本发明提供一种被控对象频域性能的获取方法和装置，该方法包括：a)确定被控对象的传递函数结构；b)对于所确定的被控对象，构造相应的神经网络；c)采集所述被控对象的多个数据样本；d)将所采集到的数据样本输入神经网络中，对该神经网络进行训练；e)获取该被控对象的相角裕量和剪切频率。使用该方法和装置获取被控对象频域性能时，只需用户输入被控对象的结构参数，就可迅速计算出该被控对象的频域性能参数，从而大大简化了获取被控对象频域性能参数的过程，因此，可以缩短控制器的设计时间。
其中，K、α、β为该被控对象的结构参数，并且该被控对象的频域性能参数包括相角裕量γ和剪切频率ω；
b)对于由(1)式确定的被控对象，构造相应的神经网络，该神经网络包括输入层、隐含层和输出层，其中，输入层节点的输入为该被控对象的结构参数K、α、β，输出层节点的输出为该被控对象的相角裕量γ和剪切频率ω，并且该被控对象的结构参数K、α、β与该被控对象的相角裕量γ和剪切频率ω通过隐含层节点联系如下：其中，k＝1或2，O1＝γ，O2＝ω,1≤i≤n，n＝3，x1＝K，x2＝α，x3＝β，1≤j≤l，l为隐含层节点数，w1ij表示输入层第i节点到隐含层第j节点的权值，b1j表示输入层到隐含层第j个节点的阈值，w2jk表示隐含层第j节点到输出层第k节点的权值，b2k表示隐含层到输出层第k节点的阈值，f为tansig函数；
c)采集所述被控对象的多个数据样本，每个数据样本包括该被控对象已有的一组K、α、β、γ和ω值；
d)将所采集到的数据样本输入上述(2)式所表达的神经网络中，对该神经网络进行训练；
e)将该被控对象的已有数据样本之外的K、α、β值输入所述训练好的神经网络中，获取该被控对象的与该K、α、β对应的相角裕量γ和剪切频率ω。
2.根据权利要求1所述的被控对象频域性能的获取方法，其中，在对所述神经网络进行训练的过程中，采用试凑算法获得所述神经网络隐含层的节点数l。
3.根据权利要求1所述的被控对象频域性能的获取方法，其中，对所述神经网络进行训练的步骤包括：第一步：初始化所述神经网络，任意赋予w1、w2、b1和b2初始值，其中，w1＝[w1ij]，w2＝[w2jk]，b1＝[b1j]，b2＝[b2k]；
第二步：输入所述多个数据样本中的一个未使用的数据样本中的K、α、β的值；
第三步：根据输入的K、α、β的值，向前计算所述神经网络的输出值；
第四步：计算该输出值与该未使用的数据样本中的γ和ω之间的误差，并判断该误差是否小于预定值，如果小于，则转到第七步，如果不小于，则执行第五步；
第六步：根据计算出局部梯度修正w1、w2、b1、b2值，并执行第三步至第四步；
第七步：判断是否使用所有数据样本对所述神经网络进行了训练，如果判断为否，则返回第二步，如果判断为是，则完成了所述神经网络的训练。
4.一种被控对象频域性能的获取装置，包括：被控对象传递函数结构确定单元、神经网络单元、数据样本库、神经网络训练单元、被控对象相角裕量和剪切频率获取单元，其中，所述被控对象传递函数结构确定单元确定被控对象的传递函数结构Gp(s)：其中，K、α、β为该被控对象的结构参数，并且该被控对象的频域性能参数包括相角裕量γ和剪切频率ω；
所述神经网络单元对于由(1)式确定的被控对象，构造相应的神经网络，该神经网络包括输入层、隐含层和输出层，其中，输入层节点的输入为该被控对象的结构参数K、α、β，输出层节点的输出为该被控对象的相角裕量γ和剪切频率ω，并且该被控对象的结构参数K、α、β与该被控对象的相角裕量γ和剪切频率ω通过隐含层节点联系如下：其中，k＝1或2，O1＝γ，O2＝ω,1≤i≤n，n＝3，x1＝K，x2＝α，x3＝β，1≤j≤l，l为隐含层节点数，w1ij表示输入层第i节点到隐含层第j节点的权值，b1j表示输入层到隐含层第j个节点的阈值，w2jk表示隐含层第j节点到输出层第k节点的权值，b2k表示隐含层到输出层第k节点的阈值，f为tansig函数；
数据样本库采集所述被控对象的多个数据样本，每个数据样本包括该被控对象已有的一组K、α、β、γ和ω值；
神经网络训练单元将所采集到的数据样本输入上述(2)式所表达的神经网络中，对该神经网络进行训练；
被控对象相角裕量和剪切频率获取单元将该被控对象的已有数据样本之外的K、α、β值输入所述训练好的神经网络中，获取该被控对象的与该K、α、β对应的相角裕量γ和剪切频率ω。
被控对象频域性能的获取方法及装置
技术领域
[0001] 本发明属于自动控制领域，具体涉及一种基于人工智能的被控对象频域性能的获取方法和装置。
背景技术
[0002] 在工业自动化系统中，控制器的设计是自动控制的核心技术问题。设计控制器的依据是被控对象(例如电机等)的频域性能参数。
[0003] 在现有的被控对象的频域性能参数的获取过程中，通常利用原理性步骤，根据严格的数学推导(例如经典的频域分析方法)从被控对象的结构参数来得到被控对象的频域性能参数。具体说，对于被控对象来说，通常用其传递函数结构来表征该被控对象的结构，例如，对于一类常见的被控对象来说，其传递函数结构可以表示为：
[0004]
[0005] 其中，K、α、β可以视为该被控对象的结构参数。该被控对象的频域性能参数即为该被控对象的频率特性参数，其包括相角裕量γ和剪切频率ω。
[0006] 在利用原理性步骤根据严格的数学推导来获取被控对象的频域性能参数与其结构参数之间的关系的过程中，由于不熟练、计算失误、高阶难以计算、数字过于复杂等多种原因，会使得被控对象的频域性能参数的获取对于一些设计人员来说过于艰难，因而容易导致控制器设计中的延误与错误的出现。
发明内容
[0007] 本发明是为了解决现有技术中存在的上述技术问题而做出，其目的在于提供一种被控对象频域性能的获取方法和装置，使得使用该方法和装置获取被控对象频域性能时，只需用户输入被控对象的结构参数，就可迅速计算出该被控对象的频域性能参数，从而避免复杂的数学推导。
[0008] 为了实现上述目的，在本发明的一个方面，提供一种被控对象频域性能的获取方法，该方法包括：
[0009] a)确定被控对象的传递函数结构Gp(s)：
[0010]
[0011] 其中，K、α、β为该被控对象的结构参数，并且该被控对象的频域性能参数包括相角裕量γ和剪切频率ω；
[0012] b)对于由(1)式确定的被控对象，构造相应的神经网络，该神经网络包括输入层、隐含层和输出层，其中，输入层节点的输入为该被控对象的结构参数K、α、β，输出层节点的输出为该被控对象的相角裕量γ和剪切频率ω，并且该被控对象的结构参数K、α、β与该被控对象的相角裕量γ和剪切频率ω通过隐含层节点联系如下：
[0013]
[0014] 其中，k＝1或2，O1＝γ，O2＝ω,1≤i≤n，n＝3，x1＝K，x2＝α，x3＝β，1≤j≤l，l为隐含层节点数，w1ij表示输入层第i节点到隐含层第j节点的权值，b1j表示输入层到隐含层第j个节点的阈值，w2jk表示隐含层第j节点到输出层第k节点的权值，b2k表示隐含层到输出层第k节点的阈值，f为tansig函数；
[0015] c)采集所述被控对象的多个数据样本，每个数据样本包括该被控对象已有的一组K、α、β、γ和ω值；
[0016] d)将所采集到的数据样本输入上述(2)式所表达的神经网络中，对该神经网络进行训练；
[0017] e)将该被控对象的已有数据样本之外的K、α、β值输入所述训练好的神经网络中，获取该被控对象的与该K、α、β对应的相角裕量γ和剪切频率ω。
[0018] 优选地，在对所述神经网络进行训练的过程中，可以采用试凑算法获得所述神经网络隐含层的节点数l。
[0019] 另外，优选地，对所述神经网络进行训练的步骤可以包括：
[0020] 第一步：初始化所述神经网络，任意赋予w1、w2、b1和b2初始值，其中，w1＝[w1ij]，w2＝[w2jk]，b1＝[b1j]，b2＝[b2k]；
[0021] 第二步：输入所述多个数据样本中的一个未使用的数据样本中的K、α、β的值；
[0022] 第三步：根据输入的K、α、β的值，向前计算所述神经网络的输出值；
[0023] 第四步：计算该输出值与该未使用的数据样本中的γ和ω之间的误差，并判断该误差是否小于预定值，如果小于，则转到第七步，如果不小于，则执行第五步；
[0024] 第五步：反向计算所述神经网络的局部梯度；
[0025] 第六步：根据计算出局部梯度修正w1、w2、b1、b2值，并执行第三步至第四步；
[0026] 第七步：判断是否使用所有数据样本对所述神经网络进行了训练，如果判断为否，则返回第二步，如果判断为是，则完成了所述神经网络的训练。
[0027] 在本发明的另一方面，提供一种被控对象频域性能的获取装置，其包括：被控对象传递函数结构确定单元、神经网络单元、数据样本库、神经网络训练单元、被控对象相角裕量和剪切频率获取单元，其中，
[0028] 所述被控对象传递函数结构确定单元确定被控对象的传递函数结构Gp(s)：
[0029]
[0030] 其中，K、α、β为该被控对象的结构参数，并且该被控对象的频域性能参数包括相角裕量γ和剪切频率ω；
[0031] 所述神经网络单元对于由(1)式确定的被控对象，构造相应的神经网络，该神经网络包括输入层、隐含层和输出层，其中，输入层节点的输入为该被控对象的结构参数K、α、β，输出层节点的输出为该被控对象的相角裕量γ和剪切频率ω，并且该被控对象的结构参数K、α、β与该被控对象的相角裕量γ和剪切频率ω通过隐含层节点联系如下：
[0032]
[0033] 其中，k＝1或2，O1＝γ，O2＝ω,1≤i≤n，n＝3，x1＝K，x2＝α，x3＝β，1≤j≤l，l为隐含层节点数，w1ij表示输入层第i节点到隐含层第j节点的权值，b1j表示输入层到隐含层第j个节点的阈值，w2jk表示隐含层第j节点到输出层第k节点的权值，b2k表示隐含层到输出层第k节点的阈值，f为tansig函数；
[0034] 数据样本库采集所述被控对象的多个数据样本，每个数据样本包括该被控对象已有的一组K、α、β、γ和ω值；
[0035] 神经网络训练单元将所采集到的数据样本输入上述(2)式所表达的神经网络中，对该神经网络进行训练；
[0036] 被控对象相角裕量和剪切频率获取单元将该被控对象的已有数据样本之外的K、α、β值输入所述训练好的神经网络中，获取该被控对象的与该K、α、β对应的相角裕量γ和剪切频率ω。
[0037] 由上面的描述以及后面所给出的具体实施例可以看到，本发明利用神经网络算法来获取被控对象的频域性能参数，即相角裕量γ和剪切频率ω，摒弃复杂的原理性计算，只需用户输入被控对象的结构参数，就可迅速计算出该被控对象的频域性能参数，从而大大简化了获取被控对象频域性能参数的过程，因此，可以缩短控制器的设计时间。
附图说明
[0038] 图1是流程图，示出了本发明的一个实施例所述的被控对象频域性能的获取方法；
[0039] 图2是示意图，示出了本发明的一个实施例所述的神经网络；
[0040] 图3是流程图，示出了本发明的一个实施例所述的对神经网络进行训练的方法；
[0041] 图4是曲线图，示出了本发明的一个例子中的被控对象的阶跃响应曲线；
[0042] 图5是曲线图，示出了图4例中的被控对象的脉冲响应曲线；
[0043] 图6是曲线图，示出了图4例中的被控对象的幅频波特图和相频波特图；
[0044] 图7是方框图，示出了本发明的一个实施例所述的被控对象频域性能的获取装置。
具体实施方式
[0045] 在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。
[0046] 图1是流程图，示出了本发明的一个实施例所述的被控对象频域性能的获取方法。如图1所示，本发明所述的被控对象频域性能的获取方法包括如下步骤：
[0047] 首先，在步骤S10中，确定被控对象的传递函数结构Gp(s)：
[0048]
[0049] 其中，K、α、β为该被控对象的结构参数，并且该被控对象的频域性能参数包括相角裕量γ和剪切频率ω。
[0050] 然后，在步骤S20中，对于由(1)式确定的被控对象，构造相应的神经网络。图2是示意图，示出了本发明的一个实施例所述的神经网络的结构。如图2所示，本实施例中的神经网络包括输入层、隐含层和输出层，其中，输入层节点的输入为该被控对象的结构参数K、α、β，输出层节点的输出为该被控对象的相角裕量γ和剪切频率ω，并且该被控对象的结构参数K、α、β与该被控对象的相角裕量γ和剪切频率ω通过隐含层节点联系如下：
[0051]
[0052] 其中，k＝1或2，O1＝γ，O2＝ω,1≤i≤n，n＝3，x1＝K，x2＝α，x3＝β，1≤j≤l，l为隐含层节点数，w1ij表示输入层第i节点到隐含层第j节点的权值，b1j表示输入层到隐含层第j个节点的阈值，w2jk表示隐含层第j节点到输出层第k节点的权值，b2k表示隐含层到输出层第k节点的阈值，f为tansig函数。
[0053] 随后，在步骤S30中，采集所述被控对象的多个数据样本，每个数据样本包括该被控对象已有的一组K、α、β、γ和ω值。表1示出了为该被控对象已有的4组K、α、β、γ和ω值。在实践中，还可以采集更多的数据样本，事实上，在本发明中采集了35组数据样本。
[0054] 表1
[0055]
[0056] 接着，在步骤S40中，将所采集到的数据样本输入上述(2)式所表达的神经网络中，对该神经网络进行训练。
[0057] 图3是流程图，示出了本发明的一个实施例所述的对神经网络进行训练的方法。如图3所示，根据本发明的一个实施例，对所述神经网络进行训练的步骤可以包括：
[0058] 第一步，在步骤S41中，初始化所述神经网络，任意赋予w1、w2、b1和b2初始值，其中，w1＝[w1ij]，w2＝[w2jk]，b1＝[b1j]，b2＝[b2k]。
[0059] 第二步，在步骤S42中，输入所述多个数据样本中的一个未使用的数据样本中的K、α、β的值。
[0060] 第三步，在步骤S43中，根据输入的K、α、β的值，向前计算所述神经网络的输出值。
[0061] 第四步，在步骤S44中，计算该输出值与该未使用的数据样本中的γ和ω之间的误差，并判断该误差是否小于预定值，如果小于，则转到第七步(后面将描述的S47)，如果不小于，则执行第五步，即步骤S45。
[0062] 第五步，在步骤S45中，反向计算所述神经网络的局部梯度。
[0063] 第六步，在步骤S46中，根据计算出局部梯度修正w1、w2、b1、b2值，并执行第三步至第四步(即步骤S43-S44，实际上是迭代过程)。
[0064] 第七步，在步骤S47中，判断是否使用所有数据样本对所述神经网络进行了训练，如果判断为否，则返回第二步(S42)，如果判断为是，则完成了所述神经网络的训练。
[0065] 返回图1，最后，在步骤S50中，将该被控对象的已有数据样本之外的K、α、β值输入所述训练好的神经网络中，获取该被控对象的与该K、α、β对应的相角裕量γ和剪切频率ω。
[0066] 优选地，在对所述神经网络进行训练的过程中，可以采用试凑算法获得所述神经网络隐含层的节点数l。在神经网络设计中，隐含层节点数决定着神经网络性能的好坏，是神经网络设计中的难点，这里采用试凑算法来确定隐含层的节点数。也可以根据经验来确定隐含层的节点数。
[0067] 下面具体描述本发明的一个例子。
[0068] 对于本发明所涉及的被控对象，根据上述方法确定出神经网络隐含层节点数为15，神经网络参数w1、w2、b1、b2分别为(以矩阵形式表示)：
[0069]
[0070]
[0071]
[0072]
[0073] 对于K＝1、α＝0.5、β＝1的情形，该方法计算出的ω＝0.8451，γ＝33.4814。这与经典控制理论频域分析结果ω＝0.821，γ＝32.6相近。
[0074] 图4-图6分别示出了该被控对象的阶跃响应曲线、脉冲响应曲线、幅频波特图和相频波特图。
[0075] 如上参照图1-图6描述了本发明所述的被控对象频域性能的获取方法。本发明所述的被控对象频域性能的获取方法，可以采用软件实现，也可以采用硬件实现，或采用软件和硬件组合的方式实现。
[0076] 图7是方框图，示出了本发明的一个实施例所述的被控对象频域性能的获取装置。如图7所示，本发明所述的被控对象频域性能的获取装置1000包括：被控对象传递函数结构确定单元100、神经网络单元200、数据样本库300、神经网络训练单元400、被控对象相角裕量和剪切频率获取单元500，其中，
[0077] 被控对象传递函数结构确定单元100确定被控对象的传递函数结构Gp(s)：
[0078]
[0079] 其中，K、α、β为该被控对象的结构参数，并且该被控对象的频域性能参数包括相角裕量γ和剪切频率ω；
[0080] 神经网络单元200对于由(1)式确定的被控对象，构造相应的神经网络，该神经网络包括输入层、隐含层和输出层，其中，输入层节点的输入为该被控对象的结构参数K、α、β，输出层节点的输出为该被控对象的相角裕量γ和剪切频率ω，并且该被控对象的结构参数K、α、β与该被控对象的相角裕量γ和剪切频率ω通过隐含层节点联系如下：
[0081]
[0082] 其中，k＝1或2，O1＝γ，O2＝ω,1≤i≤n，n＝3，x1＝K，x2＝α，x3＝β，1≤j≤l，l为隐含层节点数，w1ij表示输入层第i节点到隐含层第j节点的权值，b1j表示输入层到隐含层第j个节点的阈值，w2jk表示隐含层第j节点到输出层第k节点的权值，b2k表示隐含层到输出层第k节点的阈值，f为tansig函数；
[0083] 数据样本库300采集所述被控对象的多个数据样本，每个数据样本包括该被控对象已有的一组K、α、β、γ和ω值；
[0084] 神经网络训练单元400将所采集到的数据样本输入上述(2)式所表达的神经网络中，对该神经网络进行训练；
[0085] 被控对象相角裕量和剪切频率获取单元500将该被控对象的已有数据样本之外的K、α、β值输入所述训练好的神经网络中，获取该被控对象的与该K、α、β对应的相角裕量γ和剪切频率ω。
[0086] 尽管已经结合详细示出并描述的优选实施例公开了本发明，但是本领域技术人员应当理解，对于上述本发明所提出的被控对象频域性能的获取方法和装置，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。
