神经网络控制大作业_南航_智能控制

南京航空航天大学研究生实验报告实验名称：神经网络控制器设计姓名：学号：专业：201年月日1一、题目要求考虑如下某水下航行器的水下直航运动非线性模型：()||ammvkvvuyv其中vR为水下航行器的前进速度，uR为水下航行器的推进器推力，yR为水下航行器的输出，航行器本体质量、附加质量以及非线性运动阻尼系数分别为100,15,10ammk。作业具体要求：1、设计神经网络控制器，对期望角度进行跟踪。2、分析神经网络层数和神经元个数对控制性能的影响。3、分析系统在神经网络控制和PID控制作用下的抗干扰能力(加噪声干扰、加参数不确定)、抗非线性能力(加死区和饱和特性)、抗时滞的能力(对时滞大小加以改变)。二、神经网络控制器的设计1.构建系统的PID控制模型在Simulink环境下搭建水下航行器的PID仿真模型，如下图1所示：图1水下航行器的PID控制系统其中，PID控制器的参数设置为：Kp=800，Ki=100，Kd=10。需要注意的一点是，经过signaltoworkspace模块提取出的数据的Saveformat为Array格式。22.BP神经网络控制器的训练首先将提取出的训练数据变为标准的训练数据形式，标准的训练数据分为输入和目标输出两部分。经过signaltoworkspace模块提取出的数据为一个训练数据个数乘以输入（或输出）个数的矩阵，因此分别将x、u转置后就得到标准训练数据x’,u’。然后，新建m文件，编写神经网络控制器设计程序：%----------------------------------------------------------------p=x';%inputt=u';%inputnet=newff(p,t,3,{'tansig','purelin'},'trainlm');net.trainparam.epochs=2500;net.trainparam.goal=0.00001;net=train(net,x',u');%trainnetworkgensim(net,-1);%generatesimulinkblock%----------------------------------------------------------------上述m文件建立了如下图所示的神经网络，包含输入层、1个隐含层和输出层，各层神经元节点分别为1、3和1。图2神经网络控制器结构及训练方法3神经网络控制器的训练过程如下：0102030405060708010-5100105BestValidationPerformanceis7.3634atepoch84MeanSquaredError(mse)84EpochsTrainValidationTestBestGoal图3神经网络训练过程由gensim(net,-1);%generatesimulinkblock语句生成了Simulink神经网络控制模块，如下图所示。图4神经网络控制模块对神经网络训练完成后，生成了Simulink仿真模块，将其取代了PID控制器，得到神经网络控制系统模型如下图所示。图5水下航行器神经网络控制系统仿真模型4三、仿真结果与分析1.PID控制器和神经网络控制器的仿真效果对比采用PID控制器和神经网络控制器的仿真效果：01234567891000.20.40.60.811.2Time/syPID反馈信号NN反馈信号参考信号图6系统阶跃相应曲线由图6的对比可知，神经网络控制达到了很好的控制效果。2.神经网络层数和神经元个数对控制性能的影响考察神经网络层数和神经元个数对控制效果的影响。（1）分别采用1隐层、5隐层和10隐层BP神经网络，仿真结果如下：00.511.522.533.5400.20.40.60.811.21.4参考信号1层5层10层图7采用1、5、10隐层BP神经网络仿真结果5（2）分别采用5隐层各3各神经元、10个神经元的BP神经网络，仿真结果如下：00.511.522.533.544.5500.20.40.60.811.21.4参考信号PID控制反馈信号5层各3神经元5层各10神经元图8采用5隐层各3各神经元、10个神经元的BP神经网络综上所述，神经网络层数和神经元节点数目对控制效果具有重要影响，增加神经网络层数或者增加神经元节点数目均可提高精度。3.神经网络的抗干扰、非线性和时滞能力（1）抗噪声和不确定干扰的能力：012345678910-0.200.20.40.60.811.2Time/sy参考信号NN控制反馈PID控制反馈图9系统阶跃响应曲线（加白噪声）从图9可以看出，神经网络控制器比PID控制具有更好的抗噪声和不确定干扰的能力。6（2）抗饱和和死区非线性干扰的能力：024681000.20.40.60.811.21.4Time/sy参考信号PID控制反馈NN控制反馈图10系统阶跃响应曲线（饱和非线性）01234567891000.20.40.60.811.2Time/sy参考信号PID控制反馈NN控制反馈图11系统阶跃响应曲线（死区非线性）从图中可以看出，神经网络控制器在抗饱和、死区非线性方面，并不比PID控制有更佳的性能，这与控制器设计方式是有关的。7（3）抗输入时滞的能力：024681000.511.5Time/sy参考信号PID控制反馈NN控制反馈图12系统阶跃响应曲线（0.1s输入时滞）由图可知，神经网络控制与PID控制对时滞均比较敏感。4.总结神经网络控制作为一种智能控制方法，与PID控制相比，表现出它的优越性，如自组织、自适应和自整定能力等。将神经网络和PID控制合理地结合起来构成复合控制策略，可实现高性能的控制系统。