55人工神经网络在控制中的应用

1智能控制基础ShanghaiUniversity,Shanghai,P.R.China5.人工神经网络5.5人工神经网络在控制中的应用自动化系仪自教研室5.5ANN在控制中的应用5.5.1基于ANN的系统建模5.5.3基于ANN的控制参数优化5.5.2基于ANN控制器的系统综合5.5.4ANN控制仿真自动化系仪自教研室5.5ANN在控制中的应用5.5.1基于ANN的系统建模5.5.3基于ANN的控制参数优化5.5.2基于ANN控制器的系统综合5.5.4ANN控制仿真自动化系仪自教研室系统建模的两类方式5.5.1基于ANN的系统建模基于机理的建模电路系统-电路理论Kirchhoff'sLawset.al机械系统-机械力学Euler–LagrangeequationNewton'ssecondlawet.al热力系统-热力学Thermodynamicequationset.al电磁系统-电磁学Maxwell'sequationset.al………….……基于数据的建模白箱模型(WhiteBox)结构已知参数未知(ParameterIdentification)灰箱模型(GrayBox)结构未知&固定参数未知黑箱模型(BlackBox)结构未知&待定参数未知系统辨识/参数辨识自动化系仪自教研室什么是系统辨识？5.5.1基于ANN的系统建模)(ke系统辨识原理图P)(ˆky)(ku)(kz)(ky-+Pˆn()k辨识算法依据系统提供的测量信息，在某种准则意义下，估计模型结构和未知参数。ˆmin()()FzkykP：待辨识系统)(),(kyku：输入输出时间序列Pˆ：待辨识系统的模型；)(ˆky：模型输出；)(kz：含噪声的系统输出；)(kv：作用于系统输出端的噪声。自动化系仪自教研室)(kz)(ku)(ke)(kn-)(ˆNNP学习算法P(a)正向模型辨识)(kz)(ku-)(ke)(kn)(ˆ1NNP学习算法P(b)逆向模型辨识正向辨识与反向辨识5.5.1基于ANN的系统建模自动化系仪自教研室线性系统的结构&参数辨识5.5.1基于ANN的系统建模结构的辨识(确定阶数)根据Hankel矩阵的秩利用行列式比利用残差的方差利用Akaike准则利用最终预报误差准则………….……参数的辨识最小二乘类参数辨识极大似然法和预报误差方法Bayes方法模型参考自适应方法………….……自动化系仪自教研室非线性系统的结构&参数辨识5.5.1基于ANN的系统建模非线性模型的结构Hammerstein-Wiener型非线性模型多项式非线性模型已知结构的非线性模型………….……T-S模糊系统反馈神经网络………….……参数的辨识BP学习算法最小二乘学习算法………….……自动化系仪自教研室5.5ANN在控制中的应用5.5.1基于ANN的系统建模5.5.3基于ANN的控制参数优化5.5.2基于ANN控制器的系统综合5.5.4ANN控制仿真自动化系仪自教研室5.5.2基于ANN控制器的系统综合神经网络控制器被控对象学习算法期望值rye神经网络直接用作误差闭环系统的反馈控制器，神经网络控制器首先利用其它已有的控制样本进行离线训练，而后以系统的误差的均方差为评价函数进行在线学习。神经网络直接反馈控制系统自动化系仪自教研室5.5.2基于ANN控制器的系统综合神经网络逆控制系统被控对象NNC目标函数逆动力学期望值r输出值y自适应逆控制的基本思想就是用被控对象传递函数的逆模型作为串联控制器对控制对象实施开环控制。神经网络先离线学习被控对象的逆动力学模型，然后用作对象的前馈串联控制器。由于开环控制缺乏稳定性，所以神经网络还需要根据系统的反馈误差在线继续学习逆动力学模型自动化系仪自教研室模型参考自适应控制的目的是：系统在相同输入激励r的作用下，使被控对象的输出y与参考模型的输出ym达到一致。这样通过调整参考模型，可以调整系统的动态特性。神经网络控制器（NNC）先离线学习被控对象的逆动力学模型，与被控对象构成开环串联控制，而后神经网络根据参考模型输出与被控对象输出的误差函数进行在线训练，使误差函数最小。5.5.2基于ANN控制器的系统综合神经网络模型参考直接自适应控制自动化系仪自教研室在直接自适应控制的基础上，引入了一个神经网络辨识器（NNI）来对被控对象的数学模型进行在线辨识，这样可以及时地将对象模型的变化传递给NNC，使NNC可以得到及时有效的训练。5.5.2基于ANN控制器的系统综合神经网络模型参考间接自适应控制自动化系仪自教研室神经网络学习控制系统将神经网络与常规误差反馈控制结合起来，首先用NN学习对象的逆动力学模型，然后用NN作为前馈控制器与误差反馈控制器构成复合控制器来控制对象。系统以反馈控制器的输出作为评价函数来调节神经网络的权值。这样，在控制之初，反馈控制器的作用较强，而随着控制过程的进行，NN得到越来越多的学习，反馈控制器的作用越来越弱，NN控制器的作用越来越强。5.5.3基于ANN的控制参数优化神经网络学习控制系统自动化系仪自教研室神经元PID控制器的输出为:5.5.2基于ANN控制器的系统综合单神经元(PID)控制系统)2k(e)1k(2e)k(eX)1k(e)k(eX)k(eX32131()()()iiiukwkXk自动化系仪自教研室5.5ANN在控制中的应用5.5.1基于ANN的系统建模5.5.3基于ANN的控制参数优化5.5.2基于ANN控制器的系统综合5.5.4ANN控制仿真自动化系仪自教研室5.2基于神经网络的控制5.5.3基于ANN的控制参数优化基于神经网络在线学习的PID控制自动化系仪自教研室y神经自校正控制框图uNNI对象自校正控制器r控制器设计由神经辨识器NNI在线估计对象参数，用调节器（或控制器）实现参数的自动整定相结合的自适应控制。5.2基于神经网络的控制5.5.3基于ANN的控制参数优化基于神经网络的间接自校正控制自动化系仪自教研室5.5ANN在控制中的应用5.5.1基于ANN的系统建模5.5.3基于ANN的控制参数优化5.5.2基于ANN控制器的系统综合5.5.4ANN控制应用实例自动化系仪自教研室例：二关节机器人神经网络自适应控制1）控制问题机器人动态控制问题就是要使机器人的各关节或末端执行器位置能够以理想的动态品质跟踪给定的轨迹或稳定在指定的位置上。XY112XY12L122AB),(ddyx1L5.5.4ANN控制应用实例自动化系仪自教研室1伺服控制器杆1杆21d2122d坐标变换坐标变换dxdyxy二关节机器人控制结构5.2基于神经网络的控制5.5.4ANN控制应用实例自动化系仪自教研室0X0YO112A),(yxW1l2l2）机器人数学模型坐标变换：机器人末端在空间的位置坐标可以变换为其关节角度的大小)cos(2221222122llllyx22122212220,2arccosllllyxxyAtncos2221212222yxllyxl0,2arccos221222122yxlllyx15.2基于神经网络的控制5.5.4ANN控制应用实例自动化系仪自教研室动力学方程：),()(,dTFGVMτ2222212222221222222122212211)2(lmcllmlmcllmlmcllllmlmM2222122122122222122,sllmsllmsllmV122211211222)(gclmgclmmgclmG5.2基于神经网络的控制5.5.4ANN控制应用实例自动化系仪自教研室机器人动力学模型的特点动力学方程包含的项数多，复杂。随着机器人关节数的增加，方程中包含的项数呈几何级数增加，可达数百项；高度非线性。方程的每一项都含有cos，sin等非线性因素高度耦合。每个关节的运动都会引起其它关节的运动模型不确定性。当机器人搬运物体时，由于所持物件不同，负载会发生变化，同时，关节的摩擦系数也会随时间发生变化。5.5.4ANN控制应用实例自动化系仪自教研室3）神经网络模型参考间接自适应控制BP机器人NNINNCBP)(ku)(ky)(ke)(kr)(kyI)(keI+-+-)(kyu1z5.2基于神经网络的控制5.5.4ANN控制应用实例自动化系仪自教研室神经网络的选型：神经网络控制器控制器要求鲁棒性好，经离线训练后即可投入使用，选用模糊神经网络网络的输入为四个，分别对应两个关节角的误差和误差变化率。输出为两个，对应两个关节的力矩5.2基于神经网络的控制5.5.4ANN控制应用实例自动化系仪自教研室神经网络辨识器辨识器要求能够很好地反映机器人的动态，并具有较简单的结构。选择递归神经网络5.2基于神经网络的控制5.5.4ANN控制应用实例自动化系仪自教研室网络的训练辨识器的学习目标函数：pspssssIIkkkekJ112221ˆ学习算法：kWkJkWkWkWkWIIIIIII15.2基于神经网络的控制5.5.4ANN控制应用实例自动化系仪自教研室控制器的学习目标函数：学习算法：pspssssCkkrkekJ11221221soCoosssCssCCCWkukukykeWyyJWJkWkJkWkWkWkWCCCCCCC1由神经网络辨识器提供5.2基于神经网络的控制5.5.4ANN控制应用实例自动化系仪自教研室4）控制结果机械手具体的参数：kgmkgm2,1021mlml8.0,1.121初始条件：0)0()0(210)0()0(21期望轨迹：)2sin()(1ttd)2cos()(2ttd摩擦项和扰动项：)(5.0)(signF)5cos(5)5cos(5),(ttdT5.2基于神经网络的控制5.5.4ANN控制应用实例自动化系仪自教研室00.51-1.2-0.8-0.400.40.81.2角位移θ1(rad)时间t(Sec)期望RFNN关节1的轨迹跟踪曲线5.2基于神经网络的控制5.5.4ANN控制应用实例自动化系仪自教研室00.51-1.2-0.8-0.400.40.81.2期望RFNN角位移θ2(rad)时间t(Sec)关节2的轨迹跟踪曲线5.2基于神经网络的控制5.5.4ANN控制应用实例自动化系仪自教研室00.51-1.2-0.8-0.400.40.81.2角位移θ1(rad)时间t(Sec)期望RFNNIRNNI的第一个输出轨迹5.2基于神经网络的控制5.5.4ANN控制应用实例自动化系仪自教研室00.51-1.2-0.8-0.400.40.81.2角位移θ2(rad)期望RFNNI时间t(Sec)RNNI的第二个输出轨迹5.2基于神经网络的控制5.5.4ANN控制应用实例