武汉理工大学智能控制大作业

1、学 号 1049721303692智能控制理论与技术设计报告学 院自动化学院专 业控制科学与工程班 级1303姓 名聂鹏指导教师 徐华中 评分标准项目满分报告要求选定控制对象设置其具体参数，并建立其matlab模型15完成对系统的基础理论分析及模型参数计算15选用合适的控制器算法，控制器算法理论分析15调整控制器参数，在matlab中建立控制器模型15仿真结果分析及结论20特色与创新202014年2月20日26武汉理工大学硕士研究生试题课程名称：智能控制理论与技术专业 ：双控1303班 学号 ：1049721303692 姓名：聂鹏 一、 简答题（每小题10分）1智能控制由哪几部分组成？各自的

2、特点是什么？答：智能控制系统由广义对象、传感器、感知信息处理、认知、通信接口、规划和控制和执行器等七个功能模块组成；各部分的特点是：广义对象 包括通常意义下的控制对象和外部环境；传感器 包括关节传感器、力传感器、视觉传感器、距离传感器、触觉传感器等；感知信息处理将传感器得到的原始信息加以处理；认知 主要用来接收和储存信息、知识、经验和数据，并对它们进行分析、推理，作出行动的决策，送至规划和控制部分；通信接口 除建立人机之间的联系外，还建立系统各模块之间的联系；规划和控制 是整个系统的核心，它根据给定的任务要求、反馈的信息以及经验知识，进行自动搜索，推理决策，动作规划，最终产生具体的控制作用；执

3、行器 将产生的控制作用于控制对象。2. 智能控制是在什么背景下产生的？答:传统控制理论在应用中面临的难题包括:    (1) 传统控制系统的设计与分析是建立在精确的系统数学模型基础上的,而实际系统由于存在复杂性、非线性、时变性、不确定性和不完全性等,一般无法获得精确的数学模型。    (2) 研究这类系统时,必须提出并遵循一些比较苛刻的假设,而这些假设在应用中往往与实际不相吻合。    (3) 对于某些复杂的和包含不确定性的对象,根本无法以传统数

4、学模型来表示,即无法解决建模问题。    (4) 为了提高性能,传统控制系统可能变得很复杂,从而增加了设备的初投资和维修费用,降低系统的可靠性。    传统控制理论在应用中面临的难题的解决,不仅需要发展控制理论与方法,而且需要开发与应用计算机科学与工程的最新成果。人工智能的产生和发展正在为自动控制系统的智能化提供有力支持。人工智能影响了许多具有不同背景的学科,它的发展已促进自动控制向着更高的水平智能控制发展。3. 智能控制和传统控制差异是什么？答：1）传统控制方法在处理复杂性、不确定性方面能力低而且有时丧

5、失了这种能力，智能控制在处理复杂性、不确定性方面能力高 2）传统控制是基于被控对象精确模型的控制方式，可谓“模型论”智能控制是智能决策论，相对于“模型论”可称为“控制论”3）传统的控制为了控制必须建模，而利用不精确的模型又采用摸个固定控制算法，使整个的控制系统置于模型框架下，缺乏灵活性，缺乏应变性，因此很难胜任对复杂系统的控制智能控制的可信是控制决策，次用灵活机动的决策方式迫使控制朝着期望的目标逼近。  4）传统控制适用于解决线性、时不变等相对简单的的控制问题智能控制是对传统控制理论的发展，传统控制室智能控制的一个组成部分，是智能控制的低级阶段。4神经元计算与人工智能传统计算有什么不

6、同？答：传统人工智能进行符号操作，这基于一种假设：人的智能存储在符号化的知识库中。但是符号化知识的获得和表达限制了人工智能的应用（即符号主义的缺点）。神经元计算可以通过对不确定、不精确及不完全真值的容错以取得低代价的解决方案和鲁棒性。5人工神经元网络的拓扑结构主要有哪几种？答：人工神经元网络的拓扑结构可以分为前向网络，反馈网络，相互结合型网络，混合型网络。人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。根据连接的拓扑结构，神经网络模型可以分为：（1）前向网

7、络 网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。网络结构简单，易于实现。反传网络是一种典型的前向网络。（2）反馈网络 网络内神经元间有反馈，可以用一个无向的完备图表示。这种神经网络的信息处理是状态的变换，可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。Hopfield网络、波耳兹曼机均属于这种类型。(3) 自组织网络 当神经网络在接受外界输入时，网络将会分成不同的区域，不同的区域具有不同的相应特征，即不同的神经元以最佳方式响应不同性质的信

8、号激励，从而形成一种拓扑意义上的特征图，该图实际上是一种非线性映射。6设计智能控制系统的主要步骤有哪些?答：1.建立被控系统的模型；2.如果需要，可以简化模型；3.分析模型，确定其性质；4.确定性能指标；5.确定所采用的控制器类型6.如果可能，设计控制器满足性能指标；不能的话，修改性能指标或者拓宽控制器的类型7.仿真二、 计算题（每小题10分）设论域，且试求（补集），（补集）解：三、 设计题（30分）神经网络控制系统的结构如图所示，设被控制对象P的传递函数为：N1为神经网络 ，请在BP网络和RBF网络中选一种，研究并仿真验证系统的性能。（提交研究分析报告）解：这里我选用的BP神经网络PID控制

9、算法 PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，而是从变化无穷的非线性组合中找出最佳的关系。神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。可以通过对系统性能的学习来实现具有最佳组合的PID控制。采用BP神经网络，可以建立参数、自学习PID控制。(1)基于BP（Back Propagation）神经网络的PID控制结构由两部分组成：经典的PID控制器：直接对被控对象进行闭环控制，并且在线调整三个参数。神经网络：根据系统的运行状态，调节PID控制器的参数，以其达到某种性能

10、指标的最优化，即使输出层神经元的输出状态对应于PID控制器的三个可调参数，通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制规律下的PID的控制器参数。其中，输出层激励函数取非负的Sigmoid函数，隐层取正负对称的Sigmoid函数。为保证控制器有一定的动态跟踪能力，选定神经网络的输入层输入为网络的学习过程由正向和反向传播两部分组成。如果输出层不能得到期望输出，那么转入反向传播过程，通过修改各层神经元的权值，使得输出误差信号最小。 输出层节点分别对应三个可调参数取性能指标函数为： 设其中 若PID控制器采用采用增量式数字PID控制算法，则有(2).网络权系数调整网络权系

11、数的修正采用梯度下降法。根据相关数学知识，针对指定因变量的梯度代表了使因变量增速最大的自变量变化方向，故而其反方向代表了因变量下降最快的自变量变化方向，如果我们选取性能指标为因变量，网络各层权系数为自变量，则对应梯度的负方向就是权系数调整的最佳方向，因此，实际上构成了一个有目标的搜索算法，对最终结果的收敛性提供了有力的保证。 对应于本题采用的4-5-3型的BP网络，梯度负方向的计算：隐含层-输出层：其中：为指标函数 为隐含层-输出层权系数矩阵元素 为被控对象输出 为PID控制器输出 为输出层输出 为输出层输入据所选用神经网络的数学模型，易知：其中: 为隐含层输出；，为输出层激励函数，为其偏导数

12、。另外，直接的数学表达不容易获得，但我们可以使用它的符号函数来近似，仍可以保证参数修正方向的正确性，而由此造成其模的误差只影响参数调整的速度，它可以通过调整学习速率来得以补偿。故而最终有：输入层-隐含层：其中： ，为输出层激励函数，为其偏导数。故而最终有：网络权值修正量梯度的负方向给出了网络权值修正的方向，乘以系数，即为权值修正量。其中代表了算法每次在梯度负方向搜索的步长，称为网络的学习速率，另外，如果考虑上次权值对本次权值变化的影响，需要加入动量（平滑）因子 ，此时新的权值为:3、基于BP网络的PID控制器控制算法归纳如下： 确定BP神经网络结构，即确定输入层节点及数目m、隐含层数目q，并给

13、出各层权系数的初值和、选定学习率、惯性系数； 采样得到rin (k)、yout (k)，计算该时刻误差； 计算神经网络NN各层神经元的输入、输出，NN输出层的输出即为PID控制器的三个可调参数、； 计算PID控制器的输出u (k)； 进行神经网络学习，在线调整加权系数和；实现PID控制参数的自适应调整； 置k =k+1，返回到第一步。4、利用以上的神经网络原理进行设计BP神经网络PID控制器实现对如下系统的控制。在此利用Matlab语言建立系统的模型进行仿真，程序见附录。、学习速率=0.28,和惯性系数=0.04。输入信号分别为两种：（1） rin(k)=1.0;（2） rin(k)=sin(

14、2t)。当s=1.0时为阶跃输入，s=2时为正弦函数输入。初始权值取随机值，运行稳定后用稳定权值代替初始权值，仿真结果如下。图1.阶跃响应曲线图2.误差曲线图图3.BP神经PID控制下参数变化曲线实验一：模糊控制器仿真实验利用MATLAB/SIMULINK与FUZZYTOOLBOX对给定的三阶动态系统，确定模糊控制器的结构，输入输出语言变量、语言值及隶属函数，模糊控制规则；比较其与常规控制器的控制效果；研究改变模糊控制器参数时，系统响应的变化情况；掌握用MATLAB实现模糊控制系统仿真的方法。（1）常规PID控制 在工程实际中，应用最为广泛的调节器控制规律为比例、积分、微分控制，简称PID控制

15、，又称PID调节。比例控制（P）是一种最简单的控制方式。其控制器的输出与输入误差信号成比例关系。当仅有比例控制时系统输出存在稳态误差, 在积分控制（I）中，控制器的输出与输入误差信号的积分成正比关系。为了消除稳态误差，在控制器中必须引入积分项。在微分控制中，控制器的输出与输入误差信号的微分（即误差的变化率）成正比关系。微分控制（D）能预测误差变化的趋势，避免被控量的严重超调.图1是根据传递函数及控制要求在simulink里搭建的仿真模型。图1 仿真模型PID控制器的参数整定采用工程整定方法，设定一个经验值，不断的修改PID参数以使它达到最佳控制效果。最终PID参数整定结果如图2所示。图2 PI

16、D参数输入PID参数后运行仿真，仿真结果图3如下，横坐标表示时间t，纵坐标表示输出响应值。分析仿真结果，PID控制器针对三阶系统控制效果。控制结果显示上升时间为3.16秒，超调量为7.5%，稳定时间在3.92秒后达到稳定，3.92秒后波动范围在0.05%以下。图3 PID控制仿真结果（2） 模糊PID控制效果模糊PID控制器由两个部分组成:传统PID控制器和模糊化模块。PID模糊控制重要的任务是找出PID的三个参数kp、ki、kd与误差e和误差变化率ec之间的模糊关系，在运行中不断检测e和ec，根据确定的模糊控制规则来对三个参数进行在线调整,满足不同e和ec时对三个参数的不同要求。针对题中被控

17、对象，建立如下模糊PID控制模型：图4 仿真模型建立 图5 subsystem1内部结构模糊控制器的模糊推理系统设为两输入三输出，如下图：图6 两输入三输出的模糊推理系统图7 误差e的隶属度函数图8 误差de的隶属度函数图9输出参数kp的隶属度函数图10 输出参数ki的隶属度函数图11 输出参数kd的隶属度函数语言变量域的选取：输入语言变量e和de的值域取值“大”（B）、“中”（M）、“小”（S）和“零”（Z）4种；输出语言变量kp、ki、kdk、取值为“很大”（VB）、“大”（B）、“中”（M）和“小”（S）4种。PID控制器参数kp、ki、kd的整定规则如下：表1参数kp的整定规则ekpd

18、eBMSZBBVBVBVBMMBBBSBVBVBBZBVBBS表2 参数ki的整定规则ekideBMSZBSSSSMMMSSSBVBVBVBZVBVBVBVB表3 参数kd的整定规则ekddeBMSZBSMMVBMSMMVBSSMMVBZSMMVB在规则观测器中查看模糊推理规则，如下所示：图12 模糊推理输出SIMULINK仿真结果如下图：图13 仿真结果由上图显示上升时间为2.17秒，超调量为30%，稳定时间在6.5秒后达到稳定，6.5秒后波动范围在0.05%以下.（3） 小结针对本题被控制对象进行了PID控制和模糊PID控制的仿真，分析可知，常规PID控制有很好的效果，系统响应快，输出误差

19、几乎为零，系统达到稳定的调节时间短，但是PID参数整定麻烦。而模糊PID控制可以实现快速调节，但是系统结构比较复杂，搭建成本较高。控制规则是模糊控制器的核心，规则的正确与否直接影响控制器的性能，而规则数目的多寡也是一个重要因素。在对变量的论域分档时，档级多则规则制定灵活细致，但规则多而复杂，编程难度大，程序运行占用内存较多；档级少则规则少，实现方便，但过少的规则会使控制作用变粗而达不到预期的效果。在本题中，采用模糊PID控制时，由于是双输入三输出，将变量论域分为4档，共16条规则。隶属度函数曲线形状较尖时，分辨率较高，输入引起的输出变化比较强烈，控制灵敏度较高；曲线形状较缓时，分辨率较低，输入

20、引起的输出变化不那么强烈，控制特性也较平缓，具有较好的系统稳定性。量化因子和比例因子的作用是使变量按一定比例进行放大或缩小，以便跟相邻模块很好地匹配，在整个系统中有一定的调节作用。它的变化相当于对实际测量信号的放大或缩小，直接影响着采样信号对系统的调节作用。在调试过程中，系统发散时应大幅减小ku，若系统振荡，可适当减小ku；当系统有稳态误差时需适当增大ku，同时小幅增大ke；当系统过渡时间太长应略微减小kec，而在系统超调过大时则适当增大kec。合理地确立控制规则，选择适当的隶属度函数和模糊化因子，可以提高模糊控制系统的调节效果。实验题 二设系统的输入输出关系为：用BP网络、RBF网络拟合该系

21、统，分析神经元非线性特性、学习方法等的影响。（1） BP神经网络仿真拟合误差反向传播的BP算法简称BP算法，其基本思想是梯度下降法。它采用度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。BP网络结构如下：图1 BP网络结构BP网络逼近的结构如图2所示，图中k为网络的迭代步骤，u(k)和y(k)为逼近器的输入。BP为网络逼近器，y(k)为被控对象实际输出，yn(k)为BP的输出。将系统输出y(k)及输入u(k)的值作为逼近器BP的输入，将系统输出与网络输出的误差作为逼近器的调整信号。图2 BP神经网络逼近在MATLAB中建立函数：function =bp_simulate(a,

22、b,c,n)其中a,b,c分别代表 中的；n代表隐层节点数目。运行：bp_simulate(2,2,4,5)运行仿真结果如下：图3 隐层5个节点的拟合效果图分别取值为2、2、4，隐层节点数目取值为5时：（蓝色曲线代表要逼近的函数，红色曲线代表实际逼近效果）左上图为要逼近的函数，右上图为迭代次数为3时的逼近效果，左下图为迭代次数为6时的逼近效果图，右下图为迭代次数为10时的逼近效果图。由图可以逼近效果在迭代次数增加时误差也越来越小，但仍存在一定的误差。运行：bp_simulate(2,2,4,7)运行仿真结果如下：图4 隐层7个节点的拟合效果图分别取值为2、2、4，隐层节点数目取值为7时：（蓝色

23、曲线代表要逼近的函数，红色曲线代表实际逼近效果）左上图为要逼近的函数，右上图为迭代次数为3时的逼近效果，左下图为迭代次数为6时的逼近效果图，右下图为迭代次数为10时的逼近效果图。由图可以逼近效果在迭代次数增加时误差也越来越小，在迭代次数取10时拟合效果已非常好，误差极少。由此可以看出，合理范围内，隐层节点数目越多拟合效果越好，在隐层节点数目一定时，迭代次数越多拟合效果越好。（2） RBF神经网络仿真拟合径向基函数(RBF-Radial Basis Function)神经网络是由J.Moody和C.Darken在80年代末提出的一种神经网络,它是具有单隐层的三层前馈网络。由于它模拟了人脑中局部调

24、整、相互覆盖接收域（或称感受野-Receptive Field）的神经网络结构，因此，RBF网络是一种局部逼近网络，已证明它能任意精度逼近任意连续函数。RBF网络是一种三层前向网络，由于输入到输出的映射是非线性的，而隐含层空间到输出空间的映射是线性的，从而可以大大加快学习速度并避免局部极小问题。图5 RBF神经网络结构采用RBF网络逼近一对象的结构如图5所示。 图6 RBF神经网络逼近在MATLAB中建立函数：function =rbf_simulate(a,b,c)其中a,b,c分别代表 中的；运行：rbf_simulate(2,2,4,)设置RBF网络的最终输出值与系统输出值之间的误差为0

25、，RBF网络会根据输入向量和期望值自动调整，使得RBF网络最终拟合该非线性系统。图7 RBF网络的拟合效果图（隐含层节点数7）我们也可以从隐藏层神经元个数与误差之间的关系图来看拟合的效果，如下图所示：图8隐藏层神经元个数与误差之间的关系图对应的matlab输出数据如下，可以看到隐藏层7个节点适合对这个非线性函数进行拟合：NEWRB, neurons = 0, MSE = 50.783NEWRB, neurons = 2, MSE = 11.8777NEWRB, neurons = 3, MSE = 11.8753NEWRB, neurons = 4, MSE = 0.284782NEWRB,

26、neurons = 5, MSE = 0.0722184NEWRB, neurons = 6, MSE = 0.00387988NEWRB, neurons = 7, MSE = 0.00238326NEWRB, neurons = 8, MSE = 6.23564e-005NEWRB, neurons = 9, MSE = 5.75098e-005NEWRB, neurons = 10, MSE = 4.15504e-008NEWRB, neurons = 11, MSE = 2.51754e-008NEWRB, neurons = 12, MSE = 5.82845e-009NEWRB,

27、neurons = 13, MSE = 5.1353e-010NEWRB, neurons = 14, MSE = 2.97782e-011NEWRB, neurons = 15, MSE = 3.39154e-011NEWRB, neurons = 16, MSE = 8.10721e-013NEWRB, neurons = 17, MSE = 8.60116e-013NEWRB, neurons = 18, MSE = 5.05936e-013NEWRB, neurons = 19, MSE = 5.05448e-013NEWRB, neurons = 20, MSE = 2.33415e-013（3） 附录:部分仿真程序BP网络：function =bp_simulate(a,b,c,n)P=-1:.05:3;t=10*cos(a*P+2*pi*(b-1)/c);subplot(2,2,1),plot(P,t,'-')