时间序列预测与智能控制结合的参数在线整定方法与系统

摘要

本发明提出了一种基于时间序列预测的小波神经网络在线PID整定方法和采用了该方法的系统，方法具体包括参数初始化，计算控制参数并修正在线整定参数，计算控制量，计算或采集系统输出，计算预测结果，系统具体包括控制决策器、在线整定器、控制执行器、被控对象、在线预测器、控制扰动源和预测扰动源，控制决策器实现参数初始化，在线整定器用于计算控制参数并修正在线整定算法参数，控制执行器用于计算控制量，在线预测器用于计算预测结果，控制决策器用于判断算法是否结束。该方法将小波神经网络和经典控制方法结合，解决了控制领域对系统运行前参数配置工作的依赖问题，使得控制系统具有预测、学习、参数在线优化、自适应的效果。

说明书

技技术领域

本发明提出了一种时间序列预测与智能控制结合的参数在线整定方法和采用了该方法的系统，可应用于控制与智能控制、人工智能与辅助决策等领域。

背景技术

到目前为止，控制科学研究的控制方法的特征是：（1）控制系统的控制方法由控制算法和控制参数构成；（2）控制算法用确定的规则（模型、公式）描述；（3）控制参数的配置和整定方法存在两种形式：（3.1）控制参数在控制系统正式运行前进行初始化配置、初步整定和最终整定，正式运行后控制参数固定不变，例如比例微分积分控制方法、模糊控制方法等；（3.2）控制参数在控制系统正式运行前进行初始化和初步整定，正式运行后控制系统自身按照确定的规则和目标对控制参数进行整定，例如神经网络控制方法；（4）控制参数调整的依据又可以分为两种情况：（4.1）可以根据控制系统各状态的历史、当前值进行调整，例如比例微分积分控制、模糊控制、神经网络控制等方法；（4.2）还可以根据状态的预测值进行调整，例如预测控制。

特征（1）是由数学建模方法和计算机原理决定的。目前数学建模方法是描述客观规律的最有效的方法，而计算机是实现控制最有效的工具。因此基于控制算法和控制参数模型的控制方法的发展受上述两项基础学科发展的制约。对于特征（1）的突破需要对上述两项研究基础进行突破。

特征（2）很大程度上受人工智能科学发展约束，由于目前人工智能主要方法主要在推理系统、神经计算科学等方法的领域，因此控制算法的模式很大程度上与人工智能算法近似。对于特征（2）的突破关键在于对人工智能方法的突破。

本研究主要针对特征（3）和特征（4）进行改进，最终小波神经网络、时间序列预测技术与经典的控制方法进行结合，创造了一种新的算法。首先对特征（3）和特征（4）的涉及到的经典算法的研究现状进行介绍：

比例微分积分控制是最经典应用最广的控制方法，该方法的核心思想是将控制的实施方式分为三种情况，即连续施控、突击施控和延缓施控三种方式，从而解决控制系统被控对象的三类特征，即达到某一目标需要持续受力、启动时或需要快速响应时需要受大力、受力过大导致系统不稳定。该方法的优点是结构简单，实施方便。该方法的问题是缺乏智能，无法在线应对控制系统发生的变化，例如被控对象发生变化时，控制系统自身无法对控制参数进行调整，从而应对这种变化；此外该方法自身无法根据环境变化有目标地智能地尝试优化控制参数。

模糊控制方法可以事先将针对不同情况的控制参数配置到控制系统中，当情况变化时，控制参数可以根据预先设定的规则改变控制参数，解决了控制系统适应变化的问题，但无法像经典的比例微分积分控制那样应对被控对象的三类特性；同样模糊控制方法自身也无法根据环境变化有目标地智能地尝试优化控制参数。

神经网络控制方法的特点是可以根据环境变化有目标地智能地尝试优化控制参数，而且调整参数的过程可以是非线性的。这种方法具有了一定的智能性，其原因一是由于该方法的算法基础是人脑的生物学数学模型。该方法的问题是无法像经典的比例微分积分控制那样应对被控对象的三类特性。

预测控制方法的特点是控制参数的调整依据增加了对控制实施后结果的预测，因此控制具备了超前性；但该方法的问题除了无法像经典的比例微分积分控制那样应对被控对象的三类特性之外，还存在该方法对被控对象模型的依赖问题，如果预测模型不准确，则会导致预测结果不准确，预测方法基于被控对象的数学模型，预测结果的准确性和可靠性缺乏保障；

发明内容

本本发明主要解决的问题：

本发明提出了一种时间序列预测与智能控制结合的参数在线整定方法和采用了该方法的系统，可应用于可应用于控制与智能控制、人工智能与辅助决策等领域。该方法将小波神经网络和经典控制方法结合，解决了控制领域对系统运行前参数配置工作的依赖问题；对系统输出采用向量时间序列方法进行处理，使得控制方法具有了预测效果，且该预测具有统计检验保证；该技术方案将小波神经网络和预测技术同时与经典控制方法相结合，使得控制系统具有了较为高级的人工智能，具有预测、学习、参数在线优化、自适应的效果。

本发明的创新点在于：

（1）采用小波神经网络实现了对经典控制方法的控制参数在线优化；

（2）采用了向量时间序列方法实现了对控制系统的预测控制；

（3）同时采用了小波神经网络和向量时间序列方法实现带有预测效果的控制参数在线优化；

（4）针对本发明提出的上述方法，设计了采用该方法的实用新型硬件系统；编写了完整的计算机仿真程序，可以验证该方法的各项效果和控制结果的稳定性；该程序及其子程序可以直接应用于采用了该方法的实用新型硬件系统中去；

本发明采取的技术方案：

为了实现上述目的，解决上述问题，本发明采取了如下技术方案：

1．时间序列预测与智能控制结合的参数在线整定方法，其特征在于：包括以下5个步骤，即步骤1.0至步骤1.5：

步骤1.0参数初始化：

该步骤为计算过程中涉及到的各变量分别赋予初始值；包括以下12个子步骤，即步骤1.0.1至步骤1.0.12：

1.0.1设定算法当前执行次数t、执行总次数T：

当算法连续运行有限次的情况时：设当前执行次数初始值t＝1；执行和调整总次数T的取值原则是：要保证系统运行总次数0.8T次后控制结果（1300）能够稳定在控制目标（1000）附近；其中能够稳定的含义是：当执行次数达到0.8T以后，控制结果（1300）y_system(t)与控制目标（1000）r_in(t)之间的误差在±3％以内，参见公式1：

$>\left|\frac{y_{\mathrm{system}}\left(t\right)-r_{\mathrm{in}}\left(t\right)}{r_{\mathrm{in}}\left(t\right)}\right|<3\%$>公式1

执行和调整总次数T的设置方法是：

1.0.1.1设执行总次数T＝5000；

1.0.1.2运行系统，及执行T次本方法全部步骤，再根据运行结果进行调整；

1.0.1.3如果运行结果显示算法执行0.8T次以后，控制结果（1300）无法稳定于控制目标（1000），则将T增大10％，并跳转到步骤1.0.1.2；

1.0.1.4如果运行结果显示算法过早就可以将控制结果（1300）收敛于控制目标（1000），即当执行次数达到0.5T以前，控制结果（1300）y_system(t)与控制目标（1000）r_in(t)之间的误差在±3％以内，则将T减小10％，并跳转到步骤1.0.1.2；

上述步骤的结果是：系统运行总次数0.8T次后控制结果（1300）能够稳定在控制目标（1000）附近，至此T的设置工作完成；

当算法连续运行从不终止的情况时：设当前执行次数初始值t＝1；设执行总次数T＝0，当T＝0时该算法不断循环，算法不会终止；

1.0.2设定每个时刻的控制目标（1000）值r_in(t)，r_in(t)可以是一常数r_in，也可以是以t为自变量的函数；

1.0.3设定启动预测时刻T_predict，T_predict为正整数，根据工程经验，其取值范围参考为：5％·T≤T_predict≤10％·T；

1.0.4设定在线预测算法（401）需要的历史数据的个数K_predict,Kpredict为正整数，其取值由在线预测算法的假设检验统计指标决定，根据工程经验，其取值范围参考为：10≤K_predict≤5％·T；

1.0.5设定预测步长为L_predict,L_predict为正整数，根据工程经验，其取值范围参考为：1≤L_predict≤10％·T；

1.0.6设定控制结果初始值为零,即y_system(t)＝0；

1.0.7设定控制结果预测值为零,即y_predict(t)＝0；

1.0.8设定预测结果初始值为零,即y_out(t)＝0；

1.0.9设定小波神经网络各层神经元数量M、Q、L，取值范围一般是M≤10，M≤Q≤5M，L≤M区间内的正整数区间内的；

其中M表示小波神经网络的输入层神经元数量，即小波神经网络由M个输入层神经元构成；Q表示小波神经网络的隐含层神经元数量，即小波神经网络由Q个隐含层神经元构成；L表示小波神经网络的输出层神经元数量，即小波神经网络由L个输出层神经元构成；

1.0.10设定t＝1次计算过程中的输入层、隐含层、输出层各神经元的输入变量$>\left(\begin{array}{cc}{\mathrm{net}}_i^{\left(1\right)}\left(t\right)& (i=\mathrm{1,2},...,M),\end{array}\right)$>$>\left(\begin{array}{cc}{\mathrm{net}}_j^{\left(2\right)}\left(t\right)& (j=\mathrm{1,2},...,Q),\end{array}\right)$>$>\left(\begin{array}{cc}{\mathrm{net}}_k^{\left(3\right)}\left(t\right)& (k=\mathrm{1,2},···,L),\end{array}\right)$>输入层与隐含层的连接权值矩阵隐含层输出层各神经元的的连接权值矩阵隐含层神经元的活化函数尺度变换参数矩阵a_j(t)和b_j(t)中的每个元素为0至1开区间内的随机小数；

上述变量右上角标“(1)”表示神经网络的第一层——输入层，隐含层用“(2)”表示，输出层用“(3)”表示，右下角标“i”表示输入层神经元序号，“j”表示隐含层神经元序号，“k”表示输出层神经元序号；

1.0.11设定神经网络的学习速率η和惯性系数α：其中η的取值范围是0.01至0.7闭区间内的小数；α的取值范围是0.01-0.2闭区间内的小数；

1.0.12设定控制量u(t)和误差量error(t)的初始值和时间序列值为零：u(t)＝0、u(t-1)＝0、u(t-2)＝0、error(t)＝0、error(t-1)＝0、error(t-2)＝0；

步骤1.1计算控制参数K_c并修正在线整定算法参数w：

该步骤根据控制目标（1000）r_in(t)和预测结果（1400）y_out(t-1)，采用在线整定算法（101），计算得出控制参数（1100）K_c(t)，并修正在线整定算法参数w(t+1)；在线整定算法（101）采用时间序列预测与智能控制结合的参数在线整定方法中的在线整定算法，或者采用非基于时间序列预测的或非神经网络方法在线整定控制参数的控制参数在线整定方法；

其中采用时间序列预测与智能控制结合的参数在线整定方法中的在线整定算法步骤如下，

1.1.1计算控制参数K_c：

1.1.1.1计算输入层的输入

输入层神经元的输入的计算参见公式46：

$>\left(\begin{array}{c}{\mathrm{net}}_1^{\left(1\right)}\left(t\right)=r_{\mathrm{in}}\left(t\right)\\ {\mathrm{net}}_2^{\left(1\right)}\left(t\right)=y_{\mathrm{out}}(t-1)\\ {\mathrm{net}}_3^{\left(1\right)}\left(t\right)=\mathrm{error}\left(t\right)\end{array}\right)$>公式2

其中变量表示输入层3个神经元的输入；输入层3个神经元的输入分别为预测结果（1400）y_out(t-1)、控制目标（1000）r_in(t)、控制误差error(t)，error(t)的计算参见公式47：

error(t)＝y_out(t-1)-r_in(t)公式3

1.1.1.2计算输入层的输出

神经网络输入层的输出的计算参见公式48：

$>O_i^{\left(1\right)}\left(t\right)={\mathrm{net}}_i^{\left(1\right)}\left(t\right),$>(i=1，2，3)公式4

其中，输入层、隐含层、输出层各神经元的输出分别用变量$>(i=\mathrm{1,2},···,M),$>$>\left(\begin{array}{cc}{O}_j^{\left(2\right)}\left(t\right)& (j=\mathrm{1,2},···,Q),\end{array}\right)$>$>\left(\begin{array}{cc}{O}_k^{\left(3\right)}\left(t\right)& (k=\mathrm{1,2},···,L)\end{array}\right)$>表示；

1.1.1.3计算隐含层的输入

神经网络隐含层的输入的计算参见公式49：

$>{\mathrm{net}}_j^{\left(2\right)}\left(t\right)=\underset{i=1}{\overset{M}{\Sigma }}{w}_{\mathrm{ij}}^{\left(2\right)}\left(t\right)·O_i^{\left(1\right)}\left(t\right),$>(i＝1，2，...，Q)   公式5

其中表示输入层第i个神经元与隐含层第j个神经元之间的加权权值；

1.1.1.4计算隐含层的输出

神经网络隐含层的输出的计算参见公式50：

$>O_j^{\left(2\right)}\left(t\right)={\psi }_{a,b}\left(\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j\left(t\right)}\right),$>(j＝1，2,...，Q)   公式6

其中ψ_a,b(t)为小波函数，即隐含层神经元的活化函数；a_j（t）、b_j（t）为小波函数尺度变换参数,即隐含层神经元的活化函数尺度变换参数；取满足框架条件的小波函数ψ_a，b(t),见的计算方法参见公式51：

$>{\psi }_{a,b}\left(t\right)=\cos \left(1.75t\right)·e^{-\frac{t^2}{2}}$>公式7

ψ_a，b(t)的一介导数的计算方法参见公式52：

$>{\psi }_{a,b}^{\prime }\left(t\right)=-1.75·\sin \left(1.75t\right)·e^{-\frac{t^2}{2}}-t·\cos \left(1.75t\right)·e^{-\frac{t^2}{2}}$>公式8

其中sin(x)、cos(x)分别表示x的正弦函数值和余弦函数值；

1.1.1.5计算输出层的输入

神经网络输出层的输入的计算参见公式53：

$>{\mathrm{net}}_k^{\left(3\right)}\left(t\right)=\underset{j=1}{\overset{Q}{\Sigma }}{w}_{\mathrm{jk}}^{\left(3\right)}\left(t\right)·O_j^{\left(2\right)}\left(t\right),$>(k＝1，2，...，L)  公式9

其中表示隐含层第j个神经元与输出层第k个神经元之间的加权权值；

1.1.1.6计算输出层的输出

神经网络输出层的输出的计算参见公式54：

$>O_k^{\left(3\right)}\left(t\right)=g\left({\mathrm{net}}_k^{\left(3\right)}\left(t\right)\right),$>(k＝1，2，...，L)  公式10

其中g(x)为输出层神经元的活化函数取非负的Sigmoid函数，g(x)的计算参见公式55：

$>g\left(x\right)==\frac{e^x}{e^x+e^{-x}}$>公式11

g(x)其一阶导数的计算参见公式56：

$>g^{\prime }\left(x\right)==\frac{2}{{(e^x+e^{-x})}^2}$>公式12

1.1.1.7计算控制参数（1100）K_p(t)、K_i(t)、K_d(t)：

控制参数（1100）K_p(t)、K_i(t)、K_d(t)的计算参见公式57：

$>\left(\begin{array}{c}{K}_p\left(t\right)=O_1^{\left(3\right)}\left(t\right)\\ K_i\left(t\right)=O_2^{\left(3\right)}\left(t\right)\\ K_d\left(t\right)=O_3^{\left(3\right)}\left(t\right)\end{array}\right)$>公式13

其中，K_p(t)、K_i(t)、K_d(t)为输出层神经元的输入分别对应为经典比例微分积分控制方法的控制参数（1100）K_c(t)；

1.1.1.8控制参数K_c(t)计算结束；

1.1.2修正在线整定算法参数w(t)：

小波神经网络在线PID整定方法中的在线整定算法中的在线整定算法参数w(t)包括以下四个参数：输入层第i个神经元与隐含层第j个神经元之间的加权权值隐含层第j个神经元与输出层第k个神经元之间的加权权值小波函数尺度变换参数a_j(t)、b_j(t)；即a_j(t)，b_j(t)}；

步骤1.1.2.1计算误差和性能指标：

误差error(t)的计算参见公式58：

error(t)＝y_out(t-1)-r_in(t)公式14

性能指标E(t)的计算参见公式59：

$>E\left(t\right)=\frac{1}{2}{\mathrm{error}}^2\left(t\right)=\frac{1}{2}{(r_{\mathrm{in}}\left(t\right)-y_{\mathrm{out}}(t-1))}^2$>公式15

步骤1.1.2.2采用梯度下降法对神经网络隐含层和输出层之间的权值系数

进行调整：

隐含层和输出层之间的权值系数的修正量的计算参见公式60：

$>\Delta w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)=\alpha ·\Delta w_{\mathrm{jk}}^{\left(3\right)}(t-1)-\eta ·\frac{\partial E\left(t\right)}{\partial w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)}$>公式16

公式60中，的计算公式参见公式61：

$>\frac{\partial E\left(t\right)}{\partial w_{\left(t\right)\mathrm{jk}}^{\left(3\right)}\left(t\right)}=\frac{\partial E\left(t\right)}{\partial \mathrm{yout}\left(t\right)}·\frac{\partial \mathrm{yout}\left(t\right)}{\partial u}·\frac{\partial u\left(t\right)}{\partial O_k^{\left(3\right)}\left(t\right)}·\frac{\partial O_k^{\left(3\right)}\left(t\right)}{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}·\frac{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}{\partial w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)}$>公式17

公式61中，的计算参见公式62：

$>\frac{\partial E\left(t\right)}{\partial y_{\mathrm{out}}\left(t\right)}=\mathrm{error}\left(t\right)·\frac{\partial \mathrm{error}\left(t\right)}{\partial y_{\mathrm{out}}\left(t\right)}=\mathrm{error}\left(t\right)$>公式18

公式61中，由于未知，用近似符号函数取代，的计算参见公式63；

$>\frac{\partial \mathrm{yout}\left(t\right)}{\partial \mathrm{\Delta u}\left(t\right)}=\mathrm{sgn}\left(\frac{\partial \mathrm{yout}\left(t\right)}{\partial \mathrm{\Delta u}\left(t\right)}\right)$>公式19

其中sgn(x)表示x的符号函数值，即如果x＞o则sgn(x)＝1，如果x＝o则sgn(x)＝0如果x＜0则sgn(x)＝-1；

公式61中，的计算参见公式64：

$>\left(\begin{array}{c}\frac{\partial u\left(t\right)}{\partial O_1^{\left(3\right)}\left(t\right)}=\mathrm{error}\left(t\right)-\mathrm{error}(t-1)\\ \frac{\partial u\left(t\right)}{\partial O_2^{\left(3\right)}\left(t\right)}=\mathrm{error}\left(t\right)\\ \frac{\partial u\left(t\right)}{\partial O_3^{\left(3\right)}\left(t\right)}=\mathrm{error}\left(t\right)-2·\mathrm{error}(t-1)+\mathrm{error}(t-2)\end{array}\right)$>公式20

公式61中，的计算参见公式65：

$>\frac{\partial O_k^{\left(3\right)}\left(t\right)}{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}=g^{\prime }\left({\mathrm{net}}_k^{\left(3\right)}\left(t\right)\right)$>公式21

公式61中，的计算参见公式66：

$>\frac{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}{\partial w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)}=O_j^{\left(2\right)}\left(t\right)$>公式22

综上所述，的计算公式可以表示为公式67：

$>\frac{\partial E\left(t\right)}{\partial w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)}=\mathrm{error}\left(t\right)·\mathrm{sgn}\left(\frac{\partial y\left(t\right)}{\partial \mathrm{\Delta u}\left(t\right)}\right)·\frac{\partial \mathrm{\Delta u}\left(t\right)}{\partial O_k^{\left(3\right)}\left(t\right)}·g^{\prime }\left({\mathrm{net}}_k^{\left(3\right)}\left(t\right)\right)·O_j^{\left(2\right)}\left(t\right)$>公式23

综上所述，的计算公式可以表示为公式68：

$>\Delta w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)=\alpha ·\Delta w_{\mathrm{jk}}^{\left(3\right)}(t-1)\pm \eta ·{\delta }_k^{\left(3\right)}\left(t\right)·O_j^{\left(2\right)}\left(t\right)$>公式24

其中，的计算参见公式69：

$>{\delta }_k^{\left(3\right)}\left(t\right)=\frac{\partial E\left(t\right)}{\partial \mathrm{yout}\left(t\right)}·\frac{\partial \mathrm{yout}\left(t\right)}{\partial u\left(t\right)}·\frac{\partial u\left(t\right)}{\partial O_k^{\left(3\right)}\left(t\right)}·\frac{\partial O_k^{\left(3\right)}\left(t\right)}{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}$>公式25

$>=\mathrm{error}\left(t\right)·\mathrm{sgn}\left(\frac{\partial y\left(t\right)}{\partial u\left(t\right)}\right)·\frac{\partial u\left(t\right)}{\partial O_k^{\left(3\right)}\left(t\right)}·g^{\prime }\left({\mathrm{net}}_k^{\left(3\right)}\left(t\right)\right)(k=\mathrm{1,2},3)$>

1.1.2.3采用梯度下降法对神经网络输入层和隐含层之间的权值系数进行调整：

计算输入层和隐含层之间的权值系数的修正值见公式70：

$>\Delta w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)=\alpha ·\Delta w_{\mathrm{ij}}^{\left(2\right)}(t-1)-\eta ·\frac{\partial E\left(t\right)}{\partial w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)}$>公式26

公式70中，的计算参见公式71：

$>\frac{\partial E\left(t\right)}{\partial w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)}=\frac{\partial E\left(t\right)}{\partial \mathrm{yout}\left(t\right)}·\frac{\partial \mathrm{yout}\left(t\right)}{\partial u\left(t\right)}·\frac{\partial u\left(t\right)}{\partial O_k^{\left(3\right)}\left(t\right)}·\frac{\partial O_k^{\left(3\right)}\left(t\right)}{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}·\frac{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}{\partial O_j^{\left(2\right)}\left(t\right)}$>

$>·\frac{\partial O_j^{\left(2\right)}\left(t\right)}{\partial {\mathrm{net}}_j^{\left(2\right)}\left(t\right)}·\frac{\partial {\mathrm{net}}_j^{\left(2\right)}\left(t\right)}{\partial w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)}$>公式27

$>={\delta }_k^{\left(3\right)}\left(t\right)·\frac{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}{\partial O_j^{\left(2\right)}\left(t\right)}·\frac{\partial O_j^{\left(2\right)}\left(t\right)}{\partial {\mathrm{net}}_j^{\left(2\right)}\left(t\right)}·\frac{\partial {\mathrm{net}}_j^{\left(2\right)}\left(t\right)}{\partial w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)}$>

公式71中，的计算参见公式72：

$>\frac{{\partial \mathrm{net}}_k^{\left(3\right)}\left(t\right)}{{\partial O}_j^{\left(2\right)}\left(t\right)}=w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)$>公式28

公式71中，的计算参见公式73：

$>\frac{{\partial O}_j^{\left(2\right)}\left(t\right)}{{\partial \mathrm{net}}_j^{\left(2\right)}\left(t\right)}={\psi }_{a,b}^{\prime }\left(\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j\left(t\right)}\right)·\frac{1}{a_j\left(t\right)}$>公式29

公式71中，的计算参见公式74：

$>\frac{{\partial \mathrm{net}}_j^{\left(2\right)}\left(t\right)}{{\partial w}_{\mathrm{ij}}^{\left(2\right)}\left(t\right)}=O_i^{\left(1\right)}\left(t\right)$>公式30

综上所述，的计算公式可以表示为公式75：

$>\frac{\partial E\left(t\right)}{{\partial w}_{\mathrm{ij}}^{\left(2\right)}\left(t\right)}=\underset{k=1}{\overset{L}{\Sigma }}{\delta }_k^{\left(3\right)}\left(t\right)·w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)·{\psi }_{a,b}^{\prime }\left(\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j\left(t\right)}\right)·\frac{1}{a_j\left(t\right)}·O_i^{\left(1\right)}\left(t\right)$>公式31

公式75中的在公式69中给出；

1.1.2.3计算隐含层神经元的活化函数尺度变换参数a_j(t)的修正值Δa_j(t)：

隐含层神经元的活化函数尺度变换参数a_j(t)的修正值Δa_j(t)的计算公式可以表示为公式76：

$>{\mathrm{\Delta a}}_j\left(t\right)=\alpha ·{\mathrm{\Delta a}}_j(t-1)-\eta ·\frac{\partial E\left(t\right)}{{\partial a}_j\left(t\right)}$>公式32

公式76中，的计算参见公式77：

$>\frac{\partial E\left(t\right)}{{\partial a}_j\left(t\right)}=\frac{\partial E\left(t\right)}{\partial \mathrm{yout}\left(t\right)}·\frac{\partial \mathrm{yout}\left(t\right)}{\partial u\left(t\right)}·\frac{\partial u\left(t\right)}{{\partial O}_k^{\left(3\right)}}·\frac{{\partial O}_k^{\left(3\right)}\left(t\right)}{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}·\frac{{\partial \mathrm{net}}_k^{\left(3\right)}\left(t\right)}{{\partial O}_j^{\left(2\right)}\left(t\right)}·\frac{{\partial O}_j^{\left(2\right)}\left(t\right)}{{\partial a}_j\left(t\right)}$>公式33

公式77中，$>\frac{\partial E\left(t\right)}{\partial \mathrm{yout}\left(t\right)}·\frac{\partial \mathrm{yout}\left(t\right)}{\partial u\left(t\right)}·\frac{\partial u\left(t\right)}{{\partial O}_k^{\left(3\right)}\left(t\right)}·\frac{{\partial O}_k^{\left(3\right)}\left(t\right)}{{\partial \mathrm{net}}_k^{\left(3\right)}\left(t\right)}$>的计算参见公式69：

公式77中，的计算参见公式72：

公式77中，的计算参见公式78：

$>\frac{\partial O_j^{\left(2\right)}}{\partial a_j\left(t\right)}={\psi }_{a,b}^{\prime }\left(\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j\left(t\right)}\right)·(-\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j^2\left(t\right)})$>公式34

综上所述，的计算公式可以表示为公式79：

$>\frac{\partial E\left(t\right)}{\partial a_j\left(t\right)}=\underset{k=1}{\overset{L}{\Sigma }}{\delta }_k^{\left(3\right)}\left(t\right)·w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)·{\psi }_{a,b}^{\prime }\left(\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j\left(t\right)}\right)·(-\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j^2\left(t\right)})$>公式35

1.1.2.4计算隐含层神经元的活化函数尺度变换参数b_j(t)的修正值Δb_j(t)：

隐含层神经元的活化函数尺度变换参数b_j(t)的修正值Δb_j(t)的计算公式可以表示为公式80：

$>\Delta b_j\left(t\right)=\alpha ·\Delta b_j(t-1)-\eta ·\frac{\partial E\left(t\right)}{\partial b_j\left(t\right)}$>公式36

公式80中，的计算参见公式81：

$>\frac{\partial E\left(t\right)}{\partial b_j\left(t\right)}=\frac{\partial E\left(t\right)}{\partial \mathrm{yout}\left(t\right)}·\frac{\partial \mathrm{yout}\left(t\right)}{\partial u\left(t\right)}·\frac{\partial u\left(t\right)}{\partial O_k^{\left(3\right)}\left(t\right)}·\frac{\partial O_k^{\left(3\right)}\left(t\right)}{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}·\frac{{\partial \mathrm{net}}_k^{\left(3\right)}\left(t\right)}{{\partial O}_j^{\left(2\right)}\left(t\right)}·\frac{{\partial O}_j^{\left(2\right)}\left(t\right)}{{\partial b}_j\left(t\right)}$>公式37

公式80中，$>\frac{\partial E\left(t\right)}{\partial \mathrm{yout}\left(t\right)}·\frac{\partial \mathrm{yout}\left(t\right)}{\partial u\left(t\right)}·\frac{\partial u\left(t\right)}{\partial O_k^{\left(3\right)}\left(t\right)}·\frac{\partial O_k^{\left(3\right)}\left(t\right)}{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}$>的计算参见公式69：

公式80中，的计算参见公式72：

公式80中，的计算参见公式82：

$>\frac{\partial O_j^{\left(2\right)}\left(t\right)}{\partial b_j\left(t\right)}={\psi }_{a,b}^{\prime }\left(\frac{{\mathrm{net}}_j^p\left(t\right)-b_j\left(t\right)}{a_j\left(t\right)}\right)(-\frac{1}{a_j\left(t\right)})$>公式38

综上所述，的计算公式可以表示为公式83：

$>\frac{\partial E\left(t\right)}{\partial b_j\left(t\right)}=\underset{k=1}{\overset{L}{\Sigma }}{\delta }_k^{\left(3\right)}\left(t\right)·w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)·{\psi }_{a,b}^{\prime }\left(\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j\left(t\right)}\right)(-\frac{1}{a_j\left(t\right)})$>公式39

1.1.2.5修正在线整定算法参数w(t)到w(t+1)：

当前第t次计算使用到的在线整定算法参数为：aj(t)，b_j(t)}；修正后的结果为第t+1次计算将使用到的在线整定算法参数w(t+1)＝$>\{w_{\mathrm{ij}}^{\left(2\right)}(t+1),$>$>w_{\mathrm{jk}}^{\left(3\right)}(t+1),$>a_j(t+1)，b_j(t+1)}

隐含层第j个神经元与输出层第k个神经元之间的加权权值的修正计算参见公式84：

$>w_{\mathrm{jk}}^{\left(3\right)}(t+1)=w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)+\Delta w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)$>公式40

输入层第i个神经元与隐含层第j个神经元之间的加权权值的修正计算参见公式85：

$>w_{\mathrm{ij}}^{\left(2\right)}(t+1)=w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)+\Delta w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)$>公式41

隐含层神经元的活化函数尺度变换参数a_j(t)的修正计算参见公式86：

a_j(t+1)＝a_j(t)+Δa_j(t)公式42

隐含层神经元的活化函数尺度变换参数b_j(tt)的修正计算参见公式87：

b_j(t+1)＝b_j(t)+Δb_j(t)公式43

步骤1.2计算控制量u(t)：

该步骤采用控制算法（201），计算得出控制量（1200）u(t)；

步骤1.3采集或计算系统输出y_sjstem(t)：

该步骤计算得到控制结果（1300）y_system(t)或者直接采集得到控制结果（1300）y_system(t)；

步骤1.4计算预测结果y_out(t)：

该步骤采用在线预测算法（401），计算得出预测结果（1400）y_out(t)；

步骤1.5判断算法是否结束：

算法尚未结束的情况：如果T＝0，或者如果T≠0且t＜T，则t＝t+1，跳转到步骤1.1，至此完成了第t次计算；

算法结束的情况：如果T≠0且t≥T，至此完成了全部T次计算；

2.根据权利要求1所述的时间序列预测与智能控制结合的参数在线整定方法的步骤1.2计算控制量，其特征在于：

算法的输入是控制参数（1100）K_c(t)、控制量（1200）u(t)和误差error(t)时间序列值；

算法的输出是控制量（1200）u(t)；

控制算法（201）可以采用、位置式PID控制算法、增量式PID控制算法、模糊控制算法、专家控制算法；

采用增量式PID控制算法时，u(t)的计算参见公式44：

u(t)=u(t-1)+K_p(t)·(error(t)-error(t-1)+K_i(t)·error(t)公式44

+K_d(t)·(error(t)-2error(t-1)+error(t-2))

3.根据权利要求1所述的时间序列预测与智能控制结合的参数在线整定方法的步骤1.3采集或计算系统输出，其特征在于：

当该系统为计算机仿真应用的情况时，被控对象（300）采用确定的控制系统被控对象数学模型，该数学模型的输入是控制量u(t)，通过计算机仿真计算得出的结果即为控制结果y_system(t)；上述计算机仿真计算,即通过对被控对象建立连续传递函数模型，进而对该连续传递函数采用z变换进行离散化，得到根据u(t)和y_system(t)时间序列值计算出y_system(t)的计算公式；在Matlab中z变换通过c2d()函数和tfdata()函数实现；具体实现过程请参见本专利说明书中实施例部分；

当该系统为真实控制系统应用的情况时：因此控制结果y_system(t)不是通过计算机仿真计算得到的，而是通过对真实控制系统输出采样得到的；

4.根据权利要求1所述的时间序列预测与智能控制结合的参数在线整定方法的步骤1.4计算预测结果，其特征在于：

首先判断当前t时刻是否到达启动预测是可启动预测时刻T_predict：

如果当前t时刻小于启动预测时刻T_predict，则不启动预测，控制结果（1300）y_system(t)直接充当预测结果（1400）y_our(t)，即y_out(t)＝y_system(t)；

如果当前t时刻大于等于启动预测时刻T_predict，则启动预测，采集当前时刻的控制扰动源（500）产生的控制扰动量（1500）r_oef(t)以及预测扰动源（600）产生的预测扰动量（1600）r_orf(t)；

在线预测算法（401）的输入分别是：控制参数（1100）的时间序列K_c(t)、K_c(t-1)、K_c(t-2)、…、K_c(t-K_predict)、控制量（1200）的时间序列u(t)、u(t-1)、u(t-2)、…、u(t-K_predict)、控制结果（1300）的时间序列y_system(t)、y_system(t-1)、y_system(t-2)、…、y_system(t-K_predict)、控制扰动量（1500）的时间序列r_oef(t)、r_oef(t-1)、r_oef(t-2)、…、r_oef(t-K_predict)、预测扰动量（1600）的时间序列r_orf(t)、r_otf(t-1)、r_orf(t-2)、…、r_orf(t-K_predict)；

其中，控制扰动源（500）是除控制量（1200）以外的对被控对象产生作用的控制环境中的其他装置；预测扰动源（600）是除控制参数（1100）、控制量（1200）、控制结果（1300）以外的对在线预测器（400）产生影响的控制环境中的其他装置；控制扰动量（1500）是由控制扰动源（500）产生的与控制量（1200）一起作用于被控对象（300），并对其输出产生影响的输入，在理想的情况下，控制扰动量（1500）r_oef(t)可以为常数0，即忽略不计；其中，预测扰动量（1600）是由预测扰动源（600）产生的与控制参数（1100）、控制量（1200）、控制结果（1300）一起作用于在线预测器（400），并对在线预测算法（401）的输出产生影响的输入，在理想情况下，即可以忽略控制系统内外环境中其他装置的扰动影响的情况下，控制扰动源（500）和预测扰动源（600）可以忽略，即不存在控制扰动源（500）和预测扰动源（600），此时控制扰动量（1500）r_oef(t)和预测扰动量（1600）r_orf(t)为常数0；

在线预测算法（401）的输出是控制结果预测值（1401）y_predict(t)；

当前t时刻大于等于启动预测时刻T_predict的这种情况下，将控制结果预测值（1401）y_predict(t)作为预测结果（1400）y_our(t)，即y_out(t)＝y_predict(t)；

综上所述，预测结果（1400）y_our(t)的取值见公式45：

$>y_{\mathrm{out}}\left(t\right)=\left(\begin{array}{ccc}{y}_{\mathrm{system}}\left(t\right)& ,& t<T_{\mathrm{predict}}\\ y_{\mathrm{predict}}\left(t\right)& ,& t\ge T_{\mathrm{predict}}\end{array}\right)$>公式45

5.根据权利要求4所述的在线预测算法（401），其特征在于：

在线预测算法（401）可以采用经典的向量时间序列预测方法即VARMA方法、神经网络预测方法、线性回归预测方法、非线性回归预测方法、曲线函数拟合方法，也可以采用满足输入是由时间序列控制参数（1100）、时间序列控制量（1200）、时间序列控制结果（1300）、时间序列控制扰动量（1500）、时间序列预测扰动量（1600），输出是控制结果预测值（1401）的预测算法；

采用VARMA算法时，nAR和nMA参数的取值范围为5至10闭区间内的正整数；在Matlab中VARMA预测算法通过vgxset()、vgxvarx()、vgxpred()三个函数实现；具体实现过程请参见本专利说明书中实施例部分；

6．采用了时间序列预测与智能控制结合的参数在线整定方法的系统，其特征在于：由第〇装置——控制决策器（0）、第一装置——在线整定器（100）、第二装置——控制执行器（200）、第三装置——被控对象（300）、第四装置——在线预测器（400）、第五装置——控制扰动源（500）和第六装置——预测扰动源（600）七组装置组成；

1.1各组装置内部构成以及输入、输出接口情况：

1.1.0第〇装置—-控制决策器（0）可以是嵌入式设备、或单片机系统、或工控机、或PLC可编程逻辑控制器、或计算机、或服务器、或移动终端；

当第〇装置——控制决策器（0）采用计算机（1）时，其输出接口可以是以太网接口，通过网线及网络交换设备与第一装置——在线整定器（100）的输入接口相连接；

1.1.1第一装置——在线整定器（100）可以是嵌入式设备、或单片机系统、或工控机、或PLC可编程逻辑控制器、或计算机、或服务器；

当第一装置——在线整定器（100）采用计算机（100）时，其两个输入接口可以是以太网接口，通过网线及网络交换设备与第〇装置——控制决策器（0）、第四装置——在线预测器（400）的输出接口相连接；其两个输出接口可以是以太网接口，通过网线及网络交换设备与第二装置——控制执行器（200）、第四装置——在线预测器（400）的输入接口相连接；上述以太网接口可以复用同一个以太网接口；

1.1.2第二装置——控制执行器（200）可以是嵌入式设备、或单片机系统、或工控机、或PLC可编程逻辑控制器、或计算机、或服务器、或PID控制器配合变频器、或驱动器；

当第二装置——控制执行器（200）采用PLC可编程逻辑控制器（201）和变频器（202）时，其输入接口可以是PLC可编程逻辑控制器（201）的以太网接口，通过网线及网络交换设备与第一装置——在线整定器（100）的输出接口相连接；其输出接口可以是变频器（202）三项交流输出接口，通过电缆线与第三装置——被控对象（300）的输入接口相连接；

第二装置——控制执行器（200）内部装置的连接关系如下：PLC可编程逻辑控制器（201）与变频器（202）之间，可以通过RS485接口、或以太网接口、或工业总线接口相连接；

第二装置——控制执行器（200）作为转发装置，实现从第六装置——预测扰动源（600）向第四装置——在线预测器（400）的连接过细和工作过程是：PLC可编程逻辑控制器（201）可以通过传感器接口作为输入接口接收来自第六装置——预测扰动源（600）的信息，并通过以太网接口向第四装置——在线预测器（400）进行转发；

1.1.3第三装置——被控对象（300）可以是电机、或温控设备、或压控设备、或电磁场、或生产系统、或经济系统；

当第三装置——被控对象（300）采用电机（301）、负载风扇（302）时和测速编码器（303）时，其中一个输入接口可以是电机（301）的三项交流输入接口，通过电缆线与第二装置——控制执行器（200）的三项交流输出接口相连接；其中另一个输入是负载风扇（302）受到的第五装置——控制扰动源（500）的降温风扇（501）输出的快速流动的空气的扰动；第三装置——被控对象（300）输出接口可以通过测速编码器（303）的RS232、或以太网、或工业总线接口与第四装置——在线预测器（400）的输入接口相连接；

第三装置——被控对象（300）内部装置的连接关系如下：电机（301）扭矩输出主轴通过传动装置与负载风扇（302）的扭矩输入主轴相连接，电机（301）带动负载风扇（302）转动，从而构成一组输出与输入的关系；同时负载风扇（302）的扭矩输入主轴又固定有测速编码器（303）的码盘，风扇（302）转动带动码盘转动，从而构成一组输出与输入的关系；

电机（301）工作过程中会产生热量，影响电机的工作性能，进而影响预测的结果；因此电机（301）工作过程中会产生热量可以作为第四装置——在线预测器（400）的输入之一；该散热问题通过降温风扇（501）解决，降温风扇（501）在解决散热问题的同时也对负载风扇（302）产生干扰，因此第五装置——控制扰动源（500）的输出也是负载风扇（302）的输入之一；

1.1.4第四装置——在线预测器（400）可以是嵌入式设备、或单片机系统、或工控机、或PLC、或计算机、或服务器；

当第四装置——在线预测器（400）采用计算机（401）时，其两个输入接口可以是以太网接口，通过网线及网络交换设备与第一装置——在线整定器（100）、第二装置——控制执行器（200）的PLC可编程逻辑控制器（201）的以太网输出接口相连接；其另一个输入接口和被控对象（300）的测速编码器（303）之间通过RS232、或以太网、或工业总线接口相连接；

1.1.5第五装置——控制扰动源（500）可以是影响空气流动的装置、或影响湿度的装置、影响温度的装置、障碍物、产生干扰的装置；

当第五装置——控制扰动源（500）采用降温风扇（501）时，其风扇转动产生的流动空气对电机（301）进行降温，同时也会对负载风扇（302）产生影响，即作为负载风扇（302）的输入之一；

1.1.6第六装置——预测扰动源（600）可以是影响空气流动的装置、或影响湿度的装置、影响温度的装置、障碍物、产生干扰的装置。

当认为第六装置——预测扰动源（600）之一是电机（301）的发热量时，温度传感器（601）的输入是电机（301）的温度；温度传感器（601）的输出采用三线制接法与第二装置——控制执行器（200）的PLC可编程逻辑控制器（201）的传感器输入接口相连接；

1.2各组装置间连接关系以及信号传递关系：

控制决策器（0）的输出为系统控制目标（1000）r_in；该控制目标（1000）与在线整定器（100）的输入相连接，成为在线整定器（100）的输入之一；在线整定器（100）的输入之二是预测结果（1400）y_our；在线控制器根据控制目标（1000）和预测结果（1400），通过在线整定算法（101）计算得出控制参数（1100）K_c，该控制参数（1100）既是控制执行器（200）的输入，又是在线预测器（400）的输入之一；控制执行器（200）根据其输入的控制参数（1100）通过控制算法计算出控制量（1200）u，该控制量（1200）既是被控对象（300）的输入之一，又是在线预测器（400）的输入之二；被控对象（300）的输入之二是控制扰动源（500）产生的控制扰动量（1500）r_oef，被控对象（300）在控制量（1200）和控制扰动量（1500）这两个输入的共同作用下，产生控制结果（1300）y_system，该控制结果（1300）是在线预测器（400）的输入之三；在线预测器（400）的输入之四是由预测扰动源（600）产生的预测扰动量（1600）r_orf，在线预测器（400）根据控制参数（1100）、控制量（1200）、控制结果（1300）、预测扰动量（1600）r_orf的时间序列历史值，通过在线预测算法（401）计算出控制结果预测值（1401）y_predict和预测结果（1400）y_out，该预测结果（1400）作为在线整定器（100）的输入；

1.3系统启动后的工作过程如下：

系统启动后的各装置按照1.3.0过程0至1.3.5过程5这六个过程运行：

1.3.0过程0：

第〇装置——控制决策器（0）实现“时间序列预测与智能控制结合的参数在线整定方法”的步骤1.0参数初始化；

1.3.1过程1：

第一装置——在线整定器（100）实现“时间序列预测与智能控制结合的参数在线整定方法”的步骤1.1计算控制参数K_c并修正在线整定算法参数w；

1.3.2过程2：

第二装置——控制执行器（200）实现“时间序列预测与智能控制结合的参数在线整定方法”步骤1.2计算控制量u(t)；

1.3.3过程3：

第三装置——被控对象（300）实现“时间序列预测与智能控制结合的参数在线整定方法”步骤1.3采集或计算系统输出y_system(t)；

1.3.4过程4：

第四装置——在线预测器（400）实现“时间序列预测与智能控制结合的参数在线整定方法”步骤1.4计算预测结果y_out(t)；

1.3.5过程5：

第〇装置——控制决策器（0）根据当前系统的各项参数、状态和输出，实现“时间序列预测与智能控制结合的参数在线整定方法”步骤1.5判断算法是否结束。

本发明的与现有技术相比的优势：

本发明提出的时间序列预测与智能控制结合的参数在线整定方法与系统与现有技术相比的优势如下：（1）与经典的比例微分积分控制方法相比，该方法具有在线整定能力，可以实现控制系统运行前进行初步设置控制参数即可启动控制系统，系统在运行过程中，能够根据被控对象和控制环境的特点，自动优化控制参数，实现更优化的控制目标，控制目标不仅可以是控制输出，也可以是自定义的根据控制系统各部分状态值而制定的性能函数值；（2）与模糊控制方法相比，该方法具有智能学习的能力，系统运行前无需给出明确的控制参数规则，控制器可以根据系统运行的情况和特点，在线学习产生控制参数整定规则，并将其实施于控制参数的计算过程；（3）与神经网络控制方法相比，该方法的学习功能具有不会陷入局部极小点的特性；（4）与预测控制相比，该算法可以摆脱对被控对象模型精确度的依赖；（5）与现有的在线整定PID方法相比，该方法具有更高级的智能学习能力，系统运行前无需给出明确的控制参数优化规则，控制器可以根据系统运行的情况和特点，在线学习产生控制参数优化规则，并将其实施于控制参数的计算过程；

附图说明

附图1采用了时间序列预测与智能控制结合的参数在线整定方法的系统的结构图

附图2时间序列预测与智能控制结合的参数在线整定方法流程图

附图3系统的装置连接关系图

具体实施方式

下面结合附图1至附图3给出本发明的一个实施例：抗扰动电机转速控制系统。该系统的控制目标是希望在系统运行前，只需要粗略的配置控制参数即可启动系统。系统运行过程中，根据实际工作环境和干扰情况，在线调整控制参数，使电机拖动的负载尽快达到并稳定于目标转速。

（一）设备选型：

如图1所示，本实施例中采用的计算机（1）、计算机（101）和计算机（401）的型号均为IBM x3650；控制执行器（200）的PLC可编程逻辑控制器（201）采用的型号为西门子S7-400，变频器（202）采用的型号为西门子MM430；电机（301）采用西门子1LG0090-4AA21；负载风扇（302）和降温风扇（501）均采用西门子变频器风扇W2D210-EA10-11；温度传感器（601）采用Pt100温度传感器；

（二）设备连接：

使用网线将计算机（1）、计算机（101）和计算机（401）和PLC可编程逻辑控制器（201）的以太网网接口连接到同一个交换机的各个网口；

PLC可编程逻辑控制器（201）与变频器（202）之间通过RS485接口相连接；变频器（202）的三项交流输出接口，通过电缆线与电机（301）的三项交流输入接口相连接；

电机（301）扭矩输出主轴通过传动装置与负载风扇（302）的扭矩输入主轴相连接，电机（301）带动负载风扇（302）转动；同时负载风扇（302）的扭矩输入主轴又固定有测速编码器（303）的码盘，风扇（302）转动带动码盘转动；

电机（301）的发热量会对电机（301）转速产生影响，将温度传感器（601）部署在电机（301）上用于采集温度；温度传感器（601）的输出采用三线制接法与PLC可编程逻辑控制器（201）的传感器输入接口相连接；PLC可编程逻辑控制器（201）通过传感器接口作为输入接口接收来自温度传感器（601）的信息，并通过以太网接口向在线预测器（400）的计算机（401）进行转发；

降温风扇（501）转动产生的流动空气对电机（301）进行降温，同时也会对负载风扇（302）产生影响；

控制决策器（0）用于实现时间序列预测与智能控制结合的参数在线整定方法中步骤1.0参数初始化；在线整定器（100）采用了在线整定算法（101），用于实现方法中步骤1.1计算控制参数K_c并修正在线整定算法参数w；控制执行器（200）采用了控制算法（201），用于实现方法中步骤1.2计算控制量u(t)；被控对象（300）用于产生控制系统输出，达成控制目标，用于实现方法中步骤1.3采集或计算系统输出y_system(t)；在线预测器（400）采用了在线预测算法（401），用于实现步骤1.4计算预测结果Yout(t)；

（三）系统启动后的工作过程如下：

系统启动后的各装置按照1.3.0过程0至1.3.5过程5这六个过程运行：

1.3.0过程0：

第〇装置——控制决策器（0）实现“时间序列预测与智能控制结合的参数在线整定方法”的步骤1.0参数初始化：

上述步骤1.0为计算过程中涉及到的各变量分别赋予初始值；包括以下12个子步骤，即步骤1.0.1至步骤1.0.12：

步骤1.0.1设定算法当前执行次数t、执行总次数T：

本实施例属于算法连续运行从不终止的情况：设当前执行次数初始值t＝1；设执行总次数T＝0，当T＝0时该算法不断循环，不会终止；

步骤1.0.2设定每个时刻的控制目标（1000）值r_in(t)＝1；控制目标在该实施例中的含义是期望得到的电机拖动对象的转速，1表示1000转/分钟；

步骤1.0.3设定启动预测时刻T_predict＝51；

步骤1.0.4设定在线预测算法（401）需要的历史数据的个数K_predict＝50；

步骤1.0.5设定预测步长为L_predict＝10；

步骤1.0.6设定控制结果初始值为零,即y_system(t)＝0；y_system(t)在该实施例中表示电机拖动负载实时真实转速；

步骤1.0.7设定控制结果预测值为零,即y_predict(t)＝0；y_predict(t)在该实施例中表示电机拖动负载转速的预测值

步骤1.0.8设定预测结果初始值为零,即y_out(t)＝0，y_out(t)表示预测控制器输出的用于在线整定器作为输入的电机拖动负载转速；

步骤1.0.9设定小波神经网络各层神经元数量M＝3、Q＝10、L＝3；

其中M表示小波神经网络的输入层神经元数量，即小波神经网络由M个输入层神经元构成；Q表示小波神经网络的隐含层神经元数量，即小波神经网络由Q个隐含层神经元构成；L表示小波神经网络的输出层神经元数量，即小波神经网络由L个输出层神经元构成；

当小波神经网络与PID控制方法相结合的时候，可以将预测结果（1400）y_out(t-1)、控制目标（1000）r_in(t)、控制误差error(t)作为神经网络的输入，此时M＝3；还可以将常数1也作为输入之一，此时M＝4，M＝5，6，...的情况以此类推；可以将PID控制方法的控制参数（1100）K_c(t)即比例参数K_p(t)、积分参数K_i(t)、微分参数K_d(t)作为神经网络的输出，此时L＝3；还可以将常数1也作为输出之一，此时L＝4，L＝5，6，...的情况以此类推；隐含层节点数Q可以在设为8-12中的某个值，此处设Q＝10；

步骤1.0.10设定t＝1次计算过程中的输入层、隐含层、输出层各神经元的输入变量$>\left(\begin{array}{cc}{\mathrm{net}}_i^{\left(1\right)}\left(t\right)& (i=\mathrm{1,2}...,M)\end{array}\right)$>$>\left(\begin{array}{cc}{\mathrm{net}}_j^{\left(2\right)}\left(t\right)& (\mathrm{1,2}...,M)\end{array}\right)$>$>\left(\begin{array}{cc}{\mathrm{net}}_k^{\left(3\right)}\left(t\right)& (k=\mathrm{1,2},...,L),\end{array}\right)$>输入层与隐含层的连接权值矩阵隐含层输出层各神经元的的连接权值矩阵隐含层神经元的活化函数尺度变换参数矩阵a_j(t)和b_j(t)中的每个元素为0至1开区间内的随机小数；

上述变量右上角标“(1)”表示神经网络的第一层——输入层，隐含层用“(2)”表示，输出层用“(3)”表示，右下角标“i”表示输入层神经元序号，“j”表示隐含层神经元序号，“k”表示输出层神经元序号；

步骤1.0.11设定神经网络的学习速率η＝0.2；设定神经网络的惯性系数α＝0.05；

步骤1.0.12设定控制量u(t)和误差量error(t)的初始值和时间序列值为零：u(t)＝0、u(t-1)＝0、u(t-2)＝0、error(t)＝0、error(t-1)＝0、error(t-2)＝0；

1.3.1过程1：

第一装置——在线整定器（100）实现“时间序列预测与智能控制结合的参数在线整定方法”的步骤1.1计算控制参数K_c并修正在线整定算法参数w：

上述步骤1.1根据控制目标（1000）r_in(t)和预测结果（1400）y_our(t-1)，采用在线整定算法（101），计算得出控制参数（1100）K_c(t)，并修正在线整定算法参数w(t+1)；本实施例中采用时间序列预测与智能控制结合的参数在线整定方法中的在线整定算法：

步骤1.1.1计算控制参数Kc：

步骤1.1.1.1计算输入层的输入

输入层神经元的输入的计算参见公式46：

$>\left(\begin{array}{c}{\mathrm{net}}_1^{\left(1\right)}\left(t\right)=r_{\mathrm{in}}\left(t\right)\\ {\mathrm{net}}_2^{\left(1\right)}\left(t\right)=y_{\mathrm{out}}(t-1)\\ {\mathrm{net}}_3^{\left(1\right)}\left(t\right)=\mathrm{error}\left(t\right)\end{array}\right)$>公式46

其中变量表示输入层3个神经元的输入；输入层3个神经元的输入分别为预测结果（1400）y_our(t-1)、控制目标（1000）r_in(t)、控制误差error(t)，error(t)的计算参见公式47：

error(t)＝y_out(t-1)-r_in(t)公式47

步骤1.1.1.2计算输入层的输出

神经网络输入层的输出的计算参见公式48：

$>O_i^{\left(1\right)}\left(t\right)={\mathrm{net}}_i^{\left(1\right)}\left(t\right),$>(i＝1，2，3)公式48

其中，输入层、隐含层、输出层各神经元的输出分别用变量$>(i=\mathrm{1,2},...,M),$>$>\left(\begin{array}{cc}{O}_j^{\left(2\right)}\left(t\right)& (j=\mathrm{1,2},...,Q),\end{array}\right)$>$>\left(\begin{array}{cc}{O}_k^{\left(3\right)}\left(t\right)& (k=\mathrm{1,2},...,L)\end{array}\right)$>表示；

步骤1.1.1.3计算隐含层的输入

神经网络隐含层的输入的计算参见公式49：

$>{\mathrm{net}}_j^{\left(2\right)}\left(t\right)=\underset{i-1}{\overset{M}{\Sigma }}{w}_{\mathrm{ij}}^{\left(2\right)}\left(t\right)·O_i^{\left(1\right)}\left(t\right),$>(j＝1，2，...，Q)公式49

其中表示输入层第i个神经元与隐含层第j个神经元之间的加权权值；

步骤1.1.1.4计算隐含层的输出

神经网络隐含层的输出的计算参见公式50：

$>O_j^{\left(2\right)}\left(t\right)={\psi }_{a,b}\left(\frac{{\mathrm{net}}_j^{\left(2\right)}-b_j\left(t\right)}{a_j\left(t\right)}\right),$>(j＝1，2，...，Q)公式50

其中ψ_a，b(t)为小波函数，即隐含层神经元的活化函数；a_j（t）、b_j（t）为小波函数尺度变换参数,即隐含层神经元的活化函数尺度变换参数；取满足框架条件的小波函数ψ_a，，b(t),见的计算方法参见公式51：

$>{\psi }_{a,b}\left(t\right)=\cos \left(1.75t\right)·e^{-\frac{t^2}{2}}$>公式51

ψ_a，，b(t)的一介导数的计算方法参见公式52：

$>{\psi }_{a,b}^{\prime }\left(t\right)=-1.75·\sin \left(1.75t\right)·e^{-\frac{t^2}{2}}-t·\cos \left(1.75t\right)·e^{-\frac{t^2}{2}}$>公式52

其中sin(x)、cos(x)分别表示x的正弦函数值和余弦函数值；

步骤1.1.1.5计算输出层的输入

神经网络输出层的输入的计算参见公式53：

$>{\mathrm{net}}_k^{\left(3\right)}\left(t\right)=\underset{j=1}{\overset{Q}{\Sigma }}{w}_{\mathrm{jk}}^{\left(3\right)}\left(t\right)·O_j^{\left(2\right)}\left(t\right),$>(k＝1，2，...，L)公式53

其中表示隐含层第j个神经元与输出层第k个神经元之间的加权权值；

步骤1.1.1.6计算输出层的输出

神经网络输出层的输出的计算参见公式54：

$>O_k^{\left(3\right)}\left(t\right)=g\left({\mathrm{net}}_k^{\left(3\right)}\left(t\right)\right),$>(k＝1，2，...，L)公式54

其中g(x)为输出层神经元的活化函数取非负的Sigmoid函数，g(x)的计算参见公式55：

$>g\left(x\right)==\frac{e^x}{e^x+e^{-x}}$>公式55

g(x)其一阶导数的计算参见公式56：

$>g^{\prime }\left(x\right)==\frac{2}{{(e^x+e^{-x})}^2}$>公式56

步骤1.1.1.7计算控制参数（1100）K_p(t)、K_i(t)、K_d(t)：

控制参数（1100）K_p(t)、K_i(t)、K_d(t)的计算参见公式57：

$>\left(\begin{array}{c}{K}_p\left(t\right)=O_1^{\left(3\right)}\left(t\right)\\ K_i\left(t\right)=O_2^{\left(3\right)}\left(t\right)\\ K_d\left(t\right)=O_3^{\left(3\right)}\left(t\right)\end{array}\right)$>公式57

其中，K_p(t)、K_i(t)、K_d(t)为输出层神经元的输入分别对应为经典比例微分积分控制方法的控制参数（1100）K_c(t)；

步骤1.1.1.8控制参数K_c(t)计算结束；

步骤1.1.2修正在线整定算法参数w(t)：

小波神经网络在线PID整定方法中的在线整定算法中的在线整定算法参数w(t)包括以下四个参数：输入层第i个神经元与隐含层第j个神经元之间的加权权值隐含层第j个神经元与输出层第k个神经元之间的加权权值小波函数尺度变换参数a_j(t)、b_j(t)；即a_j(t)，b_j(t)}；

步骤1.1.2.1计算误差和性能指标：

误差error(t)的计算参见公式58：

error(t)＝r_in(t)-y_our(t-1)公式58

性能指标E(t)的计算参见公式59：

$>E\left(t\right)=\frac{1}{2}{\mathrm{error}}^2\left(t\right)=\frac{1}{2}{(r_{\mathrm{in}}\left(t\right)-y_{\mathrm{out}}(t-1))}^2$>公式59

步骤1.1.2.2采用梯度下降法对神经网络隐含层和输出层之间的权值系数进行调整：

隐含层和输出层之间的权值系数的修正量的计算参见公式60：

$>\Delta w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)=\alpha ·\Delta w_{\mathrm{jk}}^{\left(3\right)}(t-1)-\eta ·\frac{\partial E\left(t\right)}{\partial w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)}$>公式60

公式60中，的计算公式参见公式61：

公式61

公式61中，的计算参见公式62：

公式62

公式61中，由于

未知，用近似符号函数取代，的计算参见公式63；

公式63

其中sgn(x)表示x的符号函数值，即如果x＞0则sgn(x)＝1，如果x＝0则sgn(x)＝0如果x＜0则sgn(x)＝-1；

公式61中，的计算参见公式64：

公式64

公式61中，的计算参见公式65：

公式65

公式61中，的计算参见公式66：

公式66

综上所述，的计算公式可以表示为公式67：

$>\frac{\partial E\left(t\right)}{\partial w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)}=\mathrm{error}\left(t\right)·\mathrm{sgn}\left(\frac{\partial y\left(t\right)}{\partial \mathrm{\Delta u}\left(t\right)}\right)·\frac{\partial \mathrm{\Delta u}\left(t\right)}{\partial O_k^{\left(3\right)}\left(t\right)}·g^{\prime }\left({\mathrm{net}}_k^{\left(3\right)}\left(t\right)\right)·O_j^{\left(2\right)}\left(t\right)$>公式67

综上所述，的计算公式可以表示为公式68：

$>\Delta w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)=\alpha ·\Delta w_{\mathrm{jk}}^{\left(3\right)}(t-1)\pm \eta ·{\delta }_k^{\left(3\right)}\left(t\right)·O_j^{\left(2\right)}\left(t\right)$>公式68

其中，的计算参见公式69：

$>{\delta }_k^{\left(3\right)}\left(t\right)=\frac{\partial E\left(t\right)}{\partial \mathrm{yout}\left(t\right)}·\frac{\partial \mathrm{yout}\left(t\right)}{\partial u\left(t\right)}·\frac{\partial u\left(t\right)}{\partial O_k^{\left(3\right)}\left(t\right)}·\frac{\partial O_k^{\left(3\right)}\left(t\right)}{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}$>公式69

$>=\mathrm{error}\left(t\right)·\mathrm{sgn}\left(\frac{\partial y\left(t\right)}{\partial u\left(t\right)}\right)·\frac{\partial u\left(t\right)}{\partial O_k^{\left(3\right)}\left(t\right)}·g^{\prime }\left({\mathrm{net}}_k^{\left(3\right)}\left(t\right)\right)$>(k＝1，2，3)

步骤1.1.2.3采用梯度下降法对神经网络输入层和隐含层之间的权值系数进行调整：

计算输入层和隐含层之间的权值系数的修正值见公式70：

$>\Delta w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)=\alpha ·\Delta w_{\mathrm{ij}}^{\left(2\right)}(t-1)-\eta ·\frac{\partial E\left(t\right)}{\partial w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)}$>公式70

公式70中，的计算参见公式71：

$>\frac{\partial E\left(t\right)}{\partial w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)}=\frac{\partial E\left(t\right)}{\partial \mathrm{yout}\left(t\right)}·\frac{\partial \mathrm{yout}\left(t\right)}{\partial u\left(t\right)}·\frac{\partial u\left(t\right)}{\partial O_k^{\left(3\right)}\left(t\right)}·\frac{\partial O_k^{\left(3\right)}\left(t\right)}{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}·\frac{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}{\partial O_j^{\left(2\right)}\left(t\right)}$>

$>·\frac{\partial O_j^{\left(2\right)}\left(t\right)}{\partial {\mathrm{net}}_j^{\left(2\right)}\left(t\right)}·\frac{\partial {\mathrm{net}}_j^{\left(2\right)}\left(t\right)}{\partial w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)}$>公式71

$>={\delta }_k^{\left(3\right)}\left(t\right)·\frac{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}{\partial O_j^{\left(2\right)}\left(t\right)}·\frac{\partial O_j^{\left(2\right)}\left(t\right)}{\partial {\mathrm{net}}_j^{\left(2\right)}\left(t\right)}·\frac{\partial {\mathrm{net}}_j^{\left(2\right)}\left(t\right)}{\partial w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)}$>

公式71中，的计算参见公式72：

$>\frac{\partial {\mathrm{net}}_k^{\left(3\right)}\left(t\right)}{\partial O_j^{\left(2\right)}\left(t\right)}=w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)$>公式72

公式71中，的计算参见公式73：

$>\frac{\partial O_j^{\left(2\right)}\left(t\right)}{\partial {\mathrm{net}}_j^{\left(2\right)}\left(t\right)}={\psi }_{a,b}^{\prime }\left(\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j\left(t\right)}\right)·\frac{1}{a_j\left(t\right)}$>公式73

公式71中，的计算参见公式74：

$>\frac{\partial {\mathrm{net}}_j^{\left(2\right)}\left(t\right)}{\partial w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)}=O_i^{\left(1\right)}\left(t\right)$>公式74

综上所述，的计算公式可以表示为公式75：

$>\frac{\partial E\left(t\right)}{\partial w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)}=\underset{k=1}{\overset{L}{\Sigma }}{\delta }_k^{\left(3\right)}\left(t\right)·w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)·{\psi }_{a,b}^{\prime }\left(\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j\left(t\right)}\right)·\frac{1}{a_j\left(t\right)}·O_i^{\left(1\right)}\left(t\right)$>公式75

公式75中的在公式69中给出；

步骤1.1.2.3计算隐含层神经元的活化函数尺度变换参数a_j(t)的修正值Δa_j(t)：

隐含层神经元的活化函数尺度变换参数a_j(t)的修正值Δa_j(t)的计算公式可以表示为公式76：

$>\Delta a_j\left(t\right)=\alpha ·\Delta a_j(t-1)-\eta ·\frac{\partial E\left(t\right)}{\partial a_j\left(t\right)}$>公式76

公式76中，的计算参见公式77：

$>\frac{\partial E\left(t\right)}{{\partial a}_j\left(t\right)}=\frac{\partial E\left(t\right)}{\partial \mathrm{yout}\left(t\right)}·\frac{\partial \mathrm{yout}\left(t\right)}{\partial u\left(t\right)}·\frac{\partial u\left(t\right)}{{\partial O}_k^{\left(3\right)}\left(t\right)}·\frac{{\partial O}_k^{\left(3\right)}\left(t\right)}{{\partial \mathrm{net}}_k^{\left(3\right)}\left(t\right)}·\frac{{\partial \mathrm{net}}_k^{\left(3\right)}\left(t\right)}{{\partial O}_j^{\left(2\right)}\left(t\right)}·\frac{{\partial O}_j^{\left(2\right)}\left(t\right)}{{\partial a}_j\left(t\right)}$>公式77

公式77中，$>\frac{\partial E\left(t\right)}{\partial \mathrm{yout}\left(t\right)}·\frac{\partial \mathrm{yout}\left(t\right)}{\partial u\left(t\right)}·\frac{\partial u\left(t\right)}{{\partial O}_k^{\left(3\right)}\left(t\right)}·\frac{{\partial O}_k^{\left(3\right)}\left(t\right)}{{\partial \mathrm{net}}_k^{\left(3\right)}\left(t\right)}$>的计算参见公式69：

公式77中，的计算参见公式72：

公式77中，的计算参见公式78：

$>\frac{{\partial O}_j^{\left(2\right)}\left(t\right)}{{\partial a}_j\left(t\right)}={\psi }_{a,b}^{\prime }\left(\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j\left(t\right)}\right)·(-\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j^2\left(t\right)})$>公式78

综上所述，的计算公式可以表示为公式79：

$>\frac{\partial E\left(t\right)}{{\partial a}_j\left(t\right)}=\underset{k=1}{\overset{L}{\Sigma }}{\delta }_k^{\left(3\right)}\left(t\right)·w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)·{\psi }_{a,b}^{\prime }\left(\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j\left(t\right)}\right)·\left(\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j^2\left(t\right)}\right)$>公式79

步骤1.1.2.4计算隐含层神经元的活化函数尺度变换参数b_j(t)的修正值Δb_j(t)：

隐含层神经元的活化函数尺度变换参数b_j(t)的修正值Δb_j(t)的计算公式可以表示为公式80：

$>{\mathrm{\Delta b}}_j\left(t\right)=\alpha ·{\mathrm{\Delta b}}_j(t-1)-\eta ·\frac{\partial E\left(t\right)}{{\partial b}_j\left(t\right)}$>公式80

公式80中，的计算参见公式81：

$>\frac{\partial E\left(t\right)}{{\partial b}_j\left(t\right)}=\frac{\partial E\left(t\right)}{\partial \mathrm{yout}\left(t\right)}·\frac{\partial \mathrm{yout}\left(t\right)}{\partial u\left(t\right)}·\frac{\partial u\left(t\right)}{{\partial O}_k^{\left(3\right)}\left(t\right)}·\frac{{\partial O}_k^{\left(3\right)}\left(t\right)}{{\partial \mathrm{net}}_k^{\left(3\right)}\left(t\right)}·\frac{{\partial \mathrm{net}}_k^{\left(3\right)}\left(t\right)}{{\partial O}_j^{\left(2\right)}\left(t\right)}·\frac{{\partial O}_j^{\left(2\right)}\left(t\right)}{{\partial b}_j\left(t\right)}$>公式81

公式80中，$>\frac{\partial E\left(t\right)}{\partial \mathrm{yout}\left(t\right)}·\frac{\partial \mathrm{yout}\left(t\right)}{\partial u\left(t\right)}·\frac{\partial u\left(t\right)}{{\partial O}_k^{\left(3\right)}\left(t\right)}·\frac{{\partial O}_k^{\left(3\right)}\left(t\right)}{{\partial \mathrm{net}}_k^{\left(3\right)}\left(t\right)}$>的计算参见公式69：

公式80中，的计算参见公式72：

公式80中，的计算参见公式82：

$>\frac{{\partial O}_j^{\left(2\right)}\left(t\right)}{{\partial b}_j\left(t\right)}={\psi }_{a,b}^{\prime }\left(\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j\left(t\right)}\right)(-\frac{1}{a_j\left(t\right)})$>公式82

综上所述，的计算公式可以表示为公式83：

$>\frac{\partial E\left(t\right)}{{\partial b}_j\left(t\right)}=\underset{k=1}{\overset{L}{\Sigma }}{\delta }_k^{\left(3\right)}\left(t\right)·w_{\mathrm{jk}}^{\left(3\right)}\left(t\right){\psi }_{a,b}^{\prime }·\left(\frac{{\mathrm{net}}_j^{\left(2\right)}\left(t\right)-b_j\left(t\right)}{a_j\left(t\right)}\right)(-\frac{1}{a_j\left(t\right)})$>公式83

步骤1.1.2.5修正在线整定算法参数w(t)到w(t+1)：

当前第t次计算使用到的在线整定算法参数为：a_j(t)，b_j(t)}；修正后的结果为第t+1次计算将使用到的在线整定算法参数w(t+1)＝$>\{w_{\mathrm{ij}}^{\left(2\right)}(t+1),$>$>w_{\mathrm{jk}}^{\left(3\right)}(t+1),$>a_j(t+1)，b_j(t+1)}

隐含层第j个神经元与输出层第k个神经元之间的加权权值的修正计算参见公式84：

$>w_{\mathrm{jk}}^{\left(3\right)}(t+1)=w_{\mathrm{jk}}^{\left(3\right)}\left(t\right)+{\mathrm{\Delta w}}_{\mathrm{jk}}^{\left(3\right)}\left(t\right)$>公式84

输入层第i个神经元与隐含层第j个神经元之间的加权权值的修正计算参见公式85：

$>w_{\mathrm{ij}}^{\left(2\right)}(t+1)=w_{\mathrm{ij}}^{\left(2\right)}\left(t\right)+{\mathrm{\Delta w}}_{\mathrm{ij}}^{\left(2\right)}\left(t\right)$>公式85

隐含层神经元的活化函数尺度变换参数a_j(t)的修正计算参见公式86：

a_j(t+1)＝a_j(t)+Δa_j(t)公式86

隐含层神经元的活化函数尺度变换参数b_j(t)的修正计算参见公式87：

b_j(t+1)＝b_j(t)+Δb_j(t)公式87

1.3.2过程2：

第二装置——控制执行器（200）实现“时间序列预测与智能控制结合的参数在线整定方法”步骤1.2计算控制量u(t)；

上述步骤1.2采用控制算法（201），计算得出控制量（1200）u(t)；算法的输入是控制参数（1100）K_c(t)、控制量（1200）u(t)和误差error(t)时间序列值；算法的输出是控制量（1200）u(t)；

控制算法（201）采用增量式PID控制算法，采用增量式PID控制算法时，u(t)的计算参见公式88：

u(t)=u(t-1)+K_p(t)·(error(t)-error(t-1))+K_i(t)·error(t)公式88

+K_d(t)·(error(t)-2error(t-1)+error(t-2))

1.3.3过程3：

第三装置——被控对象（300）实现“时间序列预测与智能控制结合的参数在线整定方法”步骤1.3采集或计算系统输出y_system(t)：

上述步骤1.3得到控制结果（1300）y_system(t)，由于该实施例为真实电机拖动控制系统，因此控制结果y_system(t)不是通过计算机仿真计算得到的，而是通过对电机拖动的负载转速测量码盘采样得到的；

此外，对于权利要求1中提及的计算机仿真方法中计算控制结果（1300）y_system(t)，此处给出一个实施例：

当被控对象的数学模型为公式89所描述时

$>\left(s\right)=\frac{523500}{s^3+{87.35s}^2+10470s}$>公式89

此时y_system(t)的计算参见公式90：

y_system(t)＝-den(2)·y_system(t-1)-den(3)·y_system(t-2)-den(4)

·y_system(t-3)+num(2)·y_system(t-1)+num(3)公式90

·y_system(t-2)+num(4)·y_system(t-3)

其中den(2)、den(3)、den(4)、num(2)、num(3)、num(4)由公式89经过z变换得到；在Matlab中上述z变换通过c2d()函数和tfdata()函数实现，实现该算法的源程序如下：

sys=tf(523500,[1,87.35,10470,0]);

dsys=c2d(sys,ts,'tustin');

[num,den]=tfdata(dsys,'v');

1.3.4过程4：

第四装置——在线预测器（400）实现“时间序列预测与智能控制结合的参数在线整定方法”步骤1.4计算预测结果Yout(t)：

上述步骤1.4采用在线预测算法（401），计算得出预测结果（1400）yout(t)；

本实施例中在线预测算法（401）可以采用向量时间序列预测方法即VARMA方法；采用VARMA算法时，nAR和nMA参数的取值范围为5至10闭区间内的正整数；在Matlab中VARMA预测算法通过vgxset()、vgxvarx()、vgxpred()三个函数实现，以下给出一个该方法实施的实例：

VARMA算法函数源程序如下：

functionypredict=myarma5in2ar2ma(Y,PredictLength)

Ylog=diff(log(Y));

S=cei1(0.1*size(Ylog,1));

Ypre1=Ylog(1:S,:);

Yest1=Ylog((S+1):end,:);

VAR2MA2=vgxset('n',5,'nAR',2,'nMA',2,'Series',{'yout','u','kp','ki','kd'});

[EstSpec1,EstStdErrors1]=vgxvarx(VAR2MA2,Yest1,[],Ypre1,'CovarType','Diagonal','IgnoreMA','yes');

[ypredict,FYCov1]=vgxpred(EstSpec1,PredictLength,[],Yest1);

ypredict=[log(Y(end,:));ypredict];

ypredict=exp(cumsum(ypredict));

首先判断当前t时刻是否到达启动预测是可启动预测时刻T_predict：

如果当前t时刻小于启动预测时刻T_predict，则不启动预测，控制结果（1300）y_system(t)直接充当预测结果（1400）y_our(t)，即y_our(t)＝y_system(t)；

如果当前t时刻大于等于启动预测时刻T_predict，则启动预测，进行采用在线预测算法进行计算。在本实施例中，忽略控制扰动源（500）和预测扰动源（600）的影响，即认为控制扰动量（1500）r_oef(t)和预测扰动量（1600）r_orf(t)为常数0；

在线预测算法（401）的输入分别是：控制参数（1100）的时间序列K_c(t)、K_c(t-1)、K_c(t-2)、…、K_c(t-K_predict)、控制量（1200）的时间序列u(t)、u(t-1)、u(t-2)、…、u(t-K_predict)、控制结果（1300）的时间序列y_system(t)、y_system(t-1)、y_system(t-2)、…、y_system(t-K_predict)；

将控制结果预测值（1401）y_predict(t)作为预测结果（1400）y_out(t)，即y_out(t)＝y_predict(t)；

综上所述，预测结果（1400）y_out(t)的取值见公式91：

$>y_{\mathrm{out}}\left(t\right)=\left(\begin{array}{ccc}{y}_{\mathrm{system}}\left(t\right)& ,& t<T_{\mathrm{predict}}\\ y_{\mathrm{predict}}\left(t\right)& ,& t\ge T_{\mathrm{predict}}\end{array}\right)$>公式91

1.3.5过程5：

第〇装置——控制决策器（0）根据当前系统的各项参数、状态和输出，实现“时间序列预测与智能控制结合的参数在线整定方法”步骤1.5判断算法是否结束：

上述步骤1.5有两个情况分支构成：

算法尚未结束的情况：如果T＝0，或者如果T≠0且t＜T，则t＝t+1，跳转到步骤1.1，即重新进入1.3.1过程1至1.3.5过程5，至此完成了第t次计算；

算法结束的情况：如果T≠0且t≥T，至此完成了全部T次计算。