基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统技术方案

一种基于权值直接确定神经网络的挖泥船泥泵转速在线辨识控制方法，首先采用光电编码器检测泥泵实际转速，并记录对应的泥泵驱动变频器输入目标转速；然后建立前向神经网络控制器，分别将检测到的若干步泥泵实际转速和对应的输入目标转速作为神经网络的输入和输出数据，通过权值直接确定方法计算确定神经网络权值；最后根据实际工况下的目标转速，通过训练后的前向神经网络控制器确定需要的泥泵转速控制量，并转化为转速控制指令发送至驱动变频器，实现在线控制；本发明专利技术解决了绞吸挖泥船泥泵转速的精确控制难题，实现了精确施工、节能输送的目标。

On line identification control method and system of dredger pump speed based on Neural Network

【技术实现步骤摘要】
基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统
本专利技术涉及的是一种人工智能应用领域的技术，具体是一种基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统。
技术介绍
离线辨识显然无法应对不确定性系统，系统特性在随时间变化而变化的系统。尤其是挖泥船疏浚系统，随着挖掘深度或广度的变化，土质特性会随之变化，管道阻力特性也因此变化，泥泵特性也受到影响，因此，之前离线辨识的模型早已和实际生产模型失配。
技术实现思路
本专利技术针对现有神经网络系统收敛速度慢、离线辨识无法应对不确定性系统等缺陷，提出一种基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统，解决了绞吸挖泥船泥泵转速的精确控制难题，实现了精确施工、节能输送的目标。本专利技术是通过以下技术方案实现的：本专利技术采用一种基于权值直接确定神经网络的挖泥船泥泵转速在线辨识控制方法，首先采用光电编码器检测泥泵实际转速，并记录对应的泥泵驱动变频器输入目标转速；然后建立前向神经网络控制器，分别将检测到的若干步泥泵实际转速和对应的输入目标转速作为神经网络的输入和输出数据，通过权值直接确定方法计算确定神经网络权值；最后根据实际工况下的目标转速，通过训练后的前向神经网络控制器确定需要的泥泵转速控制量，并转化为转速控制指令发送至驱动变频器，实现在线控制。所述的前向神经网络控制器包括输入层、隐含层和输出层，其中：输入层有2Nm-1个神经元，分别对应从t-Nm+1到t-1时刻的输入量u、从t-Nm+1到t-1时刻的输出量y及t时刻的目标输出量y；输出层一个神经元，对应t时刻的控制输入量u；隐含层包括(Na+1)(Nm-1)+(Nb+1)Nm个神经元。其中输入量u为泥泵转速控制量，输出量y为泥泵实际转速，Nm代表系统的控制区间；Na代表控制输入函数a(u)的泰勒展开式项数；Nb代表目标输出函数b(y)的泰勒展开式项数。所述的输入层和输出层都采用线性恒等激励函数，隐含层对应每一个输入层神经单元的神经单元激励函数采用一组阶次逐渐增高的幂函数j＝0,1,…,n/m(对应输入量u的j最大取到Na，对应输出量y的j最大取到Nb)。为了实现一步权值确定，整个网络中所有神经元的阈值全部取0。所述的权值直接确定方法，具体包括:1)建立误差评价函数：式中，为i时刻的目标值，n＝(Na+1)，m＝(Nb+1)其向量形式为：minJ＝||Y-XW||2，其中：Y＝[u(t-1)u(t-2)…u(t-Nn)]′，X＝[XuXy]，其中：wj为神经网络权值。2)伪逆矩阵求权值：要使得评价函数(误差)为0，根据上式可知，需满足：Y＝XW。采用伪逆矩阵理论，可得权值：W＝(X′X)-1X′Y。3)计算控制输入值：基于前两步计算给出的神经网络权值，以及给定的参考输入y(t)，即可计算得到需要的控制输入u(t)，即：u(t)＝XcW，其中：Xc＝[XcuXcy]，其中：t为计算控制时刻。本专利技术涉及一种实现上述方法的系统，包括：与泥泵变频器相连并采集泥泵驱动电机转速信号的信号采集单元和与挖泥操纵台泥泵控制器相连并发出泥泵转速控制命令的智能控制单元。技术效果与现有技术相比，本专利技术能够实现非线性不确定系统在线辨识控制功能，给出了完整的分析过程及相应的计算公式；本专利技术解决了传统神经网络优化速度慢，无法实现在线辨识的难题，解决了绞吸挖泥船疏浚设备特性随施工进展变化导致离线辨识模型和实际生产模型失配的问题，给出了完整的在线辨识控制方法，开发了适用于挖泥船疏浚设备控制的非线性不确定系统在线辨识控制器；控制器计算速度在毫秒级，能够达到挖泥船疏浚控制系统在线辨识控制的快速性要求；控制器控制误差小于10-4，能够达到挖泥船疏浚控制系统的精确性要求。附图说明图1本专利技术中控制器前向神经网络结构；图2本专利技术中控制器系统框架；图3为实施例效果示意图。具体实施方式本实施例采用Matlab模拟泥泵物理模型，并自定义一个需要的转速目标。本实施例涉及一种基于神经网络的疏浚设备在线辨识控制方法，具体包括以下步骤：步骤1，给出辨识点数Nn和多项式数Nm和泰勒展开式项数Na、Nb本实施例中是以仿真对象模型表达式：目标函数：yi＝0.25sin[π(i-1)/180]为例，赋值Nn＝Na＝Nb＝2，Nm＝3；步骤2：给出前Nm+1个控制时间点上的输入值和对应的输出值，本例按照期望输出值的1.9702倍赋值初始输入值，赋值如下表1所示。表1，初始值仿真序号控制输入(u)输出值(y)期望值(y’)t1-0.00859618279068399-0.00436310160932088-0.00436310160932088t200.003926716696835190t30.008596182790683990.005062059711107100.00436310160932088步骤3：计算t4时刻的控制输入u4，具体步骤包括：步骤3.1：利用t1～t3时刻的控制输入u1～u3及输出值y1～y3辨识被控制系统，确定权值W。输入输出函数均按照2阶泰勒级数展开，输入矩阵为：W＝|0.0002410.1915950.0002410.5231970.0002410.636579|步骤3.2：利用t4时刻的期望输出值y4及权值W，计算控制输入u4，本实施例中u4＝0.0171897471008169；步骤4：按照步骤3逐步外推后续控制时间节点的预测控制量；步骤5：至此，本实施例计算得到了每一步的实际控制量u，每一步耗时大约0.001s，第4步以后最大误差1.06×10-6。本实施例中计算速度和控制精度均能达到挖泥船疏浚设备控制快速性和精确性要求。该结果清楚的表明了本控制器出色的控制性能。如图3所示，根据仿真结果，实际速度输出和控制目标曲线完全重合。经过具体实际实验，在Matlab模拟环境下，以辨识点数Nn和多项式数Nm分别取3和2运行上述方法，能够得到的实验数据是：第4步以后误差小于1.06×10-6，每一步耗时大约0.001s。与现有技术相比，采用本方法从原来需要以天计时的神经网络线下辨识控制对象模型提升到辨识速度0.001s以内，控制精确度从过去的10-1提升到10-6。上述具体实施可由本领域技术人员在不背离本专利技术原理和宗旨的前提下以不同的方式对其进行局部调整，本专利技术的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本专利技术之约束。本文档来自技高网...

【技术保护点】
1.一种基于权值直接确定神经网络的挖泥船泥泵转速在线辨识控制方法，其特征在于，首先采用光电编码器检测泥泵实际转速，并记录对应的泥泵驱动变频器输入目标转速；然后建立前向神经网络控制器，分别将检测到的若干步泥泵实际转速和对应的输入目标转速作为神经网络的输入和输出数据，通过权值直接确定方法计算确定神经网络权值；最后根据实际工况下的目标转速，通过训练后的前向神经网络控制器确定需要的泥泵转速控制量，并转化为转速控制指令发送至驱动变频器，实现在线控制；/n所述的前向神经网络控制器包括输入层、隐含层和输出层，其中：输入层有2N

【技术特征摘要】
1.一种基于权值直接确定神经网络的挖泥船泥泵转速在线辨识控制方法，其特征在于，首先采用光电编码器检测泥泵实际转速，并记录对应的泥泵驱动变频器输入目标转速；然后建立前向神经网络控制器，分别将检测到的若干步泥泵实际转速和对应的输入目标转速作为神经网络的输入和输出数据，通过权值直接确定方法计算确定神经网络权值；最后根据实际工况下的目标转速，通过训练后的前向神经网络控制器确定需要的泥泵转速控制量，并转化为转速控制指令发送至驱动变频器，实现在线控制；
所述的前向神经网络控制器包括输入层、隐含层和输出层，其中：输入层有2Nm-1个神经元，分别对应从t-Nm+1到t-1时刻的输入量u、从t-Nm+1到t-1时刻的输出量y及t时刻的目标输出量y；输出层一个神经元，对应t时刻的控制输入量u；隐含层包括(Na+1)(Nm-1)+(Nb+1)Nm个神经元，其中Nm代表系统的控制区间；Na代表输入函数a(u)的泰勒展开式项数；Nb代表输出函数b(y)的泰勒展开式项数。


2.根据权利要求1所述的在线辨识控制方法，其特征是，所述的输入层和输出层都采用线性恒等激励函数，隐含层对应每一个输入层神经单元的神经单元激励函数采...

【专利技术属性】
技术研发人员：李铭志，何炎平，谷孝利，赵永生，刘亚东，黄超，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31