第五章 神经网络在控制中的应用

null神经网络在控制中的应用 神经网络在控制中的应用 null神经网络在控制中的应用 神经网络辨识技术 神经网络控制技术5.1 神经网络辨识5.1 神经网络辨识 系统辨识是自适应控制的关键所在，它通过测量对象的输入输出状态来估计对象的数学模型，使建立的数学模型和对象具有相同的输入输出特性。 神经网络对非线性函数具有任意逼近和自学习能力，为系统的辨识，尤其是非线性动态系统的辨识提供了一条十分有效的途径。 神经网络系统辨识实质是: 选择一个适当的神经网络模型来逼近实际系统的数学模型。 5.1 神经网络辨识5.1 神经网络辨识5.1.1 神经网络系统辨识的原理 系统辨识原理就是通过调整辨识模型的结构来使e最小。 在神经网络系统辨识中，神经网络用作辨识模型，将对象的输入输出状态u，y看作神经网络的训练样本数据，以J=1/2e2作为网络训练的目标，通过一定的训练算法来训练网络，使J足够小，就可达到辨识对象模型的目的。 5.1 神经网络辨识5.1 神经网络辨识5.1.2多层前向BP网络的系统辨识 假设非线性对象的数学模型可以表示为： 其中f是描述系统特征的未知非线性函数，m，n分别为输入输出的阶次。则可以利用多层前向BP网络来逼近非线性函数，进而估计对象的模型。 5.1 神经网络辨识5.1 神经网络辨识多层前向BP网络系统辨识原理图 5.1 神经网络辨识5.1 神经网络辨识网络的输出可以通过下式计算得到： H（*）表示隐层神经元的激发函数 Wij(1),Wj(2)分别表示网络第1-2层和2-3层的连接权值 5.1 神经网络辨识5.1 神经网络辨识定义网络训练的目标函数为： 则网络训练的BP算法可以描述为： 5.1 神经网络辨识5.1 神经网络辨识5.1.3. 递归神经网络系统辨识递归神经网络结构 5.1 神经网络辨识5.1 神经网络辨识递归神经网络的输入输出关系可以描述为： H（*）表示隐层神经元的激发函数 Wij(1),Wjk(2)分别表示网络第1-2层和2-3层的连接权值 Wi(0)表示网络第一层的递归权值 5.1 神经网络辨识5.1 神经网络辨识由于递归神经网络具有动态反馈环，可以记录以前状态，因此递归神经网络来辨识对象时只需以对象当前的输入状态u(t)和前一时刻的输出状态y(t-1)作为网络的输入即可，比前向多层神经网络的结构更加简单。 5.2 神经网络控制 5.2 神经网络控制 神经网络在控制中主要起以下作用：(1)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 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 和优化算法相融合中, 为其提供对象模型、优化参数、推理模型及故障诊断等。 5.2 神经网络控制5.2 神经网络控制5.2.1 神经网络直接反馈控制系统 神经网络直接用作误差闭环系统的反馈控制器，神经网络控制器首先利用其它已有的控制样本进行离线训练，而后以系统的误差的均方差为评价函数进行在线学习。 5.2 神经网络控制5.2 神经网络控制5.2.2 神经网络逆控制 自适应逆控制的基本思想就是用被控对象传递函数的逆模型作为串联控制器对控制对象实施开环控制。 神经网络先离线学习被控对象的逆动力学模型，然后用作对象的前馈串联控制器。由于开环控制缺乏稳定性，所以神经网络还需要根据系统的反馈误差在线继续学习逆动力学模型 5.2 神经网络控制5.2 神经网络控制5.2.3 神经网络内模控制 将对象模型与实际对象相并联，控制器逼近模型的动态逆。 一般有两种方法： 1) 两个神经网络分别逼近模型和模型的逆； 2) 采用神经网络逼近模型，然后用非线性优化方法数值计算内模控制量。 5.2 神经网络控制5.2 神经网络控制5.2.4 神经网络自适应控制（1）神经网络模型参考直接自适应控制 模型参考自适应控制的目的是：系统在相同输入激励r的作用下，使被控对象的输出y与参考模型的输出ym达到一致。 NNC先离线学习被控对象的逆动力学模型，与被控对象构成开环串联控制，而后神经网络根据参考模型输出与被控对象输出的误差函数进行在线训练，使误差函数最小。 5.2 神经网络控制5.2 神经网络控制（2）神经网络模型参考间接自适应控制 在直接自适应控制的基础上，引入了一个神经网络辨识器（NNI）来对被控对象的数学模型进行在线辨识，这样可以及时地将对象模型的变化传递给NNC，使NNC可以得到及时有效的训练。 null例： 二关节机器人神经网络自适应控制1）控制问题机器人动态控制问题就是要使机器人的各关节或末端执行器位置能够以理想的动态品质跟踪给定的轨迹或稳定在指定的位置上。 null二关节机器人控制结构null2）机器人数学模型坐标变换：机器人末端在空间的位置坐标可以变换为其关节角度的大小null动力学方程：null机器人动力学模型的特点 动力学方程包含的项数多，复杂。随着机器人关节数的增加，方程中包含的项数呈几何级数增加，可达数百项； 高度非线性。方程的每一项都含有cos，sin等非线性因素 高度耦合。每个关节的运动都会引起其它关节的运动 模型不确定性。当机器人搬运物体时，由于所持物件不同，负载会发生变化，同时，关节摩擦系数也会随时间发生变化。 null3）神经网络自适应控制null神经网络的选型： 神经网络控制器 控制器要求鲁棒性好，经离线训练后即可投入使用，选用模糊神经网络 网络的输入为四个，分别对应两个关节角的误差和误差变化率。 输出为两个，对应两个关节的力矩 null神经网络辨识器 辨识器要求能够很好地反映机器人的动态，并具有较简单的结构。选择递归神经网络null网络的训练辨识器的学习目标函数： 学习算法： null控制器的学习目标函数： 学习算法： 由神经网络辨识器提供null4）控制结果机械手具体的参数 ：初始条件 ：期望轨迹：摩擦项和扰动项 ：null 关节1的轨迹跟踪曲线 null关节2的轨迹跟踪曲线 null RNNI的第一个输出轨迹 null RNNI的第二个输出轨迹 5.2 神经网络控制5.2 神经网络控制（3） 神经网络间接自校正控制 自动调整控制器参数，消除扰动的影响，以保证系统的性能指标。假设被控对象的模型为 yk+1＝f(yk)+g(yk)·uk 则用神经网络对非线性函数f(yk)和g(yk)进行辨识，假设其在线计算估计值fd(yk)和gd(yk)，则调节器的自适应控制律为 uk=(yd -fd(yk)/gd(yk) 系统的传递函数为15.2 神经网络控制5.2 神经网络控制5.2.5 神经网络学习控制 首先用NN学习对象的逆动力学模型，然后用NN作为前馈控制器与误差反馈控制器构成复合控制器。系统以反馈控制器的输出作为评价函数来调节神经网络的权值。这样，在控制之初，反馈控制器的作用较强，而随着控制过程的进行，NN得到越来越多的学习，反馈控制器的作用越来越弱，NN控制器的作用越来越强。 null例：三关节机器人视觉伺服系统神经网络学习控制问题描述：利用摄像机观测目标小球与机器人末端手爪之间的相对位置，由此构成位置反馈，由相关控制器指挥机器人进行运动，使其末端手爪到达小球。null目标小球的特征特征提取目标在成像平面的特征可以分解为：目标中心点在成像坐标系的坐标（x，y）以及目标的半径r。null控制系统：视觉伺服问题可以转化为：根据目标特征与期望特征的误差，通过控制器控制机器人运动，使目标特征到达期望特征。null机器人视觉伺服控制系统的神经网络学习控制器 null神经网络结构null神经网络的学习：神经网络以常规控制器的输出up的最小化为目标进行学习。 如果学习的目标函数定义为： J＝1/2(u-un)2 其中u为复合控制器的输出，un为网络的输出。 那么，根据BP算法可得网络在线训练时的权值修正算法为：null控制结果机械手的具体参数为： L1=300cm； L2=260cm； L3=260cm。 摄像机的焦距: f =50cm。 目标小球的半径为: 10cm。摄像机在基座坐标系的初始坐标为(490，79，337)。 期望图像特征为： Xd＝0,Yd＝0，Rd＝10 目标小球中心在基座坐标系的坐标为: (300，300，200) null*为神经网络学习控制； o为常规比例控制器控制图像坐标X变化曲线 null*为神经网络学习控制； o为常规比例控制器控制图像坐标Y变化曲线 null*为神经网络学习控制； o为常规比例控制器控制半径r变化曲线 null基于神经网络学习控制的小球投影的变化曲线 5.2 神经网络控制5.2 神经网络控制5.2.6神经网络PID控制 null经典增量式数字PID 的控制算法为： NN 是一个三层BP 网络, 有M个输入节点、N 个隐含节点、3 个输出节点。输入节点对应系统运行状态量, 输出节点分别对应PID 控制器的3 个可调参数kp , ki , kd 。 网络根据性能指标J=1/2(r-y)2进行在线学习，则可以及时更新PID控制器的参数，使系统误差在不确定严重的情况下保持最小。 null试验结果：受控对象模型：系统仿真阶跃响应曲线