《哈工大智能控制神经网络ppt课件第十三课神经网络控制.ppt》由会员分享，可在线阅读，更多相关《哈工大智能控制神经网络ppt课件第十三课神经网络控制.ppt（77页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、人工神经网络理论及应用人工神经网络理论及应用屈桢深哈尔滨工业大学哈尔滨工业大学13. 神经网络控制神经网络控制n神经网络控制基础神经网络控制基础n神经神经PID控制控制n神经神经模型参考自适应控制模型参考自适应控制与与NARMA控制控制n神经内模控制神经内模控制n神经网络逆控制神经网络逆控制n模型预测控制模型预测控制(MPC)*NN控制基础n 是将神经网络在相应的控制结构中做控制器、辨识器n 主要是为解决复杂的非线性、不确定、不确知系统，在不确定、不确知环境中的控制问题n 使控制系统稳定、鲁棒性好，具有要求的动态、静态性能NN控制与已有控制方法关系n 能对变化的环境具有自适应性，且成为基本上不
2、依赖于模型的一类控制，因此，神经控制已成为 “智能控制”的一个新的分支n 将具有学习能力的控制系统称为学习控制系统。NN控制是有学习能力的，属于学习控制控制系统设计过程控制系统分析正问题求解：（1）已知控制系统中各环节结构、参数；（2）已知被控对象所处的环境求解控制系统的稳定性、动态、稳态特性。控制系统设计（综合）逆问题求解： 有多种解法，可选择不同的控制结构，确定不同的准则函数。确定性系统NN控制设计已知对象特性及外加扰动是确定性的，时不变的；已知系统期望输出r，要求的性能指标。控制系统的设计：控制系统的设计： 设计控制器，校正对象的特性，使控制系统达到要求的性能指标，即使控制系统在r作用下
3、，由控制器给出的控制量u作用于对象，使其输出y跟踪r 。 对于确定性系统与环境，选择某种控制结构，可设计出确定参数的控制器。不确定环境下NN控制设计 对处于不确定、不确知环境中的复杂的非线性不确定、不确知系统的设计问题，是控制领域研究的核心问题。神经控制是解决问题的一条途径。 在已知被控对象的一些先验知识情况下：n 由神经网络做辨识器，在线识别对象模型，由于网络的学习能力，辨识器的参数可随着对象、环境的变化而自适应的改变。n 由神经网络做控制器，其性能随着对象、环境的变化而自适应的改变（通过神经辨识器）。 NN控制结构示例 PID 控制器 e - y u y - r 2e 1e - 对象 学习
4、算法 学习算法 NNC NNI 神经网络系统实现(硬件) 神经控制绝大多数是数字控制，用数字量实现对被控对象的控制，讨论连续对象用数字计算机实现的神经控制问题。 神经控制系统的组成神经控制系统的组成 （1）硬件 连续被控对象 神经控制器 模拟输入通道 模拟输出通道 实时时钟神经网络系统实现示意图(硬件) )(te)(tr - )(tu )(ty 模拟输出通道 模拟输入通道 A/D 神经控制器 D/A 保持器 对象 (过程) 实时时钟 采样 开关 神经网络系统实现示意图(软件)神经控制是实时控制，即，控制器要在采样周期T内 完成一个控制步的操作（程序实现）。 单输入单输出（SISO）系统，控制步
5、的操作： （1）数据采集：需时 1t； （2）由设计的控制规律求控制量，需时 2t； （3）控制量的输出和存储，需时 3t。 实时控制的条件为 321tttT n输入n输出（MIMO）系统，实时控制的条件为 niiiitttT1321)( 321ttt 是 控 制 子 程 序 采 样 ? 起 始 主程序：初始化设置 控制量的输出和存储 控制算法 否 数据采集 神经PID控制n PID控制是 工业过程控制中常用的控制方法，因PID控制器结构简单、实现简易，且能对相当一些工业对象（或过程）进行有效的控制。n 常规PID控制局限性在于 控制对象具有复杂的非线性特性，难以建立精确的数学模型，且由于对象
6、和环境的不确定性，往往难以达到满意的控制效果。n 神经PID控制是 针对上述问题而提出的一种控制策略。经典数字PID控制器数字PID控制基本算式各部分作用：设计目标：调整kp, ki, kd.使用经典PID设计，得到常数系数。 11kpidtu kk e kke kke ke k是 PID 控制器的三个系数。 用网络的学习能力，对象与扰动变化时，辨识的对象模型随着变化，神经 PID 控制器的权系值不断的调整，使控制系统能适应环境，实现有效控制。 神经 PID 控制器用动态神经网络，其中的神经网络用自适应线性神经元。 输入： c ke kcke kc ke ke ke kjk12031( )(
7、)( )( )( )( )( )() 输出： u kv c kv ckv c k( )( )( )( )1 12233 vi：NNC 的权值，i=1,2,3 神经PID控制器基本思想神经PID控制结构 PID 控制器 e - y u y - r 2e 1e - 对象 学习算法 学习算法 NNC NNI 由辨识器NNI在线辨识对象，对控制器NNC的权系进行实时调整，使系统具有自适应性，从而达到控制目的。 PID 控制器 e - y u y - r 2e 1e - 对象 学习算法 学习算法 NNC NNI 神经PID控制辨识器 图 4-4-1 神经 PID 控制框图 PID 控制器 e - y u
8、 y - r 2e 1e - 对象 学习算法 学习算法 NNC NNI 神经PID控制辨识器II准则函数： Eky ky kek12121211121( ) ()()() 权值调整，用有阻尼项的 BP 算法： )()()()() 1()()()() 1()()()(12111211 112kwkIkwkxfkekwkwkokekwkEkwijjiiijiiii ) 1()()() 1()()(111222kwkwkwkwkwkwijijijiii 神经PID控制学习算法 准则函数： Ekr ky kek22221211121( ) ()()() NNC 网络权值调整用梯度下降法： v kEkv
9、 keky kv keky ku ku kv kiiii( )( )( )()()( )()()( )( )( ) 2222221111 u kv kc kii( )( )( )，代入上式，有 v kekcy ku kii( )()()( )2211 ()( )()( )( )( )( )( )y ku ky ko ko kx kx ku kiiiii11神经PID控制器学习算法 由神经网络辨识器计算得出 1y ku k演示神经PID控制器演示NN直接模型参考自适应控制 构造一个参考模型，使其输出为期望输出，控制的目的是使y跟踪r。 r y My u r - - 参考模型 对象 NNC NN间
10、接模型参考自适应控制构造一个参考模型，使其输出为期望输出，控制的目的，是使y跟踪r。对象特性非线性、不确定、不确知时采用。 - 1e - y 2eMyr y - u 参考模型 对象 NNI NNC NN 模型参考自适应控制(MRAC)系统使用神经网络示例：单自由度机械臂：摆角；u: 电机施加扭矩参考模型：NN MRAC控制器演示mrefrobotarmNARMA数学模型推导(1)使用状态方程表示SISO非线性系统：从时刻k开始进行递推：)(),() 1(kukfkxx)()(khkyx)()()(1kkhkyxx)()()(),() 1() 1(2kukkukfhkhky，）xxx,) 1()
11、 1(1nfhnkhnkyxn( )( ), ( +1),(2)ku k u ku kn x，NARMA数学模型推导(2)令则有：并因此有：由代入上式，有：或记为：Tnnkukukuk)2(),1(),()(1UTnnkykykyk) 1(),1(),()(Y)(),()(1kkknnUxY)(),()(1kkknnUYgx()(1), (1)( ),knfknu knx kxx()( ),( )nnk nY k U kxg()( ), (1), (1); ( ), (1), (1)kny ky ky knu k u ku knxgNARMA数学模型推导(3)()(khkyx根据 即有:当系统
12、相对阶为d时，则有：系统控制问题：选择使) 1(,),1(),();1(,),1(),() 1(nkukukunkykykykyF) 1(,),1(),();1(,),1(),()(nkukukunkykykydkyF) 1(,),1(),();();1(,),1(),()(nkukukudkynkykykyGkur0)()(limkykyrkNARMA-L1模型在U=0处展开，有：控制算法：UY;)(FdkyUUYTUddFFdky00 ;)(100)() 1(,),1(),() 1(,),1(),(niiikunkykykygnkykykyf 0110()( ), (1), (1)( ),
13、 (1), (1)()( ), (1), (1)rniiy kdfy ky ky kngy ky ky knu kiu kgy ky ky knNARMA-L2模型在u(k)=0处展开，有：因此，控制量可取：) 1(,),1() 1(,),1(),()(0nkukunkykykyfdky；)() 1(,),1() 1(,),1(),(kunkukunkykykyg；) 1(,),1() 1(,),1(),() 1(,),1() 1(,),1(),()(0nkukunkykykygnkukunkykykyfdkyur；NN NARMA辨识器NN NARMA控制器示例1示例1四种模型线性化非线性N
14、ARMA-L1NARMA-L2) 1()() 1()() 1( 4321kuwkuwkywkywky) 1(),(),1(),() 1( kukukykyNky) 1(),() 1( 0kykyfky)() 1(),()() 1(),(10kukykygkukykyg)() 1(),1(),() 1(),1(),() 1( 0kukukykygkukykyfky示例1辨识效果图(1) 2sin102sin25ku kk辨识信号-2,2随机数测试信号示例1辨识效果图(2)示例1控制效果图502sin4)(kkyr1002sin4k示例1控制输入示例2y(t): 磁铁距电磁铁高度；i(t):电磁铁
15、电流；M:磁铁质量；： 场强常数；：粘滞摩擦系数；NN NARMA控制器演示narmamaglev图4-6-1内模控制基本结构 1e内模 控制器 )(zD 内部模型 )(zP y u r e y _ 对象 )(zP 内模控制基本原理I图4-6-1内模控制基本结构 1e内模 控制器 )(zD 内部模型 )(zP y u r e y _ 对象 )(zP 内模控制基本原理II图4-6-1内模控制基本结构内模控制系统分析I当对象稳定，模型与对象完全匹配时，有：n控制系统相当于开环；n控制系统稳定D和P零极点在单位圆内；n内模反馈量即为扰动量，即 ；n若控制器取 ，即能实现完全控制( )( ) ( )(
16、 )U zD z R zz ( ) ( ) ( )1( ) ( )( )Y zD z P z R zD z P zz ( ) ( )( )Y zD z P zR z E zv z 1D zP z 1e内模 控制器 )(zD 内部模型 )(zP y u r e y _ 对象 )(zP 内模控制系统分析II当对象稳定，模型与对象失陪时，有：n 系统输出与模型差及扰动量有关；对于阶跃输入，系统稳态误差终值：n若 ，且 ，则稳态误差为01( ) ( )( )0D z P zP z 11lim1( ) ( )( )( )lim1( )1( ) ( )( )zzy kzY zD z P zR zzzzD
17、z P zP z 11PP 111DP内模控制控制器设计I被控对象：控制器设计(1) 稳定的内模控制器设计内模控制器应是稳定的、物理可实现的(2) 滤波器设计改善模型失配、时延问题。可改善系统动态响应和平滑噪声 dP zPz Pz z 1D zPz r e g 1e内模 控制器 )(zD 内部模型 )(zP y u y _ 对象 )(zP 滤波器 )(zF 内模控制控制器设计II被控对象：控制器设计(1) 稳定的内模控制器设计内模控制器应是稳定的、物理可实现的(2) 滤波器设计改善模型失配、时延问题。可改善系统动态响应和平滑噪声 dP zPz Pz z 1D zPz内模控制控制器设计III系统
18、输出：(1) 闭环特征方程变为通过配置滤波器，改善响应(2) 取简化设计，此时：(3) 可取一阶形式 ？( ) ( )( )( ) ( )( ) ( )( )1( )( ) ( )( )iffD z P zY zF z R zFzzzD z Fz P zP z1( )( ) ( )( )0fD z Fz P zP z( )( )ifF zFz 111F zz内模控制控制器设计IV(1) 取上述形式，误差终值为1.(2)若全部特征根均在Z平面单位圆内，则闭环系数稳定。 (3)适当选取滤波器的参数，可增强系统的稳定性、鲁棒性。但需兼顾鲁棒性与快速性。因增大，使系统克服模型失配与参数波动的能力提高，
19、但使其输出响应变缓。(4)鲁棒性：注意到 抗干扰能力 1( ) ( ) ( )( )0D z F z P zP z( )( ) ( )1( )( ) ( )( )( )( )1( ) ( ) ( )( )1( ) ( ) ( )( )F z D z P zF z D z P zY zR zzD z F z P zP zD z F z P zP z内模控制例1内模控制例2线性内模控制器设计演示神经网络内模控制原理与线性相同，但内部模型及控制器由NN实现设非线性SISO对象，稳定、可逆且具有d阶时延：(1)对象模型由神经辨识器实现： (2)最小相位部分逆模型：由神经网络控制器实现(3)滤波器设计同
20、线性系统( )(1), (); (), ()y kg y ky kn u kd u kdm( )(1), (), (), ();gy kNy ky kn u kd u kdmw内模控制神经控制器设计I1( ), (1), (), (1), ();gu kdNy ky ky kn u kdu kdmv内模控制器注意到 模型匹配时： 因此将 代入，并进行z变换，得：内模控制神经控制器设计II h ky kd 1,1 , (1), ();gu kNy kdy kdy kdnu ku kmv 1,1 , (1), ();gu kNh kh kh knu ku kmv 111ddY zF z zzR z
21、z 111111h kh ke kh kr ke kh k h ky kd 11111dH zR zEzzY zz内模控制例3神经网络内模控制器设计演示通过逆系统将原模型转化为解耦的理想积分环节(或其他线性模型)，再使用一般控制方法神经逆系统控制神经逆系统控制示例神经逆系统控制示例要求:穿越频率0=10控制器：超前滞后矫正环节神经逆系统控制时延系统使用Smith预估器进行校正神经逆系统控制时延处理示例模型预测控制基础考虑SISO模型，控制目标： (k)跟踪r(k)y思想：通过反馈控制补偿d, 通过前馈控制补偿v符号d: 不可量测干扰；作用于对象，仅能通过输出间接测量；r: 参考输入；u: 控制
22、输入；v: 可测量干扰；可补偿 : 控制输出y: 测量输出z: 测量噪声yMPC说明n 思想：通过反馈控制补偿d, 通过前馈控制补偿vn 已知： (反馈模型) (前馈模型)使用对象模型计算上述量n 同时考虑输入u约束，通常以上下界的方式 n 对应量未知，因此考虑使影响最小(滤波)。yu yv yd yz 估计与优化估计模型估计模型数学描述优化参数神经网络预测控制(NNPC)框图yr(n)神经网络预测控制(NPC)NNPC计算步骤1. 生成参考轨迹。如未知，则设为常量；2. 使用前一时刻计算的控制输入向量u,进行模型预测，得到预测输出；3. 根据预测输出计算最优控制向量；4. 重复2,3, 直到
23、误差小于指定精度；5. 取控制向量中的第一个元素作为控制输入；在每一采样时刻重复上述过程。NNPC使用的NNCSTR问题h(t): 液位；w1(t), Cb1: 浓缩料1的注入速率(流速)和浓度；w2(t), Cb2: 稀释料2的注入速率(流速)和浓度；k1, k2: 消耗速率数学模型9 .241bC1 . 02bC1 . 0)(2tw121 kk控制目标：通过调整流速w1(t)保持产品浓度Cb(t)使用过程演示n 在Simulink中建立系统模型，拖入NN Predictive Controller;n 训练辨识NNn 确定辨识输入信号；n 确定输出范围；n 确定NN参数和训练参数；n 确定
24、NNPC控制参数；predcstr参考文献1. 徐立娜 神经网络控制神经网络控制2. Narendra, K.S., and S. Mukhopadhyay, “Adaptive Control Using Neural Networks and Approximate Models,” IEEE Trans. NN, Vol. 8, 1997, 475-485.3. 戴先中，多变量非线性系统的神经网络逆控制方法多变量非线性系统的神经网络逆控制方法，科学出版社，20054. Soloway, D., and P.J. Haley, “Neural Generalized Predictive
25、Control,” Proc. IEEE Int. Sym. on Intelligent Control, 1996, 277-281.一阶倒立摆控制问题 杆与垂直方向夹角 radf 作用力 Nmp 杆质量 0.1kgm 小车+杆质量1.0kgl半杆长0.5mg重力加速度9.8m/s2T采样周期0.02s22cos34)sin(cossinlmmllmfmgpp 要求 选用任一种NN控制方法控制，在初值010时使倒立摆稳定。要求：1. 系统控制方法与结构图；2. 使用神经网络类型，输入，输出，节点个数及具体参数选取等；3. 控制步骤；4. 系统误差曲线，输出曲线和控制输出曲线； 提示：对不稳定对象，可先设计一控制器使其稳定，在进一步设计控制器满足性能指标