最新智能控制理论及应用 作者 韩力群 第三章 神经网络控制及应用(辨识与控制)讲学课件

y (k)
yˆ(k)
k1) e(k)
u(k) z-1 z-1
z -1
P
z-1 z-1
y (k)
e(k)
u(k-1) u(k-2) yˆ(k3) yˆ(k2) yˆ(k1)
神经网络
串-并联结构
12
3.2 神经网络系统辨识
3.2.2.2系统逆模型的神经网络辨识
设 P-1 为系统的逆模型，若将系统的输出作为辨识模型的输入， 而将系统的输入作为辨识模型的教师信号，结果可得到系统逆 模型的辨识模型 Pˆ 1 。
3.3.1.4 间接自校正控制系统结构 间接自校正控制常称为自校正控制，该方案可在被控系统参
数变化的情况下自动调整控制器参数，消除扰动的影响。
32
3.3 神经网络控制
3.3.1神经网络控制系统结构
3.3.1.5 预测控制系统结构 预测控制是一种基于被控对象的预测模型的控制，特点是滚动优
化和反馈校正。由于神经网络能辨识非线性动态系统的输入输出特性， 可作为系统的预测模型。
t
u(k) KPe(k) KI e(k) KD[e(k) e(k 1)]
0
e(k) r(k) y(k)
式中，u(k)——控制器的输出； e(k)——系统误差；
K P 、 K I 、 K D ——依次为比例、积分、微分系数。
40
3.3 神经网络控制
3.3.2.1 基于BP神经网络的PID控制
从变化无穷的非线性组合中可以找到三种控制作用既相互配合 又相互制约的最佳关系，而神经网络所具有的任意非线性表达能力， 可用来实现具有最佳组合的PID控制。
30
3.3 神经网络控制
3.3.1神经网络控制系统结构
3.3.1.3 PID控制系统结构
31
3.3 神经网络控制
3.3.1神经网络控制系统结构
网rˆe
(t
络
)
控制选择 网 络 CSN 网 络 ACN
u ( t) 对象
x(t)
35
3.3 神经网络控制
3.3.2.1 基于BP神经网络的PID控制
1.神经网络辨识器的设计
设被控对象为
y ( k 1 ) g [ y ( k ) y ( k 1 ) , , y ( k , n 1 ) u ( k ) u ( k , 1 ) , , u ( k , m 1 ) , n m]
智能控制理论及应用 作者 韩力群 第三章 神经网络 控制及应用(辨识与控制)
3.2 神经网络系统辨识
系统辨识（Identification）的主要应用： 1. 控制系统的分析和设计 2. 用于自校正、模型参考自适应系统 3. 预测和预报 4. 监视系统运行状态，进行故障诊断
2
3.2 神经网络系统辨识
因此输入向量为 X [x1, x2 .x3 ] [CP , CI , CD ]
41
3.3 神经网络控制
3.3.2.1 基于BP神经网络的PID控制
2.神经网络PID控制器的设计
2)隐层设计：一般设为单隐层，神经元个数 p 与系统复杂 程度相关，需由实验确定。隐层第 j 个神经元的输入为
3
net j (k) vij xi (k) i0
在实际应用中，一般先进行离线训练，得到网络的权值后再进行在线学习， 这时网络离线训练后的权值就成为在线学习时的初始值，从而使辨识的实时性 得到改善。
9
3.2 神经网络系统辨识
3.2.2 系统模型的神经网络辨识
3.2.2.1系统正模型的神经网络辨识 采用系统Ⅴ的一般描述，设n=3，m=2，被辨识系统差分方程为
vij (k 1) I eI (k 1) f [net j (k)][ wj (k)]xi (k) I v j (k )
i 1,2,, n m , j 1,2,, p
39
3.3 神经网络控制
3.3.2.1 基于BP神经网络的PID控制
2.神经网络PID控制器的设计 数字式 PID 控制算式为
22
例二：角度传感器启动漂移特性的神经网络模型辨识
23
3.2 神经网络系统辨识
例二：角度传感器启动漂移特性的神经网络模型辨识
24
3.2 神经网络系统辨识
例二：角度传感器启动漂移特性的神经网络模型辨识
25
3.3 神经网络控制
神经网络控制是神经网络与自动控制相结合而形成的 一门综合性学科，基于神经网络的智能控制系统已有许多 成功的应用实例，神经网络控制系统的设计与应用既需要 熟悉神经网络的各种网络模型、学习算法以及主要特性， 又要熟悉控制领域的广泛理论与方法，如非线性控制、系 统辨识和自适应控制等等。
10
3.2 神经网络系统辨识
3.2.2.1系统正模型的神经网络辨识
u(k)
z -1
z -1
u(k-1) u(k-2)
y (k) P
yˆ (k )
神经网络
yˆ(k 3) yˆ(k2)
yˆ(k 1) e(k)
z -1
z -1
z -1
并联结构
11
3.2 神经网络系统辨识
3.2.2.1系统正模型的神经网络辨识
33
3.3 神经网络控制
3.3.1神经网络控制系统结构
3.3.1.6 模型参考自适应控制系统结构
模型参考自适应控制来源于线性系统的模型参考自适应控制 (MRAC)，当被控对象具有未知的非线性特性时，可采用神经网络 模型参考自适应控制方案，其结构如下。
参考模型
参考模型
直接型
间接型
34
3.3 神经网络控制
Байду номын сангаас27
3.3 神经网络控制
3.3.1神经网络控制系统结构
3.3.1.1直接逆控制系统结构 该控制结构的一种实现方案如下图所示:
NNC( Pˆ -)1
对象
NN( Pˆ -1)
神经网络直接逆控制结构
28
3.3 神经网络控制
3.3.1神经网络控制系统结构
3.3.1.2 内模控制系统结构 内模控制即内部模型控制，该方案即保留了直接逆控制的优
37
3.3 神经网络控制
3.3.2.1 基于BP神经网络的PID控制
1.神经网络辨识器的设计 3)网络输出设计
输出层只设一个神经元，其输出 o(t+1)即为辨识模型的
输出 yˆ(t 1) 。输出层神经元采用线性转移函数，因此有
p
o(k) yˆ(k 1) wj y j (k) j0
式中， o0 (k ) 1 , w0 为阈值。
3.2.1.2 辨识的主要步骤
1)实验设计 确定输入信号、采样周期、辨识时间、开环或闭环、离线或
在线等等。 2)确定辨识模型M的结构
M的结构设计主要依靠人的经验来确定，M可以由一个或多 个神经网络组成，也可以加入线性系统。 3)确定辨识模型的参数
需要选择合适的参数辨识算法。采用BP神经网络时，可采 用一般的BP学习算法辨识网络的权值参数。 4)模型检验
模型的实际应用效果是对系统辨识效果优劣的检验标准。
7
3.2 神经网络系统辨识
3.2.1.3 在线辨识与离线辨识
d
u(k)
P
y(k)
e(k)
+ ∑
-
yˆ (k ) Pˆ
8
3.2 神经网络系统辨识
3.2.1.3 在线辨识与离线辨识
在线辨识是在系统实际运行中进行的，辨识过程由实时性要求。 离线辨识是在已取得大量系统的输入输出后，用这些历史数据对 神经网络进行训练（辨识），因此辨识过程与实际系统是分离的，无 实时性要求。 离线辨识可使神经网络在系统工作前预先完成训练过程，但因输 入输出训练样本集很难覆盖系统所有可能的工作范围，因而难以适应 系统在工作过程中的参数变化。
本节简要介绍人工神经网络控制的常用结构，重点介 绍几种神经网络控制方案的设计方法、性能分析以及应用 举例 。
26
3.3 神经网络控制
3.3.1神经网络控制系统结构
3.3.1.1直接逆控制系统结构 直接逆控制是一种前馈控制，设被控对象模型为P且
其逆模型P-1存在，理论上可直接用P-1作为控制器与被控 对象串联，此时控制器P-1的输入为系统的参考输入r，输 出为u，而被控对象的输入为u，输出为y，理想情况下应 有y=r，即系统的传递函数为P P-1=1。因此，可先通过 离线训练使神经网络控制器NNC获得被控对象的逆特性 P-1，再将具有逆特性P-1的NNC与被控对象串联。
3.3.1神经网络控制系统结构
3.3.1.7 再励学习控制系统结构
智能控制的思路是模仿人的 智能行为进行控制，人作出控制 决策时凭借的不是数学模型而是 经验，而这些经验是经过“行 动— 评价—改进行动方案—再行 动”的多次反复才能获得的，再 励学习控制就是模仿人的这种学 习方式而提出的。
自 适 应 评 价 re(t) 网 络 ACN
y ( k ) f [ 0 y ( k 1 ) a 1 y ( , k 2 ) a 2 y ( , k 3 ) u ( k , 1 ) u ( k , 2 )]
令辨识模型M为
y ˆ ( k ) N [ y ˆ ( k 1 ) y ˆ ( k , 2 ) y ˆ ( k , 3 ) u ( k , 1 ) u ( k , 2 ) W ] ,(3-90) 或 y ˆ ( k ) N [ y ( k 1 ) y ( k , 2 ) y ( k , 3 ) u ( k , 1 ) u ( k , 2 ) W ] ,(3-91)
u(t) P y(t+1) u(t) (NN)
P y(t+1)
(NN) e(t)
(a)反馈结构
e(t)
(b)前馈结构
系统逆模型辨识的两种结构
13
3.2 神经网络系统辨识
3.2.2.3 神经网络系统辨识应用实例 粮食干燥热力过程神经网络模型辨识
粮食干燥塔系统简化图
神经网络辨识模型
14
3.2 神经网络系统辨识
38
3.3 神经网络控制
3.3.2.1 基于BP神经网络的PID控制
1.神经网络辨识器的设计
4)权值调整算法
以网络的误差函数为系统的性能指标函数
EI
(k)
1 [y(k 2
1)
yˆ(k
1)]2
1 2
eI
2 (k
1)
采用具有动量项的调整算法，可得各层权值调整式为
wj (k 1) I eI (k 1) y j (k ) I wj (k ) j 1,2,, p
3.2.2.3 神经网络系统辨识应用实例 例一：粮食干燥热力过程神经网络模型辨识
干燥塔出口粮食水分神经网络辨识结果与实测结果比较
15
3.2 神经网络系统辨识
3.2.2.3 神经网络系统辨识应用实例 例二：角度传感器启动漂移特性的神经网络模型辨识
16
3.2 神经网络系统辨识
例二：角度传感器启动漂移特性的神经网络模型辨识
r
e PID 控制器
u
NNC
,
y 对象 项
(3-92)
eC -
NNI yˆ
- eI
36
设 NNI 中的神经网络用三层 BP 网络实现，输入层至隐层的权值矩阵为 V， 隐层至输出层为 W，网络的设计如下：
1)网络输入设计
输入层应设 n＋m 个神经元，分别接收被控对象的 n 个输出序列和 m 个输 入序列。因此输入向量
点又可以较好地解决直接逆控制存在的问题。
r+ 滤波器
-f
u NNC(Pˆ 1)
对象
d y
NNI( Pˆ 1 ) -
29
3.3 神经网络控制
3.3.1神经网络控制系统结构
3.3.1.3 PID控制系统结构 PID控制要取得较好的控制效果，关键在于调整好比例、积分
和微分三种控制作用的关系。在常规PID控制器中，这种关系只能是 简单的线性组合，因此难以适应复杂系统或复杂环境下的控制性能 要求。
2.神经网络PID控制器的设计 采用三层 BP 网络实现 PID 控制器，设计方法如下。 1)网络输入设计：输入层设 3 个神经元，分别接收系统误
差项 CP (k) 、累计误差项 CI (k) 和微分误差项 CD (k) ， 即
CP (k) e(k)
CI (k) k e(k)
0
CD (k) e(k) e(k 1)
j 1,2,, p
式中， x0 (k ) 1 , v0 j 为阈值。隐层输出 y j (k ) ， j 1,2,, p 可采 用单极性 S 函数或双极性 S 函数。
17
3.2 神经网络系统辨识
例二：角度传感器启动漂移特性的神经网络模型辨识
18
3.2 神经网络系统辨识
例二：角度传感器启动漂移特性的神经网络模型辨识
19
例二：角度传感器启动漂移特性的神经网络模型辨识
20
21
3.2 神经网络系统辨识
例二：角度传感器启动漂移特性的神经网络模型辨识 网络各层的输入输出描述如下：
X [x1, x2 ,, xnm ]=[y(k), y(k 1),, y(k n 1),u(k),u(k 1),,u(k m 1)]
2)网络隐层设计
一般设为单隐层，神经元个数 p 需由实验确定。隐层第 j 个神经元的输入
为
nm
net j (k) vij xi (k) i0
j 1,2,, p