基于门控-概率-注意力融合模糊辨识网络与软演员-评论家方法的伺服进给系统在线联合参数辨识

《Neurocomputing》：A Gating- Probabilistic -Attention Fusion Fuzzy Identification Network with Soft Actor-Critic for Online Joint Parameter Identification of Servo Feed Systems

　　

# 论文分析报告

这是一篇关于**伺服送料系统在线参数联合辨识**的研究论文，提出了一种结合模糊神经网络与强化学习的创新方法。以下是详细分析：

---

## 一、研究背景与问题

### 核心问题
当温度、湿度、负载、内外扰动和工况发生变化时，伺服系统的**转动惯量**和**摩擦系数**会发生改变，导致系统不确定性。这种参数不确定性会导致：
- 控制模型预测与实际响应失配
- 控制性能下降

### 现有方法的局限

| 方法类别 | 优点 | 缺点 |
|---------|------|------|
| **离线辨识** | 精确、稳定，不受实时性限制 | 无法应对系统时变特性 |
| **观测器方法** | 计算量小、实时性高 | 对摩擦建模要求高 |
| **积分法** | 实现简单、抗高频噪声 | 需要明确的初终状态，摩擦和负载扰动未分离时误差增大 |
| **传统神经网络** | 可处理非线性 | 通常为离线训练，难以在线更新 |
| **强化学习** | 可在线学习、适应不同工况 | 需要大量试错探索 |

---

## 二、核心方法：GPA-FINet

### 网络架构（图2）

GPA-FINet 由**9个层**顺序耦合组成：

```
输入层 → 隶属层 → Petri使能层 → 概率层 → 门控融合层 → 规则层 → 规则注意力层 → 输出层
```

### 各层功能详解

| 层级 | 功能 | 关键技术 |
|------|------|---------|
| **输入层** | 接收伺服系统运行信息 | - |
| **隶属层** | 描述不同工况 | **非对称高斯隶属函数**（表征正负误差的非对称响应） |
| **Petri使能层** | 动态筛选隶属通道 | 基于当前误差幅值动态调整激活状态 |
| **概率层** | 评估激活信息的置信度 | 概率评估机制 |
| **门控融合层** | 调节隶属信息与概率信息的相对贡献 | 门控融合机制 |
| **规则层** | 生成模糊规则 | - |
| **规则注意力层** | 为不同规则分配权重 | 抑制低贡献规则，聚焦高置信度特征 |
| **输出层** | 输出辨识参数 | - |

### 关键创新点

1. **非对称高斯隶属函数**：增强网络描述摩擦、负载等复杂工况的能力
2. **顺序耦合而非独立并行**：各层按照在线参数处理的信息处理需求顺序连接
3. **规则注意力机制**：动态调整模糊规则的贡献权重

---

## 三、SAC自适应学习率调整策略

### 设计思路
引入**Soft Actor-Critic (SAC)** 强化学习智能体，基于安全约束的多目标奖励函数在线调整网络学习率。

### 状态空间与动作空间

**状态信息**：
- 辨识损失
- 损失变化量
- 伺服运行信息
- 跟踪误差
- 梯度信息

**动作输出**：
- 输出层学习率缩放因子
- 规则注意力层学习率缩放因子

### SAC算法优势
- 基于最大熵的连续控制强化学习
- 收敛稳定
- 相比粒子群优化和非策略强化学习，**均方误差更低**

### 奖励函数设计
综合考虑：
- 辨识精度
- 收敛速度
- 安全约束

---

## 四、数学模型

### 伺服送料系统组成
```
伺服电机 + 联轴器 + 丝杠螺母副 → 实现直线送料
```

### 控制流程
```
参考位移指令 x*? → 与反馈位移 x? 比较 → 位移误差 e? → 位置控制器 → 控制量输出 → 闭环控制
```

### 参数辨识目标
- **等效转动惯量**
- **粘性阻尼系数**

---

## 五、方法优势总结

| 维度 | 传统方法 | 本文方法 |
|------|---------|---------|
| **信息利用** | 孤立模块 | 顺序耦合，提高有效信息提取利用 |
| **学习率调整** | 手动或固定 | SAC动态自适应调整 |
| **工况适应性** | 有限 | 多工况、多变系统强适应性 |
| **通用性** | 需重新辨识 | 小批量个性化系统快速辨识 |
| **实时性** | 部分方法受限 | 在线联合辨识，毫秒级响应 |

---

## 六、应用场景与价值

### 主要应用
- 高精度伺服送料系统
- 多品种、个性化、小批量生产中的参数设置问题

### 工业意义
1. **减少调试时间**：无需为每个新系统重新辨识参数
2. **提高鲁棒性**：适应不同物理参数和静动态特性
3. **增强泛化能力**：在不同系统和工况下保持良好的辨识效果

---

## 七、论文结构

| 章节 | 内容 |
|------|------|
| **第2节** | 伺服送料系统数学建模与问题描述 |
| **第3节** | GPA-FINet网络设计与梯度/参数更新方法推导 |
| **第4节** | SAC智能体优化策略、奖励函数设计与算法流程 |
| **第5节** | 仿真与实验验证 |

---

## 八、关键参考文献方向

- 伺服系统参数辨识（[1]-[3]）
- 观测器方法（[7]-[13]）
- 积分法（[14]-[18]）
- 神经网络方法（[16], [19], [20]）
- 强化学习（[21]-[26]）

---

## 九、潜在挑战与未来方向

1. **计算复杂度**：多层顺序耦合可能增加计算负担
2. **SAC训练稳定性**：需要精心设计奖励函数
3. **极端工况覆盖**：非对称高斯函数的泛化能力有待验证
4. **多参数扩展**：从2个参数扩展到更多参数时的可行性

---

## 总结

本文提出的 **GPA-FINet + SAC** 方法通过：
- **模糊神经网络**的多层顺序耦合结构提高信息利用效率
- **强化学习**的动态学习率调整实现自适应在线辨识

为伺服系统在线参数辨识提供了**新的有效解决方案**，特别适合**多品种、个性化、小批量**生产场景，具有良好的工程应用价值。

此外，当运行条件或被识别系统发生变化时，网络需要仿真，在强化学习训练和在线识别验证之前，需要对GPA-FINet进行离线预训练，以验证模型结构的合理性以及所选择的智能体动作，并获得合适的初始网络参数。将训练集的完整遍历定义为一次epoch，离线训练采用小批量随机梯度策略。在每个epoch内，首先对样本索引进行随机打乱，然后按批次抽取样本。结论：为了提高伺服进给系统参数识别的效率和精度，提出了一种基于软 Actor-Critic的门控-概率-注意力融合模糊识别网络（GPA-FINet），用于在线联合识别等效转动惯量和粘性阻尼。GPA-FINet集成了非对称高斯隶属函数、基于Petri的信息筛选、概率映射、门控融合和规则注意力，以提高有效信息的提取和利用。贡献声明：姚明：软件、调查。王浩：软件、调查、数据整理。冯献英：监督、资源、项目管理、资金支持。王安宁：撰写-审稿与编辑、撰写-原稿、验证、软件、资源、方法论、概念化。利益冲突声明：作者声明不存在任何已知的竞争性经济利益或个人关系，这些关系可能影响本文所报告的工作。致谢：感谢国家自然科学基金（项目编号：51875325）和山东省重点研发计划（2022CXGC010101）提供的资金支持。王安宁于2023年获得山东大学的机械工程硕士学位。他目前就读于山东大学人工智能专业博士研究生。他的研究兴趣包括系统识别、伺服控制和人工智能。王安宁 | 冯献英 | 王浩 | 姚明