4.3神经网络控制

1,4.3神经网络控制,基于神经网络的控制称为神经网络控制NNCNeuralNetworkControl简称神经控制（NCNeurocontrol）神经控制是实现智能控制的一种重要形式，近年来获得了迅速发展。,2,4.3.1神经网络控制的基本概念,传统控制和模糊控制都具有显式表达知识的特点神经网络不善于显式表达知识一、神经网络对自动控制具有下列有吸引力的特点：(1)它能以任意精度逼近任意连续非线性函数，即具有很强的非线性映射能力。(2)对复杂不确定问题具有自适应和自学习能力。（3）它的信息处理的并行机制可以解决控制系统中大规模实时计算问题，而且并行机制中的冗余性可以使控制系统具有很强的容错能力。,3,二、神经网络在控制中的主要作用1.在基于精确模型的各种控制结构中充当对象的模型；2.在反馈控制系统中直接充当控制器的作用；3.在传统控制系统中起优化计算作用；4.在与其它智能控制方法和优化算法，如模糊控制、专家控制及遗传算法等相融合中，为其提供非参数化对象模型、优化参数、推理模型及故障诊断等。,4,所谓神经网络控制，即基于神经网络的控制或简称神经控制，是指在控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算，或进行推理，或故障诊断等，以及同时兼有上述某些功能的适当组合，将这样的系统称为基于神经网络的控制系统，称这种控制方式为神经网络控制。,5,神经网络用于控制系统设计主要是针对系统的非线性和不确定性进行的。神经网络控制目前尚处于探索阶段，还未形成比较完善的理论体系和系统化的设计方法。单独使用神经网络的控制方法的研究仍有待进一步发展。通常需将人工神经网络技术与传统的控制理论或智能技术综合使用。,6,三、神经网络直接控制的基本思想将被控对象的神经网络逆模型与对象串联，使期望输出与对象实际输出间的传递函数为1。当时满足的要求,7,这种由神经网络的学习算法实现被控对象求逆的过程，就是神经网络实现直接控制的基本思想。神经网络直接逆控制的可用性在相当程度上取决于逆模型的准确精度。问题：1.任何过程都能建立其逆模型吗？2.开环控制，鲁棒性差。,8,应具有在线学习能力,9,4.3.2直接逆动态控制,图4.3直接逆动态控制,10,这种控制方案要求被控对象是可逆的。优点：边学习边控制，不需要任何先验知识。,11,4.3.3单神经元自适应PID控制增量式PID控制规律可用差分方程表示为,12,图1单神经元PID控制系统,13,单神经元自适应PID的控制算法为,k为神经元的比例系数，k0。单神经元自适应控制器通过对加权系数的调整来实现自适应、自组织功能，而加权系数的调整采用类似于有教师的Hebb学习规则的算法，即,14,为保证单神经元自适应PID控制学习算法的收敛性和鲁棒性，将上述学习算法进行规范化处理后：,15,式中、为积分、比例、微分的学习速率。、及K的选取规则归纳如下：1）K是系统最敏感的参数，K值增大、减小相当于P、I、D三项同时增加、减小。K值大则快速性好，但超调量大，有可能使系统不稳定。当被控过程时延增大时，K值必须减小，以保证系统稳定。K值过小时，系统的快速性变差。一般应在开始时首先调整K，然后根据规则2）5）调整、。2）对阶跃输入，若输出有大的超调，且多次出现正弦衰减现象，应减小K，维持、不变；若上升时间长，无超调，应增大K，保持、不变。3）对阶跃输入，若被控对象产生多次正弦衰减现象，应减小，其他参数不变。,16,4）若被控对象响应特性出现上升时间短、超调过大现象，应减小，其他参数不变。5）若被控对象上升时间长，增大又导致超调过大，可适当增加，其他参数不变。6）在开始调整时，选择较小值，当调整、和k，使被控对象具有良好特性时，再逐渐增大，而其