第5章_神经网络在控制中应用.pptVIP

5.2 神经网络控制 5.2.8 神经网络滑模控制(neural network sliding mode control) 神经网络用于逼近被控对象由于建模误差和外部干扰造成的不确定性，而后将神经网络的逼近误差看作一个有界的不确定性，由滑模变结构控制律给予补偿和控制。 5.2 神经网络控制 5.2.9 神经网络鲁棒控制(neural network robust control) 利用神经网络来实时逼近系统的不确定，然后将神经网络的逼近误差当作系统的外部干扰，由鲁棒控制器来消除，则可使系统的不确定程度大大降低，从而使鲁棒控制系统获得较好的暂态性能而无须获知不确定的上界 。 5.3 小结 本章主要介绍了神经网络在自动控制中的应用，重点阐述了神经网络系统辨识技术、神经网络控制技术及神经网络与其他控制技术的融合。目前神经网络在控制中的应用主要利用了神经网络强大的非线性函数逼近能力。而神经网络优异的容错性和并行处理能力由于硬件技术方面的限制还远未发挥出来，此外人们对生物神经系统的研究与了解还很少，因此神经网络模型无论从结构还是网络规模，都是真实神经网络的极简单的模拟。有理由相信，随着神经网络理论研究的深入以及网络计算能力的不断提高，神经网络在自动控制系统的应用水平将会不断提高。 二关节机器人控制结构 5.2 神经网络控制 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 神经网络控制 动力学方程： 5.2 神经网络控制 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。 5.2 神经网络控制 3）神经网络自适应控制 5.2 神经网络控制 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 神经网络控制 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 神经网络控制 网络的训练 辨识器的学习 目标函数： 学习算法： 5.2 神经网络控制 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 神经网络控制 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 神经网络控制 关节1的轨迹跟踪曲线 5.2 神经网络控制 关节2的轨迹跟踪曲线 5.2 神经网络控制 RNNI的第一个输出轨迹 5.2 神经网络控制 RNNI的第二个输出轨迹 5.2 神经网络控制 5.2 神经网络控制 5.2.5 神经网络学习控制 神经网络学习控制系统是将神经网络与常规误差反馈控制结合起来的一种控制，首先用NN学习对象的逆动力学模型，然后用NN作为前馈控制器与误差反馈控制器构成复合控制器来控制对象。系统以反馈控制器的输出作为评价函数来调节神经网络的权值。这样，在控制之初，反馈控制器的作用较强，而随着控制过程的进行，NN得到越来越多的学习，反馈控制器的作用越来越弱，NN控制器的作用越来越强。 例：三关节机器人视觉伺服系统神经网络学习控制 问题描述： 利用摄像机观测目标小球与机器人末端手爪之间的相对位置，由此构成位置反馈，由相关控制器指挥机器人进行运动，使其末端手爪到达小球。 5.2 神经网络控制 目标小球的特征 特征提取 Xc Yc Zc x y (x,y) (XP,YP,ZP) Oc f 目标在成像平面的特征可以分解为：目标中心点在成像坐标系的坐标（x，y）以及目标的半径r。 5.2 神经网络控制 控制系统： 视觉伺服问题可以转化为：根据目标特征与期望特征的误差，通过控制器控制机器人运动，使目标特征到达期望特征。 5.2 神经网络控制 机器人视觉伺服控制系统的神经网络学习控制器 5.2 神经网络控制 神经网络结构 Δx Δy Δr Δθ1 Δθ2 Δθ3 输入层 隐含层 输出层 5.2 神经网络控制 神经网络的学习： 神经网络以常规控制器的输出up的最小化为目标进行学习。 如果学习的目标函数定义为： J＝1/2(u-un)2 其中u为复合控制器的输出，un为网络的输出。 那么根据BP算法可得网络在线训练时的权值修正算法为： 可以看出，网络在线训练的算法无需用到机械手和特征提取的模型信息，从而可以有效、快速地对神经网络进行在线学习和优化。 5.