智能控制实验大作业.docxVIP

一级倒立摆神经网络控制1.实验要求：利用LQR将模型线性化，通过调制神经网络层数和神经元个数设计BP 神经网络控制器，以达到对倒立摆的良好控制效果。2.控制器设计根据牛顿力学对倒立摆建立数学模型：其中m = 0.1kg ,是摆干的质量，M =1kg，是小车的质量，L =1米是摆干的长度，x是小车的位移，?是摆干的偏角，f = 50N / s为摩擦系数，u为控制律。对于神经网络控制器，最重要的是获得理想的训练样本，为了获得理想的训练样本，需要先设计出能够取得理想控制效果的线性控制器，然后将线性控制器的输出和输入进行采样，这样就得到了理想的训练样本。为设计线性控制器，首先要对原先的非线性系统进行线性化处理。因为?在稳定的时候会很小，所以将它的高阶项略去，sin?=?, cos?=1，可得线性化状态方程。经验算该系统可控，可以为此系统设计线性控制器。应用Matlab 中的求解工具lqr(A，B，Q，R)可以求出最优反馈系数矩阵K的值，需要选择Q，R这两个参数是用来平衡输入量和状态量的权重，其中Q 11表示小车位置的权重，Q 33表示摆干角度的权重。在实验中要优先考虑角度，所以Q,R选择为Q=[8000 0 0 0;0 0 0 0;0 0 1000 0;0 0 00]，R=1。得到反馈系数矩阵K，在原先的系统模型中用一个函数的模块作为线性控制器模块，输入为原系统的状态量，控制律f(u)=K*U。将输入输出量导入到工作空间即得样本。系统控制结构图图1 系统simulink仿真图LQR控制器设计将一级倒立摆的模型进行线性化后得到模型A,B,C,D。利用matlab函数lqr()设计线性二次型最优控制反馈阵K，输出量u=-K*X’。因此可得输入输出的导师样本。A=[0 1 0 0;0 -4.9725 -0.7178 0;0 0 0 1;0 3.7294 7.8959 0];B=[0 0.9756 0 -0.7317];C=[1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1];D=[0;0;0;0];Q=[8000 0 0 0;0 0 0 0;0 0 1000 0;0 0 00];R=1;K=lqr(A,B,Q,R);Ac=[(A-B*K)];Bc=[B];Cc=[C];Dc=[D];t=0:0.005:20;U=ones(size(t));x0=[0.05 0 0.08 0];[Y,X]=lsim(Ac,Bc,Cc,Dc,U,t,x0);plot(t,Y);xlabel(t);ylabel(Y);u=-K*X;图2 LQR控制器曲线神经网络控制器设计由LQR得到输入输出导师样本X(:,1);X(:,2);X(:,3);X(:,4)和u。经过神经网络训练即可得到逼近LQR控制效果的神经网络控制器，神经网络代码如下所示：P=[X(:,1);X(:,2);X(:,3);X(:,4)];t=u;Q=[-1 1;-1 1;-11;-1 1];net=newff(Q,[4 8 1],{tansigtansigpurelin});net.trainparam.epochs=2000;net.trainparam.goal=0.000001;net=train(net,P,t);gensim(net);图3神经网络训练性能3.控制器仿真图4一级倒立摆神经网络控制曲线由仿真结果可知，小车的位移稳定，摆杆的角度很快到达零，且超调量比较小，符合实验要求。因为电脑打不开远程倒立摆仿真应用程序并没有询问到其它同学联系信息所以用的是matlab仿真曲线观察控制效果。二级倒立摆神经网络控制实验要求：用LQR线性化模型设计神经网络控制器，实现对二级倒立摆的良好控制效果。2.控制器设计系统控制结构图图5系统simulink仿真图LQR控制器设计将二级倒立摆的模型进行线性化后得到模型A,B,C,D。利用matlab函数lqr()设计线性二次型最优控制反馈阵K，输出量u=-K*X’。因此可得输入输出的导师样本。A=[0 0 0 1 0 0;0 0 00 1 0;0 0 000 1; 0 -2.6865 1.0204 -16.8458 0.0168 -0.0128; 0 31.8459 -29.3235 42.9296 -0.2776 0.2912; 0 -40.9835 97.4089 -55.2473 0.6280 -0.8572];B=[0;0;0;8.7213;-22.2253;28.6023];C=[1 0 000 0;0 1 0 00 0;0 0 1 0 0 0;0 0 0 1 0 0;0 0 00 1 0;0 0 000 1];D=[0;0;0;0;0;0];Q=diag([100 1 1111 ]);R=0.01;K=lqr