CN109839824A - 一种基于预测控制的网络控制***时延补偿方法 - Google Patents

一种基于预测控制的网络控制***时延补偿方法 Download PDF

Info

Publication number
CN109839824A
CN109839824A CN201910068775.5A CN201910068775A CN109839824A CN 109839824 A CN109839824 A CN 109839824A CN 201910068775 A CN201910068775 A CN 201910068775A CN 109839824 A CN109839824 A CN 109839824A
Authority
CN
China
Prior art keywords
particle
time delay
control system
neural network
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910068775.5A
Other languages
English (en)
Inventor
赵景波
薛秉鑫
王众
朱敬旭辉
邱腾飞
刘信潮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qindao University Of Technology
Original Assignee
Qindao University Of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qindao University Of Technology filed Critical Qindao University Of Technology
Priority to CN201910068775.5A priority Critical patent/CN109839824A/zh
Publication of CN109839824A publication Critical patent/CN109839824A/zh
Priority to US16/745,581 priority patent/US11543787B2/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37512—Correction for detection delay
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Fuzzy Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于预测控制的网络控制***时延补偿方法，包括如下步骤：(1)获取网络控制***中的随机时延数据，并对数据进行预处理；(2)用粒子群算法优化的模糊神经网络对当前时延进行预测；(3)通过隐式PIGPC算法对预测的时延进行补偿；(4)网络控制***中的时钟判断是否到达规定的工作结束时间，是则结束，否则返回步骤(2)，本发明公开的方法可以实现对网络控制***时延的准确预测和有效补偿，具有良好的发展前景。

Description

一种基于预测控制的网络控制***时延补偿方法
技术领域
本发明涉及网络控制***领域，特别涉及一种基于预测控制的网络控制***时延补偿方法。
背景技术
网络控制***是指控制***中的执行器、传感器和控制器通过网络来交换信息而形成的闭环反馈控制***。控制回路中网络的引入，使得网络控制***的分析变得复杂，尤其是网络中诱导时延对***的性能产生重要的影响。目前还没有一种方法可以对网络控制***的时延进行准确的预测和有效补偿。
发明内容
为解决上述技术问题，本发明提供了一种基于预测控制的网络控制***时延补偿方法，以达到可以实现对网络控制***时延的准确预测和有效补偿，具有良好的发展前景的目的。
为达到上述目的，本发明的技术方案如下：
一种基于预测控制的网络控制***时延补偿方法，包括如下步骤：
(1)获取网络控制***中的随机时延数据，并对数据进行预处理；
(2)用粒子群算法优化的模糊神经网络对当前时延进行预测；
(3)通过隐式PIGPC算法对预测的时延进行补偿；
(4)网络控制***中的时钟判断是否到达规定的工作结束时间，是则结束，否则返回步骤(2)。
上述方案中，所述步骤(1)的具体方法如下：收集一组连续的随机时延数据，将前5个时延值作为输入样本1，第6个时延值作为输出样本1，构成第1个样本对；再把第2到第6个时延值构成输入样本2，第7个时延值作为输出样本2，构成第2个样本对；以此类推，构成300个样本对，作为训练模糊神经网络的数据。
上述方案中，所述(2)中，用粒子群算法优化的模糊神经网络是指用粒子群算法优化模糊神经网络的连接权值和隶属度函数，即设粒子群的位置向量xi的元素是模糊神经网络的连接权值、隶属度函数的期望和标准差；具体优化步骤如下：
1)初始化，随机初始化每个粒子的位置和速度，确定种群数目、惯性权重和加速因子参数；
2)计算每个初始粒子的适应度值，pi为当前粒子最优位置，pg为粒子群最优位置；
3)根据公式(5)、(6)更新粒子的位置和速度，迭代产生新的粒子；
粒子群算法数学表达式为：
vid(t+1)＝wvid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t)) (5)
xid(t+1)＝xid(t)+vid(t+1) (6)
式中：i—粒子数，i＝1，2，…，m；d—空间维数，d＝1，2，…，D；t—时刻；w—惯性权重且为非负数；c1、c2—加速因子定义为常数；r1、r2—随机数且在0和1之间均匀分布；pid—粒子i最优位置；pgd—粒子群最优位置；xid(t)—粒子i在t时刻的位置，xid(t+1)—粒子i在t+1时刻的位置，xid(t)∈[-xmax，xmax]；vid(t)—粒子i在t时刻的速度，vid(t+1)—粒子i在t+1时刻的速度，vid(t)∈[-vmax,vmax]，xmax和vmax是非负数；
4)返回步骤2)，直到满足收敛准则，迭代停止，全局极值即为训练问题的最优解。
上述方案中，所述步骤(2)的具体方法如下：将第301到305个时延值作为输入样本输入到优化好的模糊神经网络，获得第1个网络时延的预测值；再把第302到306个时延值作为输入样本，获得第2个网络时延的预测值，以此类推，完成对网络时延的预测。
上述方案中，所述步骤4)中的收敛准则为适应度函数的阙值为0.001，适应度函数如下：
式中：Ns—训练集样本数；Yi—期望输出；yi—实际输出。
上述方案中，所述步骤(3)具体方法如下：根据隐式PIGPC算法求出存在时延情况下的控制器增量Δu(k)，进一步求出控制量u(k)，最后将最优控制量u(k)发送给执行器。
通过上述技术方案，本发明提供的基于预测控制的网络控制***时延补偿方法采用粒子群算法(PSO)优化的模糊神经网络(FNN)对随机时延进行预测，继而通过隐式PIGPC算法对时延进行补偿。仿真结果表明，PSO优化的模糊神经网络对时延预测精度高于传统BP算法优化的模糊神经网络，同时隐式PIGPC算法相对隐式GPC算法时延补偿效果更好，并且减少了运算时间，更适于实际应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是模糊神经网络结构图；
图2是粒子群算法流程图；
图3是网络控制***时延结构图；
图4是基于FNN-PSO和隐式PIGPC的时延补偿控制器图；
图5是预测流程图；
图6是FNN和FNN-PSO性能对比图；
图7是时延补偿输出图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种基于预测控制的网络控制***时延补偿方法，该方法可以实现对网络控制***时延的准确预测和有效补偿，具有良好的发展前景。
1基于粒子群算法优化的模糊神经网络
1.1模糊神经网络模型
模糊神经网络是模糊集理论和神经网络相结合的产物，既有神经网络的大规模并行处理能力、自学习能力和自适应能力，又可以处理模糊信息，完成模糊推理功能，性能优越。
该预测模型为多输入单输出的4层网络模型，如图1所示。这4层分别是输入层、模糊化层、模糊规则层和输出层。
第一层为输入层，输入层神经元个数与输入变量个数相同，输入向量为x＝(x1，x2，…，xn)T。y为输出层变量，由于输出变量为未来时刻时延预测值且只有一个，所以输出层只有一个神经元。***的第j条模糊规则可表示为：
Rj:if x1＝X1j，x2＝X2j，…，xn＝Xnj，then y＝Yj (1)
式中：Yj-第j条规则的结果，j取决于模糊规则层神经元个数；Xij—输入变量所对应的模糊子集，i＝1，2，…，n，j取决于每个输入变量的模糊子集数。
第二层为模糊化层，计算每个输入变量的隶属度。采用正态分布函数作为隶属度函数，第i个输入变量满足模糊子集Xij的计算公式为
式中：mij—正态分布函数的期望，σij—标准差，输入变量的隶属度完全由参数mij和σij决定。
第三层为模糊规则层，本次设计根据模糊理论定义模糊化层和模糊规则层的连接权值为：
式中：为输入变量xi对模糊子集Xij的隶属度。
模糊神经网络第三层到第四层完成模糊决策功能，假设***中有m条规则，本次设计使用加权平均法进行去模糊化处理，得到输出为
式中：wj为模糊规则层与输出层之间的连接权值。
对模糊神经网络进行训练，需要确定的参数为正态分布函数的期望mij和标准差σij以及连接权值wj。神经网络常用的算法为梯度下降法，该算法收敛速度慢，容易陷入局部最优化问题，难以得到全局最优解。为解决这一问题，本发明采用具有全局优化性能的粒子群算法对模糊神经网络的参数进行优化。
1.2粒子群优化算法
1.2.1粒子群算法的数学描述
如果在某个D维空间内寻找目标，种群由m个粒子构成。种群中每个粒子有它自己的位置，将第i个粒子的位置采用xi＝(xi1，xi2，…，xiD)，i＝1，2，…，m表示，其速度也是一个D维向量记为vi＝(vi1，vi2，…，viD)。每个粒子在经过一个新的位置时，就与之前所经过的所有位置进行比较，当第i个粒子飞行到某一位置后，设它所经过的最优位置为pi＝(pi1，pi2，…，piD)。而将粒子群中所有的粒子所经过的最优位置进行比较，得到所有粒子所经过的最优位置，并将它表示为pg＝(pg1，pg2，…，pgD)。每个粒子按照下列公式进行位置变化
vid(t+1)＝wvid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t)) (5)
xid(t+1)＝xid(t)+vid(t+1) (6)
式中：i—粒子数，i＝1，2，…，m；d—空间维数，d＝1，2，…，D；t—时刻；w—惯性权重且为非负数；c1、c2—加速因子定义为常数；r1、r2—随机数且在0和1之间均匀分布；pid—粒子i最优位置；pgd—粒子群最优位置；xid(t)—粒子i在t时刻的位置，xid(t+1)—粒子i在t+1时刻的位置，xid(t)∈[-xmax，xmax]；vid(t)—粒子i在t时刻的速度，vid(t+1)—粒子i在t+1时刻的速度，vid(t)∈[-vmax,vmax]，xmax和vmax是非负数；
1.2.2算法流程图
粒子群算法流程图如图2所示。随机初始化粒子的位置和速度，计算粒子适应度值，进行粒子位置与最优位置比较并判断是否满足收敛准则。若满足，输出粒子位置作为粒子群最优位置；若不满足，更新粒子的位置和速度，迭代继续。
1.2.3适应度函数和参数优化步骤
用粒子群算法优化模糊神经网络的连接权值和隶属度函数，即设粒子群的位置向量xi的元素是模糊神经网络的连接权值、隶属度函数的期望和标准差。神经网络的训练主要是为了使网络中的参数误差最小，因此，适应度函数可以定义为
式中：Ns—训练集样本数；Yi—期望输出；yi—实际输出。
基于粒子群算法的参数优化步骤：
1)初始化，随机初始化每个粒子的位置和速度，确定种群数目、惯性权重和加速因子等参数；
2)计算每个初始粒子的适应度值，pi为当前粒子最优位置，pg为粒子群最优位置；
3)根据公式(5)、(6)更新粒子的位置和速度，产生新的粒子；
4)返回步骤2)，直到满足收敛准则(适应度函数的阙值为0.001)，迭代停止，全局极值即为训练问题的最优解。
2基于FNN-PSO和隐式PIGPC的NCS控制器设计
2.1隐式比例积分广义预测控制算法
GPC算法需要计算丢番图方程和滚动优化求逆，计算时间过长，效率比较低，而隐式GPC算法虽然在标准GPC算法的基础上进行了改进，不需计算丢番图方程等但不能及时反馈，鲁棒性比较低，因此，在两者基础上进行了改进，并提出了隐式PIGPC算法，优势在于结合了PI控制器的反馈结构和GPC算法强大的预测功能，并且无需计算丢番图方程，效率高，鲁棒性强。考虑如图3所示的网络控制***。
对于隐式GPC算法，其目标函数为
其中，e(k+j)＝ys(k+j)-y(k+j)表示期望值和实际值之间的误差。
在式(8)的基础上，定义PI型隐式GPC算法的目标函数，使其具有比例积分结构，如下所示：
其中，Kp≥0表示比例因子，Ki≥0表示积分因子。
考虑被控对象，采用CARIMA模型描述，可以表示为：
其中，z-1表示后移算子即对应于后退一个传感器采样周期的量，用公式表示是z- 1y(k)＝y(k-1)，z-1u(k)＝u(k-1)；A，B，C是z-1的多项式，并且B(z-1)可以表示被控对象的时滞，对于m1拍时滞***，首项元素可以为零但是不能皆是零；Δ表示是差分算子，并且Δ＝1-z-1；ξ(k)表示随机白噪声；u(k-1)，y(k)分别表示控制***的输入和输出。
为了突出广义预测控制的原理和方法，假设C(z-1)＝1，则控制***输入u到***输出y之间的脉冲传递函数是：
把C(z-1)＝1代入式(10)中，可得：
在k+j时刻输出预测模型可以表示为
为了求解在k+j时刻***输出y(k+j|k)的预测输出值，考虑如下丢番图方程：
1＝Ej(z-1)A(z-1)Δ+z-jFj(z-1) (14)
所以k+j时刻的预测输出是：
令f(k+j)＝Hj(z-1)Δu(k-1)+Fj(z-1)y(k)
k+j时刻的预测输出又可以表示成：
预测值代替实际输出值y(k+j)，则误差方程e(k+j)为：
误差增量Δe(k+j)定义为：
将式(17)和(18)代入目标函数
并且令
可得：
其中，
令
则控制增量Δu(k)可以表示为：
Δu(k)＝RpΔE(k)+RiE(k) (20)
其中，ΔE(k)＝Δys(k)-Δf(k)，E(k)＝ys(k)-f(k)
所以，隐式PI型GPC的控制量为：
u(k)＝u(k-1)+RpΔE(k)+RiE(k) (21)
PI控制器的控制律为：
将式(22)减去式(23)得：
PI控制器的控制量为：
将式(21)和(25)对比可以看出两者形式相同，将PI控制器和隐式GPC算法相结合，得到了隐式PI型GPC控制器结构。
令
则Gp＝SGi，Δys(k)＝Sys(k)，Δf(k)＝Sf(k)。
则隐式PI型GPC的控制增量可以表示为：
令Ω＝KiI+KpSTS，则Δu(k)可表示成：
相比于广义预测控制算法并没有额外计算，反而无需多次计算丢番图方程和矩阵求逆运算，对比隐式GPC算法增加了具有反馈结构的PI控制，效率提升，算法也得到优化。
2.2基于FNN-PSO和隐式PIGPC的时延补偿控制器设计
时延补偿策略研究的关键在于当前网络时延无法测量，需要借助于历史数据和未来输入选用适当的预测方法对当前时延做出预测，如图4是基于FNN-PSO和隐式PIGPC的时延补偿控制器结构。
时延补偿策略实现的一般步骤如下。
(1)获取过去时刻时延，对过去数据处理；
(2)用FNN-PSO根据过去时刻数据和未来输入对当前时延作出预测；
(3)根据隐式PIGPC算法求出控制器增量Δu(k)，进一步求出控制量u(k)，最后将最优控制量u(k)发送给执行器；
(4)判断是否到达规定的工作结束时间，是则结束，否则返回步骤(2)。
3预测模型建立与仿真分析
3.1预测模型建立
本文预测网络时延采用了滚动预测的方法，将前5个时延值作为输入样本1，第6个时延值作为输出样本1，构成一个样本对；再把第2到第6个时延值构成输入样本2，第7个时延值作为输出样本2，构成第2个样本对。以此类推，构成300个样本对，作为训练神经网络的数据。
之后，将第301到305个时延值作为输入样本，作为输入向量输入到训练好的模糊神经网络，获得第1个网络时延预测值；再把第302到306个时延值作为输入样本，获得第2个网络时延的预测值，以此类推，获得20个网络时延预测值。
预测流程图如图5所示，建模步骤如下。
(1)模糊神经网络建立与训练。通过聚类算法确定神经网络的结构，利用Kohonen网络对模糊隶属度个数进行选取，确定每个输入变量分为2个模糊子集，因此模糊神经网络的结构为5-10-32-1。随后利用训练数据对模糊神经网络进行训练。
(2)网络参数优化。初始化粒子群算法，设置种群数目为30，加速因子为c1＝c2＝2，适应度阈值为0.001，最大允许迭代次数为350。
(3)模型预测。利用测试数据对模型进行验证，得到最终预测结果。
3.2仿真结果与讨论
构造两类模糊神经网络，一类采用梯度下降法训练神经网络参数(FNN)，另一类则采用粒子群算法(FNN-PSO)，两类模糊神经网络的性能对比如图6所示。
根据图6可以直观地看出基于粒子群算法优化模糊神经网络的预测模型对实际数据具有较好的拟合能力。
为了验证时延补偿算法的有效性，本文选择一直流伺服***作为被控对象
网络类型选用以太网，采样周期为20ms，传输速率为80000bits/s。***因加入干扰节点，使网络产生负载，时延预测采用PSO优化FNN算法，图7给出了结合时延预测算法的隐式PIGPC与隐式GPC对输入方波信号的跟踪效果。从图7可以看出，结合时延预测算法的隐式PIGPC比隐式GPC算法能更好地跟踪参考信号，更适合于实际现场的应用。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于预测控制的网络控制***时延补偿方法，其特征在于，包括如下步骤：
(1)获取网络控制***中的随机时延数据，并对数据进行预处理；
(2)用粒子群算法优化的模糊神经网络对当前时延进行预测；
(3)通过隐式PIGPC算法对预测的时延进行补偿；
(4)网络控制***中的时钟判断是否到达规定的工作结束时间，是则结束，否则返回步骤(2)。
2.根据权利要求1所述的一种基于预测控制的网络控制***时延补偿方法，其特征在于，所述步骤(1)的具体方法如下：收集一组连续的随机时延数据，将前5个时延值作为输入样本1，第6个时延值作为输出样本1，构成第1个样本对；再把第2到第6个时延值构成输入样本2，第7个时延值作为输出样本2，构成第2个样本对；以此类推，构成300个样本对，作为训练模糊神经网络的数据。
3.根据权利要求1所述的一种基于预测控制的网络控制***时延补偿方法，其特征在于，所述(2)中，用粒子群算法优化的模糊神经网络是指用粒子群算法优化模糊神经网络的连接权值和隶属度函数，即设粒子群的位置向量xi的元素是模糊神经网络的连接权值、隶属度函数的期望和标准差；具体优化步骤如下：
1)初始化，随机初始化每个粒子的位置和速度，确定种群数目、惯性权重和加速因子参数；
2)计算每个初始粒子的适应度值，pi为当前粒子最优位置，pg为粒子群最优位置；
3)根据公式(5)、(6)更新粒子的位置和速度，迭代产生新的粒子；
粒子群算法数学表达式为：
vid(t+1)＝wvid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t)) (5)
xid(t+1)＝xid(t)+vid(t+1) (6)
式中：i—粒子数，i＝1，2，…，m；d—空间维数，d＝1，2，…，D；t—时刻；w—惯性权重且为非负数；c1、c2—加速因子定义为常数；r1、r2—随机数且在0和1之间均匀分布；pid—粒子i最优位置；pgd—粒子群最优位置；xid(t)—粒子i在t时刻的位置，xid(t+1)—粒子i在t+1时刻的位置，xid(t)∈[-xmax，xmax]；vid(t)—粒子i在t时刻的速度，vid(t+1)—粒子i在t+1时刻的速度，vid(t)∈[-vmax,vmax]，xmax和vmax是非负数；
4)返回步骤2)，直到满足收敛准则，迭代停止，全局极值即为训练问题的最优解。
4.根据权利要求1所述的一种基于预测控制的网络控制***时延补偿方法，其特征在于，所述步骤(2)的具体方法如下：将第301到305个时延值作为输入样本输入到优化好的模糊神经网络，获得第1个网络时延的预测值；再把第302到306个时延值作为输入样本，获得第2个网络时延的预测值，以此类推，完成对网络时延的预测。
5.根据权利要求3所述的一种基于预测控制的网络控制***时延补偿方法，其特征在于，所述步骤4)中的收敛准则为适应度函数的阈值为0.001，适应度函数如下：
式中：Ns—训练集样本数；Yi—期望输出；yi—实际输出。
6.根据权利要求1所述的一种基于预测控制的网络控制***时延补偿方法，其特征在于，所述步骤(3)具体方法如下：根据隐式PIGPC算法求出存在时延情况下的控制器增量Δu(k)，进一步求出控制量u(k)，最后将最优控制量u(k)发送给执行器。
CN201910068775.5A 2019-01-24 2019-01-24 一种基于预测控制的网络控制***时延补偿方法 Pending CN109839824A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910068775.5A CN109839824A (zh) 2019-01-24 2019-01-24 一种基于预测控制的网络控制***时延补偿方法
US16/745,581 US11543787B2 (en) 2019-01-24 2020-01-17 Networked control system time-delay compensation method based on predictive control

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910068775.5A CN109839824A (zh) 2019-01-24 2019-01-24 一种基于预测控制的网络控制***时延补偿方法

Publications (1)

Publication Number Publication Date
CN109839824A true CN109839824A (zh) 2019-06-04

Family

ID=66884113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910068775.5A Pending CN109839824A (zh) 2019-01-24 2019-01-24 一种基于预测控制的网络控制***时延补偿方法

Country Status (2)

Country Link
US (1) US11543787B2 (zh)
CN (1) CN109839824A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110376879A (zh) * 2019-08-16 2019-10-25 哈尔滨工业大学（深圳） 一种基于神经网络的pid型迭代学习控制方法
CN111102559A (zh) * 2019-11-28 2020-05-05 中国大唐集团科学技术研究院有限公司火力发电技术研究院 一种基于双神经网络逆模型的屛式过热器汽温控制方法
CN112650056A (zh) * 2020-10-14 2021-04-13 中国海洋大学 海洋平台的减振控制律确定方法、装置、设备及存储介质

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11209985B2 (en) * 2019-04-23 2021-12-28 Macronix International Co., Ltd. Input/output delay optimization method, electronic system and memory device using the same
CN112116160B (zh) * 2020-09-25 2024-07-02 国网新疆电力有限公司电力科学研究院 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法
CN112504682A (zh) * 2020-12-21 2021-03-16 中国人民解放军63963部队 基于粒子群优化算法的底盘发动机故障诊断方法及***
CN112954765B (zh) * 2021-02-24 2022-12-09 四川速宝网络科技有限公司 一种基于网络状态监控的动态算子选路方法
CN113188794B (zh) * 2021-04-29 2021-11-23 东北电力大学 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN113223264B (zh) * 2021-05-08 2023-07-25 南通理工学院 基于qpso-bp神经网络的火灾智能预警***及方法
CN113515048B (zh) * 2021-08-13 2023-04-07 华中科技大学 一种模糊自适应pso-elm声品质预测模型的建立方法
CN114280943B (zh) * 2021-12-31 2024-02-23 大连理工大学 一种基于边缘计算的粒函数模糊控制方法及装置
CN114117943B (zh) * 2022-01-26 2022-05-06 湖南大学 物理设计布局阶段的时序预测方法
CN115906654B (zh) * 2022-12-14 2023-07-28 南京信息工程大学 一种用于EVs无线充电的基于模糊粒子群算法的控制方法
CN116009548A (zh) * 2023-01-03 2023-04-25 四川化工职业技术学院 一种车辆避障的自动化控制***中的数据传输方法
CN116506307B (zh) * 2023-06-21 2023-09-12 大有期货有限公司 全链路的网络延时情况分析***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005094204A (ja) * 2003-09-16 2005-04-07 Yaskawa Electric Corp ネットワーク型制御システムでのデータ送信遅延時間算出方法
CN106209687A (zh) * 2016-07-12 2016-12-07 重庆邮电大学 一种混合复用pon全局资源高效分配方法
CN108694474A (zh) * 2018-06-26 2018-10-23 青岛盛景电子科技有限公司 基于粒子群的模糊神经网络池塘溶解氧预测
CN109255160A (zh) * 2018-08-17 2019-01-22 东南大学 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11507844B2 (en) * 2017-03-07 2022-11-22 Cognizant Technology Solutions U.S. Corporation Asynchronous evaluation strategy for evolution of deep neural networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005094204A (ja) * 2003-09-16 2005-04-07 Yaskawa Electric Corp ネットワーク型制御システムでのデータ送信遅延時間算出方法
CN106209687A (zh) * 2016-07-12 2016-12-07 重庆邮电大学 一种混合复用pon全局资源高效分配方法
CN108694474A (zh) * 2018-06-26 2018-10-23 青岛盛景电子科技有限公司 基于粒子群的模糊神经网络池塘溶解氧预测
CN109255160A (zh) * 2018-08-17 2019-01-22 东南大学 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
于万霞: "基于粒子群的模糊神经网络交通流量预测", 《微计算机信息》 *
张超: "基于广义预测控制算法的网络控制***时延补偿研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
李涛: "基于粒子群的模糊神经网络铅酸蓄电池SOC估计", 《电源技术》 *
田中大等: "基于隐式PIGPC的网络控制***时延补偿方法", 《电机与控制学报》 *
靳红红: "随机时延下的遥操作双边控制技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110376879A (zh) * 2019-08-16 2019-10-25 哈尔滨工业大学（深圳） 一种基于神经网络的pid型迭代学习控制方法
CN111102559A (zh) * 2019-11-28 2020-05-05 中国大唐集团科学技术研究院有限公司火力发电技术研究院 一种基于双神经网络逆模型的屛式过热器汽温控制方法
CN112650056A (zh) * 2020-10-14 2021-04-13 中国海洋大学 海洋平台的减振控制律确定方法、装置、设备及存储介质
CN112650056B (zh) * 2020-10-14 2022-04-01 中国海洋大学 海洋平台的减振控制律确定方法、装置、设备及存储介质

Also Published As

Publication number Publication date
US11543787B2 (en) 2023-01-03
US20210149349A9 (en) 2021-05-20
US20200241487A1 (en) 2020-07-30

Similar Documents

Publication Publication Date Title
CN109839824A (zh) 一种基于预测控制的网络控制***时延补偿方法
CN109685252B (zh) 基于循环神经网络和多任务学习模型的建筑能耗预测方法
CN110223517B (zh) 基于时空相关性的短时交通流量预测方法
JP7346705B2 (ja) ファジィニューラルネットワークに基づく直列水路の水位予測及び制御方法
Tian et al. Time-delay compensation method for networked control system based on time-delay prediction and implicit PIGPC
CN111260124A (zh) 一种基于注意力机制深度学习的混沌时间序列预测方法
CN113641722A (zh) 一种基于变体lstm的长期时间序列数据预测方法
Truong et al. Design of an advanced time delay measurement and a smart adaptive unequal interval grey predictor for real-time nonlinear control systems
CN113780688B (zh) 一种电热联合***的优化运行方法、***、设备及介质
CN113919545A (zh) 一种多数据模型融合的光伏发电功率预测方法和***
CN117311188A (zh) 用于固定场所的人群导流栏杆的控制方法、***、设备
CN113537580A (zh) 一种基于自适应图学习的公共交通客流预测方法及***
CN114909706A (zh) 一种基于强化学***衡调控方法
Na et al. A novel heuristic artificial neural network model for urban computing
CN110851911B (zh) 终端状态计算模型训练方法、控制序列搜索方法及装置
Abraham et al. Evolutionary Design of Neuro-Fuzzy Systems-A Generic Framework
JPWO2021196997A5 (zh)
Abiyev Fuzzy wavelet neural network for prediction of electricity consumption
Bashir et al. Short-term load forecasting using artificial neural network based on particle swarm optimization algorithm
CN116346636A (zh) 基于神经网络滑模控制的网络控制***时延补偿方法
CN115016248A (zh) 一种基于pso算法优化rbf神经网络的电机pid控制方法
Rahmani et al. Real time prediction of time delays in a networked control system
CN114995106A (zh) 基于改进小波神经网络的pid自整定方法、装置和设备
Du et al. Prediction of HVAC Energy Consumption Using PSO Optimized Deep Neural Network
Yang et al. Intelligent Forecasting System Using Grey Model Combined with Neural Network.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination