对角递归神经网络在控制系统中的应用现状分析

宋怡霖， 陈新楚,2， 郑松,2

(1.福州大学 电气工程与自动化学院，福建 福州　350116； 2.福建省工业控制信息安全技术企业重点实验室，福建 福州　350008)



对角递归神经网络在控制系统中的应用现状分析

宋怡霖1， 陈新楚1,2， 郑松1,2

(1.福州大学 电气工程与自动化学院，福建 福州350116； 2.福建省工业控制信息安全技术企业重点实验室，福建 福州350008)

工业过程控制系统中的控制对象往往具有多变量强耦合、不确定、非线性等特征，解决这类控制问题的有效方法是采用先进控制技术，或在常规控制的基础上叠加先进控制的补偿分量。以对角递归神经网络控制器为研究对象，分析了该控制器的结构特点和学习算法，探讨对角递归神经网络技术的应用现状与工程实现中的相关问题，并提出了先进控制与常规控制同构组态的解决方法。

对角递归神经网络；先进控制技术；传统控制；非线性系统；组态软件

0　引　言

目前工业过程控制系统中，生产的核心部分往往具有多变量强耦合、非线性、强干扰、参数时变、大时滞、信息不完全、约束性强等特征。随着过程工业日益走向大型化、连续化、综合化，人们对生产过程的实时性、整体性的要求也越来越高，所以若想从全局出发协调和处理装置间复杂的耦合与制约关系、求得全局最优，采用先进控制技术处理这类问题几乎是唯一的出路。

自上世纪70年代起，先进控制技术已有40余年的发展历程，目前已取得一定的成果，并在流程工业上得到了一定程度的应用。先进控制技术的内涵丰富、具有时代特征，至今没有一个严格统一的定义。但先进控制的任务是明确的，即用来控制常规控制效果差，甚至无法控制的复杂工业过程。先进控制理论的研究主要包括预测控制、模糊控制、最优控制、解耦控制、推理控制、鲁棒控制、神经网络控制、内膜控制及自适应控制等等，其中神经网络是目前研究较多的一种技术。

目前先进控制的核心技术仍掌握在少数几个欧美发达国家的高科技企业手中，如Aspen、Honeywell，Adersa等，技术垄断的态势暂时还难以打破。这些企业推出的先进控制技术都是基于流程工业复杂系统的控制，采用软件套件的方式，为生产过程的控制提供不同层次的优化控制解决方案。近年来，国内很多自动化工程公司和科研院所及高校，以提高产品质量、降低原料和能耗、增加装置的经济效益为目标，对工业生产过程的先进控制技术和控制软件进行了广泛的研究，许多先进控制技术已经产品化，给企业带来了显著的经济效益。

1　对角递归神经网络技术

1.1神经网络技术

现阶段，自动控制工作者面临两大挑战：一是控制对象越来越复杂，存在着许多不确定性和难以确切描述的非线性特性；二是控制任务要求越来越高，往往是多层次、多目标的综合性控制要求。为此，人们必须寻求新的理论与方法。

神经网络是模拟人类大脑中神经网络的结构与行为的一种模型，具有高度的并行分布式处理、自适应能力及很强的动态特性，为解决上述难题提供了一条新的途径。神经网络按照连接方式的不同分为前馈神经网络与递归神经网络两种，不同之处在于递归神经网络是动态网络。系统辨识时，若采用前馈神经网络(见图1(a))，则存在一些不足：首先必须假定系统的模型类别和阶次；其次随着系统阶次增加，神经网络结构迅速膨胀，学习收敛速度下降。而递归神经网络(见图1(b)与(c))利用网络内部的状态反馈描述系统的非线性动力学特性，可以弥补以上缺陷。

大多数情况下，最好的神经网络结构是只在一个很小的单元组中使用反馈。因为网络的权值(参数)个数越少，对模型的随机性影响越小；网络结构越简单，算法的收敛速度越快。所以，简化递归神经网络的结构、缩短训练时间后就形成了一种新型神经网络范式——对角递归神经网络(Diagonal Recurrent Neural Network，DRNN)。

1.2对角递归神经网络的发展历程

对角递归神经网络的发展经历了诞生期、低潮期、改进期直到今天的广泛推广时期，是一个曲折而复杂的过程。

诞生期：1994年，Chao-Chee Ku[1-2]等人首次提出对角递归神经网络的概念并证明了该算法的收敛性。此后，国内外越来越多的学者、研究员开始关注该算法。

低潮期：2001年至2005年间，在了解DRNN在控制非线性系统方面的优越性后，研究人员尝试将该算法应用于实际控制系统。但传统的DRNN网络采用的是BP学习算法，该算法存在收敛速度慢、易陷入局部最小值的问题，这些缺陷限制了DRNN算法的发展。

改进期：2006年至2010年间，研究人员针对DRNN基本学习算法的缺点，陆续提出了一些新的学习算法。如采用LM算法[3]68、递推预报误差[4]103、DE算法[5]、改进的BBO算法[6]、RPROP-SVR[7]等算法训练DRNN网络。除了提出新的学习算法，还可以在原算法基础上做改进，如采用自适应的学习率代替定值学习率，或在权值更新公式中加入动量项等。仿真试验研究表明，改进后算法的学习速度与精度比传统的BP算法有很大的提高。

推广期：近年来DRNN的研究进入了一个新阶段，研究员尝试使用DRNN技术控制各种复杂的非线性被控对象，如轧钢控制系统[8]、锅炉控制系统[9]、切带机控制系统[10]、永磁同步电机[11]等。仿真试验研究表明，对于此类非线性的系统，DRNN控制器比常规控制有明显更优的控制效果，但目前的研究仍以理论为主，实际应用较少。

1.3对角递归神经网络的特性

对角递归神经网络具有以下优点：

(1) 对角递归神经网络属于神经网络范畴，具有神经网络所具有的一切优点，如可以充分逼近任意复杂的非线性关系。

(2) 对角递归神经网络具有很强的鲁棒性和容错性，采用并行处理方法，计算速度快。

(3) 对角递归神经网络具有自适应和自学习能力，可以处理不确定和未知的系统，不需要精确建模的情况，适用的对象范围广泛。

(4) 对角递归神经网络是动态网络，可以实现动态映射，具有动态记忆，可以更直接地反映系统的非线性特性。

(5) 对角递归神经网络的结构比普通递归神经网络更为简单，减少了需要调整的参数，大大减少了计算量，收敛速度更快，同时又保留了递归神经网络的动态映射能力，更适用于工业过程的建模、仿真与控制。

图1　三种神经网络范式

2　对角递归神经网络应用现状

2.1对角递归神经网络的研究现状

对角递归神经网络在非线性系统的动态辨识与建模方面表现出强大的优势，该技术可在许多领域中取得显著的成效，其主要应用如下：

(1) 自动控制领域：对角递归神经网络已经覆盖了控制理论中的几个问题，主要有线性与非线性系统辨识与建模、PID参数自整定、自适应控制、解耦控制、预测控制、学习控制等。典型的应用是基于DRNN整定的PID解耦[12]控制方法，与一般的PID解耦方法对比，基于DRNN整定的PID解耦控制具有响应速度快，抗干扰能力强，对运行工况适应性强的优点。

(2) 传感器信号处理：针对传感器受温度影响的复杂非线性输入输出特性，利用DRNN建模，可实现传感器的温度补偿与非线性矫正。

(3) 化工领域：可采用DRNN智能处理方法对复杂的MIMO化工系统进行参数的预估与优化。如在磷酸羟胺制备过程中选择最佳的效率，在线预估离子浓度与PH值[13]等。

(4) 交通运输：利用DRNN对船舶横摇运动的时间序列进行预报[14]，取得了良好的结果，该方法同样适用于船舶其他自由度的时间序列预报。

(5) 电力：电厂中存在许多难以确切描述的非线性被控对象，采用基于DRNN的控制器可以得到良好的控制效果，如火电厂的锅炉负压与送风系统[15]、再热燃煤单元机组负荷系统、除煤设备——球磨机控制系统[16]等。采用基于DRNN控制器控制超导电力磁储能装置[17]，可以改善电力系统中的低频振荡、动态和暂态稳定性，平衡尖峰电荷，提高电能质量。

(6) 机械制造：基于DRNN的建模辨识算法可应用于汽车车身磷化处理过程中磷化槽的加热系统。

(7) 机电：传统的电机同步驱动方案大多针对两电机系统，但基于DRNN的控制器[18]可以较好的实现三电机变频调速系统速度和张力的解耦控制，为该系统提供了一条新的控制途径。

(8) 冶金：运用DRNN建立脱苯塔[19]的温度分布预测模型，可实现脱苯塔塔温的优化预测，解决了脱苯塔由于存在大惯性、纯滞后和高度非线性特性，常规控制很难达到理想控制要求的问题。

另外，在航空航天、气象、矿业等方面亦有应用。

综上所述，对于多变量强耦合、非线性、强干扰、参数时变、大时滞的不确定系统，采用基于对角递归神经网络的控制器可以取得比常规控制更好的控制效果，对角递归神经网络技术在这些领域有着广阔的应用前景。

2.2对角递归神经网络应用现状分析

目前对角递归神经网络(先进控制)技术在控制系统中的实现方式主要有以下几种：

(1) 目前在实际的工程应用中，对角递归神经网络技术最普遍的实现方式是采用某些DCS厂商推出的“神经网络(先进控制)”软件。

(2) 在MATLAB等数学仿真平台中，用一种类似数学描述的语言编写控制算法并计算，然后与实际的被控对象进行数据通讯，实现神经网络的工业应用。数据通讯的实现方法有多种，如可以利用标准的OPC接口技术下载到实际的控制站中。

(3) 直接在控制站中利用控制器(如PLC)自带的编程语言(如梯形图或高级语言等)编写程序代码。

(4) 某些品牌的PLC已集成少数先进控制算法模块。

但是，以上几种实现方法分别存在着不同方面的弊端。

(1) 迄今为止，神经网络(先进控制)技术还不能完全脱离传统的控制平台而独立存在，一直停留在采用独立软件系统，并通过OPC数据通信方式外挂于DCS的水平上，系统调试比较困难，应用效果也不是很理想。

(2) 采用先进控制软件的方式虽然可以实现神经网络的算法，但这种软件大多局限于专用的控制系统，算法的开放性有限。若工况(参数)改变，则需委托先进控制厂家专业人员修改，增加了维护成本。

(3) 无论是采用软件套件还是模块的方式实现先进控制，算法的执行过程始终是个“黑箱”，模块内部计算过程无法观察，内部变量无法监测，给系统调试和后期维护都造成了一定的困难。

(4) 采用数学仿真软件实现神经网络技术时，需要将这类软件与组态软件同时运行，对系统的要求较高，并会影响到系统的实时性。而且，数学仿真软件不能保证长期安全生产，所以这种方法大多用于实验研究，不适用于工业应用。该方法的另一缺陷是用OPC标准接口实现仿真平台和控制器通讯时，传输的数据是进入非实时的数据库中进行数据处理的，系统的实时性不高。

(5) 直接在控制站上采用编程语言编写程序代码会受到控制器硬件本身的编程方式和控制器资源的限制，当控制器硬件升级换代之后，原来的算法往往无法发挥新硬件系统的功能，必须修改甚至重新编写程序以适应新的控制器，算法的执行效率较低。

(6) 生产厂商为了维护自己品牌的利益，各自拥有独立的编程体系和应用平台，从而导致不同硬件厂家的产品所支持的产品制式互不兼容，代码格式及语法规则也不尽相同，一种控制器平台上编程的算法基本不可能无修改的移植到另一个品牌控制器的平台中，所以这种方式编写的算法兼容性差、可移植性差，通用性不足。

3　结束语

对角递归神经网络的出现给非线性系统控制领域带来了生机，该技术在解决高度非线性与严重不确定性系统的控制问题方面具有很大潜力。相信随着对角递归神经网络的进一步发展，该技术将在机械制造、化工、电力、冶金等领域的工程应用中发挥越来越大的作用。

需注意的是，对角递归神经网络也带来了许多亟待解决的问题，若要发展得像经典控制理论与现代控制理论那样成熟，还有许多工作要开展。快速的在线学习算法是实时控制的关键，所以今后对于网络结构与学习算法的研究仍是该技术的研究重点。

目前，限制对角递归神经网络技术工业化、产业化发展的技术瓶颈主要有两点：先进控制技术的形态特征与传统控制的组态有很大的不同，两者在设计、开发、调试、运行和维护等方面都存在较大甚至根本性的差异，使得企业在导入先进控制技术过程中需要投入大量的资金，运行维护成本也非常可观，这也是现阶段生产企业先进控制系统投入率非常低的主要原因；另一技术瓶颈是先进控制算法及其执行过程呈现“黑箱”状态。因此，实现先进控制与常规控制同构组态，解决对角递归神经网络技术工程实现过程中的“黑箱”问题将是这项技术发展的关键。

总体而言，对角递归神经网络技术效果显著，但技术复杂，工程实施成本较高，工艺过程条件变化的影响大，其未来的发展趋势是与控制平台及组态技术的联系更加密切，计算过程更加透明，与传统控制的融合更加彻底，工程实施的智能化程度将大幅提升。

[1] CHAO CHEE KU, KWANG Y.Diagonal recurrent neural networks for dynamic systems control[J]. IEEE Transaction on Neural Networks,1993, 6(1):144-156.

[2] KU C C, LEE K Y.Nonlinear system identification using diagonal recurrent neural networks[C]//Neural Networks,1992. IJCNN.,International Joint Conference on. IEEE, 1992,(3): 839-844.

[3] 张欣.对角递归神经网络的LM算法及建模应用[J].机械工程与自动化,2008,37(6):68-70.

[4] 段慧达, 郑德玲, 刘聪.基于对角递归神经网络的建模及应用[J].北京科技大学学报,2004,50(1):103-105.

[5] 戴晟.基于DE算法的DRNN网络非线性系统辨识研究[D].成都:西南交通大学,2011.[6] 邓冉.基于改进BBO算法的DRNN网络非线性系统辨识[D].成都:西南交通大学,2013.

[7] 王晓燕.基于RPROP-SVR混合算法的DRNN网络非线性系统辨识[D].成都:西南交通大学,2009.

[8] 赵栩, 段慧达.基于对角递归网络的自适应反馈补偿控制器[J].电气传动,2009,51(7):49-52.

[9] 王东风, 韩璞, 郭启刚.锅炉过热汽温系统的DRNN网络自整定PID控制[J].中国电机工程学报,2004,41(8):199-203.

[10] 姚庆文,何成平.基于自适应PID的切带机控制系统设计[J].煤炭技术,2011,30(11):45-47.

[11] 陈大明.基于对角递归神经网络永磁同步电机无传感器控制研究[D].沈阳:沈阳工业大学,2007.

[12] 刘红军, 韩璞, 于希宁.基于对角递归神经网络整定的PID解耦单元机组负荷控制系统[J].动力工程,2004,24(6):809-812.

[13] 赵英凯, 蔡宁, 熊辉.基于DRNN及其相应算法的非线性系统的状态预估[J].控制与决策,2000,15(1):67-70.

[14] 王科俊, 李国斌.DRNN神经网络用于船舶横摇运动的时间序列预报[J].哈尔滨工程大学学报,1997,18(1):41-47.

[15] 刘久斌, 李德桃.利用改进型DRNN神经网络控制锅炉的负压和风量[J].动力工程,2005,25(6):88-91.

[16] 刘蓉, 吕震中.基于DRNN神经网络的球磨机智能控制的研究[J].工业仪表与自动化装置,2005,35(2):22-25.

[17] 姚涛, 石晶, 唐跃进, 等.基于DRNN的超导磁储能装置自适应PID控制[J].继电器,2005,33(17):27-30.

[18] 陈冲, 胡国文, 刘星桥, 等.基于DRNN的三电机变频调速系统参数PID控制研究[J].盐城工学院学报:自然科学版, 2010,24(3): 39-43.

[19] 陈思成, 杨友良, 王森.基于DRNN神经网络的脱苯塔的控制研究[J].冶金自动化,2009,34(3):22-25.

An Analysis on the Status of Application of Diagonal Recurrent Neural Network in Control Systems

SONG Yi-lin1, CHEN Xin-chu1,2, ZHENG Song1,2

(1. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou Fujian 350116, China;2. Fujian Enterprise Key Laboratory of Industrial Control Information Security Technology, Fuzhou Fujian 350008, China)

As controlled objects in industrial process control systems tend to have such characteristics as multi-variable strong coupling, uncertainty and nonlinearity, the most effective way to solve such control problems is to take advantage of advanced control technology or superimpose advanced control compensation component on conventional control. Taking diagonal recurrent neural network (DRNN) controller as research object, this paper analyzes the structural features and learning algorithm of the controller, discusses the application status of DRNN technology and other related issues with respect to engineering realization, and finally presents the solution of isomorphic configuration of advanced control and conventional control.

diagonal recurrent neural network (DRNN);advanced control technology;traditional control;nonlinear system; configuration software

福建省科技厅高校产学合作科技重大项目(2013H6009)

10.3969/j.issn.1000-3886.2016.02.015

TP183

A

1000-3886(2016)02-0041-03

宋怡霖(1989-)，女，吉林吉林人，福州大学在读硕士生，研究方向为先进控制技术与工业控制。

定稿日期: 2015-03-20