PID神经网络控制文档资料

14-7-1 PID神经网络单变量控制神经网络单变量控制 1.控制结构与控制器输出计算控制结构与控制器输出计算 单变量系统，即 SISO 系统，用 PID 神经网络作控制器，不需辨识复杂的非线性被控对象，可对其实现有效的控制。PID 神经网络单变量控制结构见图，网络作为控制器NNC，输入是期望输出与对象P的输出：)(),(kykr，)(kv是扰动。控制器输出计算，见节 2-8，不同点：（1）网络输入层输入输出相等)(),()(),()(21kykrkrkrkR；（2）输出层神经元用线性模型，输入=输出：)()(kxku ,)(ku：控制量 （3）控制器与被控对象一起作为广义网络考虑；（4）在线训练控制器，准则函数有所不同。图 4-7-1 PID 神经网络单变量控制结构 xr uqxNNCWW21 I yv RP22.控制器的学习算法控制器的学习算法 图 4-7-1 PID 神经网络单变量控制结构 xr uqxNNCWW21 I yv RPPID 神经网络控制器与对象一起作为广义网络，采用反向传播（BP）学习算法，在线训练，准则函数：)(21)()(21)(22kekykrkE （1）经 k步训练后，隐层至输出层权值调整算法 )()()()1(2222kwkEkwkwiii)()()(22kqkkwii )2()1()1()(sgn)()(kukukykykek （2）经 k步训练后，输入层至隐层 权值调整算法：ijijijwEkwkw1111)()1()()()(11krkkwjiij )1()()1()(sgn)()(2kxkxkqkqwkkiiiiii 34-7-2 PID神经网络多变量控制神经网络多变量控制 1.控制结构与控制器输出计算控制结构与控制器输出计算 多变量控制结构见图：对象P是n入n出内部有强耦合的n变量系统 控制器NNCn个PID子网络，输入层至隐层是独立的、隐层至输出层间不独立 有联接权，各子网络隐层3个神经元为比例（P）、积分（I）、微分（D），n个PID神经子网络构成一整体网络nnnN,3,2 图 4-7-2 PID 神经网络多变量控制结构 nu1u 1v nvNNC 1r ny1y P qx R x w2 nw1 11w nr 4子网络一输入对应一设定值),2,1(nprp，另一输入对应系统的一输出),2,1(npyp 网络输出是 n 个控制量，是对象的控制输入),2,1(nhuh 输出端扰动)(,),(),()(21kvkvkvknv 图 4-7-2 PID 神经网络多变量控制结构 nu1u 1v nvNNC 1r ny1y P qx R x w2 nw1 11w nr 5控制器输出计算：（1）控制器输入层神经元的输入与输出相等,11211211nnnnsjyryrrrrrrR s：子网络的序号，ns,2,1；j：子网络输入层神经元序号，2,1j；)()(1krkrps，)()(2kykrps，(),2,1nps 图 4-7-2 PID 神经网络多变量控制结构 nu1u 1v nvNNC 1r ny1y P qx R x w2 nw1 11w nr 6 （2）隐层神经元的输入与输出 s子网络隐层第i 个节点的输入：211)()(jsjsijsikrwkx,3,2,1i s 子网络隐层P、I、D 三节点输出)(kqsi：1)(,11)(,11)(1,)()(11111kxkxkxkxkqsssss 图 4-7-2 PID 神经网络多变量控制结构 nu1u 1v nvNNC 1r ny1y P qx R x w2 nw1 11w nr 71,11,11)(1,)()1()(222222ssssssqqkqkxkqkq 1,11,11)(1,)1()()(333333ssssssqqkqkxkxkq 图 4-7-2 PID 神经网络多变量控制结构 nu1u 1v nvNNC 1r ny1y P qx R x w2 nw1 11w nr 8 图 4-7-2 PID 神经网络多变量控制结构 nu1u 1v nvNNC 1r ny1y P qx R x w2 nw1 11w nr（3）输出层神经元的输入与输出 输入是各子网络隐层各节点输出的加权和，第),2,1(nhh节点输入)(kxh：nshisishihkqwkx112)()(shiw2：第s子网络，隐节点i 至输出节点h的权值。网络输出，即控制器输出第h个控制分量：)()(kxkuhh 92.学学习习算算法法 PID 神经网络控制器与多变量对象一起，作为广义网络，采用反向传播（BP）学习 算法，准则函数：)(21)()(212121kekykrEJpnpppnpp （）经 k步训练后，隐层至输出层权值调整算法 shishishishiwJkwkw222)()1(npsiphshikqkw12)()()2()1()1()()()(kukukykykekhhpppph（2）经 k步训练后，输入层至隐层权值调整算法 sijsijsijsijwJkwkw111)()1(npnhsjshisijkrkw112)()()1()()1()(sgn)()(2kxkxkqkqwkksisisisishiphshi 103.PID神经网络解耦控制机理神经网络解耦控制机理 PID神经网络是由具有广义Sigmoid函数特性的处理单元组成的三层前馈网络。从输入到输出具有在 2L意义上的任意非线性映射能力，在以BP算法训练过程中，按准则函数minJJ 或minEE的要求，完成包括对象在内的控制系统从输入到输出的映射，只要训练样本包含了解耦控制的要求，PID神经网络在调整权系值学习过程中，使控制系统的解耦控制性能达到要求。由PID神经网络作控制器，对多变量系统进行控制，可未知对象模型，不需进行 系统辨识。11例例4-7-1 用PID神经网络进行单变量非线性系统的控制。图 4-7-1 PID 神经网络单变量控制结构 xr uqxNNCWW21 I yv RP系统模型：)(2.1)(sin(8.0)1(kukyky 系统输入阶跃信号：)(1)(kkr 输出端有阶跃干扰：kkv,1.0)(40 控制结构见图4-7-1。控制器输入：)(),()(kykrk R 控制器输出节点是线性的。取210.08，控制过程见图4-7-3：图（a）控制系统输入)(1)(kkr、控制系统输出y(k)；图（b）神经控制器输出u(k)；图（c）准则函数2)()(21)(kykrkE；图（d）隐层至输出节点的3个权的调整过程。12由于PID神经网络控制器与被控对象一起，作为广义网络，不需要进行系统辩识，神经控制器实时训练，调整其权系值，使控制系统既能跟踪输入r(k)，又能有效的抑制干扰v(k)。13图4-7-3例4-7-1控制过程14演示演示 例例4-7-1 4-7-1 用用PIDPID神经网络进行单变量非线性系统神经网络进行单变量非线性系统的控制的控制手控手控15例例4-7-2 用PID神经网络进行时变单变量非线性系统的控制。时变对象模型：40,)(2.1)(4.0sin()1(40,)(2.1)(sin(8.0)1(kkukykykkukyky 系统输入：)(1)(kkr 控制结构见图4-7-1。控制器输出计算及权系训练与例4-7-同，取210.08。控制过程见图4-7-4：图（a）（d）中符号意义与图4-7-3相同。当对象特性变化（)40k时，由 于PID神经网络控制器权系值的不断调整，使控制量u(k)变化，从而系统的输出经过一段时间，仍能跟踪输入。16图4-7-4 例4-7-2控制过程17演示演示 例例4-7-2 4-7-2 用用PIDPID神经网络进行时变单变量非线性神经网络进行时变单变量非线性系统的控制系统的控制手控手控18 图 4-7-2 PID 神经网络多变量控制结构 nu1u 1v nvNNC 1r ny1y P qx R x w2 nw1 11w nr 例例 4-7-3 用 PID 神经网络进行 2 变量强耦合非线性系统的控制。仿真对象模型：)(2.0)(4.0)(1)()(2.0)1()(5.0)(2.0)(1)()(4.0)1(1322222223121111kukukukukykykukukukukyky 系统输入向量：)(1,0)(),()(21kkrkrkR 控制结构见图 4-7-2，本例 n=2。取),(2.0,15.0hsshisij)(005.0hsshi，解耦控制过程见图 4-7-5：19图（a）输入向量)(1,0)(),()(21kkrkrkR、输出向量)(),()(21kykyk y；图（b）控制向量)(),()(21kukuk u 由 图（a）可 见：当40k，0)()(11krky；当23k，)(1)()(22kkrky，实 现 了 解 耦 控 制。20图（c）准则函数2111)()(21)(kykrkE、2222)()(21)(kykrkE；图（d）部分权值调整过程：第2个子网络三个隐节点到第2个输出节点的三个权。21演示演示 例例4-7-34-7-3用用PIDPID神经网络进行二变量强耦合非线神经网络进行二变量强耦合非线性系统的控制性系统的控制手控手控