多层前向(BP)神经网络倒立摆控制器设计..docVIP

控制理论与控制工程研究中心提供：多层前向神经(BP)网络倒立摆控制器设计设计要求完成两个控制器设计：（1） 起杆控制器设计（2） 杆稳定控制器设计：稳定任意给定一个初始摆角和小车初始位置，对小车施加作用力是小车运动到期望位置，并使摆角尽量为0，且不能超过-5°~ 5°的范围。（3）已知：小车质量：1.096kg 摆杆质量：0.109kg 摆杆转动轴心到杆质心的长度：0.25m 摆杆的转动惯量：0.0034 kgm2模型分析质量为m的小球固结于长度为L的细杆（可忽略杆的质量）上，细杆又和质量为M的小车铰接相连。由经验知：通过控制施加在小车上的力F（包括大小和方向）能够使细杆处于θ＝0的稳定倒立状态。在忽略其他零件的质量以及各种摩擦和阻尼的条件下，推导小车倒立摆系统的数学模型如下：图1 倒立摆模型在不考虑摩擦时倒立摆的运动方程可以由如下非线性微风方程描述：当状态变量在小的范围内变动时，可将其局部线性化，因为所以当θ很小时，由cosθ、sinθ的幂级数展开式可知，忽略高次项后，可得cosθ≈1，sinθ≈θ，θ’’≈0。故线性化后运动方程组简化为：x1’=θ’=x2 x2’==x1-FX3’ =x’=x4 x4’=x’’=-x1+F 化为状态空间表达式：X’== + F Y= = + 0F综上所属，可将倒立摆进行动力学建模，写出动力学方程，并当状态变量在小范围内变化时，可局部线性化，写出该模型的状态空间方程。由此我们可以进行控制器的设计。设计思路1、起摆控制器设计。首先假定初始状态向量为[pi 0 0 0]，开始对模型施以正弦信号的力。当采集到的状态向量abs（θ）=0.1*pi的时候，进入稳定控制控制器控制。2、稳定控制器设计。进行多层前向BP网络控制器设计的时，首先因采集数据集，该数据集应完整且不冗余（不具有相关性）。以保证训练的快速和准确。采集到数据后，将其进行分类，分为训练用数据、检验用数据、测试用数据。当把数据分好后，便可新建网络，训练网络。最后用训练好的网络对模型进行控制，观察控制效果。首先，建立对象模型。在MATLAB的simulink中有车棒系统模型，用“slcp”命令打开，直接拷贝过来，加上输入输出，存为模型newmodle.mdl文件。如下图所示：图2 倒立摆模型接着，利用LQR最优控制进行数据采集。此处选的最优控制参数R和Q阵为：Q=[10 0 0 0;0 5 0 0;0 0 100 0;0 0 0 5];R=1首先，将输入数据域进行分割，再在线性状态方程下，计算当前系统输出。共分割625个点，即采集625组数据。再将这625组数据分为四组，用二分之一的数据训练网络。用newff新建该神经网络。该神经网络为二层网络。其中输入层为4个节点，隐含层有16个神经元，输出层有1个神经元。为提高训练速度，采用trainlm训练方法进行训练。训练目标为0.001。训练好网络后，在给定输入的情况下，测试其对模型的控制效果。仿真结果图3 网络训练误差分析图4 在阶跃输入下的控制曲线结果分析建立了一级倒立摆的数学模型，通过LQR最优控制方法得到数据集，建立多层前向反馈神经网络，用MATLAB实现了控制系统的仿真，得到了一级倒立摆各状态量及控制量的响应曲线。通过进行神经网络控制器设计，可以看出该神经网络可以可以在较短的时间内使倒立摆稳定。实现了对倒立摆的控制。控制程序见附录。附录%生成数据采集点**************************function h=order(x)l=length(x);ll=prod(x,2);h=[];for i=1:l a=ll/prod(x(1:i),2); b=ll/x(i)/a; c=[]; m=[]; for k=1:x(i) c=[c;k*ones(a,1)]; end for j=1:b; m=[m;c]; end h=[h,m];endreturnfunction h=genstate();n1=5;n2=5;n3=5;n4=5;data=order([n1,n2,n3,n4]);a1=linspace(-0.3,0.3,n1);a2=linspace(-1,1,n2);a3=linspace(-3,3,n3);a4=linspace(-3,3,n4);for i=1:length(data); data(i,1)=a1(data(i,1)); data(i,2)=a2(data(i,2)); data(i,3)=a3(data(i,3)); data(i,4)=a4(data(i,4));endh=data;%