第十三课 神经网络控制 人工神经网络理论及应用 教学课件.pptVIP

人工神经网络理论及应用 屈桢深 哈尔滨工业大学 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) 神经网络系统实现示意图(软件) 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。 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。 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 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 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： 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) NARMA-L1模型 在U=0处展开，有： 控制算法： NARMA-L2模型 NN NARMA辨识器 NN NARMA控制器 示例1 示例1——四种模型 线性化 非线性 NARMA-L1 NARMA-L2 示例1——辨识效果图(1) 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 NN NARMA控制器演示 narmamaglev 内模控制——基本原理I 模型预测控制基础 考虑SISO模型，控制目标： (k)跟踪r(k) 符号 d: 不可量测干扰；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