t、执行总次数T 当算法连续运行有限次的情况时设当前执行次数初始值t = I ;执行和调整总次数T的取值原则是要保证系统运行总次数O. 8T次后控制结果(1300)能够稳定在控制目标(1000)附近；其中能够稳定的含义是当执行次数达到O. 8T以后，控制结果(1300)Ysystem(t)与控制目标(1000)rin(t)之间的误差在±3%以内，参见公式I :
2.根据权利要求I所述的时间序列预测与智能控制结合的参数在线整定方法的步骤I. 2计算控制量，其特征在于 算法的输入是控制参数(1100) Ke(t)、控制量(1200) u(t)和误差error(t)时间序列值； 算法的输出是控制量(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、专家控制算法； 采用增量式PID控制算法时，u (t)的计算参见公式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.根据权利要求I所述的时间序列预测与智能控制结合的参数在线整定方法的步骤I. 3采集或计算系统输出，其特征在于 当该系统为计算机仿真应用的情况时，被控对象(300)采用确定的控制系统被控对象数学模型，该数学模型的输入是控制量u(t)，通过计算机仿真计算得出的结果即为控制结果ysyst (t);上述计算机仿真计算，即通过对被控对象建立连续传递函数模型，进而对该连续传递函数采用Z变换进行离散化，得到根据U(t)和ysystM(t)时间序列值计算出Ysystem (t)的计算公式；在Matlab中z变换通过c2d()函数和tfdata()函数实现；具体实现过程请参见本专利说明书中实施例部分； 当该系统为真实控制系统应用的情况时因此控制结果ysystM(t)不是通过计算机仿真计算得到的，而是通过对真实控制系统输出采样得到的。
4.根据权利要求I所述的时间序列预测与智能控制结合的参数在线整定方法的步骤I. 4计算预测结果，其特征在于 首先判断当前t时刻是否到达启动预测是可启动预测时刻Tpredirt 如果当前t时刻小于启动预测时刻TpMdic;t，则不启动预测，控制结果(1300)ysyst (t)直接充当预测结果(1400) yQUt(t),即 yQUt(t) = ysystem(t)； 如果当前t时刻大于等于启动预测时刻Tpredirt，则启动预测，采集当前时刻的控制扰动源(500)产生的控制扰动量(1500)rTOf(t)以及预测扰动源(600)产生的预测扰动量(1600)rorf ⑴； 在线预测算法(401)的输入分别是控制参数(1100)的时间序列Ke(t)、Ke(t-l)、Kc(t_2)、· · ·、Kc (t_Kpredict)、控制量(1200)的时间序列 u(t)、u (t-1)、u(t_2)、…、u (t-Kpredict)、控制结果(1300)的时间序列 ysysteni(t)、ysystem (t-1)、ysystem (t-2)、…、Ysystem (t-Kpredict)、控制扰动量(1500)的时间序列 Lef (t)、I^ef (t_I)、Γοε (t~2)、…、roef (t-Kpredict)、预测扰动量(1600)的时间序列 rOTf (t)、rotf (t-1)、rorf (t-2)、…、r〇rf (t Kpre(jict); 其中，控制扰动源(500 )是除控制量(1200 )以外的对被控对象产生作用的控制环境中的其他装置；预测扰动源(600)是除控制参数(1100)、控制量(1200)、控制结果(1300)以外的对在线预测器(400)产生影响的控制环境中的其他装置；控制扰动量(1500)是由控制扰动源(500)产生的与控制量(1200)—起作用于被控对象(300)，并对其输出产生影响的输入，在理想的情况下，控制扰动量(1500)rTOf(t)可以为常数0，即忽略不计；其中，预测扰动量(1600)是由预测扰动源(600)产生的与控制参数(1100)、控制量(1200)、控制结果(1300) —起作用于在线预测器(400)，并对在线预测算法(401)的输出产生影响的输入，在理想情况下，即可以忽略控制系统内外环境中其他装置的扰动影响的情况下，控制扰动源(500)和预测扰动源(600)可以忽略，即不存在控制扰动源(500)和预测扰动源(600)，此时控制扰动量(1500)1^(0和预测扰动量(1600) rOTf(t)为常数O ; 在线预测算法(401)的输出是控制结果预测值(1401)5Vediet(t)； 当前t时刻大于等于启动预测时刻TpMdic;t的这种情况下，将控制结果预测值(1401)Ypredict (t)作为预测结果(1400) yQUt(t)，即 y_(t) = Ypredict (t)； 综上所述，预测结果(1400) yout (t)的取值见公式45
5.根据权利要求4所述的在线预测算法(401)，其特征在于 在线预测算法(401)可以采用经典的向量时间序列预测方法即VARMA方法、神经网络预测方法、线性回归预测方法、非线性回归预测方法、曲线函数拟合方法，也可以采用满足输入是由时间序列控制参数(1100)、时间序列控制量(1200)、时间序列控制结果(1300)、时间序列控制扰动量(1500)、时间序列预测扰动量(1600)，输出是控制结果预测值(1401)的预测算法； 采用VARMA算法时，nAR和nMA参数的取值范围为5至10闭区间内的正整数；在MatIab中VARMA预测算法通过vgxsetO、vgxvarx ()、vgxpred()三个函数实现；具体实现过程请参见本专利说明书中实施例部分5
6.采用了时间序列预测与智能控制结合的参数在线整定方法的系统，其特征在于由第〇装置一控制决策器(O)、第一装置一在线整定器(100)、第二装置一控制执行器(200)、第三装置一被控对象(300)、第四装置一在线预测器(400)、第五装置一控制扰动源(500)和第六装置一预测扰动源(600)七组装置组成；.1.1各组装置内部构成以及输入、输出接口情况 I. I. O第〇装置——控制决策器(O)可以是嵌入式设备、或单片机系统、或工控机、或PLC可编程逻辑控制器、或计算机、或服务器、或移动终端； 当第〇装置一控制决策器(O)采用计算机(I)时，其输出接口可以是以太网接口，通过网线及网络交换设备与第一装置一在线整定器(100)的输入接口相连接； I. I. I第一装置一在线整定器(100)可以是嵌入式设备、或单片机系统、或工控机、或PLC可编程逻辑控制器、或计算机、或服务器； 当第一装置一在线整定器(100)采用计算机(100)时，其两个输入接口可以是以太网接口，通过网线及网络交换设备与第〇装置一控制决策器(O)、第四装置一在线预测器(400)的输出接口相连接；其两个输出接口可以是以太网接口，通过网线及网络交换设备与第二装置——控制执行器(200)、第四装置——在线预测器(400)的输入接口相连接；上述以太网接口可以复用同一个以太网接口； I. I. 2第二装置——控制执行器(200)可以是嵌入式设备、或单片机系统、或工控机、或PLC可编程逻辑控制器、或计算机、或服务器、或PID控制器配合变频器、或驱动器； 当第二装置一控制执行器(200 )采用PLC可编程逻辑控制器(201)和变频器(202 )时，其输入接口可以是PLC可编程逻辑控制器(201)的以太网接口，通过网线及网络交换设备与第一装置——在线整定器(100)的输出接口相连接；其输出接口可以是变频器(202)三项交流输出接口，通过电缆线与第三装置——被控对象(300)的输入接口相连接； 第二装置——控制执行器(200)内部装置的连接关系如下PLC可编程逻辑控制器(201)与变频器(202)之间，可以通过RS485接口、或以太网接口、或工业总线接口相连接；第二装置——控制执行器(200 )作为转发装置，实现从第六装置——预测扰动源(600 )向第四装置一在线预测器(400)的连接过细和工作过程是PLC可编程逻辑控制器(201)可以通过传感器接口作为输入接口接收来自第六装置——预测扰动源(600)的信息，并通过以太网接口向第四装置——在线预测器(400)进行转发； I. I. 3第三装置——被控对象(300)可以是电机、或温控设备、或压控设备、或电磁场、或生产系统、或经济系统； 当第三装置一被控对象(300)采用电机(301)、负载风扇(302)时和测速编码器(303)时，其中一个输入接口可以是电机(301)的三项交流输入接口，通过电缆线与第二装置——控制执行器(200)的三项交流输出接口相连接；其中另一个输入是负载风扇(302)受到的第五装置一控制扰动源(500)的降温风扇(501)输出的快速流动的空气的扰动；第三装置——被控对象(300)输出接口可以通过测速编码器(303)的RS232、或以太网、或工业总线接口与第四装置——在线预测器(400)的输入接口相连接； 第三装置——被控对象(300)内部装置的连接关系如下电机(301)扭矩输出主轴通过传动装置与负载风扇(302)的扭矩输入主轴相连接，电机(301)带动负载风扇(302)转动，从而构成一组输出与输入的关系；同时负载风扇(302)的扭矩输入主轴又固定有测速编码器(303)的码盘，风扇(302)转动带动码盘转动，从而构成一组输出与输入的关系；电机(301)工作过程中会产生热量，影响电机的工作性能，进而影响预测的结果；因此电机(301)工作过程中会产生热量可以作为第四装置——在线预测器(400)的输入之一；该散热问题通过降温风扇(501)解决，降温风扇(501)在解决散热问题的同时也对负载风扇(302)产生干扰，因此第五装置——控制扰动源(500)的输出也是负载风扇(302)的输入之一; I. I. 4第四装置——在线预测器(400)可以是嵌入式设备、或单片机系统、或工控机、或PLC、或计算机、或服务器； 当第四装置——在线预测器(400)采用计算机(401)时，其两个输入接口可以是以太网接口，通过网线及网络交换设备与第一装置——在线整定器(100)、第二装置——控制执行器(200)的PLC可编程逻辑控制器(201)的以太网输出接口相连接；其另一个输入接口和被控对象(300)的测速编码器(303)之间通过RS232、或以太网、或工业总线接口相连接； I. I. 5第五装置——控制扰动源(500)可以是影响空气流动的装置、或影响湿度的装置、影响温度的装置、障碍物、产生干扰的装置； 当第五装置——控制扰动源(500)采用降温风扇(501)时，其风扇转动产生的流动空气对电机(301)进行降温，同时也会对负载风扇(302)产生影响，即作为负载风扇(302)的输入之一； I. I. 6第六装置——预测扰动源(600)可以是影响空气流动的装置、或影响湿度的装置、影响温度的装置、障碍物、产生干扰的装置。
当认为第六装置——预测扰动源(600)之一是电机(301)的发热量时，温度传感器(601)的输入是电机(301)的温度；温度传感器(601)的输出采用三线制接法与第二装置一控制执行器(200)的PLC可编程逻辑控制器(201)的传感器输入接口相连接； I. 2各组装置间连接关系以及信号传递关系 控制决策器(O)的输出为系统控制目标(1000) rin;该控制目标(1000)与在线整定器(100)的输入相连接，成为在线整定器(100)的输入之一；在线整定器(100)的输入之二是预测结果(1400) yout ;在线控制器根据控制目标(1000)和预测结果(1400),通过在线整定算法(101)计算得出控制参数(1100)K。，该控制参数(1100)既是控制执行器(200)的输入，又是在线预测器(400)的输入之一；控制执行器(200)根据其输入的控制参数(1100)通过控制算法计算出控制量(1200)u，该控制量(1200)既是被控对象(300)的输入之一，又是在线预测器(400)的输入之二 ；被控对象(300)的输入之二是控制扰动源(500)产生的控制扰动量(1500)roef,被控对象(300)在控制量(1200)和控制扰动量(1500)这两个输入的共同作用下，产生控制结果(1300) ysystem，该控制结果(1300)是在线预测器(400)的输入之三；在线预测器(400)的输入之四是由预测扰动源(600)产生的预测扰动量(1600)rOTf，在线预测器(400)根据控制参数(1100)、控制量(1200)、控制结果(1300)、预测扰动量(1600) rorf的时间序列历史值，通过在线预测算法(401)计算出控制结果预测值(1401) ypralic;t和预测结果(HOO)ywt，该预测结果(1400)作为在线整定器(100)的输入； I. 3系统启动后的工作过程如下 系统启动后的各装置按照I. 3. O过程O至I. 3. 5过程5这六个过程运行 I. 3. O 过程 O : 第〇装置——控制决策器(O)实现“时间序列预测与智能控制结合的参数在线整定方法”的步骤I. O参数初始化； I. 3. I 过程 I :·第一装置一在线整定器(100)实现“时间序列预测与智能控制结合的参数在线整定方法”的步骤I. I计算控制参数K。并修正在线整定算法参数W ；I. 3. 2 过程 2 第二装置——控制执行器(200)实现“时间序列预测与智能控制结合的参数在线整定方法”步骤I. 2计算控制量u (t)；I. 3. 3 过程 3 第三装置——被控对象(300)实现“时间序列预测与智能控制结合的参数在线整定方法”步骤I. 3采集或计算系统输出ysystem(t)；I. 3. 4 过程 4 第四装置——在线预测器(400)实现“时间序列预测与智能控制结合的参数在线整定方法”步骤I. 4计算预测结果yout (t)；I.3. 5 过程 5 第〇装置——控制决策器(O)根据当前系统的各项参数、状态和输出，实现“时间序列预测与智能控制结合的参数在线整定方法”步骤I. 5判断算法是否结束。
全文摘要
本发明提出了一种基于时间序列预测的小波神经网络在线PID整定方法和采用了该方法的系统，方法具体包括参数初始化，计算控制参数并修正在线整定参数，计算控制量，计算或采集系统输出，计算预测结果，系统具体包括控制决策器、在线整定器、控制执行器、被控对象、在线预测器、控制扰动源和预测扰动源，控制决策器实现参数初始化，在线整定器用于计算控制参数并修正在线整定算法参数，控制执行器用于计算控制量，在线预测器用于计算预测结果，控制决策器用于判断算法是否结束。该方法将小波神经网络和经典控制方法结合，解决了控制领域对系统运行前参数配置工作的依赖问题，使得控制系统具有预测、学习、参数在线优化、自适应的效果。
文档编号G05B13/04GK102902203SQ20121036531
公开日2013年1月30日 申请日期2012年9月26日 优先权日2012年9月26日
发明者刘经纬, 王普, 杨蕾 申请人:北京工业大学