神經(jīng)網(wǎng)絡在控制中的應用

1、神經(jīng)網(wǎng)絡在控制中的應用,,,神經(jīng)網(wǎng)絡在控制中的應用神經(jīng)網(wǎng)絡辨識技術(shù)神經(jīng)網(wǎng)絡控制技術(shù),5.1 神經(jīng)網(wǎng)絡辨識,系統(tǒng)辨識是自適應控制的關(guān)鍵所在，它通過測量對象的輸入輸出狀態(tài)來估計對象的數(shù)學模型，使建立的數(shù)學模型和對象具有相同的輸入輸出特性。,神經(jīng)網(wǎng)絡對非線性函數(shù)具有任意逼近和自學習能力，為系統(tǒng)的辨識，尤其是非線性動態(tài)系統(tǒng)的辨識提供了一條十分有效的途徑。,神經(jīng)網(wǎng)絡系統(tǒng)辨識實質(zhì)上是選擇一個適當?shù)纳窠?jīng)網(wǎng)絡模型來逼近實際系統(tǒng)的數(shù)學模型。,5.1

2、神經(jīng)網(wǎng)絡辨識,5.1.1 神經(jīng)網(wǎng)絡系統(tǒng)辨識的原理,,系統(tǒng)辨識的原理就是通過調(diào)整辨識模型的結(jié)構(gòu)來使e最小。,在神經(jīng)網(wǎng)絡系統(tǒng)辨識中，神經(jīng)網(wǎng)絡用作辨識模型，將對象的輸入輸出狀態(tài)u，y看作神經(jīng)網(wǎng)絡的訓練樣本數(shù)據(jù)，以J=1/2e2作為網(wǎng)絡訓練的目標，則通過用一定的訓練算法來訓練網(wǎng)絡，使J足夠小，就可以達到辨識對象模型的目的。,5.1 神經(jīng)網(wǎng)絡辨識,5.1.2多層前向BP網(wǎng)絡的系統(tǒng)辨識,假設(shè)非線性對象的數(shù)學模型可以表示為：,,其中f是描述系統(tǒng)特征的

3、未知非線性函數(shù)，m，n分別為輸入輸出的階次。則可以利用多層前向BP網(wǎng)絡來逼近非線性函數(shù)，進而估計對象的模型。,5.1 神經(jīng)網(wǎng)絡辨識,,多層前向BP網(wǎng)絡系統(tǒng)辨識原理圖,,5.1 神經(jīng)網(wǎng)絡辨識,網(wǎng)絡的輸出可以通過下式計算得到：,,H（*）表示隱層神經(jīng)元的激發(fā)函數(shù),Wij(1),Wj(2)分別表示網(wǎng)絡第1-2層和2-3層的連接權(quán)值,5.1 神經(jīng)網(wǎng)絡辨識,定義網(wǎng)絡訓練的目標函數(shù)為：,,則網(wǎng)絡訓練的BP算法可以描述為：,,,,,5.1 神經(jīng)網(wǎng)絡辨

4、識,5.1.3. 遞歸神經(jīng)網(wǎng)絡系統(tǒng)辨識,,遞歸神經(jīng)網(wǎng)絡結(jié)構(gòu),5.1 神經(jīng)網(wǎng)絡辨識,遞歸神經(jīng)網(wǎng)絡的輸入輸出關(guān)系可以描述為：,,H（*）表示隱層神經(jīng)元的激發(fā)函數(shù),Wij(1),Wjk(2)分別表示網(wǎng)絡第1-2層和2-3層的連接權(quán)值,Wi(0)表示網(wǎng)絡第一層的遞歸權(quán)值,5.1 神經(jīng)網(wǎng)絡辨識,由于遞歸神經(jīng)網(wǎng)絡本身具有動態(tài)反饋環(huán)，可以記錄以前的狀態(tài)，因此用遞歸神經(jīng)網(wǎng)絡來對非線性對象進行辨識時只需以對象當前的輸入狀態(tài)u(t)和前一時刻的輸出狀態(tài)y(

5、t-1)作為網(wǎng)絡的輸入即可，與前向多層神經(jīng)網(wǎng)絡相比，網(wǎng)絡的結(jié)構(gòu)較為簡單。,,5.2 神經(jīng)網(wǎng)絡控制,神經(jīng)網(wǎng)絡在控制中主要起以下作用：,(1)基于精確模型的各種控制結(jié)構(gòu)中充當對象的模型；(2)在反饋控制系統(tǒng)中直接充當控制器的作用；(3) 在傳統(tǒng)控制系統(tǒng)中起優(yōu)化計算作用；(4)在與其它智能控制方法和優(yōu)化算法相融合中, 為其提供對象模型、優(yōu)化參數(shù)、推理模型及故障診斷等。,5.2 神經(jīng)網(wǎng)絡控制,5.2.1 神經(jīng)網(wǎng)絡直接反饋控制系統(tǒng),,神經(jīng)網(wǎng)

6、絡直接用作誤差閉環(huán)系統(tǒng)的反饋控制器，神經(jīng)網(wǎng)絡控制器首先利用其它已有的控制樣本進行離線訓練，而后以系統(tǒng)的誤差的均方差為評價函數(shù)進行在線學習。,5.2 神經(jīng)網(wǎng)絡控制,5.2.2 神經(jīng)網(wǎng)絡逆控制,自適應逆控制的基本思想就是用被控對象傳遞函數(shù)的逆模型作為串聯(lián)控制器對控制對象實施開環(huán)控制。,神經(jīng)網(wǎng)絡先離線學習被控對象的逆動力學模型，然后用作對象的前饋串聯(lián)控制器。由于開環(huán)控制缺乏穩(wěn)定性，所以神經(jīng)網(wǎng)絡還需要根據(jù)系統(tǒng)的反饋誤差在線繼續(xù)學習逆動力學模型,

7、5.2 神經(jīng)網(wǎng)絡控制,5.2.3 神經(jīng)網(wǎng)絡內(nèi)?？刂?,將對象模型與實際對象相并聯(lián)，控制器逼近模型的動態(tài)逆。一般有兩種方法： 1) 兩個神經(jīng)網(wǎng)絡分別逼近模型和模型的逆； 2) 采用神經(jīng)網(wǎng)絡逼近模型，然后用非線性優(yōu)化方法數(shù)值計算內(nèi)?？刂屏?。,5.2 神經(jīng)網(wǎng)絡控制,5.2.4 神經(jīng)網(wǎng)絡自適應控制,（1）神經(jīng)網(wǎng)絡模型參考直接自適應控制,模型參考自適應控制的目的是：系統(tǒng)在相同輸入激勵r的作用下，使被控對象的輸出y與參考模型的輸出ym達到一致

8、。這樣通過調(diào)整參考模型，可以調(diào)整系統(tǒng)的動態(tài)特性。,神經(jīng)網(wǎng)絡控制器（NNC）先離線學習被控對象的逆動力學模型，與被控對象構(gòu)成開環(huán)串聯(lián)控制，而后神經(jīng)網(wǎng)絡根據(jù)參考模型輸出與被控對象輸出的誤差函數(shù)進行在線訓練，使誤差函數(shù)最小。,5.2 神經(jīng)網(wǎng)絡控制,（2）神經(jīng)網(wǎng)絡模型參考間接自適應控制,在直接自適應控制的基礎(chǔ)上，引入了一個神經(jīng)網(wǎng)絡辨識器（NNI）來對被控對象的數(shù)學模型進行在線辨識，這樣可以及時地將對象模型的變化傳遞給NNC，使NNC可以得到及時

9、有效的訓練。,,例： 二關(guān)節(jié)機器人神經(jīng)網(wǎng)絡自適應控制,1）控制問題,機器人動態(tài)控制問題就是要使機器人的各關(guān)節(jié)或末端執(zhí)行器位置能夠以理想的動態(tài)品質(zhì)跟蹤給定的軌跡或穩(wěn)定在指定的位置上。,,二關(guān)節(jié)機器人控制結(jié)構(gòu),2）機器人數(shù)學模型,坐標變換：機器人末端在空間的位置坐標可以變換為其關(guān)節(jié)角度的大小,,,,動力學方程：,,,,,,機器人動力學模型的特點,動力學方程包含的項數(shù)多，復雜。隨著機器人關(guān)節(jié)數(shù)的增加，方程中包含的項數(shù)呈幾何級數(shù)增加，可達數(shù)百項

10、；高度非線性。方程的每一項都含有cos，sin等非線性因素 高度耦合。每個關(guān)節(jié)的運動都會引起其它關(guān)節(jié)的運動模型不確定性。當機器人搬運物體時，由于所持物件不同，負載會發(fā)生變化，同時，關(guān)節(jié)的摩擦系數(shù)也會隨時間發(fā)生變化。,,,3）神經(jīng)網(wǎng)絡自適應控制,,神經(jīng)網(wǎng)絡的選型：神經(jīng)網(wǎng)絡控制器控制器要求魯棒性好，經(jīng)離線訓練后即可投入使用，選用模糊神經(jīng)網(wǎng)絡網(wǎng)絡的輸入為四個，分別對應兩個關(guān)節(jié)角的誤差和誤差變化率。輸出為兩個，對應兩個關(guān)節(jié)的力矩

11、,,神經(jīng)網(wǎng)絡辨識器辨識器要求能夠很好地反映機器人的動態(tài)，并具有較簡單的結(jié)構(gòu)。選擇遞歸神經(jīng)網(wǎng)絡,,網(wǎng)絡的訓練,辨識器的學習,目標函數(shù)：,,學習算法：,,,控制器的學習,目標函數(shù)：,,學習算法：,,,由神經(jīng)網(wǎng)絡辨識器提供,,4）控制結(jié)果,機械手具體的參數(shù) ：,,初始條件 ：,,,期望軌跡：,,,摩擦項和擾動項 ：,,,關(guān)節(jié)1的軌跡跟蹤曲線,,關(guān)節(jié)2的軌跡跟蹤曲線,,RNNI的第一個輸出軌跡,,RNNI的第二個輸出軌跡,5.2 神經(jīng)網(wǎng)絡控制

12、,（3） 神經(jīng)網(wǎng)絡間接自校正控制,自校正調(diào)節(jié)器的目的是在控制系統(tǒng)參數(shù)變化的情況下，自動調(diào)整控制器參數(shù)，消除擾動的影響，以保證系統(tǒng)的性能指標。在這種控制方式中，神經(jīng)網(wǎng)絡(NN)用作過程參數(shù)或某些非線性函數(shù)的在線估計器。,假設(shè)被控對象的模型為yk+1＝f(yk)+g(yk)·uk 則用神經(jīng)網(wǎng)絡對非線性函數(shù)f(yk)和g(yk)進行辨識，假設(shè)其在線計算估計值fd(yk)和gd(yk)，則

13、調(diào)節(jié)器的自適應控制律為uk=(yd -fd(yk)/gd(yk) 此時系統(tǒng)的傳遞函數(shù)為1,5.2 神經(jīng)網(wǎng)絡控制,5.2.5 神經(jīng)網(wǎng)絡學習控制,神經(jīng)網(wǎng)絡學習控制系統(tǒng)將神經(jīng)網(wǎng)絡與常規(guī)誤差反饋控制結(jié)合起來，首先用NN學習對象的逆動力學模型，然后用NN作為前饋控制器與誤差反饋控制器構(gòu)成復合控制器來控制對象。系統(tǒng)以反饋控制器的輸出作為評價函數(shù)來調(diào)節(jié)神經(jīng)網(wǎng)絡的權(quán)值。這樣，在控制之初，反饋控制器的作用較強，而隨著控制過程的進行，NN得到越來越

14、多的學習，反饋控制器的作用越來越弱，NN控制器的作用越來越強。,,例：三關(guān)節(jié)機器人視覺伺服系統(tǒng)神經(jīng)網(wǎng)絡學習控制,問題描述：,利用攝像機觀測目標小球與機器人末端手爪之間的相對位置，由此構(gòu)成位置反饋，由相關(guān)控制器指揮機器人進行運動，使其末端手爪到達小球。,,目標小球的特征,,特征提取,,目標在成像平面的特征可以分解為：目標中心點在成像坐標系的坐標（x，y）以及目標的半徑r。,,控制系統(tǒng)：,視覺伺服問題可以轉(zhuǎn)化為：根據(jù)目標特征與期望特征的誤差

15、，通過控制器控制機器人運動，使目標特征到達期望特征。,,,機器人視覺伺服控制系統(tǒng)的神經(jīng)網(wǎng)絡學習控制器,,神經(jīng)網(wǎng)絡結(jié)構(gòu),,神經(jīng)網(wǎng)絡的學習：,神經(jīng)網(wǎng)絡以常規(guī)控制器的輸出up的最小化為目標進行學習。如果學習的目標函數(shù)定義為：J＝1/2(u-un)2其中u為復合控制器的輸出，un為網(wǎng)絡的輸出。那么根據(jù)BP算法可得網(wǎng)絡在線訓練時的權(quán)值修正算法為：,,可以看出，網(wǎng)絡在線訓練的算法無需用到機械手和特征提取的模型信息，從而可以有效、快速地對神經(jīng)

16、網(wǎng)絡進行在線學習和優(yōu)化。,,控制結(jié)果,機械手的具體參數(shù)為： L1=300cm； L2=260cm； L3=260cm。攝像機的焦距:f =50cm。目標小球的半徑為:10cm。,攝像機在基座坐標系的初始坐標為(490，79，337)。期望圖像特征為：Xd＝0,Yd＝0，Rd＝10目標小球中心在基座坐標系的坐標為:(300，300，200),,*為神經(jīng)網(wǎng)絡學習控制；o為常規(guī)比例控制器控制,,,圖像坐標X變化曲線,,

17、*為神經(jīng)網(wǎng)絡學習控制；o為常規(guī)比例控制器控制,圖像坐標Y變化曲線,,*為神經(jīng)網(wǎng)絡學習控制；o為常規(guī)比例控制器控制,半徑r變化曲線,,基于神經(jīng)網(wǎng)絡學習控制的小球投影的變化曲線,5.2 神經(jīng)網(wǎng)絡控制,5.2.6神經(jīng)網(wǎng)絡PID控制,,經(jīng)典增量式數(shù)字PID 的控制算法為：,,NN 是一個三層BP 網(wǎng)絡, 有M個輸入節(jié)點、N 個隱含節(jié)點、3 個輸出節(jié)點。輸入節(jié)點對應所選的系統(tǒng)運行狀態(tài)量, 輸出節(jié)點分別對應PID 控制器的3 個可調(diào)參數(shù)kp ,