智能控制第5章 神經(jīng)網(wǎng)絡在控制中的應用

1、第5章 神經(jīng)網(wǎng)絡在控制中的應用,神經(jīng)網(wǎng)絡在控制中的應用神經(jīng)網(wǎng)絡辨識技術神經(jīng)網(wǎng)絡控制技術,5.1 神經(jīng)網(wǎng)絡系統(tǒng)辨識,系統(tǒng)辨識是自適應控制的關鍵所在，它通過測量對象的輸入輸出狀態(tài)來估計對象的數(shù)學模型，使建立的數(shù)學模型和對象具有相同的輸入輸出特性。,神經(jīng)網(wǎng)絡對非線性函數(shù)具有任意逼近和自學習能力，為系統(tǒng)的辨識，尤其是非線性動態(tài)系統(tǒng)的辨識提供了一條十分有效的途徑。,神經(jīng)網(wǎng)絡系統(tǒng)辨識實質(zhì)上是選擇一個適當?shù)纳窠?jīng)網(wǎng)絡模型來逼近實際系統(tǒng)的數(shù)學模型。

2、,5.1 神經(jīng)網(wǎng)絡系統(tǒng)辨識,5.1.1 神經(jīng)網(wǎng)絡系統(tǒng)辨識的原理,,系統(tǒng)辨識的原理就是通過調(diào)整辨識模型的結(jié)構來使e最小。,在神經(jīng)網(wǎng)絡系統(tǒng)辨識中，神經(jīng)網(wǎng)絡用作辨識模型，將對象的輸入輸出狀態(tài)u，y看作神經(jīng)網(wǎng)絡的訓練樣本數(shù)據(jù)，以J=e2/2作為網(wǎng)絡訓練的目標，則通過用一定的訓練算法來訓練網(wǎng)絡，使J足夠小，就可以達到辨識對象模型的目的。,5.1 神經(jīng)網(wǎng)絡系統(tǒng)辨識,5.1.2多層前向BP網(wǎng)絡的系統(tǒng)辨識,假設非線性對象的數(shù)學模型可以表示為：,,其中

3、f(﹒)是描述系統(tǒng)特征的未知非線性函數(shù)，m，n分別為輸入輸出的階次。則可以利用多層前向BP網(wǎng)絡來逼近非線性函數(shù)，進而估計對象的模型。,5.1 神經(jīng)網(wǎng)絡系統(tǒng)辨識,,多層前向BP網(wǎng)絡系統(tǒng)辨識原理圖,,5.1 神經(jīng)網(wǎng)絡系統(tǒng)辨識,網(wǎng)絡的輸出可以通過下式計算得到：,,H(*)表示隱層神經(jīng)元的激發(fā)函數(shù),Wij(1),Wj(2)分別表示網(wǎng)絡第1-2層和2-3層的連接權值,5.1 神經(jīng)網(wǎng)絡系統(tǒng)辨識,定義網(wǎng)絡訓練的目標函數(shù)為：,,則網(wǎng)絡訓練的BP算法可以

4、描述為：,,,,,5.1 神經(jīng)網(wǎng)絡系統(tǒng)辨識,5.1.3 遞歸神經(jīng)網(wǎng)絡系統(tǒng)辨識,,遞歸神經(jīng)網(wǎng)絡結(jié)構,5.1 神經(jīng)網(wǎng)絡系統(tǒng)辨識,遞歸神經(jīng)網(wǎng)絡的輸入輸出關系可以描述為：,,H(*)表示隱層神經(jīng)元的激發(fā)函數(shù),Wij(1),Wjk(2)分別表示網(wǎng)絡第1-2層和2-3層的連接權值,Wi(0)表示網(wǎng)絡第一層的遞歸權值,5.1 神經(jīng)網(wǎng)絡系統(tǒng)辨識,由于遞歸神經(jīng)網(wǎng)絡本身具有動態(tài)反饋環(huán)，可以記錄以前的狀態(tài)，因此用遞歸神經(jīng)網(wǎng)絡來對非線性對象進行辨識時只需以對

5、象當前的輸入狀態(tài)u(t)和前一時刻的輸出狀態(tài)y(t-1)作為網(wǎng)絡的輸入即可，與前向多層神經(jīng)網(wǎng)絡相比，網(wǎng)絡的結(jié)構較為簡單。,,5.1 神經(jīng)網(wǎng)絡系統(tǒng)辨識,,5.2 神經(jīng)網(wǎng)絡控制,神經(jīng)網(wǎng)絡在控制中主要起以下作用：,(1)在基于精確模型的各種控制結(jié)構中充當對象的模型；(2)在反饋控制系統(tǒng)中直接充當控制器的作用；(3)在傳統(tǒng)控制系統(tǒng)中起優(yōu)化計算作用；(4)在與其它智能控制方法和優(yōu)化算法相融合中,為其提 供對象模型、優(yōu)化參數(shù)、推理模

6、型及故障診斷等。,5.2 神經(jīng)網(wǎng)絡控制,5.2.1 神經(jīng)網(wǎng)絡直接反饋控制系統(tǒng),,神經(jīng)網(wǎng)絡直接用作誤差閉環(huán)系統(tǒng)的反饋控制器，神經(jīng)網(wǎng)絡控制器首先利用其它已有的控制樣本進行離線訓練，而后以系統(tǒng)的誤差的均方差為評價函數(shù)進行在線學習。,5.2 神經(jīng)網(wǎng)絡控制,5.2.2 神經(jīng)網(wǎng)絡逆控制(neural network inverse control),5.2 神經(jīng)網(wǎng)絡控制,自適應逆控制的基本思想就是用被控對象傳遞函數(shù)的逆模型作為串聯(lián)控制器對控制對象實

7、施開環(huán)控制。,神經(jīng)網(wǎng)絡先離線學習被控對象的逆動力學模型，然后用作對象的前饋串聯(lián)控制器。由于開環(huán)控制缺乏穩(wěn)定性，所以神經(jīng)網(wǎng)絡還需要根據(jù)系統(tǒng)的反饋誤差在線繼續(xù)學習逆動力學模型。,5.2 神經(jīng)網(wǎng)絡控制,5.2.3 神經(jīng)網(wǎng)絡內(nèi)?？刂?neural network inner mode control),1) 當模型精確時，對象和控制器同時穩(wěn)定就意味閉 環(huán)系統(tǒng)穩(wěn)定； 2) 當閉環(huán)系統(tǒng)穩(wěn)定時，若控制器取為模型逆，則不 論有無

8、外界干擾d，均可實現(xiàn)理想控制y=r； 3) 當閉環(huán)系統(tǒng)穩(wěn)定時，只要控制器和模型的穩(wěn)態(tài)增 益乘積為1，則系統(tǒng)對于階躍輸入及階躍干擾均不 存在輸出靜差。,5.2 神經(jīng)網(wǎng)絡控制,將對象模型與實際對象相并聯(lián)，控制器逼近模型的動態(tài)逆。一般有兩種方法： 1) 兩個神經(jīng)網(wǎng)絡分別逼近模型和模型的逆； 2) 采用神經(jīng)網(wǎng)絡逼近模型，然后用非線性優(yōu)化方法數(shù)值計算內(nèi)?？刂屏俊?5.2 神經(jīng)網(wǎng)絡控制,5.2.4 神經(jīng)網(wǎng)絡自適應控制(n

9、eural network adaptive control),(1) 神經(jīng)網(wǎng)絡模型參考自適應控制(neural network model reference adaptive control),模型參考自適應控制的目的是：系統(tǒng)在相同輸入激勵r的作用下，使被控對象的輸出y與參考模型的輸出ym達到一致。這樣通過調(diào)整參考模型，可以調(diào)整系統(tǒng)的動態(tài)特性。,5.2 神經(jīng)網(wǎng)絡控制,神經(jīng)網(wǎng)絡控制器(NNC)先離線學習被控對象的逆動力學模型，與被控

10、對象構成開環(huán)串聯(lián)控制，然后神經(jīng)網(wǎng)絡根據(jù)參考模型輸出與被控對象輸出的誤差函數(shù)進行在線訓練，使誤差函數(shù)最小。,神經(jīng)網(wǎng)絡模型參考直接自適應控制,5.2 神經(jīng)網(wǎng)絡控制,神經(jīng)網(wǎng)絡模型參考間接自適應控制,在直接自適應控制的基礎上，引入了一個神經(jīng)網(wǎng)絡辨識器（NNI）來對被控對象的數(shù)學模型進行在線辨識，這樣可以及時地將對象模型的變化傳遞給NNC，使NNC可以得到及時有效的訓練。,5.2 神經(jīng)網(wǎng)絡控制,(2) 神經(jīng)網(wǎng)絡自校正控制(neural netwo

11、rk self-turning control),自校正調(diào)節(jié)器的目的是在控制系統(tǒng)參數(shù)變化的情況下，自動調(diào)整控制器參數(shù)，消除擾動的影響，以保證系統(tǒng)的性能指標。在這種控制方式中，神經(jīng)網(wǎng)絡(NN)用作過程參數(shù)或某些非線性函數(shù)的在線估計器。,5.2 神經(jīng)網(wǎng)絡控制,假設被控對象的模型為yk+1＝f(yk)+g(yk)·uk 則用神經(jīng)網(wǎng)絡對非線性函數(shù)f(yk)和g(yk)進行辨識，假設其在線計

12、算估計值fd(yk)和gd(yk)，則調(diào)節(jié)器的自適應控制律為uk=(yd -fd(yk)/gd(yk) 此時系統(tǒng)的傳遞函數(shù)為1,5.2 神經(jīng)網(wǎng)絡控制,5.2.5 神經(jīng)網(wǎng)絡學習控制(neural network learning control),5.2 神經(jīng)網(wǎng)絡控制,神經(jīng)網(wǎng)絡學習控制系統(tǒng)將神經(jīng)網(wǎng)絡與常規(guī)誤差反饋控制結(jié)合起來，首先用NN學習對象的逆動力學模型，然后用NN作為前饋控制器與誤差反饋控制器構成復合控制器來控制對象。系統(tǒng)以

13、反饋控制器的輸出作為評價函數(shù)來調(diào)節(jié)神經(jīng)網(wǎng)絡的權值。這樣，在控制之初，反饋控制器的作用較強，而隨著控制過程的進行，NN得到越來越多的學習，反饋控制器的作用越來越弱，NN控制器的作用越來越強。,5.2 神經(jīng)網(wǎng)絡控制,5.2.6 神經(jīng)網(wǎng)絡預測控制(neural network predictive control),先用神經(jīng)網(wǎng)絡預測模型，根據(jù)過去的輸入序列和輸出序列及當前的輸入來預測被控對象的未來輸出值，再利用控制算法在線校正和優(yōu)化被控對象的

14、動態(tài)行為，最終使被控對象的輸出跟蹤期望軌跡穩(wěn)定在設定值上。,5.2 神經(jīng)網(wǎng)絡控制,5.2 神經(jīng)網(wǎng)絡控制,5.2.7 神經(jīng)網(wǎng)絡PID控制(neural network PID control),5.2 神經(jīng)網(wǎng)絡控制,經(jīng)典增量式數(shù)字PID 的控制算法為：,,NN 是一個三層BP 網(wǎng)絡, 有M個輸入節(jié)點、N 個隱含節(jié)點、3個輸出節(jié)點。輸入節(jié)點對應所選的系統(tǒng)運行狀態(tài)量, 輸出節(jié)點分別對應PID 控制器的3個可調(diào)參數(shù)kp , ki , kd 。,

15、5.2 神經(jīng)網(wǎng)絡控制,,網(wǎng)絡根據(jù)性能指標J=(r-y)2/2進行在線學習，則可以及時更新PID控制器的參數(shù)，使系統(tǒng)誤差在不確定嚴重的情況下保持最小。,5.2 神經(jīng)網(wǎng)絡控制,5.2.8 神經(jīng)網(wǎng)絡滑模控制(neural network sliding mode control),神經(jīng)網(wǎng)絡用于逼近被控對象由于建模誤差和外部干擾造成的不確定性，而后將神經(jīng)網(wǎng)絡的逼近誤差看作一個有界的不確定性，由滑模變結(jié)構控制律給予補償和控制。,5.2 神經(jīng)網(wǎng)絡控