用于非线性控制的可解释的神经网络制造技术

一种控制器电路实现可解释的基于神经网络的比例积分微分(PID)控制函数。该控制器电路包括用于输入到非线性设备的控制器输出信号、表示非线性设备的输出中的误差的控制器输入信号、以及神经网络，该神经网络被配置成：通过对取决于控制器输入信号的当前值的第一信号、至少部分地由估计控制器输入信号的差分的第一神经网络生成的第二信号、以及至少部分地由估计控制器输入信号的随时间的积分的第二神经网络生成的第三信号求和，根据控制器输入信号计算控制器输出信号。信号计算控制器输出信号。信号计算控制器输出信号。

【技术实现步骤摘要】
用于非线性控制的可解释的神经网络


[0001]本专利技术一般涉及人工神经网络，并且尤其涉及人工神经网络用于非线性控制应用的使用。

技术介绍

[0002]强化学习可应用于许多控制问题，如马达控制或功率转换。虽然对强化学习技术的学术兴趣很高，但是这些技术很少用于实际应用中，这是因为由强化学习提供的极大灵活性似乎并不能弥补先验已知泛化特性的缺乏和对人工神经网络确切做什么的理解的缺乏。这种对神经网络如何精确地执行其控制函数缺乏洞察力意味着难以制定适当的验证策略。这个问题使得多个控制从业者更喜欢经典的调节方案。例如，关于高功率转换器电路领域或者对于负载昂贵或脆弱的电路，例如在计算机CPU的电源中，这是真实的。
[0003]由于缺乏可解释性并且因此缺乏关于受控系统稳定性的一般陈述，从业者经常坚持经典的调节方案，如比例
‑
积分
‑
微分(PID)控制。这些方法是众所周知的，并且已经开发了关于这些控制方案的特性的许多定理。尤其是在高风险应用中，这些成熟的方法是无可争议的。
[0004]然而，这些经典方案通常需要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种控制器电路，包括：控制器输出信号，用于输入到非线性设备；控制器输入信号，表示所述非线性设备的输出中的误差；以及神经网络，被配置成：通过至少对取决于所述控制器输入信号的当前值的第一信号和至少部分地由第一神经网络生成的第二信号求和，来根据所述控制器输入信号计算控制器输出信号，所述第一神经网络估计所述控制器输入信号随时间的积分。2.根据权利要求1所述的控制器电路，其中所述神经网络被配置成：通过将所述第一信号和所述第二信号与第三信号求和，来计算所述控制器输出，所述第三信号至少部分地由估计所述控制器输入信号的差分的第二神经网络而生成。3.根据权利要求2所述的控制器电路，其中所述第一神经网络和所述第二神经网络中的至少一个神经网络是递归神经网络。4.根据权利要求3所述的控制器电路，其中所述第一信号的加权版本被链接到所述第二递归神经网络的输入。5.根据权利要求1
‑
4中任一项所述的控制器电路，其中对所述第一神经网络的输入权重是非可训练权重。6.根据权利要求1
‑
5中任一项所述的控制器电路，其中所述神经网络被配置成：通过使用可训练权重对所述第一信号和所述第二信号求和，来计算所述控制器输出信号。7.根据权利要求2或3所述的控制器电路，其中所述神经网络还包括至少一个传递神经网络，所述传递神经网络具有来自所述第一神经网络和所述第二神经网络的至少一个输出作为输入，所计算的控制器输出信号基于所述至少一个传递神经网络的输出。8.根据权利要求7所述的控制器电路，其中所述至少一个传递神经网络包括至少一个整流线性单元传递函数层，所述整流线性单元传递函数层根据下式将来自第一神经元、第二神经元和第三神经元中的一个神经元的输出x变换成所述至少一个整流线性单元传递函数层的输出y：其中是输入权重的向量，是偏置向量，以及9.根据权利要求8所述的控制器电路，其中所述向量和中的至少一个向量包括可训练的参数。10.根据权利要求8或9所述的控制器电路，其中所述至少一个传递神经网络包括分别对应于所述第一...

【专利技术属性】
技术研发人员：B，
申请(专利权)人：英飞凌科技奥地利有限公司，
类型：发明
国别省市：