哈工大智能控制神经网络课件第十三课神经网络控制

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。
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：
n1
gi y(k), y(k 1),L , y(k n 1)u(k i)
u k i1 g0 y(k), y(k 1),L , y(k n 1)
NARMA-L2模型
在u(k)=0处展开，有：
y(k d) f0y(k), y(k 1), , y(k n 1)；u(k 1), ,u(k n 1)
1wij (k )1wij (k )1wij (k 1)
神经PID控制器——学习算法
准则函数：
E2 (k)
1 [r(k 2
1)
y(k
1)]2
1 2
e22
(
k
1)
NNC 网络权值调整用梯度下降法：
vi (k )
2
E2 (k ) vi (k )
2e2 (k
1)
y(k 1) vi (k )
k
yr (k)
y(k)
0
NARMA-L1模型
y(k d) FY;U
T
在U=0处展开，有：
y(k
d)
F Y
;0
dF dU
U
U
0
n1
f0y(k), y(k 1), , y(k n 1) giy(k), y(k 1), , y(k n 1)u(k i)
i0
控制算法：
yr (k d ) f0 y(k), y(k 1),L , y(k n 1)
神经PID控制是 针对上述问题而提出的一种控制策略。
经典数字PID控制器
数字PID控制基本算式
k
u k kpek ki e k kd e k e k 1 t 1
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。
2. 神经 PID 控制器 对于不确定、不确知对象与扰动，为达到有效控制的目的，对象模型在线辨识基础
输入：
c1
c2
(k) (k)
e(
k
k) e(
k
)
j0
c3 (k ) e(k ) e(k ) e(k 1)
输出： u(k ) v1c1 (k ) v2c2 (k ) v3c3 (k ) vi ：NNC 的权值，i=1,2,3
e(k)
P环节
v1
v2 I环节
u(k)
Σ
v3 D环节
神经PID控制结构
sin 2 k
25
示例1——辨识效果图(2)
代入上式，有： x(k n) gYn(k),Un(k) 或记为： x(k n) g y(k), y(k 1),L , y(k n 1);u(k),u(k 1),L ,u(k n 1)
NARMA数学模型推导(3)
根据 y(k) hx(k)
即有:
y(k 1) Fy(k), y(k 1), , y(k n 1);u(k),u(k 1), ,u(k n 1)
gy(k), y(k 1), , y(k n 1)；u(k 1), ,u(k n 1)u(k)
因此，控制量可取：
u
yr (k d) f0y(k), y(k 1), , y(k n 1)；u(k 1), ,u(k n 1) gy(k), y(k 1), , y(k n 1)；u(k 1), ,u(k n 1)
神经PID控制器演示
演示
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。
参考模型
yM
r
ur
-y
NNC
对象
-
神经直接模型参考自适应控制
NN间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。对象特性非线性、不
确定、不确知时采用。
其输入是对象的输入输出序列{u(k), y(k)}
- PID 控制器
r
u
对象
y
e NNC
学习算法
e2
-
NNI
yˆ
学习算法
-
e1
图 4-4-1 神经 PID 控制框图
神经PID控制——辨识器II
隐层第 i 节点的输出：
l yi (k) f [l pi (k)]
N
l pi (k ) l wij l1 y j (k )
神经网络系统实现示意图(硬件)
e(t) r(t)
-
采样
A/D
开关
模拟输入通道
实时时钟 神经控制器
u(t) y(t)
D/A
保持器
对象
(过程)
模拟输出通道
图 4-2-3 神经控制系统硬件框图
神经网络系统实现示意图(软件)
神经控制是实时控制，即，控制器要在采样周期T 内
完成一个控制步的操作（程序实现）。
非线性系统： x(k 1) f x(k),u(k)
y(k) hx(k)
从时刻k开始进行递推：
y(k) hx(k) 1x(k) y(k 1) hx(k 1) h f (x(k),u(k)） 2x(k)，u(k)
y(k n 1) hx(k n 1) h f n1•,•
n x(k)，u(k),u(k+1),L u(k n 2)
控制器结构的选择――动态网络种 r 类、结构的选择，可能需经多次试探
u
对象
e NNC
y
过程，在 L2 意义下， 即以准则函数：
J
(k
)1ຫໍສະໝຸດ 212y(k) r (k )
yˆ (k )2 yˆ (k )2
1 2
e12
(k
)
1 2
e22
(k
)
1 2
, ,
学习算法
NNI
NNI
yˆ
e2
学习算法
-
-
e1
2e2 (k
1)
y(k 1) u(k )
u(k ) vi (k )
u(k ) vi (k )
ci (k )
，代入上式，有
yˆ k u
k1由yv(iuk((神kk))1经) 2网ei2 (络kyo(辨ki1()kc识i)1) y器(oxukii(((k计kk)1)))算xui((得kk)) 出
= i 2 wi (k ) f ' xi (k ) [1wiu (k )]
单输入单输出（SISO）系统，控制步的操作：
（1）数据采集：需时 t1 ； （2）由设计的控制规律求控制量，需时 t2 ； （3）控制量的输出和存储，需时 t3 。
实时控制的条件为
T t1 t2 t3
n 输入 n 输出（MIMO）系统，实时控制的条件为
n
T (ti1 ti2 ti3 ) i 1
人工神经网络理论及应用
13. 神经网络控制
屈桢深
哈尔滨工业大学
主要内容
神经网络控制基础 神经PID控制 神经模型参考自适应控制与NARMA控制 神经内模控制 神经网络逆控制 模型预测控制(MPC)*
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
当系统相对阶为d时，则有：
y(k d) Fy(k), y(k 1), , y(k n 1);u(k),u(k 1), ,u(k n 1)
系统控制问题：选择
u(k) Gy(k), y(k 1), , y(k n 1); yr (k d);u(k),u(k 1), ,u(k n 1)
使
lim
NNC 图 4-4-1 神经 PID 控制框图
其权系由学习，搜索寻优。
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
g0y(k), y(k 1)u(k) g1y(k), y(k 1)u(k)
NARMA-L2
yˆ(k 1) f0y(k), y(k 1),u(k 1) gy(k), y(k 1),u(k 1)u(k)
示例1——辨识效果图(1)
辨识信号 [-2,2] 随机数
测试信号
u k sin 2 k
10
NN NARMA辨识器
NN NARMA控制器
示例1
示例1——四种模型
线性化 yˆ(k 1) w1y(k) w2 y(k 1) w3u(k) w4u(k 1)
非线性 yˆ(k 1) Ny(k), y(k 1),u(k),u(k 1)
NARMA-L1 yˆ(k 1) f0y(k), y(k 1)
- PID 控制器
j0
r
u
对象
y
f
(x)
1 1
ex ex
e NNC