《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）》请在三一办公上搜索。
1、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
2、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
3、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 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
4、网络系统实现示意图(硬件),神经网络系统实现示意图(软件),3,2,1,t,t,t,D,D,D,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
5、：调整kp, ki, kd.使用经典PID设计，得到常数系数。,神经PID控制器基本思想,神经PID控制结构,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。,神经PID控制辨识器,神经PID控制辨识器II,神经PID控制学习算法,神经PID控制器学习算法,由神经网络辨识器计算得出,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。,NN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。,NN 模型参
6、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,mrefrobotarm,NARMA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：,NARMA数学模型推导(2),令则有：并因此有：由代入上式，有：或记为：,NARMA数学模型推导(3),根据 即有:当系统相对阶为d时，则有：系统控制问题：选择使,NARMA-L1模型,在U=0处展开，有：控制算法：,NARMA-L2模型,在u(k)=0处展开，有：因此，控制量可取：,NN NARMA辨识器,NN NARMA控制器,示例1,示例1四种模
7、型,线性化非线性NARMA-L1NARMA-L2,示例1辨识效果图(1),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,示例1控制输入,示例2,y(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；,NN NARMA控制器演示,narmamaglev,图4-6-1内模控制基本结构,内模控制基本原理I,图4-6-1内模控制基本结构,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：控制系统相当于开环；控制系统稳定D和P零极点在单位圆内；内模反馈量即为扰动量，即 ；若控
8、制器取 ，即能实现完全控制,内模控制系统分析II,当对象稳定，模型与对象失陪时，有： 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：若 ，且 ，则稳态误差为0,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,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,内模控制控制器设计III,系统输出：(1) 闭环特征方程变为通过配置滤
9、波器，改善响应(2) 取简化设计，此时：(3) 可取一阶形式 ？,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，但使其输出响应变缓。(4)鲁棒性：注意到 抗干扰能力,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
10、现(3)滤波器设计同线性系统,内模控制神经控制器设计I,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,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),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
11、；作用于对象，仅能通过输出间接测量；r: 参考输入；u: 控制输入；v: 可测量干扰；可补偿 : 控制输出y: 测量输出z: 测量噪声,MPC说明,思想：通过反馈控制补偿d, 通过前馈控制补偿v已知： (反馈模型) (前馈模型)使用对象模型计算上述量同时考虑输入u约束，通常以上下界的方式 对应量未知，因此考虑使影响最小(滤波)。,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,生成参考轨迹。如未知，则设为常量；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；根据预测输出计算最优控制向量；
12、重复2,3, 直到误差小于指定精度；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NN,CSTR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,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,在Simulink中建立系统模型，拖入NN Predictive Controller;训练辨识NN确定辨识输入信号；确定输出范围；确定NN参数和训练参数；确定NNPC控制参数；predcstr,参考文献,徐立娜 神经网络
13、控制 Narendra, K.S., and S. Mukhopadhyay, “Adaptive Control Using Neural Networks and Approximate Models,” IEEE Trans. NN, Vol. 8, 1997, 475-485.戴先中，多变量非线性系统的神经网络逆控制方法，科学出版社，2005Soloway, D., and P.J. Haley, “Neural Generalized Predictive Control,” Proc. IEEE Int. Sym. on Intelligent Control, 1996, 277-281.,一阶倒立摆控制问题,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：系统控制方法与结构图；使用神经网络类型，输入，输出，节点个数及具体参数选取等；控制步骤；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,
