人工神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用屈楨深哈爾濱工業(yè)大學(xué)13.神經(jīng)網(wǎng)絡(luò)控制人工神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用屈楨深13.神經(jīng)網(wǎng)絡(luò)控制1主要內(nèi)容神經(jīng)網(wǎng)絡(luò)控制基礎(chǔ)神經(jīng)PID控制神經(jīng)模型參考自適應(yīng)控制與NARMA控制神經(jīng)內(nèi)?？刂粕窠?jīng)網(wǎng)絡(luò)逆控制模型預(yù)測(cè)控制(MPC)*主要內(nèi)容神經(jīng)網(wǎng)絡(luò)控制基礎(chǔ)2NN控制基礎(chǔ)是將神經(jīng)網(wǎng)絡(luò)在相應(yīng)的控制結(jié)構(gòu)中做控制器、辨識(shí)器主要是為解決復(fù)雜的非線性、不確定、不確知系統(tǒng)，在不確定、不確知環(huán)境中的控制問(wèn)題使控制系統(tǒng)穩(wěn)定、魯棒性好，具有要求的動(dòng)態(tài)、靜態(tài)性能NN控制基礎(chǔ)是將神經(jīng)網(wǎng)絡(luò)在相應(yīng)的控制結(jié)構(gòu)中做控制器、辨識(shí)器3NN控制與已有控制方法關(guān)系能對(duì)變化的環(huán)境具有自適應(yīng)性，且成為基本上不依賴于模型的一類控制，因此，神經(jīng)控制已成為“智能控制”的一個(gè)新的分支將具有學(xué)習(xí)能力的控制系統(tǒng)稱為學(xué)習(xí)控制系統(tǒng)。NN控制是有學(xué)習(xí)能力的，屬于學(xué)習(xí)控制NN控制與已有控制方法關(guān)系能對(duì)變化的環(huán)境具有自適應(yīng)性，且成為4控制系統(tǒng)設(shè)計(jì)過(guò)程控制系統(tǒng)分析――正問(wèn)題求解：（1）已知控制系統(tǒng)中各環(huán)節(jié)結(jié)構(gòu)、參數(shù)；（2）已知被控對(duì)象所處的環(huán)境求解控制系統(tǒng)的穩(wěn)定性、動(dòng)態(tài)、穩(wěn)態(tài)特性?？刂葡到y(tǒng)設(shè)計(jì)（綜合）――逆問(wèn)題求解：有多種解法，可選擇不同的控制結(jié)構(gòu)，確定不同的準(zhǔn)則函數(shù)。控制系統(tǒng)設(shè)計(jì)過(guò)程控制系統(tǒng)分析――正問(wèn)題求解：5確定性系統(tǒng)NN控制設(shè)計(jì)已知對(duì)象特性及外加擾動(dòng)是確定性的，時(shí)不變的；已知系統(tǒng)期望輸出r，要求的性能指標(biāo)?？刂葡到y(tǒng)的設(shè)計(jì)：設(shè)計(jì)控制器，校正對(duì)象的特性，使控制系統(tǒng)達(dá)到要求的性能指標(biāo)，即使控制系統(tǒng)在r作用下，由控制器給出的控制量u作用于對(duì)象，使其輸出y跟蹤r。對(duì)于確定性系統(tǒng)與環(huán)境，選擇某種控制結(jié)構(gòu)，可設(shè)計(jì)出確定參數(shù)的控制器。確定性系統(tǒng)NN控制設(shè)計(jì)已知對(duì)象特性及外加擾動(dòng)是確定性的，時(shí)不6不確定環(huán)境下NN控制設(shè)計(jì)對(duì)處于不確定、不確知環(huán)境中的復(fù)雜的非線性不確定、不確知系統(tǒng)的設(shè)計(jì)問(wèn)題，是控制領(lǐng)域研究的核心問(wèn)題。神經(jīng)控制是解決問(wèn)題的一條途徑。在已知被控對(duì)象的一些先驗(yàn)知識(shí)情況下：由神經(jīng)網(wǎng)絡(luò)做辨識(shí)器，在線識(shí)別對(duì)象模型，由于網(wǎng)絡(luò)的學(xué)習(xí)能力，辨識(shí)器的參數(shù)可隨著對(duì)象、環(huán)境的變化而自適應(yīng)的改變。由神經(jīng)網(wǎng)絡(luò)做控制器，其性能隨著對(duì)象、環(huán)境的變化而自適應(yīng)的改變（通過(guò)神經(jīng)辨識(shí)器）。

不確定環(huán)境下NN控制設(shè)計(jì)對(duì)處于不確定、不確知環(huán)境中的7NN控制結(jié)構(gòu)示例NN控制結(jié)構(gòu)示例8神經(jīng)網(wǎng)絡(luò)系統(tǒng)實(shí)現(xiàn)(硬件)神經(jīng)控制絕大多數(shù)是數(shù)字控制，用數(shù)字量實(shí)現(xiàn)對(duì)被控對(duì)象的控制，討論連續(xù)對(duì)象用數(shù)字計(jì)算機(jī)實(shí)現(xiàn)的神經(jīng)控制問(wèn)題。

神經(jīng)控制系統(tǒng)的組成（1）硬件①連續(xù)被控對(duì)象②神經(jīng)控制器③模擬輸入通道④模擬輸出通道⑤實(shí)時(shí)時(shí)鐘神經(jīng)網(wǎng)絡(luò)系統(tǒng)實(shí)現(xiàn)(硬件)神經(jīng)控制絕大多數(shù)是數(shù)字控制，9神經(jīng)網(wǎng)絡(luò)系統(tǒng)實(shí)現(xiàn)示意圖(硬件)神經(jīng)網(wǎng)絡(luò)系統(tǒng)實(shí)現(xiàn)示意圖(硬件)10神經(jīng)網(wǎng)絡(luò)系統(tǒng)實(shí)現(xiàn)示意圖(軟件)

321tttDDD

是

控

制

子

程

序

采

樣?

起

始

主程序：初始化設(shè)置

控制量的輸出和存儲(chǔ)

控制算法

否

數(shù)據(jù)采集

神經(jīng)網(wǎng)絡(luò)系統(tǒng)實(shí)現(xiàn)示意圖(軟件)321tttDDD是控11神經(jīng)PID控制PID控制是工業(yè)過(guò)程控制中常用的控制方法，因PID控制器結(jié)構(gòu)簡(jiǎn)單、實(shí)現(xiàn)簡(jiǎn)易，且能對(duì)相當(dāng)一些工業(yè)對(duì)象（或過(guò)程）進(jìn)行有效的控制。常規(guī)PID控制局限性在于控制對(duì)象具有復(fù)雜的非線性特性，難以建立精確的數(shù)學(xué)模型，且由于對(duì)象和環(huán)境的不確定性，往往難以達(dá)到滿意的控制效果。神經(jīng)PID控制是針對(duì)上述問(wèn)題而提出的一種控制策略。神經(jīng)PID控制PID控制是12經(jīng)典數(shù)字PID控制器數(shù)字PID控制基本算式各部分作用：……設(shè)計(jì)目標(biāo)：調(diào)整kp,ki,kd.使用經(jīng)典PID設(shè)計(jì)，得到常數(shù)系數(shù)。經(jīng)典數(shù)字PID控制器數(shù)字PID控制基本算式13神經(jīng)PID控制器基本思想神經(jīng)PID控制器基本思想14神經(jīng)PID控制結(jié)構(gòu)由辨識(shí)器NNI在線辨識(shí)對(duì)象，對(duì)控制器NNC的權(quán)系進(jìn)行實(shí)時(shí)調(diào)整，使系統(tǒng)具有自適應(yīng)性，從而達(dá)到控制目的。神經(jīng)PID控制結(jié)構(gòu)由辨識(shí)器NNI在線辨識(shí)對(duì)象，對(duì)控制器15神經(jīng)PID控制——辨識(shí)器神經(jīng)PID控制——辨識(shí)器16神經(jīng)PID控制——辨識(shí)器II神經(jīng)PID控制——辨識(shí)器II17神經(jīng)PID控制——學(xué)習(xí)算法神經(jīng)PID控制——學(xué)習(xí)算法18神經(jīng)PID控制器——學(xué)習(xí)算法由神經(jīng)網(wǎng)絡(luò)辨識(shí)器計(jì)算得出神經(jīng)PID控制器——學(xué)習(xí)算法由神經(jīng)網(wǎng)絡(luò)辨識(shí)器計(jì)算得19演示神經(jīng)PID控制器演示神經(jīng)PID控制器演示20NN直接模型參考自適應(yīng)控制構(gòu)造一個(gè)參考模型，使其輸出為期望輸出，控制的目的是使y跟蹤r。NN直接模型參考自適應(yīng)控制構(gòu)造一個(gè)參考模型，使其輸出為21NN間接模型參考自適應(yīng)控制構(gòu)造一個(gè)參考模型，使其輸出為期望輸出，控制的目的，是使y跟蹤r。對(duì)象特性非線性、不確定、不確知時(shí)采用。

NN間接模型參考自適應(yīng)控制構(gòu)造一個(gè)參考模型，使其輸出為期望輸22NN模型參考自適應(yīng)控制(MRAC)NN模型參考自適應(yīng)控制(MRAC)23系統(tǒng)使用神經(jīng)網(wǎng)絡(luò)系統(tǒng)使用神經(jīng)網(wǎng)絡(luò)24示例：?jiǎn)巫杂啥葯C(jī)械臂：擺角；u:電機(jī)施加扭矩參考模型：示例：?jiǎn)巫杂啥葯C(jī)械臂：擺角；25NNMRAC控制器演示mrefrobotarmNNMRAC控制器演示26NARMA數(shù)學(xué)模型推導(dǎo)(1)使用狀態(tài)方程表示SISO非線性系統(tǒng)：從時(shí)刻k開(kāi)始進(jìn)行遞推：NARMA數(shù)學(xué)模型推導(dǎo)(1)使用狀態(tài)方程表示SISO非線性系27NARMA數(shù)學(xué)模型推導(dǎo)(2)令則有：并因此有：由代入上式，有：或記為：NARMA數(shù)學(xué)模型推導(dǎo)(2)令28NARMA數(shù)學(xué)模型推導(dǎo)(3)根據(jù)即有:當(dāng)系統(tǒng)相對(duì)階為d時(shí)，則有：系統(tǒng)控制問(wèn)題：選擇使NARMA數(shù)學(xué)模型推導(dǎo)(3)根據(jù)29NARMA-L1模型在U=0處展開(kāi)，有：控制算法：NARMA-L1模型30NARMA-L2模型在u(k)=0處展開(kāi)，有：因此，控制量可取：NARMA-L2模型在u(k)=0處展開(kāi)，有：31NNNARMA辨識(shí)器NNNARMA辨識(shí)器32NNNARMA控制器NNNARMA控制器33示例1示例134示例1——四種模型線性化非線性NARMA-L1NARMA-L2示例1——四種模型線性化35示例1——辨識(shí)效果圖(1)辨識(shí)信號(hào)[-2,2]隨機(jī)數(shù)測(cè)試信號(hào)示例1——辨識(shí)效果圖(1)辨識(shí)信號(hào)[-2,2]36示例1——辨識(shí)效果圖(2)示例1——辨識(shí)效果圖(2)37示例1——控制效果圖示例1——控制效果圖38示例1——控制輸入示例1——控制輸入39示例2y(t):磁鐵距電磁鐵高度；i(t):電磁鐵電流；M:磁鐵質(zhì)量；：場(chǎng)強(qiáng)常數(shù)；：粘滯摩擦系數(shù)；示例2y(t):磁鐵距電磁鐵高度；40NNNARMA控制器演示narmamaglevNNNARMA控制器演示41圖4-6-1內(nèi)?？刂苹窘Y(jié)構(gòu)內(nèi)?？刂啤驹鞩圖4-6-1內(nèi)?？刂苹窘Y(jié)構(gòu)內(nèi)?？刂啤驹鞩42圖4-6-1內(nèi)?？刂苹窘Y(jié)構(gòu)內(nèi)?？刂啤驹鞩I圖4-6-1內(nèi)模控制基本結(jié)構(gòu)內(nèi)?？刂啤驹鞩I43圖4-6-1內(nèi)?？刂苹窘Y(jié)構(gòu)內(nèi)?？刂啤到y(tǒng)分析I當(dāng)對(duì)象穩(wěn)定，模型與對(duì)象完全匹配時(shí)，有：控制系統(tǒng)相當(dāng)于開(kāi)環(huán)；控制系統(tǒng)穩(wěn)定<->D和P零極點(diǎn)在單位圓內(nèi)；內(nèi)模反饋量即為擾動(dòng)量，即；若控制器取，即能實(shí)現(xiàn)完全控制圖4-6-1內(nèi)?？刂苹窘Y(jié)構(gòu)內(nèi)?？刂啤到y(tǒng)分析I當(dāng)對(duì)象穩(wěn)44內(nèi)?？刂啤到y(tǒng)分析II當(dāng)對(duì)象穩(wěn)定，模型與對(duì)象失陪時(shí)，有：系統(tǒng)輸出與模型差及擾動(dòng)量有關(guān)；對(duì)于階躍輸入，系統(tǒng)穩(wěn)態(tài)誤差終值：若，且，則穩(wěn)態(tài)誤差為0內(nèi)?？刂啤到y(tǒng)分析II當(dāng)對(duì)象穩(wěn)定，模型與對(duì)象失陪時(shí)，有：45內(nèi)?？刂啤刂破髟O(shè)計(jì)I被控對(duì)象：控制器設(shè)計(jì)(1)穩(wěn)定的內(nèi)模控制器設(shè)計(jì)內(nèi)?？刂破鲬?yīng)是穩(wěn)定的、物理可實(shí)現(xiàn)的(2)濾波器設(shè)計(jì)改善模型失配、時(shí)延問(wèn)題?？筛纳葡到y(tǒng)動(dòng)態(tài)響應(yīng)和平滑噪聲內(nèi)?？刂啤刂破髟O(shè)計(jì)I被控對(duì)象：46內(nèi)?？刂啤刂破髟O(shè)計(jì)II被控對(duì)象：控制器設(shè)計(jì)(1)穩(wěn)定的內(nèi)?？刂破髟O(shè)計(jì)內(nèi)?？刂破鲬?yīng)是穩(wěn)定的、物理可實(shí)現(xiàn)的(2)濾波器設(shè)計(jì)改善模型失配、時(shí)延問(wèn)題。可改善系統(tǒng)動(dòng)態(tài)響應(yīng)和平滑噪聲內(nèi)?？刂啤刂破髟O(shè)計(jì)II被控對(duì)象：47內(nèi)?？刂啤刂破髟O(shè)計(jì)III系統(tǒng)輸出：(1)閉環(huán)特征方程變?yōu)橥ㄟ^(guò)配置濾波器，改善響應(yīng)(2)取簡(jiǎn)化設(shè)計(jì)，此時(shí)：(3)可取一階形式

？?jī)?nèi)?？刂啤刂破髟O(shè)計(jì)III系統(tǒng)輸出：48內(nèi)?？刂啤刂破髟O(shè)計(jì)IV(1)

取上述形式，誤差終值為1.(2)若全部特征根均在Z平面單位圓內(nèi)，則閉環(huán)系數(shù)穩(wěn)定。(3)適當(dāng)選取濾波器的參數(shù)，可增強(qiáng)系統(tǒng)的穩(wěn)定性、魯棒性。但需兼顧魯棒性與快速性。因增大，使系統(tǒng)克服模型失配與參數(shù)波動(dòng)的能力提高，但使其輸出響應(yīng)變緩。(4)魯棒性：注意到抗干擾能力

內(nèi)?？刂啤刂破髟O(shè)計(jì)IV(1)取上述形式，誤差終值為1.49內(nèi)?？刂啤?內(nèi)?？刂啤?50內(nèi)模控制——例2線性內(nèi)模控制器設(shè)計(jì)演示內(nèi)?？刂啤?線性內(nèi)?？刂破髟O(shè)計(jì)51神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂圃砼c線性相同，但內(nèi)部模型及控制器由NN實(shí)現(xiàn)設(shè)非線性SISO對(duì)象，穩(wěn)定、可逆且具有d階時(shí)延：(1)對(duì)象模型由神經(jīng)辨識(shí)器實(shí)現(xiàn)：(2)最小相位部分逆模型：由神經(jīng)網(wǎng)絡(luò)控制器實(shí)現(xiàn)(3)濾波器設(shè)計(jì)同線性系統(tǒng)內(nèi)模控制——神經(jīng)控制器設(shè)計(jì)I神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂圃砼c線性相同，但內(nèi)部模型及控制器由NN實(shí)現(xiàn)52內(nèi)?？刂破髯⒁獾侥Ｐ推ヅ鋾r(shí)：因此將代入，并進(jìn)行z變換，得：內(nèi)?？刂啤窠?jīng)控制器設(shè)計(jì)II內(nèi)模控制器內(nèi)?？刂啤窠?jīng)控制器設(shè)計(jì)II53內(nèi)模控制——例3神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂破髟O(shè)計(jì)演示內(nèi)?？刂啤?神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂破髟O(shè)計(jì)54通過(guò)逆系統(tǒng)將原模型轉(zhuǎn)化為解耦的理想積分環(huán)節(jié)(或其他線性模型)，再使用一般控制方法神經(jīng)逆系統(tǒng)控制通過(guò)逆系統(tǒng)將原模型轉(zhuǎn)化為解耦的理想積分環(huán)節(jié)(或其他線性模型)55神經(jīng)逆系統(tǒng)控制——示例神經(jīng)逆系統(tǒng)控制——示例56神經(jīng)逆系統(tǒng)控制——示例要求:穿越頻率0=10控制器：超前——滯后矯正環(huán)節(jié)神經(jīng)逆系統(tǒng)控制——示例57神經(jīng)逆系統(tǒng)控制——時(shí)延系統(tǒng)使用Smith預(yù)估器進(jìn)行校正神經(jīng)逆系統(tǒng)控制——時(shí)延系統(tǒng)58神經(jīng)逆系統(tǒng)控制——時(shí)延處理示例神經(jīng)逆系統(tǒng)控制——時(shí)延處理示例59模型預(yù)測(cè)控制基礎(chǔ)考慮SISO模型，控制目標(biāo)：

(k)跟蹤r(k)思想：通過(guò)反饋控制補(bǔ)償d,通過(guò)前饋控制補(bǔ)償v模型預(yù)測(cè)控制基礎(chǔ)考慮SISO模型，控制目標(biāo)：(k)跟蹤r(60符號(hào)d:不可量測(cè)干擾；作用于對(duì)象，僅能通過(guò)輸出間接測(cè)量；r:參考輸入；u:控制輸入；v:可測(cè)量干擾；可補(bǔ)償:控制輸出y:測(cè)量輸出z:測(cè)量噪聲符號(hào)d:不可量測(cè)干擾；作用于對(duì)象，僅能通過(guò)輸出間接測(cè)量；61MPC說(shuō)明思想：通過(guò)反饋控制補(bǔ)償d,通過(guò)前饋控制補(bǔ)償v已知：(反饋模型)(前饋模型)使用對(duì)象模型計(jì)算上述量同時(shí)考慮輸入u約束，通常以上下界的方式

對(duì)應(yīng)量未知，因此考慮使影響最小(濾波)。MPC說(shuō)明思想：通過(guò)反饋控制補(bǔ)償d,通過(guò)前饋控制補(bǔ)償v62估計(jì)與優(yōu)化估計(jì)與優(yōu)化63估計(jì)模型估計(jì)模型64估計(jì)模型數(shù)學(xué)描述估計(jì)模型數(shù)學(xué)描述65哈工大智能控制神經(jīng)網(wǎng)絡(luò)ppt課件第十三課神經(jīng)網(wǎng)絡(luò)控制66優(yōu)化參數(shù)優(yōu)化參數(shù)67神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制(NNPC)框圖yr(n)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制(NNPC)框圖yr(n)68神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制(NPC)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制(NPC)69NNPC計(jì)算步驟生成參考軌跡。如未知，則設(shè)為常量；使用前一時(shí)刻計(jì)算的控制輸入向量u,進(jìn)行模型預(yù)測(cè)，得到預(yù)測(cè)輸出；根據(jù)預(yù)測(cè)輸出計(jì)算最優(yōu)控制向量；重復(fù)2,3,直到誤差小于指定精度；取控制向量中的第一個(gè)元素作為控制輸入；在每一采樣時(shí)刻重復(fù)上述過(guò)程。NNPC計(jì)算步驟生成參考軌跡。如未知，則設(shè)為常量；70NNPC使用的NNNNPC使用的NN71CSTR問(wèn)題h(t):液位；w1(t),Cb1:濃縮料1的注入速率(流速)和濃度；w2(t),Cb2:稀釋料2的注入速率(流速)和濃度；k1,k2:消耗速率CSTR問(wèn)題h(t):液位；72數(shù)學(xué)模型控制目標(biāo)：通過(guò)調(diào)整流速w1(t)保持產(chǎn)品濃度Cb(t)數(shù)學(xué)模型控制目標(biāo)：通過(guò)調(diào)整流速w1(t)保持產(chǎn)品濃度Cb(t73使用過(guò)程演示在Simulink中建立系統(tǒng)模型，拖入NNPredictiveController;訓(xùn)練辨識(shí)NN確定辨識(shí)輸入信號(hào)；確定輸出范圍；確定NN參數(shù)和訓(xùn)練參數(shù)；確定NNPC控制參數(shù)；predcstr使用過(guò)程演示在Simulink中建立系統(tǒng)模型，拖入NNPr74參考文獻(xiàn)徐立娜神經(jīng)網(wǎng)絡(luò)控制Narendra,