1、1,智能控制系统,天津大学电气与自动化工程学院,八,天津大学自动化学院,4. 神经网络模型辨识,神经网络所具有的非线性变换特性和高度的并行运算能力为系统辨识提供了有效的途径。4.1 正向建模使用多层前馈型神经网络表达系统正向的动力学模型,图4-14 正向建模,天津大学自动化学院,4. 神经网络模型辨识,设被辨识动态系统可由以下非线性离散时间差分方程来表示则可使用神经网络代替模型中的非线性函数。根据被辨识模型的输入和输出来调整网络的连接权值。并列型串联并列型,天津大学自动化学院,4. 神经网络模型辨识,1）并列型网络结构,天津大学自动化学院,4. 神经网络模型辨识,2）串联并列型网络结构,天津大
2、学自动化学院,4. 神经网络模型辨识,例：假设动态系统模型为使用辨识模型其中 都采用用含有两层隐层的前向网络，网络为单输入单输出，隐层节点分别取20和10。使用BP算法，学习速率0.2。,天津大学自动化学院,4. 神经网络模型辨识,4.2 逆模型使用多层前馈型神经网络表达系统反向的动力学模型。 假定非线性函数 f 可逆，动态系统逆模型可写为由于y(k+1)未知，改写为,天津大学自动化学院,4. 神经网络模型辨识,使用神经网络逆建模，实际上就是学习未知非线性函数 f 网络输入为 输出为可采用如下形式： 1）直接逆模型建模,态,天津大学自动化学院,4. 神经网络模型辨识,2）正逆模型建模,天津大学
3、自动化学院,5. 神经网络控制,5.1 神经控制的基本思想在传统的控制系统中用以动态系统建模，充当对象模型； 在反馈控制系统中直接充当控制器的作用； 在传统控制系统中起优化计算作用； 与其他智能控制方法如模糊逻辑、遗传算法、专家控制等相融合。,天津大学自动化学院,5. 神经网络控制,直接神经网络控制：求逆模型,反馈控制与神经控制,天津大学自动化学院,5. 神经网络控制,5.2 神经控制PID控制BP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。通过神经网络自身的学习，可以找到某一最优控制律下的P，I，D参数。,图3-17 神经控制PID控制,天津大学自动化学院,5. 神经网
4、络控制,控制结构主要包括以下部分：经典的PID控制器：直接对被控对象进行闭环控制。KP,KI,KD 三个参数在线整定； 神经网络NN：根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化。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KP,KI,KD，通过神经网络的自学习、调整权系数，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。,天津大学自动化学院,5. 神经网络控制,增量式数字PID的算法为：将PID参数看做依赖系统运行参数的可调系数时，可写为使用BP网络来模拟这一非线性函数。,天津大学自动化学院,5. 神经网络控制,采用三层BP网络进行逼近输入
5、量：e(k), e(k-1), e(k-2),， e(k-M+1),输出量：KP，KI，KD,天津大学自动化学院,5. 神经网络控制,神经网络的前向计算,天津大学自动化学院,5. 神经网络控制,学习过程定义性能指标：权值的更新方法：,天津大学自动化学院,5. 神经网络控制,天津大学自动化学院,5. 神经网络控制,算法 1). 事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值wij(0), wli(0)，选定学习速率和平滑因子，k=1；2). 采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)；3). 对r(i),y(i),u(i-1)
6、,e(i)进行归一化处理，作为NN的输入； 4). 前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID控制器的三个可调参数KP(k),KI(k),KD(k)；,天津大学自动化学院,5. 神经网络控制,5). 计算PID控制器的控制输出u(k)，参与控制和计算； 6). 计算修正输出层的权系数wli(k)； 7). 计算修正隐含层的权系数wij(k)； 8). 置k=k+1，返回到“2）”。,天津大学自动化学院,5. 神经网络控制,5). 计算PID控制器的控制输出u(k)，参与控制和计算； 6). 计算修正输出层的权系数wli(k)； 7). 计算修正隐含层的权系数wij(k)；
7、 8). 置k=k+1，返回到“2）”。,22,5.3 改进型BP神经网络控制参数自学习PID控制,将神经网络用于控制器的设计或直接学习计算控制器的输出（控制量），一般都要用到系统的预测输出值或其变化量来计算权系数的修正量。但实际上，系统的预测输出值是不易直接测得的，通常的做法是建立被控对象的预测数学模型，用该模型所计算的预测输出来取代预测处的实测值，以提高控制效果。,23,1采用线性预测模型的BP神经网络PID控制器,24,采用线性预测模型的BP神经网络PID控制系统算法归纳如下：1). 事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值w(2)ij(0
8、), w(3)li(0)，选定学习速率和平滑因子，k=1；2). 用线性系统辨识法估计出参数矢量(k)，从而形成一步预报模型式； 3). 采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)；4). 对r(i),y(i),u(i-1),e(i)进行归一化处理，作为NN的输入； 5). 前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID控制器的三个可调参数KP(k),KI(k),KD(k)； 6). 计算PID控制器的控制输出u(k)，参与控制和计算；7).计算 和 ；8). 计算修正输出层的权系数w(3)li(k)； 9). 计算修正隐含层的权系数w(2)ij(
9、k)；10). 置k=k+1，返回到“2）”。,25,采用非线性预测模型的BP神经网络PID控制器,26,基于BP神经网络的PID控制算法可归纳如下：1). 事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值w(2)ij(0), w(3)li(0)，选定学习速率和平滑因子，k=1；2). 采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)；3). 对r(i),y(i),u(i-1),e(i)进行归一化处理，作为NN的输入； 4). 前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID控制器的三个可调参数KP(k),KI(k),KD(k)； 5). 计算PID控制器的控制输出u(k)，参与控制和计算；6).前向计算NNM的各层神经元的输入和输出，NNM的输出为 ，计算修正隐含层和输出层的权系数；7).计算 ；8). 计算修正输出层的权系数w(3)li(k)； 9). 计算修正隐含层的权系数w(2)ij(k)；10). 置k=k+1，返回到“2）”。,
