智能控制第5章 神經(jīng)網(wǎng)絡(luò)在控制中的應(yīng)用

1、第5章 神經(jīng)網(wǎng)絡(luò)在控制中的應(yīng)用,神經(jīng)網(wǎng)絡(luò)在控制中的應(yīng)用神經(jīng)網(wǎng)絡(luò)辨識(shí)技術(shù)神經(jīng)網(wǎng)絡(luò)控制技術(shù),5.1 神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí),系統(tǒng)辨識(shí)是自適應(yīng)控制的關(guān)鍵所在，它通過測量對(duì)象的輸入輸出狀態(tài)來估計(jì)對(duì)象的數(shù)學(xué)模型，使建立的數(shù)學(xué)模型和對(duì)象具有相同的輸入輸出特性。,神經(jīng)網(wǎng)絡(luò)對(duì)非線性函數(shù)具有任意逼近和自學(xué)習(xí)能力，為系統(tǒng)的辨識(shí)，尤其是非線性動(dòng)態(tài)系統(tǒng)的辨識(shí)提供了一條十分有效的途徑。,神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)實(shí)質(zhì)上是選擇一個(gè)適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)模型來逼近實(shí)際系統(tǒng)的數(shù)學(xué)模型。

2、,5.1 神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí),5.1.1 神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)的原理,,系統(tǒng)辨識(shí)的原理就是通過調(diào)整辨識(shí)模型的結(jié)構(gòu)來使e最小。,在神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)中，神經(jīng)網(wǎng)絡(luò)用作辨識(shí)模型，將對(duì)象的輸入輸出狀態(tài)u，y看作神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)，以J=e2/2作為網(wǎng)絡(luò)訓(xùn)練的目標(biāo)，則通過用一定的訓(xùn)練算法來訓(xùn)練網(wǎng)絡(luò)，使J足夠小，就可以達(dá)到辨識(shí)對(duì)象模型的目的。,5.1 神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí),5.1.2多層前向BP網(wǎng)絡(luò)的系統(tǒng)辨識(shí),假設(shè)非線性對(duì)象的數(shù)學(xué)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(luò)來逼近非線性函數(shù)，進(jìn)而估計(jì)對(duì)象的模型。,5.1 神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí),,多層前向BP網(wǎng)絡(luò)系統(tǒng)辨識(shí)原理圖,,5.1 神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí),網(wǎng)絡(luò)的輸出可以通過下式計(jì)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(luò)第1-2層和2-3層的連接權(quán)值,5.1 神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí),定義網(wǎng)絡(luò)訓(xùn)練的目標(biāo)函數(shù)為：,,則網(wǎng)絡(luò)訓(xùn)練的BP算法可以

4、描述為：,,,,,5.1 神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí),5.1.3 遞歸神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí),,遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),5.1 神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí),遞歸神經(jīng)網(wǎng)絡(luò)的輸入輸出關(guān)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(luò)第1-2層和2-3層的連接權(quán)值,Wi(0)表示網(wǎng)絡(luò)第一層的遞歸權(quán)值,5.1 神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí),由于遞歸神經(jīng)網(wǎng)絡(luò)本身具有動(dòng)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(luò)來對(duì)非線性對(duì)象進(jìn)行辨識(shí)時(shí)只需以對(duì)

5、象當(dāng)前的輸入狀態(tài)u(t)和前一時(shí)刻的輸出狀態(tài)y(t-1)作為網(wǎng)絡(luò)的輸入即可，與前向多層神經(jīng)網(wǎng)絡(luò)相比，網(wǎng)絡(luò)的結(jié)構(gòu)較為簡單。,,5.1 神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí),,5.2 神經(jīng)網(wǎng)絡(luò)控制,神經(jīng)網(wǎng)絡(luò)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(gòu)中充當(dāng)對(duì)象的模型；(2)在反饋控制系統(tǒng)中直接充當(dāng)控制器的作用；(3)在傳統(tǒng)控制系統(tǒng)中起優(yōu)化計(jì)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(duì)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(luò)控制,5.2.1 神經(jīng)網(wǎng)絡(luò)直接反饋控制系統(tǒng),,神經(jīng)網(wǎng)絡(luò)直接用作誤差閉環(huán)系統(tǒng)的反饋控制器，神經(jīng)網(wǎng)絡(luò)控制器首先利用其它已有的控制樣本進(jìn)行離線訓(xùn)練，而后以系統(tǒng)的誤差的均方差為評(píng)價(jià)函數(shù)進(jìn)行在線學(xué)習(xí)。,5.2 神經(jīng)網(wǎng)絡(luò)控制,5.2.2 神經(jīng)網(wǎng)絡(luò)逆控制(neural network inverse control),5.2 神經(jīng)網(wǎng)絡(luò)控制,自適應(yīng)逆控制的基本思想就是用被控對(duì)象傳遞函數(shù)的逆模型作為串聯(lián)控制器對(duì)控制對(duì)象實(shí)

7、施開環(huán)控制。,神經(jīng)網(wǎng)絡(luò)先離線學(xué)習(xí)被控對(duì)象的逆動(dòng)力學(xué)模型，然后用作對(duì)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(luò)還需要根據(jù)系統(tǒng)的反饋誤差在線繼續(xù)學(xué)習(xí)逆動(dòng)力學(xué)模型。,5.2 神經(jīng)網(wǎng)絡(luò)控制,5.2.3 神經(jīng)網(wǎng)絡(luò)內(nèi)模控制(neural network inner mode control),1) 當(dāng)模型精確時(shí)，對(duì)象和控制器同時(shí)穩(wěn)定就意味閉 環(huán)系統(tǒng)穩(wěn)定； 2) 當(dāng)閉環(huán)系統(tǒng)穩(wěn)定時(shí)，若控制器取為模型逆，則不 論有無

8、外界干擾d，均可實(shí)現(xiàn)理想控制y=r； 3) 當(dāng)閉環(huán)系統(tǒng)穩(wěn)定時(shí)，只要控制器和模型的穩(wěn)態(tài)增 益乘積為1，則系統(tǒng)對(duì)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(luò)控制,將對(duì)象模型與實(shí)際對(duì)象相并聯(lián)，控制器逼近模型的動(dòng)態(tài)逆。一般有兩種方法： 1) 兩個(gè)神經(jīng)網(wǎng)絡(luò)分別逼近模型和模型的逆； 2) 采用神經(jīng)網(wǎng)絡(luò)逼近模型，然后用非線性優(yōu)化方法數(shù)值計(jì)算內(nèi)?？刂屏?。,5.2 神經(jīng)網(wǎng)絡(luò)控制,5.2.4 神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制(n

9、eural network adaptive control),(1) 神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制(neural network model reference adaptive control),模型參考自適應(yīng)控制的目的是：系統(tǒng)在相同輸入激勵(lì)r的作用下，使被控對(duì)象的輸出y與參考模型的輸出ym達(dá)到一致。這樣通過調(diào)整參考模型，可以調(diào)整系統(tǒng)的動(dòng)態(tài)特性。,5.2 神經(jīng)網(wǎng)絡(luò)控制,神經(jīng)網(wǎng)絡(luò)控制器(NNC)先離線學(xué)習(xí)被控對(duì)象的逆動(dòng)力學(xué)模型，與被控

10、對(duì)象構(gòu)成開環(huán)串聯(lián)控制，然后神經(jīng)網(wǎng)絡(luò)根據(jù)參考模型輸出與被控對(duì)象輸出的誤差函數(shù)進(jìn)行在線訓(xùn)練，使誤差函數(shù)最小。,神經(jīng)網(wǎng)絡(luò)模型參考直接自適應(yīng)控制,5.2 神經(jīng)網(wǎng)絡(luò)控制,神經(jīng)網(wǎng)絡(luò)模型參考間接自適應(yīng)控制,在直接自適應(yīng)控制的基礎(chǔ)上，引入了一個(gè)神經(jīng)網(wǎng)絡(luò)辨識(shí)器（NNI）來對(duì)被控對(duì)象的數(shù)學(xué)模型進(jìn)行在線辨識(shí)，這樣可以及時(shí)地將對(duì)象模型的變化傳遞給NNC，使NNC可以得到及時(shí)有效的訓(xùn)練。,5.2 神經(jīng)網(wǎng)絡(luò)控制,(2) 神經(jīng)網(wǎng)絡(luò)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(dòng)調(diào)整控制器參數(shù)，消除擾動(dòng)的影響，以保證系統(tǒng)的性能指標(biāo)。在這種控制方式中，神經(jīng)網(wǎng)絡(luò)(NN)用作過程參數(shù)或某些非線性函數(shù)的在線估計(jì)器。,5.2 神經(jīng)網(wǎng)絡(luò)控制,假設(shè)被控對(duì)象的模型為yk+1＝f(yk)+g(yk)·uk 則用神經(jīng)網(wǎng)絡(luò)對(duì)非線性函數(shù)f(yk)和g(yk)進(jìn)行辨識(shí)，假設(shè)其在線計(jì)

12、算估計(jì)值fd(yk)和gd(yk)，則調(diào)節(jié)器的自適應(yīng)控制律為uk=(yd -fd(yk)/gd(yk) 此時(shí)系統(tǒng)的傳遞函數(shù)為1,5.2 神經(jīng)網(wǎng)絡(luò)控制,5.2.5 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)控制(neural network learning control),5.2 神經(jīng)網(wǎng)絡(luò)控制,神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)控制系統(tǒng)將神經(jīng)網(wǎng)絡(luò)與常規(guī)誤差反饋控制結(jié)合起來，首先用NN學(xué)習(xí)對(duì)象的逆動(dòng)力學(xué)模型，然后用NN作為前饋控制器與誤差反饋控制器構(gòu)成復(fù)合控制器來控制對(duì)象。系統(tǒng)以

13、反饋控制器的輸出作為評(píng)價(jià)函數(shù)來調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的權(quán)值。這樣，在控制之初，反饋控制器的作用較強(qiáng)，而隨著控制過程的進(jìn)行，NN得到越來越多的學(xué)習(xí)，反饋控制器的作用越來越弱，NN控制器的作用越來越強(qiáng)。,5.2 神經(jīng)網(wǎng)絡(luò)控制,5.2.6 神經(jīng)網(wǎng)絡(luò)預(yù)測控制(neural network predictive control),先用神經(jīng)網(wǎng)絡(luò)預(yù)測模型，根據(jù)過去的輸入序列和輸出序列及當(dāng)前的輸入來預(yù)測被控對(duì)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(duì)象的

14、動(dòng)態(tài)行為，最終使被控對(duì)象的輸出跟蹤期望軌跡穩(wěn)定在設(shè)定值上。,5.2 神經(jīng)網(wǎng)絡(luò)控制,5.2 神經(jīng)網(wǎng)絡(luò)控制,5.2.7 神經(jīng)網(wǎng)絡(luò)PID控制(neural network PID control),5.2 神經(jīng)網(wǎng)絡(luò)控制,經(jīng)典增量式數(shù)字PID 的控制算法為：,,NN 是一個(gè)三層BP 網(wǎng)絡(luò), 有M個(gè)輸入節(jié)點(diǎn)、N 個(gè)隱含節(jié)點(diǎn)、3個(gè)輸出節(jié)點(diǎn)。輸入節(jié)點(diǎn)對(duì)應(yīng)所選的系統(tǒng)運(yùn)行狀態(tài)量, 輸出節(jié)點(diǎn)分別對(duì)應(yīng)PID 控制器的3個(gè)可調(diào)參數(shù)kp , ki , kd 。,

15、5.2 神經(jīng)網(wǎng)絡(luò)控制,,網(wǎng)絡(luò)根據(jù)性能指標(biāo)J=(r-y)2/2進(jìn)行在線學(xué)習(xí)，則可以及時(shí)更新PID控制器的參數(shù)，使系統(tǒng)誤差在不確定嚴(yán)重的情況下保持最小。,5.2 神經(jīng)網(wǎng)絡(luò)控制,5.2.8 神經(jīng)網(wǎng)絡(luò)滑?？刂?neural network sliding mode control),神經(jīng)網(wǎng)絡(luò)用于逼近被控對(duì)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(luò)的逼近誤差看作一個(gè)有界的不確定性，由滑模變結(jié)構(gòu)控制律給予補(bǔ)償和控制。,5.2 神經(jīng)網(wǎng)絡(luò)控