（控制理论与控制工程专业论文）神经网络自适应控制器仿真研究.pdf

太原理一火学硕士研究生学位论文 神经网络自适应控制器仿真研究 摘要 工业生产过程往往具有非线性、不确定性，难以建立精确的数学 模型，应用常规的p i d 控制器难以达到理想的控制效果。作为智能控 制的重要分支，人工神经网络具有良好的非线性映射能力和高度的并 行信息处理能力，已成为非线性系统建模、辨识和控制中极具魅力的 理论和方法。 本文在查阅大量国内外文献的基础上，研究了神经网络辨识的模 型，基于单神经元p i d 自适应控制器，基于b p 神经网络的p i d 自适 应控制器以及神经网络自适应控制器。针对p i d 控制的不足，研究了 神经网络与自适应控制的结合，以探讨收敛速度快、辨识精度高、实 时性能好的神经网络控制方法。主要以研究各种算法的模型、实现及 性能为基础，具体的内容如下： ( 1 ) 以神经网络逆模型的原理、结构与算法的研究为基础，针对 一类状态不可直接测量的非线性时变系统，给出了一种基于b p 神经 网络逆模型的状态观测器，可以对系统的状态进行实时观测，理论分 析穰蘩枣绮果表明，这种状态观测器可以很好地观测系统的状态。 ( 2 ) 单神经嚣自透应控制有几个问题值得研究：权系数初值的 选择问题。权系数的初值对控制性能的好坏有很大影响权系数的限 幅问题。当权系数饱和时，系统将失去应有的学习能力。神经元控 太原理工大学硕士研究生学位论文 制系统的上升时间比较长，受到扰动以后动态恢复过程较长。 针对上述缺陷给出两种改进方法：第一利用遗传算法来优化单神 经元的权值从而实现对系统的控制。结果表明该方法能够很快地搜索 到一组较优的权系数，消除了初值对控制性能的影响，加快系统收敛 速度，具有较好的动态性能和鲁棒性；第二基于c m a c 的单神经元复 合自适应p i d 控制器，使c m a c 网络的学习过程包括整个系统控制 过程，仿真结果表明该方法具有自适应能力强、实时性好、抗干扰能 力强等优点。 ( 3 ) 分析了基于b p 网络的自适应p i d 控制的模型、算法及特点。 将神经网络用于控制器的设计或直接学习计算控制器的输出，一般都要 ， 用到系统的预测输出值或其变化量来计算加权系数的修正量。但实际上，系统的 预测输出值是不易直接测得的，通常做法是建立被控对象的预测数学模型。所以 为了提高控制效果，需要建立合理的模型来计算预测输出。本文利用 最小二乘法和神经网络建立被控对象的预测数学模型，用该模型所计 算的预测输出取代预测输出的实测值，对基于b p 网络的自适应p i d 控制器的权值调整算法进行改进。仿真结果表明算法的有效性。 ( 4 ) 针对一类未知、不确定、时变的s i s o 离散非线性系统，利 用神经网络对被控对象的正向模型辨识，将神经网络的输出作为被控 对象输出的预报，在此基础上设计出控制律，构成神经自校正控制方 案。仿真结果表明控制算法的有效性。 ( 5 ) 利用神经网络逆模型辨识的思想，提出一种神经网络模型参考 i i 太原理一i ：大学硕士研究生学位论文 自适应控制器设计方案，并给出设计步骤与算法，它适用于任意非线 性系统，更接近于工程实际。理论分析和仿真结果证明了该方案的合 理性和有效性。 关键词：神经网络，自适应控制，p i d 控制，遗传算法 i i i 太原理工大学硕士研究生学位论文 r e s e a r c ho fn ns e l f a d a p t i v e c o n t r o l e r a b s t r a c t t h ep r o c e s so fi n d u s t r i a lp r o d u c t i o ni ss o m e t i m e sn o n l i n e a ra n d u n c e r t a i na n di sd i f f i c u l tt oe s t a b l i s ha c c u r a t em a t h e m a t i cm o d u l e ，s o u s i n gr o u t i n ep i dc o n t r o l l e ri sh a r dt oa c h i e v ep e r f e c tc o n t r o l l i n ge f f e c t n e u r a ln e t w o r k ( n n ) h a sf a v o r a b l en o n l i n e a rm a p p i n gp e r f o r m a n c ea n d h i g h e rp a r a l l e li n f o r m a t i o np r o c e s s i n gc a p a b i l i t y , a n di th a sb e e nt h em o s t e n g a g i n gt h e o r ya n dm e t h o df o rn o n l i n e a rs y s t e mm o d e l i n g ，r e c o g n i t i o n a n dc o n t r 0 1 o nt h eb a s eo fc o n s u l t i n gl i t e r a t u r e sb o t hh e r ea n da b r o a d ，t h e m o d e lo fn ni d e n t i f i c a t i o n ，p i dc o n t r o l l e rb a s e ds i n g l e n e u r o n ，p i d a d a p t i v ec o n t r o l l e ra n d t h en na d a p t i v ec o n t r o l l e ra r ed i s c u s s e d a i m e da t t h es h o r t a g e so fp i d ，t h ec o n n e c t i o nb e t w e e nn na n da d a p t i v ec o n t r o l l e r a r er e s e a r c h e di no r d e rt o a c c e l e r a t i n gc o n v e r g e n c e - s p e e d a n dt h e a c c u m c y t h i sp a p e r a r eb a s e do nt h er e s e a r c h i n go ft h em o d e l ， r e a l i z a t i o n sa n dt h ep e r f o r m a n c eo ft h ea l g o r i t h m s t h em a i nt a s kc a nb e c 0 n c l u d e da sf c i l l o w s ( 1 ) a i m e da tt h eas o r to f n o n l i n e a rs y s t e m ，t h ep a p e rp r o p o s e da n i v 太原理上大学硕士研究生学位论文 s t a t eo b s e r v e rb a s e do nt h eb pn ni n v e r s e m o d e l ，t h i sm o d e lc a no b s e r v e t h es t a t eo fs y s t e mi nr e a lt i m e a n dt h ea n a l y s i so ft h e o r ya n ds i m u l a t i o n s h o w e dt h a tt h es t a t eo b s e r v e ri sv e r yg o o d ( 2 ) t h e r eh a v es o m ep r o b l e m si n t h es i n g l e - n e u r o n a d a p t i v e c o n t r o l l e r ：t h ec h o o s i n go fw e i g h tc o e f f i c i e n t t h ei n i t i a lv a l u eo ft h e p a r a m e t e rh a ss t r o n ge f f e c t o nt h ec o n t r o lp e r f o r m a n c e t h es l i c i n g p r o b l e mo fw e i g h tc o e f f i c i e n t w h e nt h ep a r a m e t e ri si m p r e g n a t e d ，t h e s t u d ya b i l i t yw i l ll o s t t h er i s et i m ei sl o n g ，a n t i - j a m m i n gc a p a b i l i t yi s i n f i r m n e s s i no r d e rt os o l v et h ep r o b l e m ，t w oi m p r o v e dm e t h o da r ep r o p o s e d ： t h ef i r s ti su s i n gg at oo p t i m i z et h ep a r a m e t e r , a n dt h es i m u l a t i o ns h o w e d t h e w a yc a nf i n dt h eb e s tp a r a m e t e ra n de l i m i n a t i n gt h ee f f e c to fi n i t i a l v a l u e t h es e c o n di sac o m p o u n d e da d a p t i v ep i dc o n t r o l l e rb a s e do n c m a c t h es t u d yp r o c e s so fc m a ci n v o l v e dt h et o t a lc o n t r o lp r o c e s so f s y s t e m ，t h es i m u l a t i o ns h o w e dt h em e t h o dh a dt h es t r o n ga d a p t i v ea b i l i t y a n da n t i - j a m m i n gc a p a b i l i t ye t c ( 3 ) a n a l y z e dt h em o d e l ，a l g o r i t h ma n dc h a r a c t e r so ft h ea d a p t i v e c o n t r o l l e rb a s e do nb pn n i no r d e ri m p r o v et h ee f f e c to nc o n t r o l , t h e a p p r o p r i a t e dm o d e lm u s tb es e t e d u s i n gt h ei d e ao fn nc o n t r a r ym o d e l r e c o g n i t i o n ，t h et e x tp u tf o r w a r dad e s i g n i n gs c h e m et h a tn nm o d e l v 太原理i ：大学硕士研究生学位论文 m a k e ss e l f - a d a p t i v ec o n t r o l l e ra sr e f e r e n c ea n dl i s t st h e d e s i g n i n g a p p r o a c ha n da r i t h m e t i c i ta p p l i e st oa n yn o n l i n e a rs y s t e m ，s oi ti sc l o s e r t oe n g i n e e r i n gp r a c t i c a l i t y t h et h e o r ya n a l y s i sa n de m u l a t er e s u l tp r o v e t h er a t i o n a l i t ya n d v a l i d i t yo f t h i sp r o j e c t ( 4 ) a i m i n g a tak i n do fu n k n o w n ，u n c e r t a i na n dt i m e - v a r i a n ts i s o d i s c r e t en o n l i n e a rs y s t e m ，t h et e x tu s e st h ef o r w a r dm o d e lr e c o g n i t i o nf o r n nt ot h ec o n t r o l l e do b j e c ta n dm a k e st h eo u t p u to fn na sp r e d i c t i o no f t h eo u t p u to fc o n t r o l l e do b j e c t ，a n db a s e do nt h i st h et e x tw o r k so u tt h e c o n t r o l l i n gr u l ea n df o r m st h ep r o j e c to fn e u r a ls e l f - r e v i s ec o n t r 0 1 t h e r e s u l to f e m u l a t i o ni n d i c a t e st h ec o n t r o l l i n ga r i t h m e t i ci se f f e c t i v e ( 5 ) u s i n gt h ei d e ao fn nc o n t r a r ym o d e lr e c o g n i t i o n ，t h et e x tp u t f o r w a r dad e s i g n i n gs c h e m et h a tn nm o d e lm a k e s s e l f - a d a p t i v ec o n t r o l l e r a sr e f e r e n c ea n dl i s t st h ed e s i g n i n ga p p r o a c ha n da r i t h m e t i c i ta p p l i e st o a n yn o n l i n e a rs y s t e m ，s oi ti sc l o s e rt oe n g i n e e r i n gp r a c t i c a l i t y t h et h e o r y a n a l y s i s a n de m u l a t er e s u l t p r o v et h er a t i o n a l i t ya n dv a l i d i t yo ft h i s p r o j e c t k e yw o r d s ：n e u r a ln e t w o r k ，s e l f - a d a p t i v ec o n t r o l ，p i dc o n t r o l ， g e n e t i ca r i t h m e t i c v i a 原理1 人号硕 研究尘f 硷文 图表索引 图i 1p i d 控制系统结构图3 图2 1 神经网络模型结构示意图，1 1 图2 2b p 网络结构1 2 图2 3 串一并联辨识结构1 9 图2 4 并联辨识结构1 9 图2 5 基于神经网络的状态观测器结构图2 2 图2 6 神经网络直接逆模型结构2 3 图2 7 ( a ) 系统实际状态2 4 图2 7 ( b ) 观测器观测到的状态2 4 图2 8 基于神经网络逆模型的状态观测器仿真曲线2 5 图3 1 单神经元p i d 自适应控制器及控制系统结构2 6 图3 2 基于g a 的单神经元自适应p i d 控制系统框图3 6 图3 3c m a c 结构图8 8 图3 4 基于c m a c 的复合控制器结构图3 9 图3 5 基于c m a c 的单神经元自适应p i d 复合控制器结构图4 1 图3 6 单神经元自适应4 2 图3 7 单神经元自适应4 2 图3 8 阶跃响应曲线对比图，。，4 3 图3 9 阶跃响应曲线对比4 5 图3 1 0 各个控制器的输出对比图4 6 图4 1 基于b p 神经网络的自适应p i d 控制系统4 7 图4 2 三层b p 神经网络结构图8 8 图4 3 采用最小二乘预测模型的b p 网络p i d 控制系统结构图5 2 图4 4 b p 网络辨识器结构5 3 图4 5 采用神经网络辨识模型的b p 网络p i d 控制系统结构5 4 图4 6 响应曲线对比图5 7 x 1 太原理人学硕 = 研究生学何论文 图4 7 “p 、k 、2 一的自适应整定曲线。8 8 图4 8 阶跃响应曲线对比图5 9 图4 9 最小二乘辨识曲线5 9 图4 1 0 阶跃响应曲线对比图，6 0 图4 1 l 神经网络辨识曲线图。6 0 图4 1 2 跟踪幅值为l 的方波时系统输出，6 l 图4 1 3 阶跃响应曲线对比图6 1 图5 1 自校正调节器示意图。6 4 图5 2 模型参考自适应控制系统6 5 图5 3 神经网络直接自校正控制系统6 5 图5 4 神经网络自校正控制系统6 6 图5 5 神经自校正控制框图6 7 图5 6 神经网络辨识器6 7 图5 7 神经自校正控制系统响应曲线7 0 图5 8 控制器输出、辨识误差与系统误差曲线7 0 图5 9 神经网络模型参考自适应控制统一模型7 2 图5 1 0 神经网络辨识器模型7 2 图5 1 l 神经网络控制器模型7 4 图5 1 2 控制器可分离结构的非线性系统仿真7 6 图5 1 3 控制器不可分离的非线性系统仿真7 7 声明 本人郑重声明：所呈交的学位论文，是本人在指导教师的指导下。 独立进行研究所取得的成果。除文中已经注明引用的内容外，本论文 不包含其他个人或集体已经发表或撰写过的科研成果。对本文的研究 做出重要贡献的个人和集体。均已在文中以明确方式标明。本声明的 法律责任由本人承担。 论文作者签名：。堕堕望日期：盟：三：三j ! 关于学位论文使用权的说明 本人完全了解太原理工大学有关保管、使用学位论文的规定，其 中包括：学校有权保管、并向有关部门送交学位论文的原件与复印 件；学校可以采用影印、缩印或其它复制手段复制并保存学位论文； 学校可允许学位论文被查阅或借阅；学校可以学术交流为目的， 复制赠送和交换学位论文；学校可以公布学位论文的全部或部分内 容( 保密学位论文在解密后遵守此规定) 。 签名：，京口象审日期：塑二：型 导师签名：鉴鲤魄幽：! ：望 人原岬l 、坝i 研究t 学何沦支 1 1 选题背景及意义 第一章绪论 p i d 控制是迄今为止最通用的控制方法i l l 。大多数反馈回路用该方法或其较小的变 形来控制。p i d 调节器及其改进型是在工业过程控制中最常见的控制器( 至今在全世界 过程控制中用的8 4 仍是纯p i d 调节器，若改进型包含在内则超过9 0 ) 。p 1 d 控制器 产生并发展于1 9 1 5 1 9 4 0 年期间，自1 9 4 0 年以来，许多先进控制方法不断推出【2 】，但 p i d 控制器以其结构简单，对模型误差具有鲁棒性及易于操作等优点，仍被广泛应用于 冶金、化工、电力、轻工和机械等工业过程控制中。 工业生产过程往往具有非线性、不确定性，难以建立精确的数学模型，应用常规的 p i d 控制器难以达到理想的控制效果。由于受到参数整定方法繁杂的困扰，常规p i d 控 制器参数往往整定不良、性能欠佳，对运行环境的适应性较差。为改善常规p i d 控制器 的性能，适应复杂的工况和高指标的控制要求，人们对自整定p i d 控制器进行了大量的 研究，产生了很多新方法，如闭环搜索法【3 】和基于规则的整定法f 4 1 等直接自整定方法， 基于时域、频域或低阶离散时间模型的间接自整定方法等，这些方法要么需要大量的整 定规则，要么需要辨识对象的数学模型或识别系统的闭环响应曲线或记忆过程输出的特 征参数，对复杂的控制系统，其应用有一定难度。 a s t r o m 在1 9 8 8 年美国控制会议上作的大会报告面向智能控制1 5 1 概述了结合于 新一代工业控制器中的两种控制思想自整定和自适应，为p i d 控制的发展奠定了基 础。 神经网络具有良好的非线性映射能力和高度的并行信息处理能力，已成为非线性系 统建模、辨识和控制中极具魅力的理论和方法。如何利用神经网络的特长，将神经网络 自适应控制与p i d 控制相结合，一直是众多研究者探讨的问题。 论文基于上述思路，探讨p i d 控制系统的神经网络建模方法和控制策略，利用 m a t l a b 语言对相关理论和方法进行仿真研究，通过线性、非线性等被控对象验证神经网 络p i d 控制的有效性和算法的实时性，并进一步利用借鉴进化计算的思想优化神经网络 的权值，使p i d 控制器具备应对更复杂非线性系统的能力。在研究神经网络与p i d 控 太原理i 。人学硕f 卅究7 r z f 论文 制结台的蛱础上，进一步研究神经网络与自适应控制的结合，以探讨收敛速度快、辨训 精度高、实时性能好的神经网络控制方法，因此本文的研究工作具有一定的理论意义和 工程实际意义。 1 2 概述 1 2 1 神经网络自适应控制概述 自适应拧制方法包括自校正白适应与模型参考自适应两种【6 l 。线性系统的自适应控 制至今已发展得相当完美，但对于一般的非线性动态系统，其自适应控制问题的解决却 仍然相当困难。首先，很难找到合适的不确定非线性动态系统的模型结构。其次，不存 在一般形式的自适应控制律。对于不同的非线性系统，其自适应控制律的差别很大。由 于非线性系统自适应控制的复杂性，使得自校正控制与模型参考自适应控制等成熟的自 适应控制理论在面对一般非线性系统时显得有些山穷水尽。学者们一方面尽量利用现有 的自适应控制理论来处理非线性系统的自适应控制问题，另一方面也正在努力寻找新的 思想与方法【”。 神经网络理论的出现，特别是其对非线性函数的逼近能力，给一度陷入困境的非线 性系统自适应控制带来了希望。基于神经网络的非线性自适应控制与常规自适应控制的 区别在于【8 1 ： ( 1 ) 常规自适应控制器的设计依赖于一个结构已知的系统模型，而神经网络控制器适 用于任何不确定系统，无需任何先验知识； ( 2 ) 常规自适应控制器相当于一个线性的两层神经网络，任何多于两层的非线性神经 网络控制器都可以认为是常规自适应控制器的推广； ( 3 ) 神经网络在拓扑结构、学习算法及激活函数的选择上具有很大的灵活性。 目前，基于神经网络的非线性自适应控制已成为非线性系统自适应控制一个很有前 途的研究分支。基于神经网络的自适应控制策略主要包括自校正控制【6 】、模型参考自适 应控制9 】、神经网络前馈与常规反馈的混合控制【l i 】、神经模糊控制【1 2 】 t 3 1 等。 f c ，c h e n 【| 4 1 研究了基于b p 网络的单变量仿射系统的间接自校正控制方法，并证明 了该控制系统的局域稳定性。k u l l 一”1 利用两个拓扑结构完全相同的神经网络在线学习 被控系统的逆模型，以构造系统的前馈控制器，成功地实现了机械手的直接自校正控制。 2 太原理j ：人学硕十研究生学位论文 s a n n 1 6 】提出了一种基于评价函数的神经网络直接自校正控制方法，该方法的有效性在 水下机器人姿态调节中得到了证实。l e v i n 】等则系统地研究了基于时延前馈神经网络 的非线性动态系统模型参考自适应控制方法，并探讨了神经网络控制系统的可控性与局 域稳定性问题。n a r e n d m f l 0 】将文献 1 4 】中的研究结果推广到多变量非线性动态系统。 h u n t “l 采用神经网络内模控制策略对非线性动态系统进行镇定控制，同时推导了具有 g a u s s 型激活函数的神经网络控制器的快速学习算法。g u e z l l 2 1 分析了神经网络一般控制 系统的结构，并利用常规的预测控制器与神经网络辨识器实现了精馏塔的内模控制。为 了提高神经网络控制系统的初始鲁棒性，m k a w a t o t 8 采用了神经网络前馈与常规p i d 反馈的混合控制方法，对视觉机器人进行实时控制。k o s k o t l 9 1 对基于模糊神经网络的非 线性系统控制方法进行了深入研究。w a n g 【1 2 】利用神经网络改变隶属函数的形状，以实 现模糊逻辑控制器的自适应调节。m i l l 一” 等人将c m a c 用于机械手轨迹跟踪控制，取 得了较好的效果。 1 2 2p i d 控制概述 常规p i d 控制系统结构如图4 1 所示【2 1 】： f i g1 1t h es l r u c t u r eo f p i dc o n t r o ls y s t e m 在连续控制系统中，p i d 控制器的输出”( f ) 与输入日( f ) 之间成比例、积分、微分的 关系。即： 廿小小渺1 灿乃掣 - ， 式中，e ( f ) = r ( f ) 一y ( t ) ，k ，为比例增益，l 为积分时间常数，乃为微分时间常数。 在计算机控制系统中，数字调节器的输出与输入之间的关系为： “( 七r ) = 眉， e ( t 丁) + ；喜e ( r 丁) + 等 e ( 后r ) 一e ( 七r r ) ) c ，z ， 太原理1 人学硕卜研究仕：学位论文 其中k 。、r 、乃分别为比例系数、积分时间常数和微分时问常数；t 为采样周期； k 为采样序号，k = o ，i ，2 ，；u ( k r ) 为第k 次采样时刻的计算机输出值；p ( 丁) 为第女次 采样时刻输入的偏差值；e ( ，一t ) 为第k 一1 次采样时刻输入的偏差值。 数字p i d 控制算法通常分为位置式p i d 控制算法和增量式p i d 控制算法【2 0 】。 ( 1 ) 位置式p i d 控制算法： 计算机控制是一种采样控制，只能根据采样时刻的偏差值计算控制量，因此式( 1 1 ) 中的积分和微分项不能直接使用，需要对其进行离散化处理。以一系列的采样时刻点i r 代表连续时间f ，以和式代替积分，以增量代替微分，则可作如下近似变换： t k t e ( f ) 出r 否e ( j t ) = f 丢8 ( 歹) 3 d e ( t ) 。e ( k r ) - e ( k t - r ) 上述离散化过程中，采样周期r 必须足够短，才能保证有足够的精度。将算式 ! ! ! ! ! 二! ! 坚二型简化表示为! i ! ! 二! f 墨二! ) ，于是得到控制器输出： r丁 “( 七) = k ， e ( t ) + 号粪e ( ) + ! i ! 掣 。，。4 ， = k e ( 尼) + k e ( _ ，) + 如 e ( 正) 一 ，= 0 其中，k ，为比例增益，k 为积分系数，k = 巧；，髟为微分系数，髟= 巧等。 这种算法由于每次输出均与过去的状态有关，计算时要对e 0 ) 进行累加，容易造 成积分饱和，计算机运算工作量很大。而且，因为计算机输出甜( ) 对应的是执行机构 的实际位置，若计算机出现故障，“( 后) 大幅度变化会引起执行机构位置的大幄度变化， 这种情况往往是生产实践中不允许的，在某些场合还可能造成重大的生产事故，因而产 生了增量式p i d 算法。 ( 2 ) 增量式p i d 控制算法 4 太原理r 人学硕十研究生学位论文 当执行机构需要的是控制量的增量( 如驱动步进电机) 时，可由式( 1 4 ) 导出提 供增量的p i d 控制算法。根据递推原理可得： “( 扣o = k ，( 卜o + k ，e ( - ，) + k 。 e ( 一1 ) 一e ( 女一2 ) ( 1 5 ) 用式( 1 5 ) 减去( 1 4 ) ，可得： “( 七) = x ，) 一g ( k 一1 ) + ? ( ) + 玛 e ( k ) 一吵一1 ) + e ( h ) ( 1 6 ) = k p a e ( k ) + k ，e ( k ) + k d a e ( 庀) 一a e ( k 1 ) 式( 1 6 ) 称为增量式p i d 控制算法。 可以看出，由于一般计算机控制系统采用恒定的采样周期，旦确定了k 。、k ；和 e ，只要使用前后三次测量值的偏差，即可由( 1 6 ) 求出控制增量。 增量式p i d 控制虽然只是在算法上作了一点改进，却带来t 3 q 少优点： 由于计算机输出增量，所以误动作时影响小，必要时可用逻辑判断的方法去掉； 手动、自动切换时冲击小，便于实现无扰动切换；此外，当计算机发生故障时， 由于输出通道或执行装置具有信号的锁存作用，故能仍然保持原值： 算式中不需要累) j i l ；控制增量a u f k l 的确定仅与最近三次的采样值有关，所以较 容易通过加权处理而获得比较好的控制效果。 但增量式控制也有不足之处：积分截断效应大，有静态误差，溢出的影响大等。因 此，在选择控制策略时不可一概而论，需视不同的场合而定。 p i d 控制器各个参数对系统的动态和稳态性能有不同的影响2 0 1 。 ( 1 ) 比例作用对系统性能的影响： 对动态特性的影响 比例系数k ，加大，使系统的动作灵敏，速度加快，k 。偏大，振荡次数增多，调节 时间加长。当七，太大时，系统会趋于不稳定，若j | 。太小，又会使系统的动作缓慢。 对稳态特性的影响 加大比例系数七，在系统稳定的情况下，可以减小稳态误差，提高控制精度，但 是加大k 。，只是减少误差，却不能完全消除稳态误差。 在p d 控制的闭环系统中，对于设定值的变化和外扰的响应是不同的，在工程应用 5 太原理i 。人。学硕十州究生学何论文 上对两者的忤能要求也有所i 同，对设定值的变化一般要求满足一定的前提条件，如无 超调f 的快速跟踪：对外扰则希望闭坏系统在具有一定衰减比的情况下快速克服。 ( 2 ) 积分作用对控制性能的影响 积分作用的引入，主要是为了保证被控量在稳态时对设定值的无静差跟踪，它对系 统的性能影响可以体现在以下两方面： 对动态特性的影响 积分作用通常使系统的稳定性下降。如果积分时间巧太小系统将不稳定，z 偏小， 振荡次数较多：如果z 太大，对系统性能的影响减少，当z 合适时，过渡特性比较理想。 对稳态特性的影响 积分作用能消除系统的稳态误差，提高控制系统的控制精度。但是r 太大时，积分 作用太弱，以至不能减小稳态误差。 ( 3 ) 微分作用对控制性能的影响 微分作用通常与比例作用或积分作用联合作用，构成p d 控制或者p i d 控制。微分 作用的引入，主要是为了改善闭环系统的稳定性和动态特性，如使超调量较小，调节时 间缩短，允许加大比例控制，使稳态误差减小，提高控制精度。当微分时间乃偏大时， 超调量较大，调节时间较长；当乃偏小时，超调量也较大，调节时间也较长；只有合适 时，可以得到比较满意的过渡过程。直观地分析，假设被控对象存在一定的惯性，微分 作用将使得控制作用与被控量，与偏差量未来变化趋势之间形成近似的比例关系。从频 域分析的角度讲，微分作用等效于个高通滤波器，即有可能在控制输出中引入较强的 高频噪声，这是实际控制所不希望的。 1 3 本文的主要工作 本文在研究p i d 控制系统的神经网络建模和控制策略的基础上，针对p i d 控制 的不足，研究了神经网络与自适应控制的结合，以探讨收敛速度快、辨识精度高、实时 性能好的神经网络控制方法。 本文主要内容如下： ( 1 ) 提出一种基于c m a c 前馈的单神经元自适应p i d 控制方案。仿真结果表明，该 控制器具有良好的抗干扰能力和自适应能力。 6 太原理i ：人学硕十研究生学位沦文 ( 2 ) 分别利用最小二乘法和神经网络建立被控对象的预测数学模型，用该模型所计算 的预测输出取代预测输出的实测值，对基于b p 网络的自适应p i d 控制器的权值调整算 法进行改进。仿真结果表明算法的有效性。 ( 3 ) 将改进的遗传算法用于神经网络权值的优化，并分别应用于单神经元自适应p i d 控制器和基于b p 网络的自适应p i d 控制器，对算法参数、适应度函数和遗传算子进行 了论述。仿真结果表明，系统收敛速度加快，动态性能得到改善。 ( 4 ) 针对一类未知、不确定、时变的s i s o 离散非线性系统，利用神经网络对被控对 象的正向模型辨识，将神经网络的输出作为被控对象输出的预报，在此基础上设计出控 制律，构成神经自校正控制方案。仿真结果表明控制算法的有效性。 ( 5 ) 利用神经网络逆模型辨识的思想，提出一种神经网络模型参考自适应控制器设计 方案，并给出设计步骤与算法，它适用于任意非线性系统，更接近于工程实际。理论分 析和仿真结果证明了该方案的合理性和有效性。 7 灰原理f 人学硕十研究r 1 学付论文 第二章神经网络辨识 系统辨识是非线性动态系统自适应控制的基础。系统辨识可以定义为利用实际观测 到的输入、输出数掘确定动态系统模型的过程。神经网络辨识的实质就是选择一个合适 的神经网络模型来逼近实际的动态系统，通过对样本数据的学习，调节网络的连接权值 使所要求的误差准则达到最小，从而归纳出隐含在样本数据中的非线性映射关系，实现 对系统动态特性的描述。 2 1 神经网络概述 i 、神经网络发展概况及特点 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，简称a n n ) 是一种全新的模拟人脑功能 的信息处理系统。它主要借鉴了人脑神经系统处理信息的过程，以数学网络拓扑为理论 基础，以大规模并行性、高度的容错能力以及自适应、自学习、自组织等功能为特征， 集信息加工与存储一体化，具有广泛的应用前景。人工神经网络的研究涉及到计算机科 学、控制论、信息科学、微电子学、心理学、认知科学、物理学、数学等学科。作为智 能控制的一个分支，a n n 以其独特的非传统表达方式和固有的学习能力，引起了控制 界的广泛关注。 神经网络的发展己有半个世纪之久。1 9 4 3 年，m c c u l l o c h 和p i t t s 合作建立了第一 个神经网络的数学模型，即著名的m p 神经元模型2 2 1 。1 9 4 9 年，h e b b 定义了第一个学 习规则，称之为h e b b 学习规则【”1 。1 9 5 7 年，r o s e n b l a t t 推广了m p 模型，首次引进了 感知器( p e r c e p t r o n ) 2 4 1 概念，从而掀起了神经网络研究的第一次高潮。同时，w i d r o w 等提出了a d a l i n e 网络【2 卯，它是一种连续取值的线性加权求和阈值网络，主要用于自适 应系统，这与当时占主导地位的以顺序离散符号推理为基本特征的a j 途径完全不同， 因而引起了不少人的兴趣，同时也引起了很大的争议。1 9 6 9 年m i n s k y 和p a p e r t 在 ( ( p e r c e p t r o n ) ) 一书中指出了感知机的局限性【埘。由于m i n s k y 的悲观结论，加上当时以 逻辑推理为基础的人工智能和数字计算机取得的辉煌成就，导致7 0 年代神经网络经历 了一个低潮期。在此期间，一些科学家仍坚持在神经网络领域研究，并取得了一些重要 8 太原理i ：人学硕+ 研究生学伉论文 成果，如g r o s s b e r y 提出自适应共振理论，k o h o n e n 提出的自组织映射理论，f u k u s h i m a 提出了认知机( n e o c o s g n i t r o n ) 模型等，其中w e r b o s 提出的误差反向传播( b a c k p r o p a g a t i o n ，简称b p ) 学习算法，是迄今影响最大、使用最多的网络学习算法。这些 开创性的研究工作为神经网络的进一步发展奠定了基础f 2 7 】f 2 8 】。 1 9 8 2 年和1 9 8 4 年，h o p f i e l d 提出了离散回归神经网络模型和连续回归神经网络模 型，引入了能量函数，给出了网络稳定性判据，并给出了连续模型的放大器电路实现， 为神经计算机的研究奠定了基础。这一突破性工作标志着神经网络研究高潮的重新兴 起。1 9 8 6 年，r u m e l h a r t 和m c c l e l l a n d 等人提出并行分布处理，重新发现并改进了b p 算法。正是这些重要的研究成果唤起了人们对人工神经网络的研究热情，大量的理论与 应用研究成果涌现在各种刊物，包括物理、心理、电子、计算机、自动化、数学等不同 知识背景的研究人员加入了研究行列，促进了这一领域的迅猛发展。 神经网络独特的结构和信息处理方法，使其在模式识别、信号处理、自动控制与人 工智能等许多领域得到了实际应用。采用某种拓扑结构构成的神经网络，通过学习可以 描述几乎任意的非线性系统。神经网络还具有强大的学习能力、记忆能力、计算能力以 及各种智能处理能力，在不同程度和层次上模仿人脑神经系统的信息处理、存储和检索 的功能。目前，神经网络的研究主要分为理论研究、实现技术与应用技术三个方面。其 中理论研究是基础，实现技术是神经网络应用的前提，而应用技术又为理论研究提出新 的问题，推动着理论研究的进展。 神经网络当前存在的问题是智能水平还不高，许多应用方面的要求还不能得到很好 的满足。一些理论性问题如稳定性、收敛性的分析，网络的结构综合等还未得到很好的 解决，用数理方法探索智能水平更高的人工神经网络模型，研究网络的算法和性能，以 及神经网络在各个科学技术领域应用的研究成为研究者们重点研究的内容。 神经网络对控制领域有吸引力的特点包括( 2 7 】 2 8 】： 非线性映射能力。神经网络能够充分逼近任意复杂的非线性关系，从而形成非线 性动力学系统，以表示某些被控对象的模型或控制器模型。 具有自适应功能。神经网络具有很强的自适应能力，它能不断地自适应修正网络 权值，学习与适应不确定性系统的动态特性。 具有泛化功能。能够处理那些未经训练过的数据，而获得相应于这些数据的合适 解答，同样，它能够处理那些含有噪声的数据。所有定量或定性的信息都分布存储于网 9 太腺理| 人学硕十研究生产侍论文 络内的各个神经元中， 丈l 而只有很强的容错性和鲁棒性。 高度并行处理，具有很强的数据融合能力。 自然地处理多输入信号，并有多个输出，适合于多变量系统。 i i 、神经网络基本结构 神经网络模拟生物神经网络的某些结构和功能，它由模拟生物神经元的神经元相互 连接组成。其中多输入单输出神经元的输入输出关系为： 厂一、 y = ，i w , x j 一口 ( 2 1 ) ， t = l 式中y 为神经元输出，厂为输出变换函数，或激活函数，为神经元第f 个输入，w 为连接权值，0 为神经元的阈值。 神经元通过一定的拓扑结构相连构成神经网络，不同的连接方式形成不同的神经网 络。神经网络有多种拓扑结构，按网