神经网络控制大作业_南航_智能控制

南京航空航天大学研究生实验报告
实验名称：神经网络控制器设计
姓名：
学号：
专业：
201 年月日
一、题目要求
考虑如下某水下航行器的水下直航运动非线性模型：
()||a m m v k v v u y v
++==
其中v R ∈为水下航行器的前进速度， u R ∈为水下航行器的推进器推力，y R ∈为水下航行器的输出，航行器本体质量、附加质量以及非线性运动阻尼系数分别为
100,15,10a m m k ===。

作业具体要求：
1、设计神经网络控制器，对期望角度进行跟踪。

2、分析神经网络层数和神经元个数对控制性能的影响。

3、分析系统在神经网络控制和PID 控制作用下的抗干扰能力(加噪声干扰、加参数不确定)、抗非线性能力(加死区和饱和特性)、抗时滞的能力(对时滞大小加以改变)。

二、神经网络控制器的设计
1.构建系统的PID 控制模型
在Simulink 环境下搭建水下航行器的PID 仿真模型，如下图1所示：
图1 水下航行器的PID 控制系统
其中，PID 控制器的参数设置为：K p =800，K i =100，K d =10。

需要注意的一点是，经过signal to workspace 模块提取出的数据的Save format 为Array 格式。

2.BP神经网络控制器的训练
首先将提取出的训练数据变为标准的训练数据形式，标准的训练数据分为输入和目标输出两部分。

经过signal to workspace模块提取出的数据为一个训练数据个数乘以输入（或输出）个数的矩阵，因此分别将x、u转置后就得到标准训练数据x’,u’。

然后，新建m文件，编写神经网络控制器设计程序：
%----------------------------------------------------------------
p=x'; %input
t=u'; %input
net=newff(p,t,3,{'tansig','purelin'},'trainlm');
net.trainparam.epochs=2500;
net.trainparam.goal=0.00001;
net=train(net,x',u'); %train network
gensim(net,-1); %generate simulink block
%----------------------------------------------------------------
上述m文件建立了如下图所示的神经网络，包含输入层、1个隐含层和输出层，各层神经元节点分别为1、 3 和1。

图2 神经网络控制器结构及训练方法
神经网络控制器的训练过程如下：
1020304050607080
10
-5
10
10
5
Best Validation Performance is 7.3634 at epoch 84
M e a n S q u a r e d E r r o r (m s e )
84 Epochs
图3神经网络训练过程
由gensim(net,-1); %generate
simulink block 语句生成了Simulink 神经网络控制模块，如下图所示。

图4 神经网络控制模块
对神经网络训练完成后， 生成了Simulink 仿真模块， 将其取代了PID 控制器，得到神经网络控制系统模型如下图所示。

图5 水下航行器神经网络控制系统仿真模型
三、仿真结果与分析
1.PID 控制器和神经网络控制器的仿真效果
对比采用PID 控制器和神经网络控制器的仿真效果：
1234
5678910
00.20.40.60.8
11.2Time/s
y
图6 系统阶跃相应曲线
由图6的对比可知，神经网络控制达到了很好的控制效果。

2. 神经网络层数和神经元个数对控制性能的影响
考察神经网络层数和神经元个数对控制效果的影响。

（1）分别采用1隐层、5隐层和10隐层BP 神经网络，仿真结果如下：
0.5
1
1.5
2
2.5
3
3.5
4
00.20.40.60.811.21.4
图7 采用1、5、10隐层BP 神经网络仿真结果
（2）分别采用5隐层各3各神经元、10个神经元的BP 神经网络，仿真结果如下：
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
00.20.40.60.811.21.4
图8 采用5隐层各3各神经元、10个神经元的BP 神经网络
综上所述，神经网络层数和神经元节点数目对控制效果具有重要影响，增加神经网络层数或者增加神经元节点数目均可提高精度。

3. 神经网络的抗干扰、 非线性和时滞能力
（1）抗噪声和不确定干扰的能力：
1
2
3
4
56
7
8
910
-0.200.20.40.6
0.81
1.2Time/s
y
图9 系统阶跃响应曲线（加白噪声）
从图9可以看出，神经网络控制器比 PID 控制具有更好的抗噪声和不确定干扰的能力。

（2）抗饱和和死区非线性干扰的能力：
2
4
6
8
10
00.20.40.60.8
11.21.4Time/s
y
图10 系统阶跃响应曲线（饱和非线性）
1
2
3
4
56
7
8
9
10
00.20.40.60.811.2Time/s
y
图11 系统阶跃响应曲线（死区非线性）
从图中可以看出，神经网络控制器在抗饱和、死区非线性方面，并不比PID 控制有更佳的性能，这与控制器设计方式是有关的。

（3）抗输入时滞的能力：
24
6810
00.51
1.5
Time/s
y
图12 系统阶跃响应曲线（0.1s 输入时滞）
由图可知，神经网络控制与PID 控制对时滞均比较敏感。

4.总结
神经网络控制作为一种智能控制方法，与PID 控制相比，表现出它的优越性，如自组织、自适应和自整定能力等。

将神经网络和PID 控制合理地结合起来构成复合控制策略，可实现高性能的控制系统。