陳瑾++劉樂(lè)

摘 要：針對(duì)網(wǎng)絡(luò)控制系統(tǒng)中存在的隨機(jī)誘導(dǎo)時(shí)延，把傳輸網(wǎng)絡(luò)以及被控對(duì)象看作是一個(gè)時(shí)變的被控系統(tǒng)，將小腦模型神經(jīng)網(wǎng)絡(luò)與PD控制相結(jié)合，通過(guò)CMAC神經(jīng)網(wǎng)絡(luò)與PD的復(fù)合控制實(shí)現(xiàn)前饋反饋控制，PD控制器的參數(shù)由模糊推理機(jī)自適應(yīng)整定，以減小網(wǎng)絡(luò)誘導(dǎo)時(shí)延及其不確定性對(duì)系統(tǒng)的負(fù)面影響，優(yōu)化系統(tǒng)控制效果。最后對(duì)該控制方法進(jìn)行了仿真研究，結(jié)果表明該方法能有效改善系統(tǒng)的控制性能。

關(guān)鍵詞：網(wǎng)絡(luò)控制系統(tǒng)；CMAC神經(jīng)網(wǎng)絡(luò)；模糊PD；網(wǎng)絡(luò)誘導(dǎo)

中圖分類(lèi)號(hào)：TP273 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2015）02-00-04

網(wǎng)絡(luò)控制系統(tǒng)（Networked Control System， NCS）是一種集通信網(wǎng)絡(luò)和控制系統(tǒng)于一體的全分布式、網(wǎng)絡(luò)化實(shí)時(shí)反饋控制系統(tǒng)[1]。由于多個(gè)節(jié)點(diǎn)共享網(wǎng)絡(luò)且數(shù)據(jù)流量變化不規(guī)則，不可避免地會(huì)產(chǎn)生信息交換時(shí)間延遲，即網(wǎng)絡(luò)誘導(dǎo)時(shí)延[2]。這種網(wǎng)絡(luò)時(shí)延會(huì)造成系統(tǒng)控制品質(zhì)降低、性能惡化，甚至導(dǎo)致系統(tǒng)的不穩(wěn)定[3]。因此，時(shí)延問(wèn)題是網(wǎng)絡(luò)控制系統(tǒng)中最受關(guān)注的問(wèn)題之一[4，5]。

基于誘導(dǎo)時(shí)延在研究網(wǎng)絡(luò)控制系統(tǒng)中的影響，文獻(xiàn)[6]提出了一種對(duì)周期時(shí)延的網(wǎng)絡(luò)采用增廣的確定性離散時(shí)間模型方法控制線(xiàn)性連續(xù)被控對(duì)象。文獻(xiàn)[7]針對(duì)采用隊(duì)列管理的網(wǎng)絡(luò)提出了隊(duì)列算法（Queuing methodology），隨機(jī)性的時(shí)延在該算法中被轉(zhuǎn)化為定常的時(shí)延，可看作是基于確定性預(yù)報(bào)器的時(shí)延補(bǔ)償方法。文獻(xiàn)[8]針對(duì)具有隨機(jī)時(shí)延的網(wǎng)絡(luò)控制系統(tǒng)提出了一種基于概率預(yù)報(bào)器時(shí)延補(bǔ)償?shù)木彌_隊(duì)列方法。Zhang等[9]研究了定常時(shí)延網(wǎng)絡(luò)控制系統(tǒng)的穩(wěn)定性，Yue等[10]建立了考慮網(wǎng)絡(luò)時(shí)變時(shí)延、丟包和錯(cuò)序的新的網(wǎng)絡(luò)控制系統(tǒng)模型，Peng等[11]研究了區(qū)間時(shí)變時(shí)延網(wǎng)絡(luò)控制系統(tǒng)并通過(guò)引入Jessen不等式降低了復(fù)雜性。文獻(xiàn)[12]用非線(xiàn)性和攝動(dòng)理論在假設(shè)沒(méi)有觀測(cè)噪聲的情況下把網(wǎng)絡(luò)誘導(dǎo)時(shí)延的影響描述為連續(xù)時(shí)間系統(tǒng)的非線(xiàn)性攝動(dòng)。

為了減小網(wǎng)絡(luò)誘導(dǎo)時(shí)延及其不確定性對(duì)系統(tǒng)的負(fù)面影響，本文將傳輸網(wǎng)絡(luò)以及被控制對(duì)象視為是時(shí)變的被控系統(tǒng)，采用結(jié)合小腦模型神經(jīng)網(wǎng)絡(luò)（Cerebellar Model Articulation Controller， CMAC）的PD控制方法，其中CMAC神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)前饋反饋控制，PD控制器則采用模糊PD復(fù)合切換模型，利用模糊推理機(jī)對(duì)其參數(shù)進(jìn)行自適應(yīng)在線(xiàn)整定，以?xún)?yōu)化控制效果，提高系統(tǒng)的控制性能。

1 網(wǎng)絡(luò)控制系統(tǒng)的時(shí)延問(wèn)題描述

網(wǎng)絡(luò)控制系統(tǒng)中主要存在三種時(shí)延，即傳感器—控制器時(shí)延τsc、控制器計(jì)算時(shí)延τc和控制器—執(zhí)行器時(shí)延τca。其中，傳感器—控制器時(shí)延τsc和控制器—執(zhí)行器時(shí)延τca是由于控制系統(tǒng)的前向通道和反饋通道引入控制網(wǎng)絡(luò)所產(chǎn)生的傳輸時(shí)延，控制器計(jì)算時(shí)延τc是由于系統(tǒng)的硬件結(jié)構(gòu)或軟件代碼等因素造成的過(guò)程時(shí)延。

通常情況下控制器的計(jì)算時(shí)延τc與τsc和τca相比很小，一般可以忽略不計(jì)，所以第k次采樣周期的總時(shí)延可以用τk=τksc+τkca來(lái)表示[13]。網(wǎng)絡(luò)控制系統(tǒng)的結(jié)構(gòu)框圖如圖1所示。

圖1 網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)圖

2 基于CMAC神經(jīng)網(wǎng)絡(luò)的模糊PD控制器設(shè)計(jì)

由于網(wǎng)絡(luò)隨機(jī)誘導(dǎo)時(shí)延的存在，網(wǎng)絡(luò)控制系統(tǒng)具有時(shí)變特性，如果使用常規(guī)的PID控制器其控制性能較差。而智能控制具有較好的適應(yīng)能力，是改善網(wǎng)絡(luò)控制系統(tǒng)性能的有效手段，因此可以采用智能控制策略，以提高系統(tǒng)的魯棒性[14]。本文采用了CMAC神經(jīng)網(wǎng)絡(luò)算法與模糊PD復(fù)合的控制方法對(duì)系統(tǒng)進(jìn)行控制。采用PD算法而不用PID算法的目的是使CMAC神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)僅依賴(lài)于誤差的當(dāng)時(shí)測(cè)量值及變化值。

2.1 CMAC神經(jīng)網(wǎng)絡(luò)

CMAC神經(jīng)網(wǎng)絡(luò)是一種模擬小腦功能的神經(jīng)網(wǎng)絡(luò)模型，具有自適應(yīng)的查詢(xún)表達(dá)復(fù)雜非線(xiàn)性函數(shù)表格的能力，該網(wǎng)絡(luò)可通過(guò)學(xué)習(xí)算法改變表格的內(nèi)容，分類(lèi)存儲(chǔ)信息[15]。CMAC神經(jīng)網(wǎng)絡(luò)的組成為：輸入層、中間層和輸出層，其結(jié)構(gòu)如圖2所示。

圖2 CMAC神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

up=[u1p，u2p，…，unp]T為輸入空間向量， [up]為量化編碼，輸入空間映射至c個(gè)存儲(chǔ)單元，c為泛化參數(shù)。

采用下式表示映射后的向量：

Rp=S（[up]）=[s1（up），s2（up），…，sc（up）]T （1）

式中sj（[up]）=1，j=1，2，…，c。

網(wǎng)絡(luò)的輸出為c個(gè)單元的權(quán)值之和。只考慮單輸出，則輸出為：

即： （2）

CMAC采用的學(xué)習(xí)算法如下：

采用δ學(xué)習(xí)規(guī)則調(diào)整權(quán)值，權(quán)值調(diào)整指標(biāo)為：

（3）

式中e（t）=r（t）-y（t）。

由梯度下降法，權(quán)值按下式調(diào)整：

（4）

（5）

其中，w=[w1，w2，…，wc]T，β為慣性系數(shù)。

2.2 模糊PD控制器

模糊PD是通過(guò)模糊推理實(shí)現(xiàn)PD參數(shù)的實(shí)時(shí)調(diào)整來(lái)控制系統(tǒng)，其核心部分是模糊控制器。模糊控制器的設(shè)計(jì)主要包括模糊規(guī)則的制定、模糊論域的選擇和解模糊化。本文中模糊算法采用雙輸入雙輸出結(jié)構(gòu)，即以指令信號(hào)差值e及差值變化率ec作為模糊控制器的輸入量，以kp和kd為輸出量用來(lái)作為PD控制器的比例系數(shù)和微分系數(shù)，其結(jié)構(gòu)如圖3所示。

圖3 模糊PD控制器原理圖

由于在大范圍內(nèi)采用模糊PD控制可以提高系統(tǒng)的動(dòng)態(tài)響應(yīng)速度，在小范圍內(nèi)采用直接PD控制可以提高系統(tǒng)的穩(wěn)態(tài)控制精度，因此本文采用模糊PD控制和直接PD控制的復(fù)合切換控制系統(tǒng)，即在小偏差時(shí)采用直接PD控制，以獲得比模糊PD控制更高的穩(wěn)態(tài)精度，而在大偏差時(shí)采用模糊PD控制，可以得到比直接PD控制更快的動(dòng)態(tài)響應(yīng)和更小的超調(diào)量。其結(jié)構(gòu)如圖4所示。當(dāng)|e|≤e0時(shí)，采用直接PD控制；當(dāng)|e|>e0時(shí)，采用模糊PD控制，e0為閾值。

圖4 模糊PD切換控制器結(jié)構(gòu)圖

2.3 基于CMAC神經(jīng)網(wǎng)絡(luò)的模糊PD復(fù)合控制器

從總體上講，CMAC網(wǎng)絡(luò)表示的是一種非線(xiàn)性映射，其學(xué)習(xí)算法采用簡(jiǎn)單的δ算法，收斂速度極快，且不存在局部極小值問(wèn)題，這使它非常適合在線(xiàn)應(yīng)用。而模糊PD復(fù)合切換控制器本質(zhì)也是非線(xiàn)性控制，且動(dòng)態(tài)響應(yīng)快，超調(diào)量小，對(duì)擾動(dòng)變化適應(yīng)性強(qiáng)，所以本文把CMAC神經(jīng)網(wǎng)絡(luò)和模糊PD復(fù)合切換控制器的優(yōu)點(diǎn)結(jié)合起來(lái)，構(gòu)造了一種CAMC-fuzzy PD復(fù)合控制器，將其應(yīng)用在存在時(shí)延的網(wǎng)絡(luò)控制系統(tǒng)中，其結(jié)構(gòu)如圖5所示。

圖5 CMAC-fuzzy PD復(fù)合控制系統(tǒng)結(jié)構(gòu)

CMAC神經(jīng)網(wǎng)絡(luò)的輸入取指令信號(hào)rin（k），采用有導(dǎo)師的學(xué)習(xí)算法，當(dāng)每一控制周期結(jié)束時(shí)，計(jì)算出相應(yīng)的CMAC神經(jīng)網(wǎng)絡(luò)輸出un（k），并與總控制輸入u（k）相比較，修正權(quán)重，進(jìn)入學(xué)習(xí)過(guò)程。

起初系統(tǒng)在運(yùn)行時(shí)，模糊PD復(fù)合切換控制器起主要作用，而CMAC神經(jīng)網(wǎng)絡(luò)不起作用，經(jīng)過(guò)一段時(shí)間后，CMAC神經(jīng)網(wǎng)絡(luò)通過(guò)實(shí)際輸出與期望輸出值不斷學(xué)習(xí)，修改權(quán)值，逐漸由CMAC神經(jīng)網(wǎng)絡(luò)控制器的輸出起主要作用。

其控制算法為：

（6）

其中ai為二進(jìn)制選擇向量，c為泛化參數(shù)。

時(shí) （7）

其中kp和kd是直接PD控制器預(yù)設(shè)好的參數(shù)，k'p和k'd是模糊PD控制器在線(xiàn)整定的參數(shù)。

系統(tǒng)總控制輸出：

u（k）=un（k）+up（k） （8）

其中CMAC神經(jīng)網(wǎng)絡(luò)產(chǎn)生的輸出，up（k） 為模糊PD復(fù)合切換控制器產(chǎn)生的輸出。

在這里，CMAC神經(jīng)網(wǎng)絡(luò)概念映射的方法為：輸入空間S在區(qū)間[Smin，Smax]上分成N+2c個(gè)量化間隔，即：

v1…vc=Smin

vj=vj-1+Δvj （j=c+1，…，c+N）

vN+c+1…vN+2c=Smax （9）

CMAC神經(jīng)網(wǎng)絡(luò)實(shí)際映射的方法為：

（10）

調(diào)整指標(biāo)在學(xué)習(xí)過(guò)程中為：

（11）

（12）

（13）

式中，η為網(wǎng)絡(luò)學(xué)習(xí)速率，η∈（0，1），β為慣性量，β∈（0，1）。

3 系統(tǒng)仿真與分析

采用如圖6所示的Simulink仿真模型進(jìn)行系統(tǒng)仿真，輸入為單位階躍信號(hào)，被控對(duì)象傳遞函數(shù)為。CMAC神經(jīng)網(wǎng)絡(luò)參數(shù)取N=100，c=5， η=0.1，β=0.04；直接PD控制參數(shù)取kp=0.02，kd=0.06；模糊PD復(fù)合切換閾值e0=0.2。

模糊算法的輸入e和ec的論域分別取[-6， 6]和[-30， 30]，若e的實(shí)際數(shù)值超過(guò)了論域的設(shè)定范圍則作強(qiáng)制限定處理；隸屬度函數(shù)取高斯鐘形函數(shù)，分別為N，Z，P（負(fù)，零，正）；k'p和k'd的論域分別為[0， 0.001]和[0， 0.1]，隸屬度函數(shù)也取為高斯鐘形函數(shù)，分別為Z，S，M，P（零，小，中，大）；模糊推理采用Mamdani型推理，解模糊采用重心法。k'p和k'd的模糊查詢(xún)表如表1和表2所示。

表1 參數(shù)k'p的模糊查詢(xún)表 表2 參數(shù)k'd的模糊查詢(xún)表

N Z P N Z P

N S M Z N Z M M

Z P P P Z P Z P

P P P P P M Z S

由于網(wǎng)絡(luò)時(shí)延在連續(xù)時(shí)間帶內(nèi)隨機(jī)變化，所以使用高斯隨機(jī)分布信號(hào)源來(lái)產(chǎn)生系統(tǒng)的網(wǎng)絡(luò)時(shí)延，得到均值為5 ms和50 ms高斯分布隨機(jī)時(shí)延網(wǎng)絡(luò)環(huán)境下的階躍響應(yīng)，與傳統(tǒng)CMAC-PD復(fù)合控制和fuzzy PD控制的階躍響應(yīng)對(duì)比如圖7、圖8所示，采樣時(shí)間為1 ms。

（a） fuzzy PD控制下的階躍響應(yīng)

（b） CMAC-PD控制下的階躍響應(yīng)

（c） CMAC-fuzzy PD控制下的階躍響應(yīng)

圖7 時(shí)延均值為5 ms時(shí)的階躍響應(yīng)

（a） fuzzy PD控制下的階躍響應(yīng)

（b） CMAC-PD控制下的階躍響應(yīng)

（c） CMAC-fuzzy PD控制下的階躍響應(yīng)

圖8 時(shí)延均值為50 ms時(shí)的階躍響應(yīng)

由兩種網(wǎng)絡(luò)時(shí)延情況下的控制系統(tǒng)響應(yīng)可見(jiàn)，前兩種控制方法的過(guò)渡時(shí)間長(zhǎng)，超調(diào)量大，而在CMAC-fuzzy PD復(fù)合控制下，系統(tǒng)控制效果良好，尤其在長(zhǎng)時(shí)延的網(wǎng)絡(luò)環(huán)境下，明顯優(yōu)于傳統(tǒng)fuzzy PD控制和CMAC-PD控制。

4 結(jié) 語(yǔ)

由于網(wǎng)絡(luò)隨機(jī)誘導(dǎo)時(shí)延的存在，網(wǎng)絡(luò)控制系統(tǒng)往往具有時(shí)變特性，致使傳統(tǒng)的控制方法的控制效果變差，而智能控制具有較好的適應(yīng)能力，是改善網(wǎng)絡(luò)控制系統(tǒng)控制性能的有效手段。本文把傳輸網(wǎng)絡(luò)和被控對(duì)象當(dāng)成一個(gè)時(shí)變系統(tǒng)，采用智能控制策略，將CMAC神經(jīng)網(wǎng)絡(luò)算法與PD控制器相結(jié)合，實(shí)現(xiàn)前饋反饋控制，PD控制器則采用模糊PD復(fù)合切換模型，利用模糊推理機(jī)對(duì)其參數(shù)進(jìn)行自適應(yīng)在線(xiàn)整定。仿真結(jié)果表明此控制方法控制效果良好，有效地改善了系統(tǒng)的控制性能。

參考文獻(xiàn)

[1] Tang B， Liu G P， Gui W H. Improvement of state feedback controller design for networked control systems[C]. IEEE Transactions on Circuits and Systems， 2008， 55（5）： 464-468.

[2] Nikolai V， Jean-Philippe G， Christophe A， et al. Network control with delay measurement and estimation[J]. Control Engineering Practice， 2008， 17（2）： 231-244.

[3] Hideaki I. Control with limited communication and message losses[J]. Systems and Control Letters， 2008， （57）： 322-331.

[4] Cloosterman M， Van de Wouw N， Heemels M， et al. Stability of networked control systems with uncertain time-varying delays[J]. IEEE Transactions on Automatic Control， 2009， 54（7）： 1575-1579.

[5] Shi Y， Yu B. Output feedback stabilization of networked control systems with random delays modeled by Markov chains[J]. IEEE Transactions on Automatic Control， 2009， 54（7）： 1668-1674.

[6] Halevi Y， Ray A. Integrated communication and control systems： Part I analysis[J]. Journal of Dynamic Systems， Measurement and Control， 1988（110）： 367-373.

[7] Luck R， Ray A. An observer based compensator for distributed delays[J]. Automatica， 1990， 26（5）： 903-908.

[8] Chan H. Closed-loop control of systems over a communications network with queues[J]. International Journal of Control， 1995， 62 （3）： 493-510.

[9] Zhang W， Branicky M S， Phillips S M. Stability of networked control systems[J]. IEEE Control System Magazine， 2001， 21（11）： 84 – 99.

[10] Yue D， Han Q L， Peng C. State feedback controller design of networked control systems[J]. IEEE Transactions on Circuits and Systems， 2004， 51（11）： 640 – 644.

[11] Peng C， Tian Y C， Tademo. State feedback controller design of networked control systems with interval time-varying delay and nonlinearity[J]. International Journal of Robust and Nonlinear Control， 2008， 18（12）： 1285– 1301.

[12] Walsh G C， Beld Man O， Bushnell L G. Asymptotic behavior of nonlinear networked control systems[J]. IEEE Transactions on Automatic Control， 2001， 46 （7） ：1093-1097.

[13]傅磊，戴冠中. 網(wǎng)絡(luò)化控制系統(tǒng)的研究綜述[J]. 計(jì)算機(jī)工程與應(yīng)用， 2005， 41（25）： 221-225.

[14] Lee S， Lee S H， Lee K C， et al. Intelligent performance management of networks for advanced manufacturing systems[J]. IEEE Transactions on Industrial Electronics， 2001， 48（4）： 731-741.

[15]冷承業(yè)，郁建平. CMAC神經(jīng)網(wǎng)絡(luò)控制在直接轉(zhuǎn)矩控制系統(tǒng)中的應(yīng)用[J]. 電氣技術(shù)與自動(dòng)化， 2004 （12）： 78-80.