，，

(中國航天空氣動力技術研究院 特種飛行器總體設計部，北京 100074 )

0 引言

本論文提到的無人機組件測試系統(tǒng)，主要用于對某型號無人機組件進行相關性能測試和試驗驗證。該無人機工作狀態(tài)下的環(huán)境要求苛刻，在高海拔情況下，外界大氣溫度達到-70 ℃～-50 ℃，部分部件承壓達到2 MPa。所進行的地面測試能夠精確模擬不同的機上環(huán)境，得到不同機載設備的散熱功耗等數(shù)據(jù)，從而保證無人機艙內(nèi)飛控、測控、電氣等電子設備在要求的使用溫度范圍內(nèi)正常工作。

整個系統(tǒng)由氣源系統(tǒng)、熱路試驗回路、冷路試驗回路、低溫試驗回路、計算機測控系統(tǒng)和產(chǎn)品試驗段系統(tǒng)組成。該系統(tǒng)主要完成對多條回路的溫度、壓力、流量的測量和控制，所進行的試驗項目包括調(diào)壓特性試驗、溫控特性試驗、氣流諧振試驗、熱沖擊試驗、壓力和溫度循環(huán)試驗等。具體而言，控制對象是由電加熱器、高壓引氣控制組件、預冷器調(diào)節(jié)控制組件、預冷器、壓力調(diào)節(jié)/關斷控制組件、引氣單向控制裝置以及系統(tǒng)試驗件管路組成的一套氣源分系統(tǒng)。

該航空產(chǎn)品測試系統(tǒng)是一個典型的多變量MIMO系統(tǒng)，有多個輸入和輸出，3個被控量溫度、壓力、流量之間存在強耦合，實施控制時往往“牽一發(fā)而動全身”，傳統(tǒng)的控制方法難以取得良好的控制效果。

新世紀以來，以神經(jīng)網(wǎng)絡為代表的智能控制理論發(fā)展日新月異，為工業(yè)過程多變量解耦控制這個老問題提供了新的解決思路。

1 航空測試系統(tǒng)原理及結構

航空測試系統(tǒng)采用分布式控制系統(tǒng)架構，總體可分為：檢測與執(zhí)行級、下位直接控制級和上位管理監(jiān)控級[1]。該系統(tǒng)以工業(yè)級計算機為核心，集成單元組合儀器及微處理器，集中管理、分散控制。圖1為航空測試系統(tǒng)其中一路管道流程圖。

系統(tǒng)試驗段中共有76個測溫點，其中熱路最高溫度值達到700 ℃， 溫度傳感器采用Ⅰ級熱電偶；冷路和制冷路溫度最高在300 ℃，選用PT100A級鉑電阻。壓力測量共24點，選用高精度等級為0.1級的壓力傳感變送器。流量測量點67點，選用E&H質(zhì)量流量計。

圖1 熱路試驗流程圖

計算機通過儀表來控制調(diào)節(jié)閥或調(diào)功器等設備工作，系統(tǒng)中各控制參數(shù)的控制算法均由計算機完成，控制執(zhí)行機構包括氣源壓力調(diào)節(jié)閥、出/入口壓力調(diào)節(jié)閥、超壓保護調(diào)節(jié)閥、1～14號電加熱器、氣源流量調(diào)節(jié)閥、流量輔調(diào)閥等。系統(tǒng)主要被控參數(shù)指標如表1。

表1 主要被控參數(shù)指標

傳統(tǒng)控制方法在進行多變量耦合系統(tǒng)的控制時，必須獲得對象參數(shù)，再依次設計補償器、解耦器和控制器[2]。然而多變量系統(tǒng)的參數(shù)一般不易獲得，補償器、解耦器和控制器的實現(xiàn)與一體化難以實現(xiàn)，故而采用傳統(tǒng)控制方法不足以完成對強耦合多變量系統(tǒng)的有效控制[3]。

圖2 系統(tǒng)控制量耦合關系

2 解耦控制方案設計

本文根據(jù)神經(jīng)網(wǎng)絡的相關知識，采用了一種新型的PID神經(jīng)元網(wǎng)絡，來嘗試解決強耦合多變量系統(tǒng)的控制難題。所建立的PID神經(jīng)元網(wǎng)絡基于前向多層網(wǎng)絡，是對其的一種拓展，其特殊之處在于隱含層輸入輸出函數(shù)依據(jù)PID控制規(guī)律選取，從而使得隱含層神經(jīng)元具有比例、積分和微分處理功能[4]。

由相關理論可知，PID神經(jīng)元網(wǎng)絡有非常強的自主學習能力，可以實時地獲得系統(tǒng)給定值和測量值，根據(jù)誤差自動調(diào)整前向網(wǎng)絡的權值。應用該種PID神經(jīng)元網(wǎng)絡控制器，不需要事先知道控制對象的結構和參數(shù)[5]。理論上可以并行完成系統(tǒng)解耦控制工作，獲得理想的靜態(tài)和動態(tài)特性。這種PID神經(jīng)元網(wǎng)絡對多變量系統(tǒng)的解耦控制方法最早由廣州大學的舒懷林老師提出，筆者對該方法進行了改進，在連接權系數(shù)的學習過程中加入了改進的遺傳算法，目的是克服多層前向神經(jīng)網(wǎng)絡學習速度慢，易陷入局部的最小值等缺陷。

2.1 PID神經(jīng)元網(wǎng)絡

多控制量PID神經(jīng)元網(wǎng)絡的結構，縱向上分為三層：輸入層、隱含層和輸出層，每層神經(jīng)元的數(shù)目為2n:3n:n。橫向上n個控制量的神經(jīng)元網(wǎng)絡可以看作n個平行的子網(wǎng)絡，各子網(wǎng)絡有相似的結構[6]。多控制量PID神經(jīng)元網(wǎng)絡拓撲結構如圖3所示。

圖3 多控制量神經(jīng)元網(wǎng)絡

圖中，n個平行子網(wǎng)絡包括三層：輸入層，左邊一列兩個神經(jīng)元，分別接收控制量的設定值和當前值，設定值為X11，X21，…，Xn1，當前值為X12，X22，…，Xn2；隱含層，中間一列3個神經(jīng)元，由3個分別具有比例(P)、積分(I)和微分(D)處理功能的神經(jīng)元構成；輸出層，右邊一列一個神經(jīng)元，輸出當前計算得到的控制量，即Y1，Y2，…，Yn。圖中ωij和ωjk是網(wǎng)絡連接權值。

2.1.1 前向算法

輸入層包含2n個神經(jīng)元，輸出值xsi即輸入值Xsi，公式如下：

xsi(k)=Xsi(k)

(1)

隱含層包含3n個神經(jīng)元，這些神經(jīng)元的輸入值為xsi乘以網(wǎng)絡連接權值ωij，公式如下：

(2)

隱含層具有比例、積分和微分處理功能的神經(jīng)元各有n個，輸出的計算公式如下：

比例神經(jīng)元

us1(k)=kp*nets1(k)

(3)

積分神經(jīng)元

Us2(k)=nets2(k)+Us2(k-1)

us2(k)=ki*Us2(k)

(4)

微分神經(jīng)元

us3(k)=kd*[nets3(k)-nets3(k-1)]

(5)

輸出層的輸出為隱含層所有神經(jīng)元輸出與網(wǎng)絡連接權值為ωjk的乘積之和。有n個神經(jīng)元，構成n維輸出向量，計算公式如下：

(6)

2.1.2 反傳算法

在多控制量PID神經(jīng)元網(wǎng)絡控制的過程中，根據(jù)誤差反向傳播，修正網(wǎng)絡連接權值，使得被控量逐漸趨近于設定值。

計算誤差公式：

(7)

式中，n為輸出結點個數(shù)，yh(k)為預測的輸出，r(k)為控制目標。

多控制量PID神經(jīng)元網(wǎng)絡的權值修正一般采用梯度學習算法，可通過增加動量項提高學習效率[7]，公式如下：

隱含層到輸出層：

η1*[ωjk(k)-ωjk(k-1)]

(8)

輸入層到隱含層：

η1*[ωij(k)-ωij(k-1)]

(9)

式中，η、η1為學習速率。在實際的應用中，該修正過程對初值的選擇要求較高，尋優(yōu)過程往往收斂于局部最優(yōu)解。

2.2 遺傳算法訓練PID神經(jīng)元網(wǎng)絡參數(shù)

遺傳算法是近十年來發(fā)展起來的一種最優(yōu)化控制方法，可以在全局域內(nèi)進行魯棒搜索，適用范圍廣，可以有效地避免尋優(yōu)過程收斂于局部最優(yōu)解，而且沒有BP算法對初值敏感的缺陷[8-9]。

采用遺傳算法對神經(jīng)網(wǎng)絡的權值進行訓練，關鍵部分是遺傳算子的設計。一般包括選擇、交叉和變異算子。

1)選擇。

采用比例選擇算子，個體i被選中的概率為

(10)

式中，M為種群規(guī)模，F(xiàn)i為個體i的適應度。種群中的個體被選中的概率主要取決于其適應度大小[10]。

2)交叉。

(11)

針對算法的后期可能出現(xiàn)的早熟現(xiàn)象，設計了自適應的α參數(shù)：

(12)

式中，fmax為種群中的最大適應度值，f′為用于交叉的兩個染色體中較大的適應度值，fav為種群平均適應度值。

3)變異。

(13)

(14)

由上可知，該算法既保證了適應度高的個體更容易將其特性遺傳到下一代，同時賦予適應度低的個體較大的交叉變異概率。從而可以不損失種群的多樣性，防止出現(xiàn)早熟現(xiàn)象，又能保證算法的收斂性。

PID神經(jīng)元網(wǎng)絡的學習算法步驟總結如下：

1) 算法參數(shù)初始化，隨機生成初始種群即M組神經(jīng)網(wǎng)絡的連接權值；

2) 神經(jīng)網(wǎng)絡將本代各染色體作為網(wǎng)絡權值，運行前向算法，得到目標函數(shù)；

3) 計算適應度值，若滿足則輸出參數(shù)，結束算法；否則，進行下一步；

4) 進行選擇、交叉、變異算法操作，產(chǎn)生新一代種群；

5) 判斷是否滿足移民準則，是則把新移民代的染色體送到PID神經(jīng)網(wǎng)絡控制器，更新種群，轉第2步，否則直接轉第2步。

3 控制方案驗證

3.1 MATLAB仿真

被控對象選取一個3輸入3輸出的復雜耦合系統(tǒng)，由以下方程描述：

(15)

多變量PID神經(jīng)元網(wǎng)絡和被控對象構成閉環(huán)系統(tǒng)，結構如圖4。

圖4 PID神經(jīng)元網(wǎng)絡閉環(huán)控制系統(tǒng)

對于控制量目標值r1在0

仿真圖中，縱坐標表示實際輸出，橫坐標為采樣時刻。由圖5可以看出，在r1的跳變時刻，輸出y1能夠迅速跟隨，輸出y2,y3受影響較小，仍能保持穩(wěn)定，對r2,r3也是如此，解耦控制是成功的。

圖5 仿真結果

3.2 航空測試系統(tǒng)實際應用效果

進行熱路兩參數(shù)狀態(tài)切換性能調(diào)試試驗，檢驗系統(tǒng)溫度、流量/壓力控制性能。

給定氣源壓力1 500 kPa～2 500 kPa，控制熱路出口溫度和出口壓力，測定熱路出口流量。調(diào)試參數(shù)：排氣反壓開度20%，試驗狀態(tài)由(180 ℃、1 000 kPa)切換至(200 ℃、800 kPa)切換至(200 ℃、600 kPa)，相應流量變化為9 300 kg/h→7 400 kg/h→5 700 kg/h。

試驗結果如圖6、圖7、圖8。

圖6 狀態(tài)切換測試溫度控制曲線

圖7 狀態(tài)切換測試壓力控制曲線

圖8 狀態(tài)切換測試流量控制曲線

經(jīng)驗證，該控制方法取得了較為滿意的控制效果，在試驗系統(tǒng)入口壓力、溫度、流量等參數(shù)的控制范圍內(nèi)，進行試驗狀態(tài)轉換時，從一個試驗狀態(tài)的參數(shù)控制值轉換到另一個試驗狀態(tài)的參數(shù)控制值，由計算機采用文章中的控制算法自動控制完成，轉換過程平穩(wěn)，試驗狀態(tài)轉換的過渡過程較短，控制精度滿足壓力±0.5%FS、流量±1.0%、溫度±2.0 ℃。

4 結論

本文所設計的基于遺傳算法的神經(jīng)網(wǎng)絡解耦控制方法是將現(xiàn)代智能控制理論應用于多變量測控系統(tǒng)的一次有益嘗試，經(jīng)試驗驗證該方法完全滿足無人機組件測試系統(tǒng)的項目需求，有力地支持了相關型號無人機的研制工作。

參考文獻：

[1]尹祿高,劉旺開,沈為群. 基于組件與設計模式的測控系統(tǒng)[J]. 計算機測量與控制,2010,18(2):360-362.

[2]吳宏岐,張軍利,周妮娜. 基于神經(jīng)網(wǎng)絡的智能控制技術及應用[J]. 信息技術,2004(1):1-3.

[3]平玉環(huán),李宗耀,孫 劍. 模糊神經(jīng)網(wǎng)絡在解耦控制中的研究[J]. 控制工程,2009,16(4):461-463.

[4]李佳穎. 一種微水儀/露點儀校驗系統(tǒng)的設計[D].鄭州：鄭州大學,2016.

[5]代冀陽,應 進,李華英,等. 基于PID網(wǎng)絡的航空發(fā)動機多變量系統(tǒng)解耦控制[J]. 計算機仿真,2011,28(12):27-31.

[6]俞凱耀,席東民. 人工魚群算法優(yōu)化的PID神經(jīng)網(wǎng)絡解耦控制[J]. 計算機仿真,2014,31(10):350-353.

[7]應 進. 基于粒子群算法的航空發(fā)動機多變量控制研究[D].南昌：南昌航空大學,2011.

[8]任 一,劉旺開,何 理. 遺傳算法模糊PID測控系統(tǒng)在環(huán)控試驗臺中的應用[J]. 計算機測量與控制,2012,20(3):690-693.

[9]馬 杰. 基于神經(jīng)網(wǎng)絡的自適應噪聲主動控制研究[D].杭州：浙江理工大學,2011.

[10]胡云山,申 意,曾 光,等. 基于遺傳策略的SHA-1差分路徑搜索算法[J]. 信息工程大學學報,2016,17(04):390-395.

[11]梁昔明,肖 偉,龍 文,等. 基于梯度信息指導交叉的遺傳算法[J]. 計算機應用,2010,30(10):2582-2584.