一种改进FSRBFD的自适应解耦控制方法技术

本发明专利技术公开了一种改进FSRBFD的自适应解耦控制方法，包括步骤：S1、系统建模：根据控制量与输出量之间的关系，确定系统的传递函数矩阵模型；S2、建立RBFD解耦控制器：所述RBFD解耦控制器包括输入层、隐含层和输出层，RBFD解耦控制器的解耦控制过程包括RBF初始化、RBF聚类、RBF模型训练和RBF测试；S3、建立FSRBFD解耦控制器：采用附加动量项、自适应学习率和附加微分项的方法对RBFD解耦控制器进行改进，建立自适应学习率的解耦控制器FSRBFD。将本发明专利技术的FSRBFD解耦控制器，应用于多通道薄膜厚度控制系统中，能有效解决BOPP薄膜生产线由于耦合问题导致的薄膜厚度偏差问题，使薄膜生产质量得到保证。

An adaptive decoupling control method based on improved FSRBFD

【技术实现步骤摘要】
一种改进FSRBFD的自适应解耦控制方法
本专利技术涉及耦合系统的解耦
，具体涉及一种改进FSRBFD的自适应解耦控制方法。
技术介绍
双向拉伸聚丙烯(BOPP)薄膜厚度控制系统是一个多输入多输出(MIMO)的非线性复杂的多变量耦合系统，在实际生产工艺中，加热螺栓之间相互影响，所以热膨胀螺栓之间的耦合不能忽略。具体地，BOPP薄膜生产线流程如图1所示，其工作过程为：薄膜原料(塑料粒子)由投料口投入，经加热熔化后由挤出机将液态原料送到膜头，通过膜头唇口处热膨胀螺栓挤出，经冷却转辊冷却成为固体状厚片，该厚片经同步传动系统传送，首先通过纵向拉伸使厚片变薄，然后经横拉机进行横向拉伸使薄膜进一步变薄变宽，最后经过定型收卷得到成品膜。整个控制将待生产薄膜分成若干个区，每个区对应一个加热膨胀螺栓。当发现成品膜某处质量变差时，可以调节对应螺栓的加热量以达到改变唇口开度，从而改变液态原料挤出量，进而达到调节薄膜厚度的目的。BOPP薄膜厚度控制系统是一个MIMO耦合系统，由于耦合系统中各个回路间的相互作用会破坏其他独立回路的稳定控制，如图2所示，热膨胀螺栓在膜头上均匀分布，如果不考虑加热螺栓之间的影响和其他因素，可以将每一个热膨胀螺栓看成一个独立的控制通道。但是实际情况中，热膨胀螺栓之间的耦合往往是不能忽略的，这种耦合关系会严重降低系统的控制品质，因此在薄膜厚度控制中如何消除耦合影响是必须要考虑的问题。单个通道的厚度控制系统结构的原理图如图3所示，包括厚度控制器、n个加热螺栓、测厚仪等，厚度控制器对加热螺栓进行加热量控制，测厚仪对BOPP薄膜输出的厚度进行测量后再反馈给厚度控制器，厚度控制器根据反馈结果进行调整最后输出符合要求的BOPP薄膜。考虑到每个螺栓的单个回路的模型，单个螺栓的加热温度控制对应膜头唇口开口度，进而控制液态原料挤出量。而相邻螺栓之间的加热温度、膜头唇口开口度相互影响，从而导致相邻通道之间薄膜厚度存在严重的耦合关系。对于耦合系统的解耦控制，常见的解耦方法主要包括传统方法解耦、自适应解耦方法和智能解耦控制等。传统解耦以现代频域为代表，主要适用于确定性MIMO系统，其基本思想是设计一个解耦网络，使得MIMO控制系统的传递函数矩阵成为对角矩阵，使系统更易于控制，它包括求逆矩阵法、相对放大系数匹配法、对角优势法、转态反馈法等；由于该解耦方法要求传递矩阵是稳态非奇异的，结构简单，没有动态特性，确保开环系统输出响应的稳态无偏差，但是不能有效改进闭环控制系统的解耦调节能力。自适应解耦方法是将自适应控制与解耦控制技术相结合，它的实质是将耦合信号作为干扰处理，采用自校正前馈控制的方法，对耦合进行动、静态补偿；类前馈解耦算法虽然上对MIMO耦合系统有较好的解耦效果，但无法完全消除由输入信号改变带来的耦合影响。智能解耦控制在解决非线性方面具有独特优势，这种方法可以实现对非线性系统在线精确解耦，解决了传统解耦方法不易实现精确解耦的问题，因此在非线性系统解耦控制方面得到了广泛的关注。神经网络解耦控制就是其中比较典型的一种方法，它可实现多输入到多输出的映射，并且具有自学习功能，因此适用于时变、非线性、特性未知的对象。本申请采用RBF神经网络解耦算法(RBFD)对薄膜厚度控制系统进行解耦控制，并使用附加动量项、自适应学习率和和附加微分项对RBF解耦系统结构进行优化，设计了FSRBFD解耦控制器。
技术实现思路
本专利技术为了克服以上技术的不足，提供了一种改进FSRBFD的自适应解耦控制方法，该方法明显提高了模型训练的速度和解耦性能。本专利技术克服其技术问题所采用的技术方案是：一种改进FSRBFD的自适应解耦控制方法，包括如下步骤：S1、系统建模：根据控制量与输出量之间的关系，确定系统的传递函数矩阵模型；S2、建立RBFD解耦控制器：所述RBFD解耦控制器包括输入层、隐含层和输出层，RBFD解耦控制器的解耦控制过程包括RBF初始化、RBF聚类、RBF模型训练和RBF测试；S3、建立FSRBFD解耦控制器：采用附加动量项、自适应学习率和附加微分项的方法对RBFD解耦控制器进行改进，建立自适应学习率的解耦控制器FSRBFD。进一步地，步骤S1中，所述系统建模具体为：以每个通道厚度作为测量值，加热螺栓温度作为控制量，构成一个三输入三输出的控制系统，设系统控制量为(u1，u2，u3)，输出量为(y1，y2，y3)，其中，每个输出量yi同时受到多个控制量ui的影响，从而确定三通道厚度系统的传递函数矩阵模型，如下：进一步地，步骤S2中，所述RBF初始化是对系统数据初始化，所述系统数据包括：输入样本X(k)，隐含层Rj聚类数量，数据中心点Cj，扩展常数σj和隐含层Rj对输出层i的权值wji；然后提取M条运行数据作为RBF网络的训练集，将所有耦合影响的相关因子作为RBF网络的系统输入，表述为：进一步地，步骤S2中，所述RBF聚类具体包括如下：1)聚类初始化：将数据集的所有数据X(k)(k＝1...M)随机分为n个聚类，Rj(j＝1...n)；得到各个Rj的中心点Cj＝avg[X(j)](X(j)∈Rj)；2)聚类更新：重新计算各Rj的新中心点Cj＝avg[X(j)](X(j)∈Rj)；3)终止判断条件：if(Cj(T+1)≠Cj(T))(T为聚类迭代次数)，则重新执行步骤2)聚类更新；else聚类结束，转到步骤4)；4)聚类结果输出：得到各聚类Rj的初始中心点Cj*；进一步地，步骤S2中，所述RBF模型训练采用梯度下降法，通过最小化目标函数Ei(i＝1,2,3)实现对各隐含层节点Rj(j＝1...n)的数据中心点Cj、扩展常数σj和输出权值wji的自适应调节，具体包括：1)权值随机初始化：2)训练数据集：fork＝1toM计算Rj输出：计算所有输出层输出：计算输出层误差：ei(k)＝0-ymi(k)(i＝1,2,3)(12)计算输出层目标函数：采用梯度下降法对调节量ΔCj，Δσj，Δwij进行累加：(为学习率，为固定值)(16)endfor参数调整：Cj(t)＝Cj(t-1)+ΔCj(k)(17)σj(t)＝σj(t-1)+Δσj(k)(18)wji(t)＝wji(t-1)+Δwji(k)(19)输出层的目标函数均值化：3)终止条件判断if(Ji<Jh)训练结束，转到步骤4)(Jh为目标函数阈值)elset＝t+1，并重新执行步骤2)，训练数据集；4)训练结束得到各Rj最终的中心点权值扩展常数进一步地，步骤S2中，所述RBF测试是将测试集的新数据代入RBF模型，根据各Rj最终的中心点和扩展常数得到隐含层的输出yhj(k)：进而根据各个聚类的权值得到系统三通道输出：进一步地，所述步骤S3中，采用附加动量项方法对RBFD解耦控制器的RBF训练模块的训练数据集子模块上进行改进，具体如下：以中心点Cj为例，令式(14)中Cj的梯度为g(t)：则为数据中心Cj附加动量项后，可表述为：式中，α代表遗忘因子，αΔCj(t-1)代表之前梯度下降的方向和大小信息对当前梯度下降的调整作用。进一步地，所述步骤S3中，通过自适应学习率方法对附加动量项后的固定学习率进行自适应调整，具体如下：η(t)＝δ(t)η(t-1)(25)上式中，δ(t)为第t次迭代时的自适应本文档来自技高网...

【技术保护点】
1.一种改进FSRBFD的自适应解耦控制方法，其特征在于，包括如下步骤：S1、系统建模：根据控制量与输出量之间的关系，确定系统的传递函数矩阵模型；S2、建立RBFD解耦控制器：所述RBFD解耦控制器包括输入层、隐含层和输出层，RBFD解耦控制器的解耦控制过程包括RBF初始化、RBF聚类、RBF模型训练和RBF测试；S3、建立FSRBFD解耦控制器：采用附加动量项、自适应学习率和附加微分项的方法对RBFD解耦控制器进行改进，建立自适应学习率的解耦控制器FSRBFD。

【技术特征摘要】
1.一种改进FSRBFD的自适应解耦控制方法，其特征在于，包括如下步骤：S1、系统建模：根据控制量与输出量之间的关系，确定系统的传递函数矩阵模型；S2、建立RBFD解耦控制器：所述RBFD解耦控制器包括输入层、隐含层和输出层，RBFD解耦控制器的解耦控制过程包括RBF初始化、RBF聚类、RBF模型训练和RBF测试；S3、建立FSRBFD解耦控制器：采用附加动量项、自适应学习率和附加微分项的方法对RBFD解耦控制器进行改进，建立自适应学习率的解耦控制器FSRBFD。2.根据权利要求1所述的解耦控制方法，其特征在于，步骤S1中，所述系统建模具体为：以每个通道厚度作为测量值，加热螺栓温度作为控制量，构成一个三输入三输出的控制系统，设系统控制量为(u1，u2，u3)，输出量为(y1，y2，y3)，其中，每个输出量yi同时受到多个控制量ui的影响，从而确定三通道厚度系统的传递函数矩阵模型，如下：3.根据权利要求2所述的解耦控制方法，其特征在于，步骤S2中，所述RBF初始化是对系统数据初始化，所述系统数据包括：输入样本X(k)，隐含层Rj聚类数量，数据中心点Cj，扩展常数σj和隐含层Rj对输出层i的权值wji；然后提取M条运行数据作为RBF网络的训练集，将所有耦合影响的相关自变量作为RBF网络的系统输入，表述为：4.根据权利要求3所述的解耦控制方法，其特征在于，步骤S2中，所述RBF聚类具体包括如下：1)聚类初始化：将数据集的所有数据X(k)(k＝1...M)随机分为n个聚类，Rj(j＝1...n)；得到各个Rj的中心点Cj＝avg[X(j)](X(j)∈Rj)；2)聚类更新：重新计算各Rj的新中心点Cj＝avg[X(j)](X(j)∈Rj)；3)终止判断条件：if(Cj(T+1)≠Cj(T))(T为聚类迭代次数)，则重新执行步骤2)聚类更新；else聚类结束，转到步骤4)；4)聚类结果输出：得到各聚类Rj的初始中心点Cj*；扩展常数5.根据权利要求4所述的解耦控制方法，其特征在于，步骤S2中，所述RBF模型训练采用梯度下降法，通过最小化目标函数Ei(i＝1,2,3)实现对各隐含层节点Rj(j＝1...n)的数据中心点Cj、扩展常数σj和输出权值wji的自适应调节，具体包括：1)权值随机初始化：2)训练数据集：fork＝1toM计算Rj输出：计算所有...

【专利技术属性】
技术研发人员：廖雪超，陈振寰，邓万雄，伍杰平，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北,42