0 引言

本论文提到的无人机组件测试系统，主要用于对某型号无人机组件进行相关性能测试和试验验证。该无人机工作状态下的环境要求苛刻，在高海拔情况下，外界大气温度达到-70 ℃～-50 ℃，部分部件承压达到2 MPa。所进行的地面测试能够精确模拟不同的机上环境，得到不同机载设备的散热功耗等数据，从而保证无人机舱内飞控、测控、电气等电子设备在要求的使用温度范围内正常工作。

整个系统由气源系统、热路试验回路、冷路试验回路、低温试验回路、计算机测控系统和产品试验段系统组成。该系统主要完成对多条回路的温度、压力、流量的测量和控制，所进行的试验项目包括调压特性试验、温控特性试验、气流谐振试验、热冲击试验、压力和温度循环试验等。具体而言，控制对象是由电加热器、高压引气控制组件、预冷器调节控制组件、预冷器、压力调节/关断控制组件、引气单向控制装置以及系统试验件管路组成的一套气源分系统。

(1)与耕地面积最相关的因素是人口密度(X2)。人口密度提高1人/km2，耕地面积就减少0.415×104hm2。人口密度是衡量城市化水平的一项指标，人口密度越大，则城市化水平越高。城市用地主要以外延扩展为主，占用的主要是优质平坦的耕地[13]。城市地区有比其他地区更快的发展速度和更高的效益，因此产生了城市发展对用地的大量需求和城市用地的扩张，耕地面积不断减少[17-18]。

该航空产品测试系统是一个典型的多变量MIMO系统，有多个输入和输出，3个被控量温度、压力、流量之间存在强耦合，实施控制时往往“牵一发而动全身”，传统的控制方法难以取得良好的控制效果。

新世纪以来，以神经网络为代表的智能控制理论发展日新月异，为工业过程多变量解耦控制这个老问题提供了新的解决思路。

1 航空测试系统原理及结构

航空测试系统采用分布式控制系统架构，总体可分为：检测与执行级、下位直接控制级和上位管理监控级[1]。该系统以工业级计算机为核心，集成单元组合仪器及微处理器，集中管理、分散控制。图1为航空测试系统其中一路管道流程图。

系统试验段中共有76个测温点，其中热路最高温度值达到700 ℃， 温度传感器采用Ⅰ级热电偶；冷路和制冷路温度最高在300 ℃，选用PT100A级铂电阻。压力测量共24点，选用高精度等级为0.1级的压力传感变送器。流量测量点67点，选用E&H质量流量计。

2)交叉。

  

图1 热路试验流程图

计算机通过仪表来控制调节阀或调功器等设备工作，系统中各控制参数的控制算法均由计算机完成，控制执行机构包括气源压力调节阀、出/入口压力调节阀、超压保护调节阀、1～14号电加热器、气源流量调节阀、流量辅调阀等。系统主要被控参数指标如表1。

秀容月明早听说过乔瞧，乔瞧是西大街人，从父亲那里学了一手好医术，倘若父亲不在家，就由她望闻问切，倒也救治不少病人。那绿裙少女叫越秀，跟乔瞧住一条街上，她们是最要好的朋友。

 

表1 主要被控参数指标

  

热路冷路低温路温度常温～500℃常温～150℃-55℃～常温压力常压～25Mpa常压～12MPa常压～25MPa流量100kg/h～8000kg/h500kg/h～13000kg/h100kg/h～1500kg/h

传统控制方法在进行多变量耦合系统的控制时，必须获得对象参数，再依次设计补偿器、解耦器和控制器[2]。然而多变量系统的参数一般不易获得，补偿器、解耦器和控制器的实现与一体化难以实现，故而采用传统控制方法不足以完成对强耦合多变量系统的有效控制[3]。

(一)语义的普遍性。语义是否具有普遍性是决定网络词语去留的首要标准。它指的是网络流行语的语义能够被社会接受,并且得到广泛使用和传播,它不仅仅只是出现在网络交流中,而且延伸至各种传媒和人们的日常交谈中。语义接受的普遍性表现在网络流行语的使用频率和使用人群的广泛性。

  

图2 系统控制量耦合关系

2 解耦控制方案设计

本文根据神经网络的相关知识，采用了一种新型的PID神经元网络，来尝试解决强耦合多变量系统的控制难题。所建立的PID神经元网络基于前向多层网络，是对其的一种拓展，其特殊之处在于隐含层输入输出函数依据PID控制规律选取，从而使得隐含层神经元具有比例、积分和微分处理功能[4]。

由相关理论可知，PID神经元网络有非常强的自主学习能力，可以实时地获得系统给定值和测量值，根据误差自动调整前向网络的权值。应用该种PID神经元网络控制器，不需要事先知道控制对象的结构和参数[5]。理论上可以并行完成系统解耦控制工作，获得理想的静态和动态特性。这种PID神经元网络对多变量系统的解耦控制方法最早由广州大学的舒怀林老师提出，笔者对该方法进行了改进，在连接权系数的学习过程中加入了改进的遗传算法，目的是克服多层前向神经网络学习速度慢，易陷入局部的最小值等缺陷。

2.1 PID神经元网络

多控制量PID神经元网络的结构，纵向上分为三层：输入层、隐含层和输出层，每层神经元的数目为2n:3n:n。横向上n个控制量的神经元网络可以看作n个平行的子网络，各子网络有相似的结构[6]。多控制量PID神经元网络拓扑结构如图3所示。

  

图3 多控制量神经元网络

2.1.2 反传算法

2.1.1 前向算法

输入层包含2n个神经元，输出值xsi即输入值Xsi，公式如下：

xsi(k)=Xsi(k)

(1)

隐含层包含3n个神经元，这些神经元的输入值为xsi乘以网络连接权值ωij，公式如下：

 

(2)

隐含层具有比例、积分和微分处理功能的神经元各有n个，输出的计算公式如下：

比例神经元

us1(k)=kp*nets1(k)

(3)

积分神经元

Us2(k)=nets2(k)+Us2(k-1)

us2(k)=ki*Us2(k)

(4)

微分神经元

us3(k)=kd*[nets3(k)-nets3(k-1)]

(5)

η1*[ωij(k)-ωij(k-1)]

 

(6)

图中，n个平行子网络包括三层：输入层，左边一列两个神经元，分别接收控制量的设定值和当前值，设定值为X11，X21，…，Xn1，当前值为X12，X22，…，Xn2；隐含层，中间一列3个神经元，由3个分别具有比例(P)、积分(I)和微分(D)处理功能的神经元构成；输出层，右边一列一个神经元，输出当前计算得到的控制量，即Y1，Y2，…，Yn。图中ωij和ωjk是网络连接权值。

在多控制量PID神经元网络控制的过程中，根据误差反向传播，修正网络连接权值，使得被控量逐渐趋近于设定值。

计算误差公式：

 

(7)

式中，n为输出结点个数，yh(k)为预测的输出，r(k)为控制目标。

多控制量PID神经元网络的权值修正一般采用梯度学习算法，可通过增加动量项提高学习效率[7]，公式如下：

隐含层到输出层：

 

η1*[ωjk(k)-ωjk(k-1)]

甲状腺结节超声实时弹性成像分级标准：0级结节红、绿、蓝三色相间；Ⅰ级结节呈均匀的绿色；Ⅱ级结节以绿色为主(绿色区域面积>50%)；Ⅲ级结节以蓝色为主(蓝色区域面积占50%～90%)；Ⅳ级结节几乎为蓝色覆盖(蓝色区域面>90%)。Ⅲ级以上判断结节恶性可能性较大。

(8)

遗传算法是近十年来发展起来的一种最优化控制方法，可以在全局域内进行鲁棒搜索，适用范围广，可以有效地避免寻优过程收敛于局部最优解，而且没有BP算法对初值敏感的缺陷[8-9]。

 

输出层的输出为隐含层所有神经元输出与网络连接权值为ωjk的乘积之和。有n个神经元，构成n维输出向量，计算公式如下：

1829年，德国作曲家门德尔松应伦敦爱乐协会之邀来到爱丁堡，并在游历荷里路德修道院遗址时产生了创作灵感，创作出著名的《苏格兰交响曲》，讲述了苏格兰玛丽女王的故事，道尽了历史的苍凉。

(9)

式中，η、η1为学习速率。在实际的应用中，该修正过程对初值的选择要求较高，寻优过程往往收敛于局部最优解。

2.2 遗传算法训练PID神经元网络参数

输入层到隐含层：

采用遗传算法对神经网络的权值进行训练，关键部分是遗传算子的设计。一般包括选择、交叉和变异算子。

首先，在工业锅炉的给水过程中，使用除盐水的效果要比软化水的效果好，其制水及排污过程中所产生的能耗都较低；其次，对于一般工业锅炉的使用单位来说，用除盐水代替软化水，所消耗的资金成本较高，从经济层面上分析这一做法并不合适。所以说，在工业锅炉的给水过程中，选择除盐水及软化水的最关键问题，就是需要结合实际的锅炉运行需要，从经济、技术层面进行综合性分析，制定有效的方案措施。

1)选择。

采用比例选择算子，个体i被选中的概率为

改革开放40年，中国经济快速发展，中国的物流也随之发生了重大变革。梳理中国经济发展的同时，如何来看待中国物流40年实践之路？在今天这个重要的时间节点，2018年11月24日，第十六届中国物流企业家年会上的“纪念改革开放四十年物流行业座谈会”，中国物流与采购联合会会长何黎明谈了自己的见解。

人寿险可以选择定期寿险及终身寿险，从性价比上来看，定期寿险会是较优的选择，一般来说女性费率更低，缴费期限选择较长的较好。健康险除了上述的百万医疗，还可以额外为自己加一份女性特定重疾保障。意外险建议选择30万或50万保额，保障责任可以以自己需求来选择。

 

(10)

式中，M为种群规模，Fi为个体i的适应度。种群中的个体被选中的概率主要取决于其适应度大小[10]。

一是未将“课程思政”建设纳入教师考核评价指标体系。目前，各行业特色型大学多是在学科和专业建设层面将“课程思政”建设纳入考核指标和教学任务，并作为正向奖励对教师进行引导，尚未将其纳入教师个人考核评价范畴。二是未将行业精神纳入教师考核评价范畴。目前，各行业特色型大学对行业精神的传播更多地停留在宣传部门的宣传报道、先进人物的事迹报告以及部分教师的案例教学活动中，尚未强制性地融入教师教学、科研活动中，更未纳入教师考核评价范畴，使得学生对行业精神的理解和认知浮于表面，难以将行业精神与自己的学习和生活等有机结合起来。

采用算术交叉，即新个体的产生方式为2个已存在个体线性组合[11]。例如由两个已存在的个体交叉运算后可以产生2个新的个体：

 

(11)

针对算法的后期可能出现的早熟现象，设计了自适应的α参数：

 

(12)

式中，fmax为种群中的最大适应度值，f′为用于交叉的两个染色体中较大的适应度值，fav为种群平均适应度值。

1) 算法参数初始化，随机生成初始种群即M组神经网络的连接权值；

（四）在免疫、检疫、监督的同时录入信息 通过对县、乡、村人员层层培训，让他们熟悉、掌握了挂标及通过识读器信息录入的方法。从2007年起州、县、乡每年投入官方兽医787人，村协检人员1 230人参与挂标、基础信息录入和免疫、产地检疫、屠宰检疫信息录入工作，到目前，共录入养殖户的基础信息5.8万条，戴标579 483条、免疫2 060 858条、产地检疫9 467条、出县境检疫53 576条的信息录入，上传中央数据库。为信息查询提供了坚实的基础保障。

变异算子用于产生新个体。假设某个体为X=x1,x2L,xkLxl，xk为变异位，则变异产生的新个体为变异位的新基因为

③溃坝坝型主要为土石坝，为坝型明确案例的75.2%；坝型信息欠缺的约占19.3%，根据破坏信息判断大多也为土石坝；其他坝型主要为堆石坝、拱坝、砌石坝、条石坝等，仅占溃坝总数的5.6%。

 

(13)

 

(14)

由上可知，该算法既保证了适应度高的个体更容易将其特性遗传到下一代，同时赋予适应度低的个体较大的交叉变异概率。从而可以不损失种群的多样性，防止出现早熟现象，又能保证算法的收敛性。

PID神经元网络的学习算法步骤总结如下：

3)变异。

2) 神经网络将本代各染色体作为网络权值，运行前向算法，得到目标函数；

3) 计算适应度值，若满足则输出参数，结束算法；否则，进行下一步；

4) 进行选择、交叉、变异算法操作，产生新一代种群；

5) 判断是否满足移民准则，是则把新移民代的染色体送到PID神经网络控制器，更新种群，转第2步，否则直接转第2步。

3 控制方案验证

3.1 MATLAB仿真

被控对象选取一个3输入3输出的复杂耦合系统，由以下方程描述：

 

(15)

多变量PID神经元网络和被控对象构成闭环系统，结构如图4。

  

图4 PID神经元网络闭环控制系统

对于控制量目标值r1在0<t<200时给定值为6，在200<t<1 000时给定值为10；r2在0<t<500时给定值为4，在500<t<1 000时给定值为8；r3在0<t<800时给定值为2，在800<t<1 000时给定值为6。

仿真图中，纵坐标表示实际输出，横坐标为采样时刻。由图5可以看出，在r1的跳变时刻，输出y1能够迅速跟随，输出y2,y3受影响较小，仍能保持稳定，对r2,r3也是如此，解耦控制是成功的。

  

图5 仿真结果

3.2 航空测试系统实际应用效果

进行热路两参数状态切换性能调试试验，检验系统温度、流量/压力控制性能。

有一个主妇，不小心打破了一只鸡蛋。这本是一件很平常的事情，但是，这个主妇想：一只鸡蛋孵化后会变成一只小鸡，小鸡长大后变成母鸡，而母鸡又能够下很多的蛋……主妇如此想下去，仿佛自己失去了一个养鸡场，越想越痛苦。

给定气源压力1 500 kPa～2 500 kPa，控制热路出口温度和出口压力，测定热路出口流量。调试参数：排气反压开度20%，试验状态由(180 ℃、1 000 kPa)切换至(200 ℃、800 kPa)切换至(200 ℃、600 kPa)，相应流量变化为9 300 kg/h→7 400 kg/h→5 700 kg/h。

应根据药物的组方特点、临床应用经验和既往研究结果，明确药物的临床定位。用于儿童FC中药品种的临床试验定位可以分为两类：一是定位于短期治疗改善便秘症状或中医证侯（包括解除粪便嵌塞），解除患儿的排便痛苦；二是定位于长期治疗防止粪便再积聚（便秘复发）。

试验结果如图6、图7、图8。

  

图6 状态切换测试温度控制曲线

  

图7 状态切换测试压力控制曲线

  

图8 状态切换测试流量控制曲线

经验证，该控制方法取得了较为满意的控制效果，在试验系统入口压力、温度、流量等参数的控制范围内，进行试验状态转换时，从一个试验状态的参数控制值转换到另一个试验状态的参数控制值，由计算机采用文章中的控制算法自动控制完成，转换过程平稳，试验状态转换的过渡过程较短，控制精度满足压力±0.5%FS、流量±1.0%、温度±2.0 ℃。

4 结论

本文所设计的基于遗传算法的神经网络解耦控制方法是将现代智能控制理论应用于多变量测控系统的一次有益尝试，经试验验证该方法完全满足无人机组件测试系统的项目需求，有力地支持了相关型号无人机的研制工作。

参考文献：

[1]尹禄高,刘旺开,沈为群. 基于组件与设计模式的测控系统[J]. 计算机测量与控制,2010,18(2):360-362.

[2]吴宏岐,张军利,周妮娜. 基于神经网络的智能控制技术及应用[J]. 信息技术,2004(1):1-3.

[3]平玉环,李宗耀,孙 剑. 模糊神经网络在解耦控制中的研究[J]. 控制工程,2009,16(4):461-463.

[4]李佳颖. 一种微水仪/露点仪校验系统的设计[D].郑州：郑州大学,2016.

[5]代冀阳,应 进,李华英,等. 基于PID网络的航空发动机多变量系统解耦控制[J]. 计算机仿真,2011,28(12):27-31.

[6]俞凯耀,席东民. 人工鱼群算法优化的PID神经网络解耦控制[J]. 计算机仿真,2014,31(10):350-353.

[7]应 进. 基于粒子群算法的航空发动机多变量控制研究[D].南昌：南昌航空大学,2011.

[8]任 一,刘旺开,何 理. 遗传算法模糊PID测控系统在环控试验台中的应用[J]. 计算机测量与控制,2012,20(3):690-693.

[9]马 杰. 基于神经网络的自适应噪声主动控制研究[D].杭州：浙江理工大学,2011.

[10]胡云山,申 意,曾 光,等. 基于遗传策略的SHA-1差分路径搜索算法[J]. 信息工程大学学报,2016,17(04):390-395.

[11]梁昔明,肖 伟,龙 文,等. 基于梯度信息指导交叉的遗传算法[J]. 计算机应用,2010,30(10):2582-2584.