PID神經(jīng)網(wǎng)絡控制

1、14-7 PID神經(jīng)網(wǎng)絡控制神經(jīng)網(wǎng)絡控制 q 闡述用PID神經(jīng)網(wǎng)絡 進行單變量、多變量非線性動態(tài)系統(tǒng)的控制問題q 具有多輸入多輸出、內(nèi)部具有強耦合 作用的多變量系統(tǒng)，在工程中是不少見的，實現(xiàn)對多變量系統(tǒng)的有效控制的關鍵是解耦控制問題24-7-1 PID神經(jīng)網(wǎng)絡單變量控制神經(jīng)網(wǎng)絡單變量控制 1. 控制結構與控制器輸出計算控制結構與控制器輸出計算 單變量系統(tǒng)，即 SISO 系統(tǒng)，用 PID 神經(jīng)網(wǎng)絡作控制器，不需辨識復雜的非線性被控對象，可對其實現(xiàn)有效的控制。 PID 神經(jīng)網(wǎng)絡單變量控制結構見圖，網(wǎng)絡作為控制器NNC，輸入是期望輸出與對象P的輸出：)(),(kykr，)(kv是擾動。 控制器輸出計

2、算，見節(jié) 2-8，不同點： （1）網(wǎng)絡輸入層輸入輸出相等 )(),()(),()(21kykrkrkrkR； （2）輸出層神經(jīng)元用線性模型，輸入=輸出： )()(kxku , )(ku：控制量 （3）控制器與被控對象一起作為廣義網(wǎng)絡考慮； （4）在線訓練控制器，準則函數(shù)有所不同。 圖 4 -7-1 PID 神經(jīng)網(wǎng)絡單變量控制結構 xr uqxNNCWW21 I yv RP32.控制器的學習算法控制器的學習算法 圖 4 -7-1 PID 神經(jīng)網(wǎng)絡單變量控制結構 xr uqxNNCWW21 I yv RPPID 神經(jīng)網(wǎng)絡控制器與對象一起作為廣義網(wǎng)絡，采用反向傳播（BP）學習算法，在線訓練，準則函數(shù)

3、： )(21)()(21)(22kekykrkE （1）經(jīng) k步訓練后，隱層至輸出層權值調(diào)整算法 )()()()1(2222kwkEkwkwiii)()()(22kqkkwii )2()1()1()(sgn)()(kukukykykek （2） 經(jīng) k步訓練后，輸入層至隱層 權值調(diào)整算法： ijijijwEkwkw1111)()1( )()()(11krkkwjiij )1()()1()(sgn)()(2kxkxkqkqwkkiiiiii 44-7-2 PID神經(jīng)網(wǎng)絡多變量控制神經(jīng)網(wǎng)絡多變量控制 1. 控制結構與控制器輸出計算控制結構與控制器輸出計算 多變量控制結構見圖： 對象P是n入n出內(nèi)部

4、有強耦合的n變量系統(tǒng) 控制器NNCn個PID子網(wǎng)絡，輸入層至隱層是獨立的、隱層至輸出層間不獨立 有聯(lián)接權，各子網(wǎng)絡隱層3個神經(jīng)元為比例（P）、積分（I）、微分（D），n個PID神經(jīng)子網(wǎng)絡構成一整體網(wǎng)絡nnnN,3 ,2 圖 4-7-2 PID 神經(jīng)網(wǎng)絡多變量控制結構 nu1u 1v nvNNC 1r ny1y P qx R x w2 nw1 11w nr 5子網(wǎng)絡一輸入對應一設定值), 2 , 1(nprp，另一輸入對應系統(tǒng)的一輸出), 2 , 1(npyp 網(wǎng)絡輸出是 n 個控制量，是對象的控制輸入 ), 2 , 1(nhuh 輸出端擾動 )(,),(),()(21kvkvkvknv 圖 4

5、-7-2 PID 神經(jīng)網(wǎng)絡多變量控制結構 nu1u 1v nvNNC 1r ny1y P qx R x w2 nw1 11w nr 6控制器輸出計算： （1）控制器輸入層神經(jīng)元的輸入與輸出相等 ,11211211nnnnsjyryrrrrrrR s：子網(wǎng)絡的序號，ns, 2 , 1 ； j：子網(wǎng)絡輸入層神經(jīng)元序號，2 , 1j； )()(1krkrps，)()(2kykrps， (), 2 , 1nps 圖 4-7-2 PID 神經(jīng)網(wǎng)絡多變量控制結構 nu1u 1v nvNNC 1r ny1y P qx R x w2 nw1 11w nr 7 （2） 隱層神經(jīng)元的輸入與輸出 s子網(wǎng)絡隱層第i

6、個節(jié)點的輸入： 211)()(jsjsijsikrwkx, 3 , 2 , 1i s 子網(wǎng)絡隱層P、I、D 三節(jié)點輸出)(kqsi： 1)(, 11)(, 11)(1, )()(11111kxkxkxkxkqsssss 圖 4-7-2 PID 神經(jīng)網(wǎng)絡多變量控制結構 nu1u 1v nvNNC 1r ny1y P qx R x w2 nw1 11w nr 81, 11, 11)(1, )() 1()(222222ssssssqqkqkxkqkq 1, 11, 11)(1, ) 1()()(333333ssssssqqkqkxkxkq 圖 4-7-2 PID 神經(jīng)網(wǎng)絡多變量控制結構 nu1u 1

7、v nvNNC 1r ny1y P qx R x w2 nw1 11w nr 9 圖 4-7-2 PID 神經(jīng)網(wǎng)絡多變量控制結構 nu1u 1v nvNNC 1r ny1y P qx R x w2 nw1 11w nr （3） 輸出層神經(jīng)元的輸入與輸出 輸入是各子網(wǎng)絡隱層各節(jié)點輸出的加權和，第), 2 , 1(nhh節(jié)點輸入)(kxh： nshisishihkqwkx112)()( shiw2：第s子網(wǎng)絡，隱節(jié)點i 至輸出節(jié)點h的權值。 網(wǎng)絡輸出，即控制器輸出第h個控制分量： )()(kxkuhh 102. 學學習習算算法法 PID 神經(jīng)網(wǎng)絡控制器與多變量對象一起，作為廣義網(wǎng)絡，采用反向傳播（

8、BP）學習 算法，準則函數(shù)： )(21)()(212121kekykrEJpnpppnpp （） 經(jīng) k步訓練后，隱層至輸出層權值調(diào)整算法 shishishishiwJkwkw222)() 1(npsiphshikqkw12)()( )2() 1() 1()()()(kukukykykekhhpppph （2） 經(jīng) k步訓練后，輸入層至隱層權值調(diào)整算法 sijsijsijsijwJkwkw111)() 1(npnhsjshisijkrkw112)()( ) 1()() 1()(sgn)()(2kxkxkqkqwkksisisisishiphshi 113. PID神經(jīng)網(wǎng)絡解耦控制機理神經(jīng)網(wǎng)絡解

9、耦控制機理 PID神經(jīng)網(wǎng)絡是由具有廣義Sigmoid函數(shù)特性的處理單元組成的三層前饋網(wǎng)絡。 從輸入到輸出具有在 2L意義上的任意非線性映射能力，在以BP算法訓練過程中，按準則函數(shù)minJJ 或minEE的要求，完成包括對象在內(nèi)的控制系統(tǒng)從輸入到輸出的映射，只要訓練樣本包含了解耦控制的要求，PID神經(jīng)網(wǎng)絡在調(diào)整權系值學習過程中，使控制系統(tǒng)的解耦控制性能達到要求。 由PID神經(jīng)網(wǎng)絡作控制器，對多變量系統(tǒng)進行控制，可未知對象模型，不需進行 系統(tǒng)辨識。 12例例4-7-1 用PID神經(jīng)網(wǎng)絡進行單變量非線性系統(tǒng)的控制。 圖 4 -7-1 PID 神經(jīng)網(wǎng)絡單變量控制結構 xr uqxNNCWW21 I y

10、v RP系統(tǒng)模型： )(2 . 1)(sin(8 . 0) 1(kukyky 系統(tǒng)輸入階躍信號： )( 1)(kkr 輸出端有階躍干擾： kkv, 1 . 0)(40 控制結構見圖4-7-1。控制器輸入： )(),()(kykrk R 控制器輸出節(jié)點是線性的。 取210.08，控制過程見圖4-7-3： 圖（a）控制系統(tǒng)輸入)( 1)(kkr、控制系統(tǒng)輸出y(k)； 圖（b）神經(jīng)控制器輸出u(k)； 圖（c）準則函數(shù)2)()(21)(kykrkE； 圖（d）隱層至輸出節(jié)點的3個權的調(diào)整過程。 13由于PID神經(jīng)網(wǎng)絡控制器與被控對象一起， 作為廣義網(wǎng)絡， 不需要進行系統(tǒng)辯識， 神經(jīng)控制器實時訓練，

11、調(diào)整其權系值，使控制系統(tǒng)既能跟蹤輸入r(k)，又能有效的抑制干擾v(k)。 14圖4-7-3例4-7-1控制過程15演示演示 例例4-7-1 4-7-1 用用PIDPID神經(jīng)網(wǎng)絡進行單變量非線性系統(tǒng)神經(jīng)網(wǎng)絡進行單變量非線性系統(tǒng)的控制的控制手控手控16例例4-7-2 用PID神經(jīng)網(wǎng)絡進行時變單變量非線性系統(tǒng)的控制。時變對象模型： 40, )(2 . 1)(4 . 0sin() 1(40, )(2 . 1)(sin(8 . 0) 1(kkukykykkukyky 系統(tǒng)輸入： )( 1)(kkr 控制結構見圖4-7-1?？刂破鬏敵鲇嬎慵皺嘞涤柧毰c例4-7-同，取210.08。 控制過程見圖4-7-4

12、： 圖（a）（d）中符號意義與圖4-7-3相同。 當對象特性變化（)40k時，由 于PID神經(jīng)網(wǎng)絡控制器權系值的不斷調(diào)整， 使控制量u(k)變化， 從而系統(tǒng)的輸出經(jīng)過一段時間，仍能跟蹤輸入。 17圖4-7-4 例4-7-2控制過程18演示演示 例例4-7-2 4-7-2 用用PIDPID神經(jīng)網(wǎng)絡進行時變單變量非線性神經(jīng)網(wǎng)絡進行時變單變量非線性系統(tǒng)的控制系統(tǒng)的控制手控手控19 圖 4-7-2 PID 神經(jīng)網(wǎng)絡多變量控制結構 nu1u 1v nvNNC 1r ny1y P qx R x w2 nw1 11w nr 例例 4-7-3 用 PID 神經(jīng)網(wǎng)絡進行 2 變量強耦合非線性系統(tǒng)的控制。 仿真對

13、象模型：)(2 . 0)(4 . 0)(1)()(2 . 0) 1()(5 . 0)(2 . 0)(1)()(4 . 0) 1(1322222223121111kukukukukykykukukukukyky 系統(tǒng)輸入向量：)( 1 , 0)(),()(21kkrkrkR 控制結構見圖 4-7-2，本例 n=2。 取),(2 . 0,15. 0hsshisij)(005. 0hsshi，解耦控制過程見圖 4-7-5： 20圖（a）輸入向量)( 1 , 0)(),()(21kkrkrkR、輸出向量)(),()(21kykyk y； 圖（b）控制向量)(),()(21kukuk u 由圖（a）可見：