[发明专利]一种PSORBFD快速自适应解耦控制方法

权利要求书

1.一种PSORBFD快速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；

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y_i同时受到多个控制量u_i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：

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；

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R_j聚类数量，数据中心点C_j，扩展常数σ_j和隐含层R_j对输出层i的权值w_ji；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：

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，R_j，j＝1...n；

得到各个R_j的中心点C_j＝avg[X(j)]，X(j)∈R_j；

2)聚类更新：

重新计算各R_j的新中心点C_j＝avg[X(j)]，X(j)∈R_j；

3)终止判断条件：

if(C_j(T+1)≠C_j(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R_j的初始中心点C_j^*；

扩展常数

所述RBF模型训练采用梯度下降法，通过最小化目标函数E_i，i＝1,2,3实现对各隐含层节点R_j，j＝1...n的数据中心点C_j、扩展常数σ_j和输出权值w_ji的自适应调节，具体包括：

1)权值随机初始化：

2)训练数据集：

for k＝1 to M

计算R_j输出：

计算所有输出层输出：

计算输出层误差：e_i(k)＝0-y_mi(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ΔC_j，Δσ_j，Δw_ij进行累加：

end for

参数调整：C_j(t)＝C_j(t-1)+ΔC_j(k) (17)

σ_j(t)＝σ_j(t-1)+Δσ_j(k) (18)

w_ji(t)＝w_ji(t-1)+Δw_ji(k) (19)

输出层的目标函数均值化：

3)终止条件判断

if(J_iJ_h)训练结束，转到步骤4)，J_h为目标函数阈值；

else t＝t+1，并重新执行步骤2)，训练数据集；

4)训练结束

得到各R_j最终的中心点权值扩展常数

所述RBF测试是将测试集的新数据代入RBF模型，根据各R_j最终的中心点和扩展常数得到隐含层的输出yh_j(k)：

进而根据各个聚类的权值得到系统三通道输出：

S3、建立PSORBFD解耦控制器：采用PSO粒子群优化算法对RBFD解耦控制器进行改进，建立PSORBFD解耦控制器；

采用PSO粒子群优化算法对RBFD解耦控制器进行改进的具体流程包括：

1)粒子群参数初始化：

随机生成N_p个粒子，构造粒子集W_p；

选取某一个输入X(k)的隐含层输出yhk(j)，j＝1...n作为粒子群算法的初始训练集；

当前迭代次数Times＝1；

2)计算所有粒子的适应度：

3)粒子数据更新：

采用最优原则更新个体极值P_best(s)，个体极值适应度F_pbest(s)；

更新全局极值：G_best＝min[P_best(s),(s＝1...N_p)]

更新全局极值适应度：F_Gbest＝min[F_pbest(s),(s＝1...N_p)]

其中，所述P_best(s)表示粒子W_p(s)迭代更新过程中适应度最小时的状态，F_pbest(s)表示粒子W_p(s)迭代过程中最小的适应度，G_best表示P_best(s)中适应度最小的粒子，F_Gbest表示F_pbest中的最小值；

4)更新每个粒子的速度、位置和迭代次数：

W_p(s)＝W_p(s)+V(s)

其中为惯性因子，ξ₁，ξ₂为加速常数

速度限幅：|V(s)|＜V_max

粒子更新：W_p(s)＝W_p(s)+V(s)

其中，V(s)表示第s个粒子的移动速度，s＝1,2,3…N_p，W_p(s)表示单个粒子，V_max表示粒子最大速度阈值；

5)判断训练终止条件：

if(Times＞M_p||G_best＜J_g)，算法结束，转到步骤6)；

else Times＝Times+1，返回步骤2)，重新训练粒子；

其中，M_p表示最大迭代更新次数，J_g表示误差阈值；

6)权值初值输出：

将获得全局极值粒子的位置进行归一化后，作为RBFD控制器训练的权值初始值