專利名稱：無源系統(tǒng)的線性神經元在線學習自適應控制方法及控制器的制作方法
技術領域：
本發(fā)明涉及過程控制領域，特別涉及一種無源系統(tǒng)的線性神經元在線學習自適應 控制方法及控制器。
背景技術：
目前，工業(yè)過程控制中閉環(huán)回路的控制大多數(shù)依然使用PID (Proportion Integration Differentiation，比例積分微分)控制算法，PID控制的實質是一個基于比 例、積分、微分的線性組合的線性控制器，常規(guī)的PID控制適用于受控對象簡單、外在擾動 因素少、系統(tǒng)工作在穩(wěn)定工況下的工業(yè)過程系統(tǒng)。然而，PID中簡單的結構和固定的參數(shù)與 復雜的受控對象是不匹配的，其中固定的參數(shù)設定只能讓整個控制系統(tǒng)工作在一個較小的 平衡點附近，使PID控制不能滿足于受控對象存在強非線性、大滯后、大慣性、強耦合和時 變參數(shù)的復雜系統(tǒng)，尤其是系統(tǒng)工作在變工況的情況下，無法維持和調節(jié)受控參數(shù)在設定 范圍內。
因此，為了實現(xiàn)對復雜工業(yè)過程進行較好的控制，幾十年來，專家學者一直致力于 高級控制算法的研究，其中有代表性的算法有模型預測控制、魯棒控制、自適應控制、模糊 控制和神經網絡控制等。高級控制算法在針對復雜系統(tǒng)的控制性能上優(yōu)于傳統(tǒng)的PID控 制，也在實際應用中取得了一些成果，但真正在工業(yè)領域推廣卻十分困難，主要有以下幾個 方面的原因
首先，高級控制算法的控制器的設計大多數(shù)是以復雜受控對象的數(shù)學模型為基礎 的，控制器的實現(xiàn)程序和實現(xiàn)方法都非常復雜，然而不同工業(yè)系統(tǒng)的受控對象的數(shù)學模型 不同，導致要針對不同的受控對象設計不同的控制器，使高級控制算法的控制器不能廣泛 推廣；同時，控制器的控制效果很大程度上取決于數(shù)學模型的優(yōu)劣，使各控制器的性能參差 不齊；
其次，由于高級控制算法的控制器本身的結構和形式過于復雜，使其不容易在組 態(tài)平臺下實現(xiàn)，現(xiàn)有技術中高級控制算法的實施方式，既可以利用高級編程語言(如C++， Delphi等)編寫算法程序，使用DLL (Dynamic Link Library，動態(tài)鏈接庫)或ActiveX控件 技術來實現(xiàn)高級控制算法的應用，也可以基于組態(tài)平臺里的腳本語言來實現(xiàn)高級控制算法 的應用，前者存在的問題是算法程序的實現(xiàn)依靠專業(yè)技術人員，對于不同的組態(tài)平臺難以 移植，難以實現(xiàn)真正的無縫集成，后者存在的問題是不同的組態(tài)平臺帶有不同的腳本語言， 同樣不利于在不同的組態(tài)平臺之間進行移植；
最后，高級控制算法的控制器需要調試和整定的人工接口參數(shù)多，需要高級專家 現(xiàn)場支持，不利于普通操作員的調試和維護。發(fā)明內容
為了在組態(tài)平臺下實現(xiàn)不依賴于受控對象數(shù)學模型的復雜工業(yè)過程的控制，并使 控制器的人工接口參數(shù)少、可移植性好、方便操作人員調試和維護，本發(fā)明實施例提供了一種無源系統(tǒng)的線性神經元在線學習自適應控制方法及控制器。所述技術方案如下
一方面，提供了一種無源系統(tǒng)的線性神經元在線學習自適應控制方法，所述方法 包括
建立線性神經元模型，所述線性神經元模型為
權利要求
1.一種無源系統(tǒng)的線性神經元在線學習自適應控制方法，其特征在于，所述方法包括建立線性神經元模型，所述線性神經元模型為ηΔ少+ =+ 其向量表示為 Ay(k+1) = φ (k) · ΔUt(k)+e ；/=0根據(jù)所述線性神經元模型，和k時刻及k以前時刻的無源系統(tǒng)在線輸入輸出數(shù)據(jù)，推導 出線性神經元權值在線學習算法φ(^) = -1)+⑷-kk—ι)■ ^ut(k-\)-0]；根據(jù)所述線性神經元模型和所述線性神經元權值在線學習算法，推導出線性神經元在 線學習自適應控制算法η λP-YjW,{k)u(k) = u(k-n-l) + ^~-——[e(k)-0]； ；1 + Φ(Χ)·ΦΓ (眾)根據(jù)所述線性神經元在線學習自適應控制算法進行無源系統(tǒng)的閉環(huán)回路的控制； 其中，向量 Φ (k) = [w0(k),wi (k), ...，wn(k)]，向量 Δ_ = [Au(k), Au(k-l),…，Au(k-n)],；' ‘ :/、^， (10表示神經元在1^時刻的權值，1 = 0，1，2"'11，其 Au(k) = u{k) 一 u{k — 1)中(n+1)為線性神經元選定輸入個數(shù)，y(k)表示受控對象在k時刻的輸出，u (k)表示受控對象在k時刻的控制輸出，θ表示神經元偏置，表示Φ (k)在k時刻的估計值，μ >0表示懲罰因子，P >0表示步長因子，^Ot)表示WiGO在k時刻的估計值，λ > 0表示懲 罰因子，e(k) = Y*-y(k)，Y*為設定值或設定曲線，e(k)表示Y*與y(k)在k時刻的誤差。
2.根據(jù)權利要求1所述的方法，其特征在于，所述方法還包括在組態(tài)平臺上實現(xiàn)所述線性神經元在線學習自適應控制算法，將其循環(huán)迭代的運算 過程通過技術手段由組態(tài)庫中的基本功能模塊進行組態(tài)，并封裝成一個單獨的高級功能模 塊，所述高級功能模塊的控制輸入為所述受控對象的輸出y(k)以及設定值或設定曲線Y*， 控制輸出為所述u(k)，所述θ設置為0，所述基本功能模塊包括加法模塊、減法模塊、乘法 模塊、除法模塊、單位滯后模塊、可調增益模塊以及可調定值模塊。
3.根據(jù)權利要求2所述的方法，其特征在于，所述將所述線性神經元在線學習自適應 控制算法在組態(tài)平臺上實現(xiàn)，當采用線性神經元模型為2個輸入1個輸出的情況時，具體包 括設置第一至第八加法模塊、第一至第五減法模塊、第一至第九乘法模塊、第一至第三除 法模塊、第一至第八單位滯后模塊、可調增益模塊、第一至第二可調定值模塊以及第一至第 三中間變量模塊；將所述r與所述第一減法模塊的被減數(shù)端相連；將所述y(k)與所述第一減法模塊的減數(shù)端、所述第二減法模塊的被減數(shù)端以及所述 第一單位滯后模塊的輸入端相連；將所述第二減法模塊的減數(shù)端與所述第一單位滯后模塊的輸出端相連；將所述第一乘法模塊的第一輸入端與所述第一減法模塊的輸出端相連，第二輸入端與 所述可調增益模塊的輸出端相連，并將所述第一乘法模塊的輸出端與所述第一除法模塊的 被除數(shù)端相連；將所述第一除法模塊的除數(shù)端與所述第三加法模塊的輸出端相連，并將所述第一除法 模塊的輸出端與所述第一加法模塊的第一輸入端相連；將所述第一加法模塊的第二輸入端與所述第二單位滯后模塊的輸出端相連，并將所述 第一加法模塊的輸出端與所述u(k)相連，同時還分別與所述第三減法模塊的被減數(shù)端和 所述第五單位滯后模塊的輸入端相連；將所述第五單位滯后模塊的輸出端與所述第三減法模塊的減數(shù)端和所述第二單位滯 后模塊的輸入端相連；將所述第三減法模塊的輸出端與所述第三單位滯后模塊的輸入端相連； 將所述第三單位滯后模塊的輸出端與所述第四單位滯后模塊的輸入端和所述第一中 間變量模塊的輸入端相連；將所述第四單位滯后模塊的輸出端與所述第三乘法模塊的第二輸入端和所述第三中 間變量模塊的輸入端相連；將所述的第三乘法模塊的第一輸入端與所述第二中間變量模塊的輸出端相連，并將所 述第三乘法模塊的輸出端與所述第四減法模塊的減數(shù)端相連；將所述第四減法模塊的被減數(shù)端與所述第二減法模塊的輸出端相連，并將所述第四減 法模塊的輸出端與所述第五減法模塊的被減數(shù)端相連；將所述第四乘法模塊的第一輸入端與所述第一中間變量模塊的輸出端相連，第二輸入 端與所述第七單位滯后模塊的輸出端相連，并將所述第四乘法模塊的輸出端與所述第五減 法模塊的減數(shù)端相連；將所述第五減法模塊的輸出端與所述第八乘法模塊的第二輸入端相連； 將所述第一中間變量模塊的輸出端分別與所述第九乘法模塊的第一輸入端、第二輸入 端，以及第六乘法模塊的第一輸入端相連；將所述第三中間變量模塊的輸出端分別與所述第七乘法模塊的第一輸入端、第二輸入 端，以及第八乘法模塊的第一輸入端相連；將所述第七加法模塊的第一輸入端與所述第七乘法模塊的輸出端相連，第二輸入端與 所述第九乘法模塊的輸出端相連，并將所述第七加法模塊的輸出端與所述第八加法模塊的 第二輸入端相連；將所述第八加法模塊的第一輸入端與所述第二可調定值模塊相連，并將所述第八加法 模塊的輸出端與所述第三除法模塊的除數(shù)端、所述第六乘法模塊的第二輸入端和所述第二 除法模塊的除數(shù)端相連；將所述第三除法模塊的被除數(shù)端與所述第八乘法模塊的輸出端相連，并將所述第三除 法模塊的輸出端與所述第六加法模塊的第二輸入端相連；將所述第二除法模塊的被除數(shù)端與所述第六乘法模塊的輸出端相連，并將所述第二除 法模塊的輸出端與所述第五加法模塊的第二輸入端相連；將所述第五加法模塊的第一輸入端與所述第六單位滯后模塊的輸出端相連，并將所述 第五加法模塊的輸出端分別與所述第七單位滯后模塊的輸入端、第六單位滯后模塊的輸入端、第二加法模塊的第二輸入端、第二乘法模塊的第一及第二輸入端相連；將所述第八單位滯后模塊的輸出端與所述第六加法模塊的第一輸入端和所述第二中 間變量模塊的輸入端相連；將所述第六加法模塊的輸出端分別與所述第八單位滯后模塊的輸入端、所述第五乘法 模塊第一及第二輸入端、所述第二加法模塊的第一輸入端相連；將所述第二加法模塊的輸出端與所述可調增益模塊的輸入端相連； 將所述第四加法模塊的第一輸入端與所述第二乘法模塊的輸出端相連，第二輸入端與 所述第五乘法模塊的輸出端相連，并將所述第四加法模塊的輸出端與所述第三加法模塊的 第二輸入端相連；將所述第三加法模塊的第一輸入端與所述第一可調定值模塊相連。
4.根據(jù)權利要求2所述的方法，其特征在于，所述基本功能模塊，還包括死區(qū)模塊和飽 和模塊。
5.根據(jù)權利要求4所述的方法，其特征在于，所述將所述線性神經元在線學習自適應 控制算法在組態(tài)平臺上實現(xiàn)，當采用線性神經元模型為2個輸入1個輸出的情況時，具體包 括設置第一至第八加法模塊、第一至第五減法模塊、第一至第九乘法模塊、第一至第三除 法模塊、第一至第八單位滯后模塊、可調增益模塊、第一至第二可調定值模塊、第一至第三 中間變量模塊、死區(qū)模塊以及飽和模塊；將所述r與所述第一減法模塊的被減數(shù)端相連；將所述y(k)與所述第一減法模塊的減數(shù)端、所述第二減法模塊的被減數(shù)端以及所述 第一單位滯后模塊的輸入端相連；將所述第二減法模塊的減數(shù)端與所述第一單位滯后模塊的輸出端相連； 將所述死區(qū)模塊的輸入端與所述第一減法模塊的輸出端相連，并將所述死區(qū)模塊的輸 出端與所述第一乘法模塊的第一輸入端相連；將所述第一乘法模塊的第二輸入端與所述可調增益模塊的輸出端相連，并將所述第一 乘法模塊的輸出端與所述第一除法模塊的被除數(shù)端相連；將所述第一除法模塊的除數(shù)端與所述第三加法模塊的輸出端相連，并將所述第一除法 模塊的輸出端與所述第一加法模塊的第一輸入端相連；將所述第一加法模塊的第二輸入端與所述第二單位滯后模塊的輸出端相連，并將所述 第一加法模塊的輸出端與所述飽和模塊的輸入端相連，同時還分別與所述第三減法模塊的 被減數(shù)端和所述第五單位滯后模塊的輸入端相連； 將所述飽和模塊的輸出端與所述u (k)相連；將所述第五單位滯后模塊的輸出端與所述第三減法模塊的減數(shù)端和所述第二單位滯 后模塊的輸入端相連；將所述第三減法模塊的輸出端與所述第三單位滯后模塊的輸入端相連； 將所述第三單位滯后模塊的輸出端與所述第四單位滯后模塊的輸入端和所述第一中 間變量模塊的輸入端相連；將所述第四單位滯后模塊的輸出端與所述第三乘法模塊的第二輸入端和所述第三中 間變量模塊的輸入端相連；將所述的第三乘法模塊的第一輸入端與所述第二中間變量模塊的輸出端相連，并將所 述第三乘法模塊的輸出端與所述第四減法模塊的減數(shù)端相連；將所述第四減法模塊的被減數(shù)端與所述第二減法模塊的輸出端相連，并將所述第四減 法模塊的輸出端與所述第五減法模塊的被減數(shù)端相連；將所述第四乘法模塊的第一輸入端與所述第一中間變量模塊的輸出端相連，第二輸入 端與所述第七單位滯后模塊的輸出端相連，并將所述第四乘法模塊的輸出端與所述第五減 法模塊的減數(shù)端相連；將所述第五減法模塊的輸出端與所述第八乘法模塊的第二輸入端相連； 將所述第一中間變量模塊的輸出端分別與所述第九乘法模塊的第一輸入端、第二輸入 端，以及第六乘法模塊的第一輸入端相連；將所述第三中間變量模塊的輸出端分別與所述第七乘法模塊的第一輸入端、第二輸入 端，以及第八乘法模塊的第一輸入端相連；將所述第七加法模塊的第一輸入端與所述第七乘法模塊的輸出端相連，第二輸入端與 所述第九乘法模塊的輸出端相連，并將所述第七加法模塊的輸出端與所述第八加法模塊的 第二輸入端相連；將所述第八加法模塊的第一輸入端與所述第二可調定值模塊相連，并將所述第八加法 模塊的輸出端與所述第三除法模塊的除數(shù)端、所述第六乘法模塊的第二輸入端和所述第二 除法模塊的除數(shù)端相連；將所述第三除法模塊的被除數(shù)端與所述第八乘法模塊的輸出端相連，并將所述第三除 法模塊的輸出端與所述第六加法模塊的第二輸入端相連；將所述第二除法模塊的被除數(shù)端與所述第六乘法模塊的輸出端相連，并將所述第二除 法模塊的輸出端與所述第五加法模塊的第二輸入端相連；將所述第五加法模塊的第一輸入端與所述第六單位滯后模塊的輸出端相連，并將所述 第五加法模塊的輸出端分別與所述第七單位滯后模塊的輸入端、第六單位滯后模塊的輸入 端、第二加法模塊的第二輸入端、第二乘法模塊的第一及第二輸入端相連；將所述第八單位滯后模塊的輸出端與所述第六加法模塊的第一輸入端和所述第二中 間變量模塊的輸入端相連；將所述第六加法模塊的輸出端分別與所述第八單位滯后模塊的輸入端、所述第五乘法 模塊第一及第二輸入端、所述第二加法模塊的第一輸入端相連；將所述第二加法模塊的輸出端與所述可調增益模塊的輸入端相連； 將所述第四加法模塊的第一輸入端與所述第二乘法模塊的輸出端相連，第二輸入端與 所述第五乘法模塊的輸出端相連，并將所述第四加法模塊的輸出端與所述第三加法模塊的 第二輸入端相連；將所述第三加法模塊的第一輸入端與所述第一可調定值模塊相連。
6. 一種無源系統(tǒng)的線性神經元在線學習自適應控制的控制器，其特征在于，所述控制 器包括線性神經元模塊，用于建立線性神經元模型，所述線性神經元模型為η4>>(眾 + 1) = 2]冰,(眾)八《(眾—,·)+汐,其向量表示為 Ay(k+1) = Φ (k) · Δ Ut (k) + θ ；,.=0權值在線學習算法模塊，用于根據(jù)所述線性神經元模型，和k時刻及k以前時刻的無源 系統(tǒng)在線輸入輸出數(shù)據(jù)，推導出線性神經元權值在線學習算法
7.根據(jù)權利要求6所述的控制器，其特征在于，所述控制器具體用于在組態(tài)平臺上實 現(xiàn)，將其循環(huán)迭代的運算過程通過技術手段由組態(tài)庫中的基本功能模塊進行組態(tài)，并封裝 成一個單獨的高級功能模塊，所述高級功能模塊的控制輸入為所述受控對象的輸出y(k) 以及設定值或設定曲線Y*，控制輸出為所述u (k)，所述θ設置為0，所述基本功能模塊包 括加法模塊、減法模塊、乘法模塊、除法模塊、單位滯后模塊、可調增益模塊以及可調定值模 塊。
8.根據(jù)權利要求7所述的控制器，其特征在于，所述控制器具體用于在組態(tài)平臺上實 現(xiàn)時，當采用線性神經元模型為2個輸入1個輸出的情況時，具體包括第一至第八加法模塊、第一至第五減法模塊、第一至第九乘法模塊、第一至第三除法模 塊、第一至第八單位滯后模塊、可調增益模塊、第一至第二可調定值模塊以及第一至第三中 間變量模塊；所述r與所述第一減法模塊的被減數(shù)端相連；所述y (k)與所述第一減法模塊的減數(shù)端、所述第二減法模塊的被減數(shù)端以及所述第 一單位滯后模塊的輸入端相連；所述第二減法模塊的減數(shù)端與所述第一單位滯后模塊的輸出端相連； 所述第一乘法模塊的第一輸入端與所述第一減法模塊的輸出端相連，第二輸入端與所 述可調增益模塊的輸出端相連，所述第一乘法模塊的輸出端與所述第一除法模塊的被除數(shù) 端相連；所述第一除法模塊的除數(shù)端與所述第三加法模塊的輸出端相連，所述第一除法模塊的 輸出端與所述第一加法模塊的第一輸入端相連；所述第一加法模塊的第二輸入端與所述第二單位滯后模塊的輸出端相連，所述第一加 法模塊的輸出端與所述u(k)相連，同時還分別與所述第三減法模塊的被減數(shù)端和所述第 五單位滯后模塊的輸入端相連；所述第五單位滯后模塊的輸出端與所述第三減法模塊的減數(shù)端和所述第二單位滯后 模塊的輸入端相連；所述第三減法模塊的輸出端與所述第三單位滯后模塊的輸入端相連； 所述第三單位滯后模塊的輸出端與所述第四單位滯后模塊的輸入端和所述第一中間 變量模塊的輸入端相連；所述第四單位滯后模塊的輸出端與所述第三乘法模塊的第二輸入端和所述第三中間 變量模塊的輸入端相連；所述的第三乘法模塊的第一輸入端與所述第二中間變量模塊的輸出端相連，所述第三 乘法模塊的輸出端與所述第四減法模塊的減數(shù)端相連；所述第四減法模塊的被減數(shù)端與所述第二減法模塊的輸出端相連，所述第四減法模塊 的輸出端與所述第五減法模塊的被減數(shù)端相連；所述第四乘法模塊的第一輸入端與所述第一中間變量模塊的輸出端相連，第二輸入端 與所述第七單位滯后模塊的輸出端相連，所述第四乘法模塊的輸出端與所述第五減法模塊 的減數(shù)端相連；所述第五減法模塊的輸出端與所述第八乘法模塊的第二輸入端相連； 所述第一中間變量模塊的輸出端分別與所述第九乘法模塊的第一輸入端、第二輸入 端，以及第六乘法模塊的第一輸入端相連；所述第三中間變量模塊的輸出端分別與所述第七乘法模塊的第一輸入端、第二輸入 端，以及第八乘法模塊的第一輸入端相連；所述第七加法模塊的第一輸入端與所述第七乘法模塊的輸出端相連，第二輸入端與所 述第九乘法模塊的輸出端相連，所述第七加法模塊的輸出端與所述第八加法模塊的第二輸 入端相連；所述第八加法模塊的第一輸入端與所述第二可調定值模塊相連，所述第八加法模塊的 輸出端與所述第三除法模塊的除數(shù)端、所述第六乘法模塊的第二輸入端和所述第二除法模 塊的除數(shù)端相連；所述第三除法模塊的被除數(shù)端與所述第八乘法模塊的輸出端相連，所述第三除法模塊 的輸出端與所述第六加法模塊的第二輸入端相連；所述第二除法模塊的被除數(shù)端與所述第六乘法模塊的輸出端相連，所述第二除法模塊 的輸出端與所述第五加法模塊的第二輸入端相連；所述第五加法模塊的第一輸入端與所述第六單位滯后模塊的輸出端相連，所述第五加 法模塊的輸出端分別與所述第七單位滯后模塊的輸入端、第六單位滯后模塊的輸入端、第 二加法模塊的第二輸入端、第二乘法模塊的第一及第二輸入端相連；所述第八單位滯后模塊的輸出端與所述第六加法模塊的第一輸入端和所述第二中間 變量模塊的輸入端相連；所述第六加法模塊的輸出端分別與所述第八單位滯后模塊的輸入端、所述第五乘法模 塊第一及第二輸入端、所述第二加法模塊的第一輸入端相連；所述第二加法模塊的輸出端與所述可調增益模塊的輸入端相連； 所述第四加法模塊的第一輸入端與所述第二乘法模塊的輸出端相連，第二輸入端與所 述第五乘法模塊的輸出端相連，所述第四加法模塊的輸出端與所述第三加法模塊的第二輸 入端相連；所述第三加法模塊的第一輸入端與所述第一可調定值模塊相連。
9.根據(jù)權利要求7所述的控制器，其特征在于，所述基本功能模塊，還包括死區(qū)模塊和 飽和模塊。
10.根據(jù)權利要求9所述的控制器，其特征在于，所述控制器具體用于在組態(tài)平臺上實 現(xiàn)時，當采用線性神經元模型為2個輸入1個輸出的情況時，具體包括第一至第八加法模塊、第一至第五減法模塊、第一至第九乘法模塊、第一至第三除法模 塊、第一至第八單位滯后模塊、可調增益模塊、第一至第二可調定值模塊、第一至第三中間 變量模塊、死區(qū)模塊以及飽和模塊；所述Y*與所述第一減法模塊的被減數(shù)端相連；所述y (k)與所述第一減法模塊的減數(shù)端、所述第二減法模塊的被減數(shù)端以及所述第 一單位滯后模塊的輸入端相連；所述第二減法模塊的減數(shù)端與所述第一單位滯后模塊的輸出端相連； 所述死區(qū)模塊的輸入端與所述第一減法模塊的輸出端相連，所述死區(qū)模塊的輸出端與 所述第一乘法模塊的第一輸入端相連；所述第一乘法模塊的第二輸入端與所述可調增益模塊的輸出端相連，所述第一乘法模 塊的輸出端與所述第一除法模塊的被除數(shù)端相連；所述第一除法模塊的除數(shù)端與所述第三加法模塊的輸出端相連，所述第一除法模塊的 輸出端與所述第一加法模塊的第一輸入端相連；所述第一加法模塊的第二輸入端與所述第二單位滯后模塊的輸出端相連，所述第一加 法模塊的輸出端與所述飽和模塊的輸入端相連，同時還分別與所述第三減法模塊的被減數(shù) 端和所述第五單位滯后模塊的輸入端相連； 所述飽和模塊的輸出端與所述u(k)相連；所述第五單位滯后模塊的輸出端與所述第三減法模塊的減數(shù)端和所述第二單位滯后 模塊的輸入端相連；所述第三減法模塊的輸出端與所述第三單位滯后模塊的輸入端相連； 所述第三單位滯后模塊的輸出端與所述第四單位滯后模塊的輸入端和所述第一中間 變量模塊的輸入端相連；所述第四單位滯后模塊的輸出端與所述第三乘法模塊的第二輸入端和所述第三中間 變量模塊的輸入端相連；所述的第三乘法模塊的第一輸入端與所述第二中間變量模塊的輸出端相連，所述第三 乘法模塊的輸出端與所述第四減法模塊的減數(shù)端相連；所述第四減法模塊的被減數(shù)端與所述第二減法模塊的輸出端相連，所述第四減法模塊 的輸出端與所述第五減法模塊的被減數(shù)端相連；所述第四乘法模塊的第一輸入端與所述第一中間變量模塊的輸出端相連，第二輸入端 與所述第七單位滯后模塊的輸出端相連，所述第四乘法模塊的輸出端與所述第五減法模塊的減數(shù)端相連；所述第五減法模塊的輸出端與所述第八乘法模塊的第二輸入端相連； 所述第一中間變量模塊的輸出端分別與所述第九乘法模塊的第一輸入端、第二輸入 端，以及第六乘法模塊的第一輸入端相連；所述第三中間變量模塊的輸出端分別與所述第七乘法模塊的第一輸入端、第二輸入 端，以及第八乘法模塊的第一輸入端相連；所述第七加法模塊的第一輸入端與所述第七乘法模塊的輸出端相連，第二輸入端與所 述第九乘法模塊的輸出端相連，所述第七加法模塊的輸出端與所述第八加法模塊的第二輸 入端相連；所述第八加法模塊的第一輸入端與所述第二可調定值模塊相連，所述第八加法模塊的 輸出端與所述第三除法模塊的除數(shù)端、所述第六乘法模塊的第二輸入端和所述第二除法模 塊的除數(shù)端相連；所述第三除法模塊的被除數(shù)端與所述第八乘法模塊的輸出端相連，所述第三除法模塊 的輸出端與所述第六加法模塊的第二輸入端相連；所述第二除法模塊的被除數(shù)端與所述第六乘法模塊的輸出端相連，所述第二除法模塊 的輸出端與所述第五加法模塊的第二輸入端相連；所述第五加法模塊的第一輸入端與所述第六單位滯后模塊的輸出端相連，所述第五加 法模塊的輸出端分別與所述第七單位滯后模塊的輸入端、第六單位滯后模塊的輸入端、第 二加法模塊的第二輸入端、第二乘法模塊的第一及第二輸入端相連；所述第八單位滯后模塊的輸出端與所述第六加法模塊的第一輸入端和所述第二中間 變量模塊的輸入端相連；所述第六加法模塊的輸出端分別與所述第八單位滯后模塊的輸入端、所述第五乘法模 塊第一及第二輸入端、所述第二加法模塊的第一輸入端相連；所述第二加法模塊的輸出端與所述可調增益模塊的輸入端相連； 所述第四加法模塊的第一輸入端與所述第二乘法模塊的輸出端相連，第二輸入端與所 述第五乘法模塊的輸出端相連，所述第四加法模塊的輸出端與所述第三加法模塊的第二輸 入端相連；所述第三加法模塊的第一輸入端與所述第一可調定值模塊相連。
全文摘要
本發(fā)明公開了一種無源系統(tǒng)的線性神經元在線學習自適應控制方法及控制器，屬于過程控制領域。所述方法包括建立線性神經元模型；根據(jù)線性神經元模型，和k時刻及k以前時刻的無源系統(tǒng)在線輸入輸出數(shù)據(jù)，推導出線性神經元權值在線學習算法；根據(jù)線性神經元模型和所述線性神經元權值在線學習算法，推導出線性神經元在線學習自適應控制算法；根據(jù)線性神經元在線學習自適應控制算法進行無源系統(tǒng)的閉環(huán)回路的控制。所述控制器包括線性神經元模塊、權值在線學習算法模塊、在線學習自適應控制算法模塊和控制輸出模塊。本發(fā)明通過提出線性神經元在線學習自適應控制算法，并給出該算法在組態(tài)平臺下控制器的實現(xiàn)方法，完成了無源系統(tǒng)的閉環(huán)回路的控制。
文檔編號G05B13/04GK102033492SQ20101062281
公開日2011年4月27日 申請日期2010年12月29日 優(yōu)先權日2010年12月29日
發(fā)明者李傳慶 申請人:國核電力規(guī)劃設計研究院