重卷機組張力神經網絡控制器的可視化構建

李聯飛，劉渭苗，程志強，楊文峰，王小哲，劉 松

(1.中國重型機械研究院有限公司，陜西 西安 710032；2.空軍工程大學防空反導學院，陜西 西安 710051)

0 前言

針對重卷機組中張力控制器設計和調整的問題，采用傳統方法進行設計時需要對基礎理論有較好的認識以便得到合適的結果。智能控制的出現使得解決實際的問題不需要太多的先驗的系統知識以及復雜的公式推導。結合智能控制的特性，將智能算法借助于可視化調整獲得相應的參數進而投入到實際的應用中可以大大簡化張力控制系統控制模型的仿真，為快速搜尋合理的參數提供便利，方便現場快速應用。

可視化控制器的設計，文獻[1]將PID控制器參數對系統性能的影響以圖像的形式加以直觀的顯示。在可視化操作中用戶可以通過實際圖形的顏色對比度直觀地看出實際的控制效果，從而可以人工選取較為優化的系統參數用于實際的控制。文獻[2-4]借助于性能圖對系統的動態特性進行可視化顯示和研究，實現了一種可視化神經網絡控制器的構建。在對實際系統進行建模的基礎上，采用可視化方法手動的調節控制器輸入，獲得較為理想的跟蹤效果，運用學習控制的思想對控制輸入進行更進一步的優化。將優化后的被控對象輸入以及輸出數據提供給神經網絡進行學習[5]。為方便進行實際應用，克服神經網絡在穩態控制時的靜態偏差，本文設計了一種切換策略用以實現神經網絡同PI控制器之間的平滑切換，同時實現不同輸入作用下神經網絡輸出的自動調節，通過仿真驗證了所提出方法的有效性。

1 可視化構建要求以及控制器優化策略

預期的神經網絡控制器采用誤差e，誤差的差分ec作為神經網絡的輸入，被控對象控制輸入的增量Δu作為神經網絡的輸出，采用預先設定的網絡結構，辨識得到神經網絡的參數。實現神經網絡的可視化首先需要構建模型和設定參數，如：

(1)被控對象數學模型的構建。數學模型用以仿真得到被控對象在改變控制輸入條件下的實際輸出，借助于仿真模型的Simulink實現可視化界面對被控對象的輸入輸出進行曲線顯示方便更進一步的調節。

(2)控制輸入的預給定。為了快速的得到期望的控制輸入，需要預先對被控對象采用PI控制器實施作用，預先得到較好的控制輸入，以便進行更進一步的可視化調節。

(3)可視化界面同仿真系統之間的數據交互。可視化界面從仿真系統中獲得控制輸入作用下的實際輸出以及將調節后的控制輸入傳遞到仿真系統中去。

(4)可視化調節。針對鼠標的按下移動事件對控制輸入曲線進行動態調整，同時可以直觀的得到調節后輸入作用下被控對象的實際輸出曲線。

(5)基本參數的設定。在可視化界面中對下述基本參數進行設定：采樣時間的設定，神經網絡的結構參數，學習控制的參數等。

為了得到更為理想的控制輸入以及實際輸出數據提供給神經網絡進行學習，實現神經網絡的在線控制，需要制定設計優化策略。

(1)為更進一步的優化手動調節后的控制輸入曲線，采用學習控制的思想進行控制輸入的學習[6]。設ek(t)為第k次學習t時刻的跟蹤誤差，uk(t)、uk+1(t)為學習第k次、第k+1次學習t時刻的控制輸入，則有

uk+1(t)=uk(t)+l*ek(t)

其中l為學習率，學習控制保證在選擇合適的學習率的條件下跟蹤誤差能夠收斂[7]。

(2)神經網絡控制器的優化。鑒于神經網絡只是對系統運行中特定的誤差以及誤差的差分序列作用下的控制輸入增量進行了辨識，對于實際系統中可能出現的其他情況進行下述處理。

對調節較為理想后的誤差e，誤差差分ec按大小各自進行等間距的劃分(如劃分成7段)，所屬的區間分別為(i,j)其中i=0～6,j=0～6，按區間建立關于誤差，誤差差分的映射表，確定系統運行中誤差的差分區間在映射表中進行標記(標記為11，map(i,j)=11)。對未標記的地方進行按所在行遠離最近標記區間的程度進行填充(正數表示相同誤差范圍內誤差變化率偏大控制輸入太大，負數相反),如表1所示。

表1 誤差差分映射表

對輸入的誤差差分序列對應的神經網絡輸出進行處理：設ec每個子區間長度為div，umax為神經網絡輸出的最大值，對一般系統有emax>abs(emin),emin≤0設控制輸出為du，令神經網絡的輸入為u1,u2對應的輸出為out(u1,u2)，實際的控制輸出計算流程如圖1所示。

(3)為提高神經網絡控制器的穩態控制性能，減小穩態誤差，設計切換策略實現神經網絡控制器同調整好的PI控制器之間的切換。

切換策略如下：

e0、e1(e1>e0)分別表示由神經網絡控制器切換到PI控制器(1)、PI控制器切換到神經網絡控制器(2)時的誤差限。

if abs(e)

if abs(e)>e1實施第二種切換

圖1 神經網絡輸出優化

為保證切換時的平滑性，實施第一種切換時設定PI控制器的積分值為

E=(u-KP*e)/KI

式中，u為切換時的控制輸入，神經網絡控制器依據上一次控制輸入u輸出u+Δu。

2 可視化調節界面和設計過程

2.1 可視化調節界面

為實現可視化調節操作，運用VC++設計可租界面，運用Simulink工具箱建立被控對象的仿真模型，通過VC++調用Matlab引擎函數實現可視化界面同仿真被控對象之間的數據交換。構建被控對象的Simulink模型同構建好的S函數功能塊連接，得到可調節的仿真模型。可視化調節界面如圖1所示。實現可視化調節以及實際控制器的設計過程。

圖2 可視化調節界面

2.2 設計步驟

(1)基本參數的設定。設定采樣時間，PI控制器的控制參數KP、KI，繪圖時縱軸的范圍，以及學習控制的學習率學習次數，神經網絡的結構參數等,如圖3所示。

圖3 網絡參數、學習參數設定

(2)期望輸出軌跡。按照時間函數(Matlab支持的基本函數)，或者以期望增益極點傳遞函數的階躍響應進行給出。

(3)通過調節KP、KI的設定值，預先得到較為滿意的輸出響應，以此時的控制輸入為基礎進行更進一步手動調節。

(4)手動調節的實現。通過線性方式或者貝賽爾曲線方式調節各曲線形狀，線性方式下拖拉曲線將曲線對應段的數據表示設定為釋放點對應的數據值。貝賽爾曲線方式經作用域內的數據進行采樣反向得到對應曲線的控制點，曲線的拖拉操作將改變控制點的位置進而改變曲線的形狀。借助于滑塊設定調節的作用域，通過放大和縮小操作對曲線的形狀進行微調。

(5)通過Matlab引擎函數的調用實現將調節后的輸入曲線數據實時的傳遞到仿真環境中并采集仿真得到的輸出數據反映到輸出曲線上，以便同期望軌跡加以對比作為進一步調節的依據。

(6)在獲得較為理想的跟蹤特性后，點擊start learning借助于學習控制對控制輸入進行更進一步的優化。

(7)神經網絡控制器的獲得，從優化后的被控對象輸入輸出數據中提取出各個時刻的輸出誤差以及誤差的差分作為神經網絡的輸入，控制輸入增量作為神經網絡的輸出對網絡進行訓練，借助于gensim函數得到神經網絡的Simulink實現。

3 仿真研究

為了保證重卷機組中張力控制系統中張力實際值的穩定性與精確性，同時在干擾存在時有足夠的魯棒性，因此電機電樞電流在動態過程不超過允許值，在突加控制量時超調盡可能的小，應把E電流環校正為典型I型系統。基于穩態無靜差和較好的抗干擾性考慮，轉速環應當校正為典型II型系統[8]。張力環投入使用時，速度調節器輸出為限幅值k，轉速開環，轉速調節器不再起作用，保持恒張力軋制。電動機電樞電流隨張力變化，所以對于張力控制器，電流環為內環。整個張力環動態結構如圖4所示，圖中WACR(s)為電流調節器；Toi、Tot為電流、張力檢測濾波常數；β、γ電流、張力反饋系數；R為電樞電阻回路總電阻；ks為晶閘管裝置放大倍數；Ts整流裝置滯后時間常數；Tl電樞回路電磁時間常數；Tm拖動系統機電時間常數。

圖4 重卷機組張力動態結構圖

根據某鋼廠實際控制方式，轉速開環，速度調節器輸出限幅，根據圖4的張力動態結構圖，帶入參數可得整個張力控制系統的傳遞函數為

式中，KT=4.15～14.7；τT=0.042～0.147；文中KT、τT分別選取為8和0.1。

經過手動調節較為理想的被控對象輸入輸出特性曲線如圖2右側所示，設定基本參數隱層節點數為6，訓練代數50，學習率為0.2，學習代數為20，對控制輸入進行跟進一步的學習，利用學習后的控制輸入與控制輸出數據對神經網絡進行訓練。神經網絡學習后的控制輸入與調節后的控制輸入曲線對比如圖5所示，神經網絡擬合輸入控制量直接作用于系統的輸出于調節后系統輸出對比如圖6所示。

圖5 神經網絡擬合控制輸入

圖6 神經網絡輸出作用下系統輸出

選定PI控制器的基本參數為KP=0.3、KI=8、e0、e1分別為0.03、0.3，進行神經網絡控制器同PI控制器之間的切換。圖7分別顯示了神經網絡控制器，PI控制器分別作用以及實施神經網絡同PI控制器間切換作用下的被控對象輸出曲線

通過仿真可以看出所設計切換策略作用下的神經網絡結合了神經網絡控制作用下的快速性以及PI控制作用下的無靜差特點，達到了預期的效果。同時基于可視化調節得到的神經網絡控制器將降低控制器設計以及調試的復雜度。

圖7 PI控制器，神經網絡NN控制器以及兩者結合的輸出特性

4 結論

借助于Simulink以及VC++工具設計了一種可視化神經網絡控制器創建工具，通過調節控制輸入曲線的形狀得到期望的跟蹤特性。借助于學習控制進行控制輸入的優化，進而提供給神經

網絡進行訓練。設計了一種切換策略實現神經網絡控制器同PI控制器之間的平滑切換，已得到更好的動靜態特性。通過重卷機組中張力控制系統的數學模型的仿真驗證了所提出方法的有效性。