对角递归神经网络控制器在多平台中的实现方法技术

本发明专利技术涉及一种对角递归神经网络控制器在多平台中的实现方法，按照如下实现：建立DRNN神经网络控制器，其包括DRNC神经网络和DRNI神经网络；对DRNC神经网络和DRNI神经网络对应选取学习训练方法；通过计算单元模块组态的方式建立DRNN神经网络控制器拓扑结构；建立计算单元模块与通用中间件的映射关系；建立通用中间件与目标平台的映射关系；将通用中间件对应部署到目标平台中；在目标平台上对应解析通用中间件与目标平台间的映射关系；在目标平台上运行DRNN神经网络控制器。本发明专利技术所提出的方法可在多种不同类型的计算平台中相互移植与共享，支持在线组态和调试，其学习、训练以及测试应用均可在下位机中实现，能够满足工业现场长期稳定工作的需要。

【技术实现步骤摘要】

本专利技术涉及工业自动化软件控制
，特别是一种对角递归神经网络控制器 在多平台中的实现方法。
技术介绍
在复杂流程工业系统中，被控对象多为多输入多输出的动态时变参数系统，难以 建立精确的数学模型；同时，常规的PID控制方法在非线性系统的精度控制与解耦控制上 也难以达到理想的控制效果。神经网络控制技术作为一种智能控制方法能够充分逼近未 知非线性对象的动态行为，可以弥补常规PID方法的局限性，常用来解决一些难以建模的 非线性系统的控制问题。然而常用的多层前向神经网络是一种静态网，其在控制系统中应 用时必须先确定对象的模型，对未知或先验知识很少的系统而言，既不准确又影响辨识和 控制效果，而对角递归神经网络（DRNN)具有内部反馈机制可用来记忆系统的动态响应，其 用于系统辨识与控制时无须知道详细的对象知识，可以有效改善控制系统的鲁棒性和适应 性，提高系统的控制性能。如何在工业控制系统中有效实现和应用DRNN等神经网络算法， 提高整个系统运行的稳定性和实时性是整个控制工程界需要解决的问题。 在现有技术中，对角递归神经网络算法在控制领域中的实现方式主要有以下三 种： (1) 全PC机实现。目前对角递归神经网络控制器的研宄通常都是借助PC机上Matlab 软件实现系统建模与仿真，多数停留在理论研宄阶段，并未真正应用到实际控制工程中，其 算法程序也无法直接移植到工程现场中使用。 (2) PC+PLC架构实现。采用PC+PLC架构实现对角递归神经网络控制器主要有两种方 式：一是整个神经网络的模型在上位机（PC)中建立和训练，神经网络算法仅为PLC控制站 提供参数辨识的功能，如对PID控制参数进行优化，而神经网络算法的执行并非在PLC中完 成。 ⑶全PLC实现。神经网络模型在上位机的组态软件中建立，可下载到PLC中进行计算， 但由于组态软件与PLC品牌相互绑定，神经网络算法程序只能运行在特定品牌的PLC中。 而以上方法均存在不同层面的弊端： 首先，多数研宄中神经网络模型的建立与计算都是在上位机中完成，而管理上位机采 用的是普通PC，其硬件及软件的可靠性均十分有限，可能对控制系统的长期稳定运行造成 不利影响； 其次，在上位机中运行的神经网络算法往往是在非实时数据库中进行数据处理，控制 站采集的实时数据也需要传输到上位机中计算，严重地影响了系统控制的实时性； 再次，由于不同厂商生产的组态软件与特定品牌的PLC相互绑定，不同品牌的控制器 采用的编程规则也千差万别，针对一个品牌控制器编写的算法程序基本不可能直接移植到 另一个品牌控制器的平台上运行，因此现有技术中实现的神经网络程序的通用性都较差。 最后，多数研宄采用类C语言的编程方法实现对角递归神经网络控制器算法程 序，算法通用性差，当系统更复杂或模型稍作修改，就需要进入编程环境重新编程，无法支 持在线调试，调试过程也不直观。 有鉴于此，有必要提出一种通用的神经网络控制器实现方法以解决上述问题。
技术实现思路
本专利技术的目的在于提供一种，用 于解决现有技术中DRNN神经网络算法程序难以在不同类型计算器件上移植、共享等技术 问题，以克服现有技术的不足。 为实现上述目的，本专利技术的技术方案是：一种对角递归神经网络控制器在多平台 中的实现方法，其特征在于，按照如下步骤实现： 51 :建立DRNN神经网络控制器，所述DRNN神经网络控制器包括一 DRNC神经网络和一 DRNI神经网络； 52 :分别对所述DRNC神经网络和所述DRNI神经网络对应选取学习训练方法； 53 :通过计算单元模块组态的方式建立所述DRNN神经网络控制器的拓扑结构，并对各 个计算单元模块的计算顺序进行时序分析与判断； 54 :建立所述计算单元模块与通用中间件的映射关系； 55 :建立所述通用中间件与目标平台的映射关系； 56 :将所述通用中间件对应部署到所述目标平台中； 57 :在所述目标平台上对应解析所述通用中间件与所述目标平台间的映射关系； 58 :在所述目标平台上运行所述DRNN神经网络控制器。 在本专利技术一实施例中，在所述步骤Sl中，所述DRNI神经网络用于识别未知的被控 设备，并将被控设备的敏感度信息提供给所述DRNC神经网络；所述DRNC神经网络用于调节 系统中被控设备的输出和期望输出之间的误差，使得被控设备的输出和期望输出之间的误 差最小；所述DRNI神经网络的结构和所述DRNC神经网络的结构均根据被控设备输入输出 的个数来建立的。 在本专利技术一实施例中，在所述步骤S2中，所述DRNC神经网络和所述DRNI神经网 络的学习训练方法采用梯度下降法；所述DRNI神经网络与所述DRNC神经网络中迭代过程 的权值均采用如下该方式进行更新：【主权项】1. 一种，其特征在于，按照如下步骤 实现： 51 :建立DRNN神经网络控制器，所述DRNN神经网络控制器包括一 DRNC神经网络和一 DRNI神经网络； 52 :分别对所述DRNC神经网络和所述DRNI神经网络对应选取学习训练方法； 53 :通过计算单元模块组态的方式建立所述DRNN神经网络控制器的拓扑结构，并对各 个计算单元模块的计算顺序进行时序分析与判断； 54 :建立所述计算单元模块与通用中间件的映射关系； 55 :建立所述通用中间件与目标平台的映射关系； 56 :将所述通用中间件对应部署到所述目标平台中； 57 :在所述目标平台上对应解析所述通用中间件与所述目标平台间的映射关系； 58 :在所述目标平台上运行所述DRNN神经网络控制器。2. 根据权利要求1所述的，其特征在 于：在所述步骤Sl中，所述DRNI神经网络用于识别未知的被控设备，并将被控设备的敏感 度信息提供给所述DRNC神经网络；所述DRNC神经网络用于调节系统中被控设备的输出和 期望输出之间的误差，使得被控设备的输出和期望输出之间的误差最小；所述DRNI神经网 络的结构和所述DRNC神经网络的结构均根据被控设备输入输出的个数来建立的。3. 根据权利要求2所述的，其特征在 于：在所述步骤S2中，所述DRNC神经网络和所述DRNI神经网络的学习训练方法均采用梯 度下降法；所述DRNI神经网络与所述DRNC神经网络中迭代过程的权值均采用如下该方式 千亩新.其中W表示权重，W(n)和W(n+1)分别表示在迭代过程中，该权重的当前值和下一时刻 的值；η表示学习率，〇(k)表示所述DRNI神经网络或所述DRNC神经网络的输出；Em表示 所述DRNI神经网络的一个周期的误差函数，e m(k) =y(k)_ym(k)表示被控设备响应y(k) 和所述DRNI神经网络响应ym(k)间的误差；E c表示所述DRNC神经网络的一个周期的误差 函数，ec(k) = yJlO-yQO表示期望响应yjk)和被控设备响应y(k)之间的误差；yu(k)为 被控设备的敏感度，即被控设备的输入输出关系。4. 根据权利要求1所述的，其特征在 于：在所述步骤S3中，所述DRNN神经网络控制器包括多个拓扑结构，且每个拓扑结构均包 括多个节点以及与所述节点相连的连接线；所述计算单元模块为所述拓扑结构中最小组成 的节点；所述计算单元模块为执行模拟量或数字量计算操作的控制单元；所述连接线用以 表示数本文档来自技高网...

【技术保护点】
一种对角递归神经网络控制器在多平台中的实现方法，其特征在于，按照如下步骤实现：S1：建立DRNN神经网络控制器，所述DRNN神经网络控制器包括一DRNC神经网络和一DRNI神经网络；S2：分别对所述DRNC神经网络和所述DRNI神经网络对应选取学习训练方法；S3：通过计算单元模块组态的方式建立所述DRNN神经网络控制器的拓扑结构，并对各个计算单元模块的计算顺序进行时序分析与判断；S4：建立所述计算单元模块与通用中间件的映射关系；S5：建立所述通用中间件与目标平台的映射关系；S6：将所述通用中间件对应部署到所述目标平台中；S7：在所述目标平台上对应解析所述通用中间件与所述目标平台间的映射关系；S8：在所述目标平台上运行所述DRNN神经网络控制器。

【技术特征摘要】

【专利技术属性】
技术研发人员：郑松，宋怡霖，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35