1、1,3.2 神经网络系统辨识,系统辨识（Identification）的主要应用：控制系统的分析和设计用于自校正、模型参考自适应系统预测和预报监视系统运行状态，进行故障诊断,2,3.2.1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,系统,系统,3.2.1.1系统辨识原理,3,1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,系统,其中，u(k)、y(k)和d(k)分别代表系统在k时刻的可
2、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， ， ，=1,2,l。,3.2.1.1系统辨识原理,4,系统对过去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 ；系统对过去的输出是非线性的，对过去的输入是线性的 ；系统对过去的输出和过去的输入都非线性的 ；系统的输出是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，而系统系统可看作它的特例。,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,5,3.2 神经网络系
3、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,6,1)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
4、辨识,3.2.1.2 辨识的主要步骤,7,3.2 神经网络系统辨识,3.2.1.3 在线辨识与离线辨识,8,3.2 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
5、在线学习时的初始值，从而使辨识的实时性得到改善。,9,3.2 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),10,3.2 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,11,3.2 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,12,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,13,3.2 神经网络系统辨识,3.2
6、.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,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,15,3.2 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,16,3.2 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
7、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,17,3.2 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： 0.0028 0.9907 0.0101 0.9565 0.0217 0.0061 0.0242 0.0021 0.9919,18, P=0
8、.2286 0.1292 0.072 0.1592 0.1335 0.0733 0.1159 0.094 0.0522 0.1345 0.009 0.126 0.3619 0.069 0.1828; 0.209 0.0947 0.1393 0.1387 0.2558 0.09 0.0771 0.0882 0.0393 0.143 0.0126 0.167 0.245 0.0508 0.1328; 0.0442 0.088 0.1147 0.0508 0.1328 0.115 0.1453 0.0429 0.1818 0.0378 0.0092 0.2251 0.1516 0.0858 0.06
9、7; 0.2603 0.1715 0.0702 0.2711 0.1491 0.133 0.0968 0.1911 0.2545 0.0871 0.006 0.1793 0.1002 0.0789 0.0909; 0.369 0.2222 0.0562 0.5157 0.1872 0.1614 0.1425 0.1506 0.1310 0.05 0.0078 0.0348 0.0451 0.0707 0.088; 0.0359 0.1149 0.123 0.546 0.1977 0.1248 0.0624 0.0832 0.164 0.1002 0.0059 0.1503 0.1837 0.1
10、295 0.07; 0.1759 0.2347 0.1829 0.1811 0.2922 0.0655 0.0774 0.2273 0.2056 0.0925 0.0078 0.1852 0.3501 0.168 0.2668; 0.0724 0.1909 0.134 0.2409 0.2842 0.045 0.0824 0.1064 0.1909 0.1586 0.0116 0.1698 0.3644 0.2718 0.2494; 0.2634 0.2258 0.1165 0.1154 0.1074 0.0657 0.061 0.2623 0.2588 0.1155 0.005 0.0978
11、 0.1511 0.2273 0.322;T=1 0 0;1 0 0;1 0 0;0 1 0;0 1 0;0 1 0;0 0 1;0 0 1;0 0 1;threshold=0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;net=newff(threshold,31,3,tansig,logsig,trainlm);,19,net.trainParam.epochs=50;net.trainParam.goal=0.001;LP.lr=0.1;net=train(net,P,T);%测试数据test=0.2593 0.18
12、 0.0711 0.2801 0.1501 0.1298 0.1001 0.1891 0.2531 0.0875 0.0058 0.1803 0.0992 0.0802 0.1002; 0.2101 0.095 0.1298 0.1359 0.2601 0.1001 0.0753 0.089 0.0389 0.1451 0.0128 0.159 0.2452 0.0512 0.1319; 0.2599 0.2235 0.1201 0.1171 0.1102 0.0683 0.0621 0.2597 0.2602 0.1167 0.0048 0.1002 0.1521 0.2281 0.3205
13、;y=sim(net,test)TRAINLM-calcjx, Epoch 0/50, MSE 0.29517/0.001, Gradient 0.29501/1e-010TRAINLM-calcjx, Epoch 5/50, MSE 0.000163395/0.001, Gradient 0.000683316/1e-010TRAINLM, Performance goal met.y = 0.0028 0.9907 0.0101 0.9565 0.0217 0.0061 0.0242 0.0021 0.9919,20,3.2 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
14、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。,21,P=0.1254 0.2315 0.3279; 0.2315 0.3297 0.4376; 0.3297 0.4376 0.5425; 0.4376 0.5425 0.6078; 0.5425 0.6078 0.7119;T=0.4376 0.5425 0.6078 0.7119 0.8685;P_test=0.6078 0.7119 0.8685;net=newrb(P,T,0,40);y=sim(net,P_test)x9=0.9256;e=x9-yNEWRB, neurons = 0, SSE = 0.0
15、196226y = 0.8343e = 0.0913,22,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,23,3.3.1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
16、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,24,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,25,-,d y,u,- 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
17、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,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,3.3.1.3 PID控制系统结构,27,3.3.1神经网络控
18、制系统结构,3.3 神经网络控制,3.3.1.3 PID控制系统结构,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,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,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
19、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。,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,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,32,3.3 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),33
20、,34,3.3 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,35,3.3 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,36,3.3 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,37,3.3 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,38,3.3 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,39,3.3 神经网络控制,3.3.2.1 基于BP神经网络的PID控制,2.神
21、经网络PID控制器的设计,40,3.3 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,41,3.3 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,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）,43,44,clear all;close all; xite=0.20;alfa=0.05; S=2; %Signal type IN=4;H=5;Out=3; %NN S
22、tructureif S=1 %Step Signalwi=-0.6394 -0.2696 -0.3756 -0.7023; -0.8603 -0.2013 -0.5024 -0.2596; -1.0749 0.5543 -1.6820 -0.5437; -0.3625 -0.0724 -0.6463 -0.2859; 0.1425 0.0279 -0.5406 -0.7660;%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=0.7576 0.2616 0.5820 -0.1416 -0.1325; -0.1146 0.2949 0.8352 0
23、.2205 0.4508; 0.7201 0.4566 0.7672 0.4962 0.3632;%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;end,45,if S=2 %Sine Signalwi=-0.2846 0.2193 -0.5097 -1.0668; -0.7484 -0.1210 -0.4708 0.0988; -0.7176 0.8297 -1.6000 0.2049; -0.0858 0.1925 -0.6346 0.0347; 0.4358 0.2369 -0.4564 -0.1324;%wi=0.50*rands(H,IN)
24、;wi_1=wi;wi_2=wi;wi_3=wi;wo=1.0438 0.5478 0.8682 0.1446 0.1537; 0.1716 0.5811 1.1214 0.5067 0.7370; 1.0063 0.7428 1.0534 0.7824 0.6494;%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;end x=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); %Output from NN middle layerI=Oh; %I
25、nput to NN middle layererror_2=0;error_1=0;,46,ts=0.001;for k=1:1:6000time(k)=k*ts; if S=1 rin(k)=1.0;elseif S=2 rin(k)=sin(1*2*pi*k*ts);end %Unlinear modela(k)=1.2*(1-0.8*exp(-0.1*k);yout(k)=a(k)*y_1/(1+y_12)+u_1; error(k)=rin(k)-yout(k); xi=rin(k),yout(k),error(k),1; x(1)=error(k)-error_1;x(2)=err
26、or(k);x(3)=error(k)-2*error_1+error_2; epid=x(1);x(2);x(3);I=xi*wi;for j=1:1:H Oh(j)=(exp(I(j)-exp(-I(j)/(exp(I(j)+exp(-I(j); %Middle Layerend,47,K=wo*Oh; %Output Layerfor l=1:1:Out K(l)=exp(K(l)/(exp(K(l)+exp(-K(l); %Getting kp,ki,kdendkp(k)=K(1);ki(k)=K(2);kd(k)=K(3);Kpid=kp(k),ki(k),kd(k); du(k)=
27、Kpid*epid;u(k)=u_1+du(k); dyu(k)=sign(yout(k)-y_1)/(du(k)-du_1+0.0001); %Output layerfor j=1:1:Out dK(j)=2/(exp(K(j)+exp(-K(j)2;endfor l=1:1:Out delta3(l)=error(k)*dyu(k)*epid(l)*dK(l);end for l=1:1:Out for i=1:1:H d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2); endend wo=wo_1+d_wo+alfa*(wo_1-wo_2);%Hid
28、den layer,48,for i=1:1:H dO(i)=4/(exp(I(i)+exp(-I(i)2;end segma=delta3*wo;for i=1:1:H delta2(i)=dO(i)*segma(i);Endd_wi=xite*delta2*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2); %Parameters Updatedu_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
29、=wi_1;wi_1=wi; error_2=error_1;error_1=error(k);end,49,figure(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);s
30、ubplot(312);plot(time,ki,g);xlabel(time(s);ylabel(ki);subplot(313);plot(time,kd,b);xlabel(time(s);ylabel(kd);,50,三、,内模控制(Internal Model Control，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,3.3.3神经网络内模控制,3.3.3.1 内模控制,51,3.3 神经网络控制,3.3.3神经网络内模控制,3.3.3.1 内模控制,52,3.3 神经网络控制,3.3.3神经网络内模控制,3.3.3.2 神经网络内模控制,53
31、,逆模型的辨识,3.3 神经网络控制,3.3.3神经网络内模控制,3.3.3.2 神经网络内模控制,54,3.3 神经网络控制,3.3.3.3 神经网络内模控制举例,石灰窑炉示意图,1.石灰窑炉的生产过程简介,55,3.3 神经网络控制,3.3.3.3 神经网络内模控制举例,2.石灰窑的神经网络模型,石灰窑炉的神经网络辨识模型,56,3.3 神经网络控制,3.3.3.3 神经网络内模控制举例,3.基于神经网络的石灰窑内模控制方案,57,石灰窑炉逆模型训练示意图,58,3.3 神经网络控制,3.3.3.4 单神经元自适应控制举例,单神经元自适应控制的结构,单神经网络控制器,59,单神经元自适应控制器是通过对加权系数的调整来实现自适应、自组织功能，控制算法为 如果权系数的调整按有监督的Hebb学习规则实现，即在学习算法中加入监督项 ，则神经网络权值学习算法为：,式中: 为学习速率， 为神经元的比例系数， 。,60,值的选择非常重要。 越大，则快速性越好，但超调量大，甚至可能使系统不稳定。当被控对象时延增大时， 值必须减少，以保证系统稳定。 值选择过小，会使系统的快速性变差。,61,输入指令为一方波信号 采样时间为1ms，采用单神经元自适应控制律进行控制。,仿真实例,被控对象为,62,
