神经网络控制及应用辨识与控制

关于神经网络控制及应用辨识与控制23.2.1神经网络系统辨识原理

定义：系统辨识就是在输入和输出数据的基础上，从一组给定的模型类中确定一个与所测系统等价的模型。

1．动态系统的常用自回归滑动平均模型以单输入单输出(SISO)时不变离散系统为对象：

3.2神经网络系统辨识系统Ⅰ

系统Ⅱ系统Ⅲ3.2.1.1系统辨识原理

第2页,共63页，2024年2月25日，星期天31．动态系统的常用自回归滑动平均模型3.2神经网络系统辨识系统Ⅳ

系统Ⅴ

其中，u(k)、y(k)和d(k)分别代表系统在k时刻的可测输入、输出和扰动，m、n和l分别为输入时间序列、输出时间序列和扰动时间序列的阶次，且，、和为常系数，，，γ=1,2,…,l。3.2.1.1系统辨识原理

第3页,共63页，2024年2月25日，星期天4系统Ⅰ对过去n个时刻的输出和过去m个时刻的输入是线性的

；系统Ⅱ对前n个时刻的输出是线性的，对前m个时刻的输入是非线性的；系统Ⅲ对过去的输出是非线性的，对过去的输入是线性的

；系统Ⅳ对过去的输出和过去的输入都非线性的

；系统Ⅴ的输出是n个过去的输入和m个过去的输出非线性函数，是非线性系统的通用表达式，而系统Ⅱ～系统Ⅳ可看作它的特例。

3.2神经网络系统辨识1．动态系统的常用自回归滑动平均模型3.2.1.1系统辨识原理

第4页,共63页，2024年2月25日，星期天53.2神经网络系统辨识2．动态系统的离散状态空间模型仿射型：

一般型：

其中，为非线性算子，u(k)，y(k)，x(k)是系统在时刻k的输入、输出和状态变量。设系统具有能观性和能控性。3.2.1.1系统辨识原理

第5页,共63页，2024年2月25日，星期天61)实验设计确定输入信号、采样周期、辨识时间、开环或闭环、离线或在线等等。2)确定辨识模型M的结构

M的结构设计主要依靠人的经验来确定，M可以由一个或多个神经网络组成，也可以加入线性系统。3)确定辨识模型的参数需要选择合适的参数辨识算法。采用BP神经网络时，可采用一般的BP学习算法辨识网络的权值参数。4)模型检验模型的实际应用效果是对系统辨识效果优劣的检验标准。3.2神经网络系统辨识3.2.1.2辨识的主要步骤

第6页,共63页，2024年2月25日，星期天73.2神经网络系统辨识3.2.1.3在线辨识与离线辨识

dP

∑+-e(k)u(k)第7页,共63页，2024年2月25日，星期天83.2神经网络系统辨识3.2.1.3在线辨识与离线辨识

在线辨识是在系统实际运行中进行的，辨识过程由实时性要求。离线辨识是在已取得大量系统的输入输出后，用这些历史数据对神经网络进行训练（辨识），因此辨识过程与实际系统是分离的，无实时性要求。离线辨识可使神经网络在系统工作前预先完成训练过程，但因输入输出训练样本集很难覆盖系统所有可能的工作范围，因而难以适应系统在工作过程中的参数变化。在实际应用中，一般先进行离线训练，得到网络的权值后再进行在线学习，这时网络离线训练后的权值就成为在线学习时的初始值，从而使辨识的实时性得到改善。

第8页,共63页，2024年2月25日，星期天93.2神经网络系统辨识3.2.2系统模型的神经网络辨识3.2.2.1系统正模型的神经网络辨识采用系统Ⅴ的一般描述，设n=3，m=2，被辨识系统差分方程为令辨识模型M为或

(3-90)

(3-91)

第9页,共63页，2024年2月25日，星期天103.2神经网络系统辨识3.2.2.1系统正模型的神经网络辨识并联结构

第10页,共63页，2024年2月25日，星期天113.2神经网络系统辨识3.2.2.1系统正模型的神经网络辨识串-并联结构

第11页,共63页，2024年2月25日，星期天12e(t)y(t+1)u(t)e(t)y(t+1)P(NN)u(t)P(NN)系统逆模型辨识的两种结构(a)反馈结构(b)前馈结构

3.2神经网络系统辨识3.2.2.2系统逆模型的神经网络辨识第12页,共63页，2024年2月25日，星期天133.2神经网络系统辨识3.2.2.3神经网络系统辨识应用实例建立加热炉中钢坯表面温度预报模型在BP网络的基础之上把输出端信号通过延时环节反馈到输入端，从而形成动态BP网络。神经网络辨识模型

第13页,共63页，2024年2月25日，星期天14

在选取样本时，两组不同工况下的数据中的炉膛温度都进行线性化处理，工况1、2分别以炉温达850℃和880℃时取样的加热数据。网络训练误差曲线工况1实测温度、预报温度比较图第14页,共63页，2024年2月25日，星期天153.2神经网络系统辨识3.2.2.3神经网络系统辨识应用实例例二：粮食干燥热力过程神经网络模型辨识

粮食干燥塔系统简化图

神经网络辨识模型

第15页,共63页，2024年2月25日，星期天163.2神经网络系统辨识3.2.2.3神经网络系统辨识应用实例例二：粮食干燥热力过程神经网络模型辨识

干燥塔出口粮食水分神经网络辨识结果与实测结果比较第16页,共63页，2024年2月25日，星期天173.2神经网络系统辨识例三：BP网络在齿轮箱故障诊断中的应用根据齿轮箱9组数据，用BP神经网络对其进行故障诊断（数据为齿轮的啮合频率，并进行归一化处理。网络结构为15-31-3）。由于齿轮包括3种故障模式，故可采用如下的形式表示输出模式：无故障：（1，0，0）；齿根裂纹：（0，1，0）；断齿：（0，0，1）；其中三组测试数据对应的故障分别为齿根裂纹、无故障、断齿。而网络输出值为：

0.00280.99070.01010.95650.02170.00610.02420.00210.9919第17页,共63页，2024年2月25日，星期天18>>P=[0.22860.12920.0720.15920.13350.07330.11590.0940.05220.13450.0090.1260.36190.0690.1828;0.2090.09470.13930.13870.25580.090.07710.08820.03930.1430.01260.1670.2450.05080.1328;0.04420.0880.11470.05080.13280.1150.14530.04290.18180.03780.00920.22510.15160.08580.067;0.26030.17150.07020.27110.14910.1330.09680.19110.25450.08710.0060.17930.10020.07890.0909;0.3690.22220.05620.51570.18720.16140.14250.15060.13100.050.00780.03480.04510.07070.088;0.03590.11490.1230.5460.19770.12480.06240.08320.1640.10020.00590.15030.18370.12950.07;0.17590.23470.18290.18110.29220.06550.07740.22730.20560.09250.00780.18520.35010.1680.2668;0.07240.19090.1340.24090.28420.0450.08240.10640.19090.15860.01160.16980.36440.27180.2494;0.26340.22580.11650.11540.10740.06570.0610.26230.25880.11550.0050.09780.15110.22730.322]';T=[100;100;100;010;010;010;001;001;001]';threshold=[01;01;01;01;01;01;01;01;01;01;01;01;01;01;01];net=newff(threshold,[31,3],{'tansig','logsig'},'trainlm');第18页,共63页，2024年2月25日，星期天19net.trainParam.epochs=50;net.trainParam.goal=0.001;LP.lr=0.1;net=train(net,P,T);%测试数据test=[0.25930.180.07110.28010.15010.12980.10010.18910.25310.08750.00580.18030.09920.08020.1002;0.21010.0950.12980.13590.26010.10010.07530.0890.03890.14510.01280.1590.24520.05120.1319;0.25990.22350.12010.11710.11020.06830.06210.25970.26020.11670.00480.10020.15210.22810.3205]';y=sim(net,test)TRAINLM-calcjx,Epoch0/50,MSE0.29517/0.001,Gradient0.29501/1e-010TRAINLM-calcjx,Epoch5/50,MSE0.000163395/0.001,Gradient0.000683316/1e-010TRAINLM,Performancegoalmet.y=0.00280.99070.01010.95650.02170.00610.02420.00210.9919第19页,共63页，2024年2月25日，星期天203.2神经网络系统辨识例四：RBF网络在股市价格中的应用这里将3天作为一个周期，3天的股票价格作为网络的输入向量，输出为预测日当天的股票价格。日期股票价格日期股票价格10.125470.711920.231580.868530.329790.925640.437650.542560.6078第20页,共63页，2024年2月25日，星期天21P=[0.12540.23150.3279;0.23150.32970.4376;0.32970.43760.5425;0.43760.54250.6078;0.54250.60780.7119]';T=[0.43760.54250.60780.71190.8685];P_test=[0.60780.71190.8685]';net=newrb(P,T,0,40);y=sim(net,P_test)x9=0.9256;e=x9-yNEWRB,neurons=0,SSE=0.0196226y=0.8343e=0.0913第21页,共63页，2024年2月25日，星期天22

神经网络控制是神经网络与自动控制相结合而形成的一门综合性学科，基于神经网络的智能控制系统已有许多成功的应用实例，神经网络控制系统的设计与应用既需要熟悉神经网络的各种网络模型、学习算法以及主要特性，又要熟悉控制领域的广泛理论与方法，如非线性控制、系统辨识和自适应控制等等。本节简要介绍人工神经网络控制的常用结构，重点介绍几种神经网络控制方案的设计方法、性能分析以及应用举例。3.3神经网络控制第22页,共63页，2024年2月25日，星期天233.3.1神经网络控制系统结构

3.3.1.1直接逆控制系统结构直接逆控制是一种前馈控制，设被控对象模型为P且其逆模型P-1存在，理论上可直接用P-1作为控制器与被控对象串联，此时控制器P-1的输入为系统的参考输入r，输出为u，而被控对象的输入为u，输出为y，理想情况下应有y=r，即系统的传递函数为P

P-1=1。因此，可先通过离线训练使神经网络控制器NNC获得被控对象的逆特性P-1，再将具有逆特性P-1的NNC与被控对象串联。3.3神经网络控制第23页,共63页，2024年2月25日，星期天24NNC()对象NN()神经网络直接逆控制结构

该控制结构的一种实现方案如下图所示:3.3.1神经网络控制系统结构

3.3神经网络控制3.3.1.1直接逆控制系统结构第24页,共63页，2024年2月25日，星期天25-dyu-f

r+滤波器NNC()对象NNI()

内模控制即内部模型控制，该方案即保留了直接逆控制的优点又可以较好地解决直接逆控制存在的问题。

3.3.1神经网络控制系统结构

3.3神经网络控制3.3.1.2内模控制系统结构第25页,共63页，2024年2月25日，星期天26

PID控制要取得较好的控制效果，关键在于调整好比例、积分和微分三种控制作用的关系。在常规PID控制器中，这种关系只能是简单的线性组合，因此难以适应复杂系统或复杂环境下的控制性能要求。从变化无穷的非线性组合中可以找到三种控制作用既相互配合又相互制约的最佳关系，而神经网络所具有的任意非线性表达能力，可用来实现具有最佳组合的PID控制。3.3.1神经网络控制系统结构

3.3神经网络控制3.3.1.3PID控制系统结构第26页,共63页，2024年2月25日，星期天273.3.1神经网络控制系统结构

3.3神经网络控制3.3.1.3PID控制系统结构第27页,共63页，2024年2月25日，星期天28

间接自校正控制常称为自校正控制，该方案可在被控系统参数变化的情况下自动调整控制器参数，消除扰动的影响。3.3.1神经网络控制系统结构

3.3神经网络控制3.3.1.4间接自校正控制系统结构第28页,共63页，2024年2月25日，星期天29

预测控制是一种基于被控对象的预测模型的控制，特点是滚动优化和反馈校正。由于神经网络能辨识非线性动态系统的输入输出特性，可作为系统的预测模型。3.3.1神经网络控制系统结构

3.3神经网络控制3.3.1.5预测控制系统结构第29页,共63页，2024年2月25日，星期天30

模型参考自适应控制来源于线性系统的模型参考自适应控制(MRAC)，当被控对象具有未知的非线性特性时，可采用神经网络模型参考自适应控制方案，其结构如下。

间接型直接型3.3.1神经网络控制系统结构

3.3神经网络控制3.3.1.6模型参考自适应控制系统结构第30页,共63页，2024年2月25日，星期天31

智能控制的思路是模仿人的智能行为进行控制，人作出控制决策时凭借的不是数学模型而是经验，而这些经验是经过“行动—评价—改进行动方案—再行动”的多次反复才能获得的，再励学习控制就是模仿人的这种学习方式而提出的。3.3.1神经网络控制系统结构

3.3神经网络控制3.3.1.7再励学习控制系统结构第31页,共63页，2024年2月25日，星期天323.3神经网络控制3.3.2.1基于BP神经网络的PID控制

设被控对象为

1.神经网络辨识器的设计

,

(3-92)第32页,共63页，2024年2月25日，星期天33第33页,共63页，2024年2月25日，星期天343.3神经网络控制3.3.2.1基于BP神经网络的PID控制

1.神经网络辨识器的设计第34页,共63页，2024年2月25日，星期天353.3神经网络控制3.3.2.1基于BP神经网络的PID控制

1.神经网络辨识器的设计第35页,共63页，2024年2月25日，星期天363.3神经网络控制3.3.2.1基于BP神经网络的PID控制

2.神经网络PID控制器的设计

第36页,共63页，2024年2月25日，星期天373.3神经网络控制3.3.2.1基于BP神经网络的PID控制

2.神经网络PID控制器的设计

第37页,共63页，2024年2月25日，星期天383.3神经网络控制3.3.2.1基于BP神经网络的PID控制

2.神经网络PID控制器的设计

第38页,共63页，2024年2月25日，星期天393.3神经网络控制3.3.2.1基于BP神经网络的PID控制

2.神经网络PID控制器的设计

第39页,共63页，2024年2月25日，星期天403.3神经网络控制3.3.2.1基于BP神经网络的PID控制

2.神经网络PID控制器的设计

第40页,共63页，2024年2月25日，星期天413.3神经网络控制3.3.2.1基于BP神经网络的PID控制

2.神经网络PID控制器的设计

第41页,共63页，2024年2月25日，星期天42例:设被控对象的近似数学模型为：神经网络的结构为4-5-3，学习速率为=0.28，惯性系数=0.04，加权系数初始值取[-0.5,0.5]上的随机数。输入信号分为两种：（1）（2）第42页,共63页，2024年2月25日，星期天43第43页,共63页，2024年2月25日，星期天44clearall;closeall;xite=0.20;alfa=0.05;S=2;%SignaltypeIN=4;H=5;Out=3;%NNStructureifS==1%StepSignalwi=[-0.6394-0.2696-0.3756-0.7023;-0.8603-0.2013-0.5024-0.2596;-1.07490.5543-1.6820-0.5437;-0.3625-0.0724-0.6463-0.2859;0.14250.0279-0.5406-0.7660];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=[0.75760.26160.5820-0.1416-0.1325;-0.11460.29490.83520.22050.4508;0.72010.45660.76720.49620.3632];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;end第44页,共63页，2024年2月25日，星期天45ifS==2%SineSignalwi=[-0.28460.2193-0.5097-1.0668;-0.7484-0.1210-0.47080.0988;-0.71760.8297-1.60000.2049;-0.08580.1925-0.63460.0347;0.43580.2369-0.4564-0.1324];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=[1.04380.54780.86820.14460.1537;0.17160.58111.12140.50670.7370;1.00630.74281.05340.78240.6494];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endx=[0,0,0];du_1=0;u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;y_1=0;y_2=0;y_3=0;Oh=zeros(H,1);%OutputfromNNmiddlelayerI=Oh;%InputtoNNmiddlelayererror_2=0;error_1=0;第45页,共63页，2024年2月25日，星期天46ts=0.001;fork=1:1:6000time(k)=k*ts;ifS==1rin(k)=1.0;elseifS==2rin(k)=sin(1*2*pi*k*ts);end%Unlinearmodela(k)=1.2*(1-0.8*exp(-0.1*k));yout(k)=a(k)*y_1/(1+y_1^2)+u_1;error(k)=rin(k)-yout(k);xi=[rin(k),yout(k),error(k),1];x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2;epid=[x(1);x(2);x(3)];I=xi*wi';forj=1:1:HOh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j)));%MiddleLayerend第46页,共63页，2024年2月25日，星期天47K=wo*Oh;%OutputLayerforl=1:1:OutK(l)=exp(K(l))/(exp(K(l))+exp(-K(l)));%Gettingkp,ki,kdendkp(k)=K(1);ki(k)=K(2);kd(k)=K(3);Kpid=[kp(k),ki(k),kd(k)];du(k)=Kpid*epid;u(k)=u_1+du(k);dyu(k)=sign((yout(k)-y_1)/(du(k)-du_1+0.0001));%Outputlayerforj=1:1:OutdK(j)=2/(exp(K(j))+exp(-K(j)))^2;endforl=1:1:Outdelta3(l)=error(k)*dyu(k)*epid(l)*dK(l);endforl=1:1:Outfori=1:1:Hd_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2);endendwo=wo_1+d_wo+alfa*(wo_1-wo_2);%Hiddenlayer第47页,共63页，2024年2月25日，星期天48fori=1:1:HdO(i)=4/(exp(I(i))+exp(-I(i)))^2;endsegma=delta3*wo;fori=1:1:Hdelta2(i)=dO(i)*segma(i);Endd_wi=xite*delta2'*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2);%ParametersUpdatedu_1=du(k);u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);y_2=y_1;y_1=yout(k);wo_3=wo_2;wo_2=wo_1;wo_1=wo;wi_3=wi_2;wi_2=wi_1;wi_1=wi;error_2=error_1;error_1=error(k);end第48页,共63页，2024年2月25日，星期天49figure(1);plot(time,rin,'r',time,yout,'b');xlabel('time(s)');ylabel('rin,yout');figure(2);plot(time,error,'r');xlabel('time(s)');ylabel('error');figure(3);plot(time,u,'r');xlabel('time(s)');ylabel('u');figure(4);subplot(311);plot(time,kp,'r');xlabel('time(s)');ylabel('kp');subplot(312);plot(time,ki,'g');xlabel('time(s)');ylabel('ki');subplot(313);plot(time,kd,'b');xlabel('time(s)');ylabel('kd');第49页,共63页，2024年2月25日，星期天50三、

内模控制(InternalModelControl，简称IMC)适用于纯滞后、多变量及非线性系统，结构如下：

3.3神经网络控制3.3