哈工大智能控制神经网络课件第十三课神经网络控制

人工神经网络理论及应用屈桢深哈尔滨工业大学13.神经网络控制主要内容神经网络控制基础神经PID控制神经模型参考自适应控制与NARMA控制神经内模控制神经网络逆控制模型预测控制(MPC)*NN控制基础是将神经网络在相应的控制结构中做控制器、辨识器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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能对变化的环境具有自适应性，且成为基本上不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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：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，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：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。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控制结构示例神经控制结构之一例（下图）。该例神经控制的设计是神经辨识器、控制器结构的选择――动态网络种类、结构的选择，可能需经多次试探过程，在2L意义下，即以准则函数：NNCkekykrNNIkekykykJ,)(21)(ˆ)(21,)(21)(ˆ)(21)(22221212其权系由学习，搜索寻优。图4-4-1神经PID控制框图PID控制器e-yuyˆ-r2e1e-对象学习算法学习算法NNCNNI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（1）硬件①连续被控对象②神经控制器③模拟输入通道④模拟输出通道⑤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)实时时钟采样开关图4-2-3神经控制系统硬件框图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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。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，且由于对象和环境的不确定性，往往难以达到满意的控制效果。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。11kpidtukkekkekkekek2.神经PID控制器对于不确定、不确知对象与扰动，为达到有效控制的目的，对象模型在线辨识基础上，设计神经PID控制器。网络的权系值],,[321vvvV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：ckekckekckekekekjk12031()()()()()()()()输出：ukvckvckvck()()()()112233vi：NNC的权值，i=1,2,3神经PID控制器基本思想P环节I环节D环节Σe(k)u(k)v1v2v3神经PID控制结构神经PID控制框图PID控制器e-yuyˆ-r2e1e-对象学习算法学习算法NNCNNI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。图4-4-1神经PID控制框图PID控制器e-yuyˆ-r2e1e-对象学习算法学习算法NNCNNI对象：)]1(,),(),1(,),([)1(mkukunkykygkyg[]由神经网络NNI在线辨识，用串—并联结构，其输入是对象的输入输出序列)}(),({kyku神经PID控制——辨识器隐层第i节点的输出：()[()]lliiykfpk10()()Nllliijjjpkwykfxeexx()11网络的输出：10ˆ(1)()LNLLijiykwyk图4-4-1神经PID控制框图PID控制器e-yuyˆ-r2e1e-对象学习算法学习算法NNCNNI神经PID控制——辨识器II准则函数：Ekykykek12121211121()[()()]()权值调整，用有阻尼项的BP算法：)()()]()][([)1()()()()1()()()(12'111211112kwkIkwkxfkekwkwkokekwkEkwijjiiijiiii)1()()()1()()(111222kwkwkwkwkwkwijijijiii神经PID控制——学习算法准则函数：Ekrkykek22221211121()[()()]()NNC网络权值调整用梯度下降法：vkEkvkekykvkekykukukvkiiii()()()()()()()()()()()2222221111ukvkckii()()()，代入上式，有vkekcykukii()()()()2211()()()()()()()()ykukykokokxkxkukiiiii11=21wkfxkwkiiiui()()[()]'神经PID控制器——学习算法由神经网络辨识器计算得出ˆ1ykuk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。ryMyu神经直接模型参考自适应控制r--参考模型对象NNCNN间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-yˆ2eMyry-u参考模型对象NNINNC神经间接模型参考自适应控制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：NNMRAC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()1(1nfhnkhnkyxn()(),(+1),(2)kukukukn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(),()(1UTnnkykykyk)1(),1(),()(Y)(),()(1kkknnUxΨY)(),()(1kkknnUYgx()(1),(1)(),knfknuknxkxx()(),()nnknYkUkxg()(),(1),,(1);(),(1),,(1)knykykyknukukuknxgNARMA数学模型推导(3))()(khkyx根据即有:当系统相对阶为d时，则有：系统控制问题：选择使)1(,),1(),();1(,),1(),()1(nkukukunkykykykyF)1(,),1(),();1(,),1(),()(nkukukunkykykydkyF)1(,),1(),();();1(,),1(),()(nkukukudkynkykykyGkur0)()(limkykyrkNARMA-L1模型在U=0处展开，有：控制算法：UY;)(FdkyUUYTUddFFdky00;)(100)()1(,),1(),()1(,),1(),(niiikunkykykygnkykykyf0110()(),(1),,(1)(),(1),,(1)()(),(1),,(1)rniiykdfykykykngykykyknukiukgykykyknNARMA-L2模型在u(k)=0处展开，有：因此，控制量可取：)1(,),1()1(,),1(),()(0nkukunkykykyfdky；)()1(,),1()1(,),1(),(kunkukunkykykyg；)1(,),1()1(,),1(),()1(,),1()1(,),1(),()(0nkukunkykykygnkukunkykykyfdkyur；；NNNARMA辨识器NNNARMA控制器示例1示例1——四种模型线性化非线性NARMA-L1NARMA-L2)1()()1()()1(ˆ4321kuwkuwkywkywky)1(),(),1(),()1(ˆkukukykyNky)1(),()1(ˆ0kykyfky)()1(),()()1(),(10kukykygkukykyg)()1(),1(),()1(),1(),()1(ˆ0kukukykygkukykyfky示例1——辨识效果图(1)2sin102sin25kukk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)(kkyr1002sin4k示例1——控制输入示例2y(t):磁铁距电磁铁高度；i(t):电磁铁电流；M:磁铁质量；：场强常数；：粘滞摩擦系数；NNNARMA控制器演示narmamaglev图4-6-1内模控制基本结构)()()(1zEzRzE)()()(zEzDzU)()()()(zUzPzzY)()](ˆ)([)()(ˆ)()(1zUzPzPzvzYzYzE1e内模控制器)(zD内部模型)(ˆzPyureyˆ_对象)(zP内模控制——基本原理I图4-6-1内模控