[发明专利]卷积神经网络识别与评估系统动态特性的方法和装置

说明书

本申请提出了一种卷积神经网络识别与评估系统动态特性的方法，涉及自动控制技术领域，其中，该方法包括：获取控制系统输出的时序响应曲线及对应的预期动态的时序响应曲线作为原始数据，之后进行处理生成用于训练的灰度图和对应的标签；按照灰度图的大小和个数构建卷积神经网络，并训练构建的网络得到训练好的模型；采集具体场景数据重复训练模型得到新的模型；实时采集具体控制系统的数据进行处理后输入到新的模型中，识别与评估系统动态特性输出结果。采用上述方案的本申请解决了现有技术中依据经验的人工识别与评估而无法完成控制系统自动化设计工作技术问题，同时也避免仅仅由简单指标定义动态跟踪问题而带来的不准确的缺陷。

技术领域

本申请涉及自动控制技术领域，尤其涉及卷积神经网络识别与评估系统动态特性的方法和装置。

背景技术

对于某些自动控制算法，如模型参考自适应、自抗扰控制、Tornambe控制器、基于预期动态方程的PID控制等，这些方法都有一个绕不开的问题就是闭环预期动态的选择。如果闭环预期动态特性较慢则很可能达不到控制系统的设计要求，较快则无法使真实动态跟踪得上预期动态。因此，找到选定对象在约束条件下预期动态的极限是很有必要的。

想要找到预期动态的极限，很重要的一步就是判断真实动态能否跟踪得上预期动态。目前，该工作主要依据经验由人工完成。但想要实现控制系统的自动化设计，必须由程序自动判别。而在程序自动判别过程中，一般的量化指标，如超调量、调节时间、绝对误差积分或者它们的简单组合，均无法很好地描述“什么是跟踪得上”，如图1中的两条动态曲线很难判断是否相似。

为什么量化指标不能很好地完成这件事呢？首先，要清楚人是如何完成判断的。人主要基于局部特性和全局特性进行判断。局部特性刻画了局部信息间的关系，全局特性刻画了全局信息间的关系。而量化指标，如超调量、调节时间、绝对误差积分或者它们的简单组合，仅能体现点到点的信息，因此，未能将曲线上的信息充分利用。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

构造一个包括局部信息和全局信息的特征图，并且将能否跟踪的上预期动态视为一个分类(二分类或多分类)问题，那么卷积神经网络就可以学习并找到特征图中潜在的特征，进而实现分类。

为此，本申请的第一个目的在于提出一种卷积神经网络识别与评估系统动态特性的方法，解决了现有方法的依据经验的人工识别与评估而无法完成控制系统自动化设计工作技术问题，同时，也避免了仅仅由简单指标定义动态跟踪问题而带来的不准确的缺陷。

本申请的第二个目的在于提出一种卷积神经网络识别与评估系统动态特性的装置。

本申请的第三个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请第一方面实施例提出了一种卷积神经网络识别与评估系统动态特性的方法，包括：在预设大小的阶跃信号输入下，获取控制系统输出的时序响应曲线以及对应的预期动态时序响应曲线作为原始数据；

对原始数据进行预处理生成用于训练的灰度图，并对灰度图贴标签；

按照灰度图的大小和个数构建卷积神经网络架构并初始化网络参数；

使用灰度图和对应的标签训练卷积神经网络，满足准确率和泛化要求时完成训练，得到训练好的神经网络模型；

根据不同的应用场景，采集具体地控制系统输出的时序响应曲线以及其对应的预期动态时序响应曲线作为应用场景数据，并使用应用场景数据对训练好的神经网络模型进行重复训练，得到应用场景下的神经网络模型；

实时采集具体的控制系统输出的时序响应曲线以及其对应的预期动态时序响应曲线，对采集到的两条曲线进行预处理后输入到应用场景下的神经网络模型中，识别与评估系统动态特性，输出结果。