5.5人工神经网络在控制中的应用辩析.ppt

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 5.5 ANN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 5.5.4 ANN控制应用实例 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。 5.5.4 ANN控制应用实例 二关节机器人控制结构 5.2 基于神经网络的控制 5.5.4 ANN控制应用实例 2）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 5.2 基于神经网络的控制 5.5.4 ANN控制应用实例 动力学方程： 5.2 基于神经网络的控制 5.5.4 ANN控制应用实例 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。 5.5.4 ANN控制应用实例 3）神经网络模型参考间接自适应控制 5.2 基于神经网络的控制 5.5.4 ANN控制应用实例 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 5.5.4 ANN控制应用实例 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 5.5.4 ANN控制应用实例 网络的训练 辨识器的学习 目标函数： 学习算法： 5.2 基于神经网络的控制 5.5.4 ANN控制应用实例 控制器的学习 目标函数： 学习算法： 由神经网络辨识器提供 5.2 基于神经网络的控制 5.5.4 ANN控制应用实例 4）控制结果 机械手具体的参数 ： 初始条件 ： 期望轨迹： 摩擦项和扰动项 ： 5.2 基于神经网络的控制 5.5.4 ANN控制应用实例 关节1的轨迹跟踪曲线 5.2 基于神经网络的控制 5.5.4 ANN控制应用实例 关节2的轨迹跟踪曲线 5.2 基于神经网络的控制 5.5.4 ANN控制应用实例 RNNI的第一个输出轨迹 5.2 基于神经网络的控制 5.5.4 ANN控制应用实例 RNNI的第二个输出轨迹 5.2 基于神经网络的控制 5.5.4 ANN控制应用实例 * * * * 自动化系仪自教研室 自动化系仪自教研室 自动化系仪自教研室 自动化系仪自教研室 自动化系仪自教研室 自动化系仪自教研室 自动化系仪自教研室 自动化系仪自教研室 自动化系仪自教研室 自动化系仪自教研室 自动化系仪自教研室 自动化系仪自教研室 自动化系仪自教研室 自动化系仪自教研室 * 智能控制基础 Shanghai University, Shanghai, P.R.China 5. 人工神经网络 5. 5 人工神经网络在控制中的应用 5.5 ANN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 5.5.4 ANN控制仿真 5.5 ANN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 5.5.4 ANN控制仿真 系统建模的两类方式 5.5.1 基于ANN的系统建模 系统辨识/参数辨识 什么是系统辨识？ 5.5.1 基于ANN的系统建模 ) ( k e 系统辨识原理图 P ) ( ? k y ) ( k u ) ( k z ) ( k y - + P ? n ( ) 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。 (a) 正向模型辨识 (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 线性系统的结构参数辨识 5.5.1 基于ANN的系统建模 非线性系统的结构参数辨识 5.5.1 基于