CN111930010A - 一种基于lstm网络的通用mfa控制器设计方法 - Google Patents

一种基于lstm网络的通用mfa控制器设计方法 Download PDF

Info

Publication number
CN111930010A
CN111930010A CN202010600820.XA CN202010600820A CN111930010A CN 111930010 A CN111930010 A CN 111930010A CN 202010600820 A CN202010600820 A CN 202010600820A CN 111930010 A CN111930010 A CN 111930010A
Authority
CN
China
Prior art keywords
controller
lstm
mfa
output
input
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
CN202010600820.XA
Other languages
English (en)
Inventor
孙京诰
陈显锋
张海峰
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.)
East China University of Science and Technology
Original Assignee
East China University of Science and 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 East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN202010600820.XA priority Critical patent/CN111930010A/zh
Publication of CN111930010A publication Critical patent/CN111930010A/zh
Pending legal-status Critical Current

Links

Images

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
    • G05B13/04—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
    • G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开提出一种基于LSTM网络的通用无模型自适应（Model Free Adaptive，MFA）控制器设计方法，该方法的控制器主要由基于LSTM的动态循环神经网络构成。通过考虑历史误差序列信息对控制器输出的影响，构造自适应的网络输出值，通过输入输出数据完成随时间反向传播算法更新网络的权重。并且可以将当前时刻的误差值添加到控制器的输出中，以对突发的变化做出更快的反应。本发明的LSTM‑MFA控制器可以有效的控制单变量工业过程，具有控制器结构设计简单，计算量小，不依赖于被控***的精确数学模型和参数，控制器性能效果好等优点。

Description

一种基于LSTM网络的通用MFA控制器设计方法
技术领域
本发明涉及一种基于LSTM网络的自适应控制方法，并且更具体地涉及一种通用的MFA控制器设计方法。
背景技术
近年来，工业流程的日益复杂性使得对自动化控制器的智能性要求越来越高，控制器需要对不同过程具有一定自适应性，以应对影响流程经济性和安全性的意外事件。但在实际过程生产中，PID控制仍然起着主导作用。
虽然，PID控制器可以为许多动态范围相对较小的单输入单输出***提供令人满意的控制性能，但对于复杂控制***仍然存在着巨大困难。已经开发了许多先进的控制理论和方法，例如模型预测控制，鲁棒控制和自适应控制来处理这些复杂***。但这些先进技术都依赖于过程的精确且相对简单的动态模型。在实际过程中这些精确模型通常是很难获取的，并且即使获得模型，模型不确定性也会严重影响控制性能。
因此，需要提出一种可以容易且有效地控制各种复杂***的通用控制器，该控制器可以适应不同的过程结构。不需要依靠过程精确的***动力学知识，仅需要控制器的实时输入输出数据和***行为的定性知识，依靠控制器强大的自学习和自适应能力，以应对***环境中的不确定性和变化，完成过程的MFA控制。
发明内容
本发明的主要目的是提供一种基于LSTM网络的通用MFA控制器设计方法应用于过程控制***中。
实现本发明目的的技术方案为：一种用于过程控制的LSTM-MFA通用控制***，包括以下步骤：
步骤1：通过设定值产生装置生成过程输出的期望值或期望轨迹的设定值信号；
步骤2：通过比较器装置产生设定值信号与测量变量信号之间的误差信号作为控制器的输入信号；
步骤3：LSTM-MFA控制器根据输入的误差信号产生控制信号作用于实际过程中；
步骤4：获得实际过程的测量变量。在每个采样周期中，LSTM-MFA控制器会根据历史误差序列信息和控制器实时输出构造一组输入输出数据，运用随时间反向传播算法更新控制器中LSTM循环神经网络的权重；
步骤5：继续执行步骤1-4，直至过程达到设定值并保持稳定，迭代完毕。
进一步的，该控制***的具体实施过程为：
首先，考虑工业过程传递函数的形式如下：
Figure 991369DEST_PATH_IMAGE001
其中
Figure 752651DEST_PATH_IMAGE002
为拉普拉斯变换算子；
Figure 324928DEST_PATH_IMAGE003
为过程传递函数的拉氏变换；
Figure 488056DEST_PATH_IMAGE004
为过程输出或测量变量
Figure 139618DEST_PATH_IMAGE005
的拉氏变换；
Figure 653776DEST_PATH_IMAGE006
为过程输入或控制器输出
Figure 48985DEST_PATH_IMAGE007
的拉氏变换。
确定采样时间
Figure 66619DEST_PATH_IMAGE008
，通常取过程主导时间常数的十分之一。在实际应用过程中，通过人为估计过程主导时间常数，获得近似值即可，因为LSTM-MFA控制器对该参数并不敏感。
对于过程控制***，控制目标是使测量变量
Figure 154661DEST_PATH_IMAGE005
跟踪设定值
Figure 139803DEST_PATH_IMAGE009
的给定轨迹信号。
也就是说，LSTM-MFA控制器的任务是使误差信号
Figure 73124DEST_PATH_IMAGE010
最小，目标函数公式如下：
Figure 210845DEST_PATH_IMAGE011
。
然后，本发明的通用LSTM-MFA控制器设计步骤为：
步骤1：当前时刻
Figure 938629DEST_PATH_IMAGE012
的误差信号
Figure 427379DEST_PATH_IMAGE013
通过归一化单元
Figure 898812DEST_PATH_IMAGE014
产生归一化误差信号
Figure 422197DEST_PATH_IMAGE015
作为控制器当前时刻的输入；
其中，归一化单元为tanh函数，表达式如下：
Figure 304572DEST_PATH_IMAGE016
。
步骤2：归一化误差信号输入到两层LSTM的隐藏层中，通过LSTM的前馈计算过程，得到当前时刻的网络输出
Figure 546197DEST_PATH_IMAGE017
。
其中，单个LSTM的前馈计算过程如下：
Figure 555741DEST_PATH_IMAGE018
Figure 402475DEST_PATH_IMAGE019
Figure 3220DEST_PATH_IMAGE020
Figure 935404DEST_PATH_IMAGE021
Figure 279798DEST_PATH_IMAGE022
Figure 495884DEST_PATH_IMAGE023
Figure 470794DEST_PATH_IMAGE024
其中，
Figure 155853DEST_PATH_IMAGE025
表示操作矩阵中对应的元素相乘；
Figure 38358DEST_PATH_IMAGE026
则代表进行矩阵加法操作；
Figure 859684DEST_PATH_IMAGE027
为失忆门，用于决定要从上一个单元状态
Figure 257692DEST_PATH_IMAGE028
中扔掉什么信息；
Figure 164468DEST_PATH_IMAGE029
为候选向量，这个值会加到单元状态中；
Figure 850664DEST_PATH_IMAGE030
为输入门，用于更新单元状态
Figure 526496DEST_PATH_IMAGE029
；
Figure 639945DEST_PATH_IMAGE031
为输出门，决定单元状态的哪些部分被输出；每个LSTM中一共包含8组需要调整的权重向量分别是
Figure 34018DEST_PATH_IMAGE032
，与普通神经网络不同，在单个递归隐层中所有的LSTM单元都会共享这一组权重，并不会增加计算量。
其中门控单元采用的激活函数为sigmoid函数，表达式如下：
Figure 258326DEST_PATH_IMAGE033
。
步骤3：在当前时刻
Figure 303511DEST_PATH_IMAGE012
,LSTM-MFA控制器的输出由网络输出
Figure 587862DEST_PATH_IMAGE017
和误差信号
Figure 203651DEST_PATH_IMAGE013
组成，表达式为：
Figure 700491DEST_PATH_IMAGE034
其中，
Figure 350915DEST_PATH_IMAGE035
为控制器增益，可以微调控制器的性能，通常取
Figure 524277DEST_PATH_IMAGE036
。
步骤4：最后，在每个采样周期，需要根据一组输入输出数据利用随时间反向传播算法来迭代更新网络的权重。
其中，输入数据为当前采样周期的误差
Figure 892941DEST_PATH_IMAGE013
，输出数据为历史误差序列信息和当前采样周期网络输出
Figure 927893DEST_PATH_IMAGE017
所构造的函数值
Figure 432824DEST_PATH_IMAGE037
，表达式如下：
Figure 777086DEST_PATH_IMAGE038
。
其中，
Figure 898626DEST_PATH_IMAGE039
为控制器输出调节的自适应率，可以有效调节控制器的效果，取值范围为0-1。
Figure 206111DEST_PATH_IMAGE040
为考虑的历史误差序列信息的长度。
Figure 831127DEST_PATH_IMAGE039
的值过大将导致闭环***响应振荡过多；
Figure 628182DEST_PATH_IMAGE039
的值过小将导致过程偏移或响应速度缓慢。
本发明将基于LSTM网络的通用MFA控制器设计方法应用于过程控制***中。与现有的控制技术相比，本发明的优点为：
(1)本发明的基于LSTM网络的通用MFA控制器设计方法可以应用于过程控制中的线性或非线性***中，且不需要重新设计控制器结构。
(2)本发明的基于LSTM网络的通用MFA控制器设计方法不需要过程的精确数学模型和参数的定量知识，解决了过程***难以建模的困难。
(3)本发明的基于LSTM网络的通用MFA控制器设计方法可以应对模型结构发生改变的情况，即在实际过程中模型参数或结构发生改变，控制器的参数无需调整，也可使控制器性能不受影响，而现有的PID控制等技术需要调整相应参数，且该参数调整过程是非常繁琐的。
(4)本发明的基于LSTM网络的通用MFA控制器设计方法在结构上相对简单，能够比较容易的应用于实际过程中。
附图说明
图1为本发明的单输入单输出的LSTM-MFA通用控制***。
图2为本发明的LSTM-MFA控制器结构示意图。
图3为本发明的LSTM结构示意图。
图4为本发明的针对设定值变化过程的LSTM-MFA控制器仿真图。
图5为本发明的针对测量变量中存在白噪声时的LSTM-MFA控制器仿真图。
图6为本发明的针对结构变换过程的LSTM-MFA和PID控制器的对比仿真图。
图7为本发明的针对滞后过程的LSTM-MFA和PID控制器的对比仿真图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明为一种基于LSTM网络的通用MFA控制器设计方法应用于过程控制***中，具体实施如下：
考虑本发明的最简单应用结构如图1所示的单输入单输出的LSTM-MFA通用控制***，由一个单输入单输出过程，一个LSTM-MFA控制器,两个信号加法器和一个随时间反向传播模块组成。
图1中的信号定义如下:
Figure 963916DEST_PATH_IMAGE009
—设定值，表示过程的目标值或过程轨迹的设定值信号。
Figure 340671DEST_PATH_IMAGE041
—过程输出，在没有干扰的情况下受控过程的实际输出。
Figure 820193DEST_PATH_IMAGE007
—输出量，表示控制器输出的控制信号和过程输入。
Figure 256991DEST_PATH_IMAGE042
—干扰，表示过程噪声或负载变化引起的干扰。
Figure 71232DEST_PATH_IMAGE005
—测量变量，表示实际测量的过程输出，其中
Figure 782836DEST_PATH_IMAGE043
。
Figure 382445DEST_PATH_IMAGE010
—误差，表示误差信号，其中
Figure 521302DEST_PATH_IMAGE044
。
控制目标是使测量变量
Figure 307993DEST_PATH_IMAGE005
跟踪设定值
Figure 823287DEST_PATH_IMAGE009
的给定轨迹信号,也即使误差信号
Figure 277403DEST_PATH_IMAGE010
趋向于零。
步骤1： 通过设定值产生装置生成过程输出的期望值或期望轨迹的设定值信号。
步骤2：通过比较器装置产生设定值信号与测量变量信号之间的误差信号作为控制器的输入信号。
步骤3：LSTM-MFA控制器根据输入的误差信号产生控制信号作用于实际过程中。
步骤4：获得实际过程的测量变量。在每个采样周期中，LSTM-MFA控制器会根据历史误差序列信息和控制器实时输出构造一组输入输出数据，运用随时间反向传播算法更新控制器中LSTM循环神经网络的权重。
步骤5：继续执行步骤1-4，直至过程达到设定值并保持稳定，迭代完毕。
本发明的通用LSTM-MFA控制器，其结构如图2所示，具体实施步骤如下：
可以看出，该控制器的结构为LSTM循环神经网络的形式，控制器可以沿采样时间轴展开。
其中
Figure 305270DEST_PATH_IMAGE045
为每个采样时刻的误差输入信号；
Figure 110415DEST_PATH_IMAGE046
为每个采样时刻的网络输出信号；
Figure 632663DEST_PATH_IMAGE047
为每个采样时刻的控制器输出。
采样时间
Figure 472444DEST_PATH_IMAGE008
的值通常与过程的主导时间常数
Figure 421945DEST_PATH_IMAGE048
相关，通常取为主导时间常数的十分之一。
其中实际过程中
Figure 979965DEST_PATH_IMAGE048
的精确值通常是未知的，可以通过人工估计出
Figure 40325DEST_PATH_IMAGE048
的近似值，LSTM-MFA控制器对该参数不是非常敏感，因此不会严重影响控制器的性能。
步骤1：当前时刻
Figure 718300DEST_PATH_IMAGE012
的误差信号
Figure 369861DEST_PATH_IMAGE013
通过归一化单元
Figure 618440DEST_PATH_IMAGE014
产生归一化误差信号
Figure 13649DEST_PATH_IMAGE015
作为控制器当前时刻的输入。
其中，归一化单元为tanh函数，表达式如下：
Figure 296863DEST_PATH_IMAGE016
。
步骤2：归一化误差信号输入到两层LSTM的隐藏层中，通过LSTM的前馈计算过程，得到当前时刻的网络输出
Figure 119326DEST_PATH_IMAGE017
，其中，LSTM完整结构如图3所示。
步骤3：在当前时刻
Figure 855200DEST_PATH_IMAGE012
，LSTM-MFA控制器的输出
Figure 775139DEST_PATH_IMAGE049
由网络输出
Figure 444018DEST_PATH_IMAGE050
和误差信号
Figure 906223DEST_PATH_IMAGE013
组成，表达式为：
Figure 660553DEST_PATH_IMAGE034
。
其中，
Figure 131985DEST_PATH_IMAGE035
为控制器增益，可以微调控制器的性能，通常取
Figure 655371DEST_PATH_IMAGE036
。
步骤4：最后，在每个采样周期，需要根据一组输入输出数据利用随时间反向传播算法来迭代更新网络的权重。
其中，输入数据为当前采样周期的误差
Figure 288477DEST_PATH_IMAGE013
，输出数据为历史误差序列信息和当前采样周期网络输出
Figure 530103DEST_PATH_IMAGE017
所构造的函数值
Figure 788915DEST_PATH_IMAGE037
，表达式如下：
Figure 635648DEST_PATH_IMAGE051
。
其中，
Figure 236394DEST_PATH_IMAGE052
为控制器输出调节的自适应率，可以有效调节控制器的效果，取值范围为0-1。
Figure 168577DEST_PATH_IMAGE053
为考虑的历史误差序列信息的长度。
调整控制器自适应率
Figure 512971DEST_PATH_IMAGE039
值，即可实现过程的无模型自适应控制。
下面通过仿真说明使用本发明的具体实施过程和所提出的控制方法的效果：
考虑几个单输入单输出过程如下：
模型1：
Figure 214211DEST_PATH_IMAGE054
。
模型2：
Figure 985858DEST_PATH_IMAGE055
。
模型3：
Figure 654605DEST_PATH_IMAGE056
。
针对模型设定值发生改变的情况，以模型1为例。在仿真过程中，不断改变过程的设定值。
在仿真过程中，LSTM-MFA控制的参数为默认值，自适应率
Figure 5952DEST_PATH_IMAGE057
。
尽管过程设定值不断改变，但是所有控制器调整参数均保持不变。其仿真结果如图4所示。
可以看出，LSTM-MFA控制器可以很好地适应设定值变化过程，具有不错的控制效果。
针对模型干扰的情况，以模型2为例。在仿真过程中，在过程输出中添加白噪声干扰。
在仿真过程中，LSTM-MFA控制的参数为默认值，自适应率
Figure 827278DEST_PATH_IMAGE058
。
尽管存在白噪声干扰，但是所有控制器调整参数均保持不变，其仿真结果如图5所示。
可以看出，LSTM-MFA控制器可以很好地适应白噪声干扰过程，具有不错的控制效果。
针对模型切换过程的控制，在仿真过程中，将过程模型由模型1在线更改为模型2以创建模型切换过程，并将设定值由10改变为20。
在仿真过程中，LSTM-MFA控制的参数为默认值，自适应率
Figure 238668DEST_PATH_IMAGE058
。并且针对模型1调整的PID参数为
Figure 394711DEST_PATH_IMAGE059
。采样时间取值为
Figure 549749DEST_PATH_IMAGE060
。
尽管过程发生变化，但是所有控制器调整参数均保持不变。其仿真结果如图6所示。
可以看出，LSTM-MFA控制器可以很好地适应过程结构的变化，而PID控制器不能。
针对模型存在滞后的过程，在仿真过程中，将过程模型由模型1切换为模型3的滞后过程，并将设定值由10改变为20。
控制器参数设置和上述一样。
尽管过程切换为了带滞后的模型，但所有控制器调整参数均保持不变。其仿真结果如图7所示。
可以看出，在存在滞后的条件下，LSTM-MFA控制器仍然可以很好的适应，且具有较好的性能，而PID控制器则不能。

Claims (9)

1.一种用于过程控制的LSTM-MFA通用控制***，其特征在于，包括以下步骤：
步骤1：通过设定值产生装置生成过程输出的期望值或期望轨迹的设定值信号；
步骤2：通过比较器装置产生设定值信号与测量变量信号之间的误差信号作为控制器的输入信号；
步骤3：LSTM-MFA控制器根据输入的误差信号产生控制信号作用于实际过程中；
步骤4：获得实际过程的测量变量，在每个采样周期中，LSTM-MFA控制器会根据历史误差序列信息和控制器实时输出构造一组输入输出数据，运用随时间反向传播算法更新控制器中LSTM循环神经网络的权重；
步骤5：继续执行步骤1-4，直至过程达到设定值并保持稳定，迭代完毕。
2.根据权利要求1所述的LSTM-MFA通用控制***，其特征在于，所述的通用LSTM-MFA控制器包括：
1）输入层：以被控过程的误差信号作为控制器的输入，然后经过归一化处理，作为LSTM网络的输入；
2）隐藏层：由两层LSTM网络构成，第一层LSTM的输入不仅包括当前时刻的归一化误差信号，还包括上一时刻的第一层LSTM传递过来的隐藏状态信息；第二层LSTM的输入包括上一层LSTM的输出和上一时刻的第二层LSTM传递过来的隐藏状态；
3）输出层：在当前采样时刻，控制器的输出由网络输出和当前误差信号组成。
3.根据权利要求2所述的通用LSTM-MFA控制器，其特征在于，该控制器设计的结构包含循环神经网络，因此控制器可以沿采样时间展开，在每个采样时刻，控制器的输出与网络输出一一对应。
4.根据权利要求2所述的通用LSTM-MFA控制器，其特征在于，输入层误差信号的归一化处理是通过归一化函数将误差信号转换到-1到1的区间内，其中归一化误差函数为tanh函数。
5.根据权利要求2所述的通用LSTM-MFA控制器，其特征在于，采样时间的选择与过程的主导时间常数有关，通常取为主导时间常数的十分之一，在实际应用中，取近似值即可，因为LSTM-MFA控制器对该参数不是非常敏感。
6.根据权利要求2所述的通用LSTM-MFA控制器，其特征在于，该控制器采用的网络结构为LSTM循环神经网络，网络可以对一定长度的历史误差序列信息建模，得出网络输出的连续函数为
Figure 48501DEST_PATH_IMAGE001
,从而得到控制器的输出
Figure 754289DEST_PATH_IMAGE002
的连续函数表达式为：
Figure 964821DEST_PATH_IMAGE003
其中
Figure 589617DEST_PATH_IMAGE004
为误差信号的连续函数，
Figure 481481DEST_PATH_IMAGE005
为控制器增益。
7.根据权利要求6所述的通用LSTM-MFA控制器，其中所述的控制器增益
Figure 41775DEST_PATH_IMAGE005
，它与过程的开环增益有关，用于选择性地衰减以补偿过程的大稳态增益，微调可以改善控制器性能，通常情况下取
Figure 626471DEST_PATH_IMAGE006
。
8.根据权利要求2所述的通用LSTM-MFA控制器，其特征在于，在每个采样时刻，LSTM-MFA控制器的学习过程包括构造合适的输入输出数据作为网络权重更新的训练数据，利用随时间反向传播算法完成控制器的自适应学习过程，其中输入数据为当前时刻
Figure 639427DEST_PATH_IMAGE007
的误差值
Figure 397298DEST_PATH_IMAGE008
，输出数据为历史误差序列信息和当前采样周期网络输出
Figure 559902DEST_PATH_IMAGE009
构造的函数值，可以用如下公式表示：
Figure 564767DEST_PATH_IMAGE010
其中
Figure 815751DEST_PATH_IMAGE011
为考虑的历史序列信息的长度，
Figure 236368DEST_PATH_IMAGE012
为历史误差值的归一化误差信号，
Figure 771254DEST_PATH_IMAGE013
为自适应参数。
9.根据权利要求8所述的通用LSTM-MFA控制器，其特征在于，所述的自适应参数
Figure 697753DEST_PATH_IMAGE013
可以有效调节控制器的性能，其取值范围为0至1，取值越大表示考虑的历史误差序列信息组分越多。
CN202010600820.XA 2020-06-29 2020-06-29 一种基于lstm网络的通用mfa控制器设计方法 Pending CN111930010A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010600820.XA CN111930010A (zh) 2020-06-29 2020-06-29 一种基于lstm网络的通用mfa控制器设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010600820.XA CN111930010A (zh) 2020-06-29 2020-06-29 一种基于lstm网络的通用mfa控制器设计方法

Publications (1)

Publication Number Publication Date
CN111930010A true CN111930010A (zh) 2020-11-13

Family

ID=73316738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010600820.XA Pending CN111930010A (zh) 2020-06-29 2020-06-29 一种基于lstm网络的通用mfa控制器设计方法

Country Status (1)

Country Link
CN (1) CN111930010A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112379601A (zh) * 2020-12-01 2021-02-19 华东理工大学 基于工业过程的mfa控制***设计方法
CN112631215A (zh) * 2020-12-10 2021-04-09 东北大学 工业过程运行指标智能预报方法、装置、设备及存储介质
CN113255208A (zh) * 2021-04-21 2021-08-13 杭州新剑机器人技术股份有限公司 用于机器人的串联弹性执行器的神经网络模型预测控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1274435A (zh) * 1997-10-06 2000-11-22 美国通控集团公司 无模型自适应过程控制
US20050004687A1 (en) * 2003-05-30 2005-01-06 Cheng George Shu-Xing Apparatus and method of controlling multi-input-single-output systems
US20120259437A1 (en) * 2011-04-08 2012-10-11 General Cybernation Group Inc. Model-free adaptive control of advanced power plants
CN103064292A (zh) * 2013-01-15 2013-04-24 镇江市江大科技有限责任公司 基于神经网络逆的生物发酵自适应控制***及控制方法
CN108153146A (zh) * 2017-12-12 2018-06-12 东北大学 一种高炉多元铁水质量无模型自适应控制***及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1274435A (zh) * 1997-10-06 2000-11-22 美国通控集团公司 无模型自适应过程控制
US20050004687A1 (en) * 2003-05-30 2005-01-06 Cheng George Shu-Xing Apparatus and method of controlling multi-input-single-output systems
US20120259437A1 (en) * 2011-04-08 2012-10-11 General Cybernation Group Inc. Model-free adaptive control of advanced power plants
CN103064292A (zh) * 2013-01-15 2013-04-24 镇江市江大科技有限责任公司 基于神经网络逆的生物发酵自适应控制***及控制方法
CN108153146A (zh) * 2017-12-12 2018-06-12 东北大学 一种高炉多元铁水质量无模型自适应控制***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蒋昊: "工业电除尘过程智能建模及优化算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112379601A (zh) * 2020-12-01 2021-02-19 华东理工大学 基于工业过程的mfa控制***设计方法
CN112631215A (zh) * 2020-12-10 2021-04-09 东北大学 工业过程运行指标智能预报方法、装置、设备及存储介质
CN113255208A (zh) * 2021-04-21 2021-08-13 杭州新剑机器人技术股份有限公司 用于机器人的串联弹性执行器的神经网络模型预测控制方法

Similar Documents

Publication Publication Date Title
Perrusquía et al. Identification and optimal control of nonlinear systems using recurrent neural networks and reinforcement learning: An overview
Zribi et al. A new PID neural network controller design for nonlinear processes
EP1021752B1 (en) Model-free adaptive process control
Zhang et al. Adaptive neural tracking control of pure-feedback nonlinear systems with unknown gain signs and unmodeled dynamics
CN111930010A (zh) 一种基于lstm网络的通用mfa控制器设计方法
Sabzalian et al. Robust fuzzy control for fractional-order systems with estimated fraction-order
Calvo-Rolle et al. Adaptive inverse control using an online learning algorithm for neural networks
Radac et al. Three-level hierarchical model-free learning approach to trajectory tracking control
Jiang et al. Robust adaptive dynamic programming
Beyhan et al. Stable modeling based control methods using a new RBF network
Khettab et al. Enhanced fractional order indirect fuzzy adaptive synchronization of uncertain fractional chaotic systems based on the variable structure control: robust H∞ design approach
Kumar et al. Lyapunov stability-based control and identification of nonlinear dynamical systems using adaptive dynamic programming
Lightbody et al. Neural modelling of chemical plant using MLP and B-spline networks
CN111240201B (zh) 一种扰动抑制控制方法
Sun et al. GRU-based model-free adaptive control for industrial processes
CN112379601A (zh) 基于工业过程的mfa控制***设计方法
Sheikhmemari Recurrent Neural Network Controller for Linear and Nonlinear Systems
Oliveira et al. Granular evolving fuzzy robust feedback linearization
Hassani et al. Observer-based robust adaptive TS fuzzy control of uncertain systems with high-order input derivatives and nonlinear input–output relationships
Wache et al. Sensitivity-Based Iterative State-Feedback Tuning for Nonlinear Systems
Putri et al. Data driven linear quadratic Gaussian control design
Sakaki et al. Design of a data-driven two-degree-of-freedom control system considering robustness
Kusumoputro et al. An improved single neuron adaptive PID controller system based on additional error of an inversed-control signal
Zha et al. Identification of the Hammerstein nonlinear system with noisy output measurements
Günther et al. General Dynamic Neural Networks for explainable PID parameter tuning in control engineering: An extensive comparison

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
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20230228