《神经模糊预测控制及其MATLAB实现》 第5版 课件 第3章神经网络控制系统.ppt

这三种神经网络结构分别是：．神经网络模型预测控制(NNPredictiveController)．反馈线性化控制(NARMA-L2Controller)．模型参考控制(ModelReferenceController)使用神经网络进行控制时，通常有两个步骤：系统辨识和控制设计。在系统辨识阶段，主要任务是对需要控制的系统建立神经网络模型；在控制设计阶段，主要使用神经网络模型来设计（训练）控制器。在本节将要介绍的三种控制网络结构中，系统辨识阶段是相同的，而控制设计阶段则各不相同。对于模型预测控制，系统模型用于预测系统未来的行为，并且找到最优的算法，用于选择控制输入，以优化未来的性能。对于NARMA-L2（反馈线性化）控制，控制器仅仅是将系统模型进行重整。对于模型参考控制，控制器是一个神经网络，它被训练以用于控制系统，使得系统跟踪一个参考模型，这个神经网络系统模型在控制器训练中起辅助作用。3.2.1神经网络模型预测控制1.模型预测控制理论神经网络预测控制器是使用非线性神经网络模型来预测未来模型性能。控制器计算控制输入，而控制输入在未来一段指定的时间内将最优化模型性能。模型预测第一步是要建立神经网络模型（系统辨识）；第二步，使用控制器来预测未来神经网络性能。1)系统辨识模型预测的第一步就是训练神经网络未来表示网络的动态机制。模型输出与神经网络输出之间的预测误差，用来作为神经网络的训练信号，该过程用图3-17来表示。图3-17训练神经网络神经网络模型利用当前输入和当前输出预测神经未来输出值。神经网络模型结构如图3-18所示，该网络可以以批量再线训练。图3-18神经网络模型结构2)模型预测模型预测方法是基于水平后退的方法，神经网络模型预测在指定时间内预测模型响应。预测使用数字最优化程序来确定控制信号，通过最优化如下的性能准则函数：式中N2为预测时域长度；Nu为控制时域长度；u(t)为控制信号；yr为期望响应，ym为网络模型响应，?为控制量加权系数。图3-19描述了模型预测控制的过程。控制器由神经网络模型和最优化方块组成，最优化方块确定u（通过最小化J），最优u值作为神经网络模型的输入，控制器方块可用Simulink实现。图3-19预测模型控制的过程2.模型预测神经网络控制实例分析——搅拌器控制系统在MATLAB神经网络工具箱中实现的神经网络预测控制器使用了一个非线性系统模型，用于预测系统未来的性能。接下来这个控制器将计算控制输入，用于在某个未来的时间区间里优化系统的性能。进行模型预测控制首先要建立系统的模型，然后使用控制器来预测未来的性能。下面将结合MATLAB神经网络工具箱中提供的一个演示实例，介绍Simulink中的实现过程。1)．问题的描述要讨论的问题基于一个搅拌器（CSTR），如图3-20所示。对于这个系统，其动力学模型为：图3-20搅拌器其中h(t)为液面高度，Cb(t)为产品输出浓度，w1(t)为浓缩液Cb1的输入流速，w2(t)为稀释液Cb2的输入流速。输入浓度设定为：Cb1=24.9，Cb2=0.1。消耗常量设置为：k1=1，k2=1。控制的目标是通过调节流速w2(t)来保持产品浓度。为了简化演示过程，不妨设w1(t)=0.1。在本例中不考虑液面高度h(t)。2)．建立模型在MATLAB神经网络工具箱中提供了这个演示实例。只需在MATLAB命令窗口中输入命令：predcstr。就会自动地调用Simulink，并且产生如图3-21所示的模型窗口。图3-21模型窗口其中神经网络预测控制模块（NNPredctiveController）和X(2Y)Graph模块由神经网络模块集（NeuraiNetworkBlockset）中的控制系统模块库（ControlSystems）复制而来。图3-20中的Plant（ContinuousStirredTankReactor）模块包含了搅拌器系统的Simulink模型。双击这个模块，可以得到具体的Simulink实现，此处将不加以深入讨论。NNPredictiveController模块的ControlSignal端连接到搅拌器系统模型的输入端，同时搅拌器系统模型的输出端连接到NNPredictiveController模块的PlantOutput端，参考信号连接到NNPredictiveController模块的Reference端。双击NNPredctiveCon