不确定系统的神经网络积分变结构控制

合集下载

基于模糊RBF神经网络的PID控制方法及应用

基于模糊RBF神经网络的PID控制方法及应用潘玉成;林鹤之;陈小利;吕仙银【摘要】针对常规PID控制参数固定难于满足时变不确定非线性系统的控制要求,利用模糊控制的良好收敛性和对模糊量的运算优势,以及神经网络自学习、自适应的特性,将常规PID控制与模糊控制、神经网络结合起来,提出一种基于模糊RBF神经网络的PID控制方法,实现了对PID参数的实时在线整定.将算法运用到柴油发电机调速系统的PID参数寻优中,MAT-LAB仿真试验结果表明,模糊RBF神经网络的PID控制具有更好的动静态特性和抗干扰性能,提高了对非线性时变被控对象的控制效果.【期刊名称】《机械制造与自动化》【年(卷),期】2019(048)003【总页数】5页(P215-219)【关键词】模糊RBF神经网络;PID控制;参数整定;MATLAB仿真【作者】潘玉成;林鹤之;陈小利;吕仙银【作者单位】宁德职业技术学院机电工程系,福建福安355000;福建省闽东卫生学校,福建福安355017;宁德职业技术学院信息技术与工程系,福建福安355000;宁德职业技术学院机电工程系,福建福安355000【正文语种】中文【中图分类】TP1830 引言PID控制(比例、积分和微分控制)是工业过程控制中应用较为广泛的控制策略之一，具有算法简单、容易实现及可靠性高等特点，适用于可建立精确数学模型的确定性系统，而实际工业生产中的控制系统大都存在严重的时变性、滞后性、非线性和现场干扰等，难于建立精确的数学模型，采用常规PID控制已无法满足系统的控制要求。

针对常规PID控制由于参数不能在线自整定，对非线性时变对象无法取得好的控制效果，目前已有学者将智能控制技术应用于常规PID控制[1-6]。

模糊控制无需建立被控对象精确的数学模型，以模糊集合理论为基础，凭借专家知识、人工经验制定规则，利用模糊逻辑推理方法，实现对被控对象的智能控制，具有良好的鲁棒性和适应性，但确定其模糊规则和隶属度函数依赖于经验，缺乏自学习能力。

基于神经网络的闭环控制学习算法

基于神经网络的闭环控制学习算法一、神经网络在闭环控制中的应用概述神经网络作为一种强大的机器学习模型，其在闭环控制系统中的应用日益广泛。

闭环控制系统，又称为反馈控制系统，是指系统输出与期望输出之间存在反馈回路的控制系统。

在这种系统中，控制算法根据系统输出与期望输出之间的误差来调整控制输入，以达到控制目标。

神经网络因其出色的非线性映射能力和自适应学习能力，在处理复杂系统和不确定性环境中显示出了巨大的潜力。

1.1 神经网络的基本原理神经网络是由大量简单的计算单元（称为神经元）组成的网络，这些神经元通过加权连接相互连接。

每个神经元接收输入信号，进行加权求和，并通过激活函数处理后输出。

通过调整神经元之间的连接权重，神经网络可以学习到输入与输出之间的复杂映射关系。

1.2 神经网络在闭环控制中的作用在闭环控制系统中，神经网络可以用于建模、预测、控制和优化等多个方面。

它可以学习系统的动态行为，预测系统的未来状态，或者直接作为控制器来调整控制输入。

此外，神经网络还可以用于处理系统的不确定性和非线性，提高系统的鲁棒性和适应性。

二、基于神经网络的闭环控制学习算法基于神经网络的闭环控制学习算法是一类利用神经网络来实现闭环控制的算法。

这些算法通过训练神经网络来学习控制策略，以实现对系统的精确控制。

以下是几种典型的基于神经网络的闭环控制学习算法：2.1 反向传播算法（Backpropagation）反向传播算法是神经网络中最常用的学习算法之一。

它通过计算网络输出与期望输出之间的误差，并将误差反向传播至网络的输入层，以此调整网络权重。

在闭环控制系统中，反向传播算法可以用来训练神经网络控制器，使其能够根据系统误差来调整控制输入。

2.2 强化学习算法（Reinforcement Learning）强化学习是一种无模型的学习算法，它通过与环境的交互来学习最优策略。

在闭环控制系统中，强化学习算法可以使神经网络控制器通过试错来学习如何控制系统，以达到最优性能。

基于BP神经网络的PID控制器设计

关键词自适应PID控制算法，PID控制器，参数模型，神经网络，BP算法
Abstract
Classical PID control algorithm，as a general method of industrial process control，application scope is broad-ranged．In principle，it does not depend on the specificmathematical model of the controlled plant，but tuning algorithm parameters is a verydifficult task．To moreimportant，even if tuning the parameter is completed，asparameters do not have adaptive capacity，due to a change in environment，PID controlof the response of the system deviation get worse，parameters need to be re-tumed．Inresponse to these problems,people have been using theadaptive method of fuzzy，neural networks to adjust PID parameters，try hard to overcome this problem．Under normal circumstances，an adaptive control system can be capable of running，and the corresponding parameters should adapt to tlle change in status of the scene，so the corresponding parameters must be based on the data of the scene to conduct onlineidentification orestimated．Non-time—varyingparameters can beconfirmed for a period of on-line identification，but the time-varying parameters system will be necessary to continue this ongoing process，so the requirement of fast identification or the relative slow pace of change of parameters，greatly limits the application of adaptive technology．To overcome this limitation，this paper uses the ideology of literature[1]，thetechnology of neural network will be used in the process of parameter identification,combining classical PID control algorithm，forms an adaptive PlD control algorithmbased on BP neural network．The essence of this algorithm applies neural network tobuild the model of system parameters，change the change law of the parameters of time-varying parameters systems into the Parametric model of neural network，reflectingthe law that the parameters change with the state，that is，when the system changes,itcan get the time-varying parameters of system from the model directly，without the process ofidentification．On the basis of me parameters model of neural network，combining the computation of PID controI parameters in the known system model of literature[1]，derived an adaptive PID controlalgorithm．Through the simulation of linear and non-1inear systems in the computer，the result indicates that this adaptive PID control algorithm is effective．

【国家自然科学基金】_feedback control_期刊发文热词逐年推荐_20140730

科研热词线性矩阵不等式反馈控制状态反馈网络控制系统 h∞控制输出反馈线性矩阵不等式(lmi) 极点配置切换系统时滞系统广义系统 lyapunov函数鲁棒控制输出动态反馈状态时滞混沌控制混沌同步模糊控制机器人时滞动态输出反馈非线性广义系统非最小相位零点配置镇定输出反馈控制观测器自适应控制线性离散系统稳定性状态反馈控制混沌最优控制控制策略控制延迟反馈局部目标函数局部-整体反馈控制律容错控制多个体系统均方稳定变结构控制变时滞力反馈保性能控制 t-s模糊系统 hilbert空间鲁棒稳定性鲁棒协方差控制鲁棒h∞控制高速公路饱和函数
2008年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
推荐指数 12 9 8 6 6 5 5 5 5 4 4 4 3 3 3 3 3 3 3 3 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1
2009年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
飞行模拟器飞行器控制、导航技术颤振非脆弱状态反馈非脆弱性非线性系统非线性摄动非线性控制非线性扰动非线性反馈控制非光滑系统非光滑优化静态输出反馈镇定(sofs)算法静态输出反馈控制静态输出反馈隧道效应随机通信逻辑随机系统随机时延随机共振阻尼控制闭环振动控制闭环广义系统锦屏二级水电站锚杆物理效应锅炉量的灵敏度重构重复控制遥操作工程机器人迭代线性矩阵不等式迭代lmi算法迟滞连续t-s模糊系统远程康复近场扫描光学显微镜输出传输滞后转向特性转向增益跟踪误差跟踪控制负反馈谐波驱动计算力矩控制解调解耦视觉反馈血管痉挛自适应控制系统自组织自由权矩阵肥胖症肌肉骨骼平衡肌型血管

(完整word版)基于BP神经网络的自整定PID控制仿真

基于BP神经网络的自整定PID控制仿真一、实验目的1.熟悉神经网络的特征、结构及学习算法。

2.通过实验掌握神经网络自整定PID的工作原理。

3.了解神经网络的结构对控制效果的影响。

4. 掌握用Matlab实现神经网络控制系统仿真的方法。

二、实验设备及条件1.计算机系统2.Matlab仿真软件三、实验原理在工业控制中，PID控制是工业控制中最常用的方法。

这是因为PID控制器结构简单，实现简单，控制效果良好，已得到广泛应用。

但是，PID具有一定的局限性：被控制对象参数随时间变化时，控制器的参数难以自动调整以适应外界环境的变化。

为了使控制器具有较好的自适应性，实现控制器参数的自动调整，可以采用神经网络控制的方法。

利用神经网络的自学习这一特性，并结合传统的PID控制理论，构造神经网络PID控制器，实现控制器参数的自动调整。

基于BP神经网络的PID控制器结构如图4所示。

控制器由两部分组成：一是常规PID控制器，用以直接对对象进行闭环控制，且3个参数在线整定；二是神经网络NN，根据系统的运行状态，学习调整权系数，从而调整PID参数，达到某种性能指标的最优化。

图4中神经网络采用结构为4-5-3型的BP网络。

BP网络是一种单向传播的多层前向网络。

输入节点对应系统的运行状态量，如系统的偏差与偏差变化率，必要时要进行归一化处理。

输入变量的个数取决于被控系统的复杂程度，输出节点对应的是PID的3个可调参数。

由于输出不能为负，所以输出层活化函数取2()(1)()(1)1(1)a k y k y k u k y k -=+-+-非负的Sigmoid 函数，隐含层取正负对称的Sigmoid 函数。

本系统选取的BP 网络结构如图5所示。

网络的学习过程由正向和反向传播两部分组成。

如果输出层不能得到期望输出，那么转入反向传播过程，通过修改各层神经元的权值，使得误差信号最小。

输出层节点分别对应3个可调参数K p 、K i 、K d 。

基于模糊神经网络的温度控制系统设计

基于模糊神经网络的温度控制系统设计随着温度控制技术的发展，温度控制系统的精确性和可靠性已经被广泛应用于各个行业，从汽车制造业到化学工艺，从冶金到电子工程，温度控制系统已经成为维护各类工艺技术的基础设施。

由于这种应用的重要性，对温度控制系统进行研究和改进一直都是众多研究者感兴趣的领域，模糊神经网络（FNN）为改进温度控制系统提供了新的思路。

一、温度控制的基本原理温度控制是一种控制现象，涉及被控对象的温度反馈系统，这是一个“输入-输出”模型，它指的是系统的输入和输出的关系，在工业中应用温度控制，该模型由输入和输出环节组成。

输入部分称为控制律，它是一种控制量，用来确定控制系统输出的变化；而输出则为实际控制值，它指示被控对象的状态，如温度和压力。

二、模糊神经网络在温度控制系统中的应用模糊神经网络（FNN）是一种模糊控制理论中的神经网络结构，它通过模糊推理算法来解决模糊逻辑问题，具有自适应性和决策性，多次引用系统的非线性性质，能够对被控对象的各种状态进行有效控制，因此，模糊神经网络在温度控制系统中被广泛应用。

模糊控制器采用模糊规则定义规则，并且可以根据系统状态更新规则，使用自适应技术来跟踪变化的状态，而模糊神经网络则利用神经网络的技术，对模糊控制器的表现进行评价，使其具有自适应性和可调节性，从而提高温度控制的精度和准确性。

三、基于模糊神经网络的温度控制系统设计基于模糊神经网络的温度控制系统主要分为数据处理部分、模糊决策部分和控制决策部分。

首先，采用控制对象的反馈信号作为输入，输入到温度控制系统中，然后进行数据处理，将实时温度信号转换为规定的模糊变量，再利用模糊推理算法，根据模糊变量决定出控制变量，最后进行参数估计和控制决策，从而实现对控制对象的温度控制。

四、基于模糊神经网络的温度控制优势（1）模糊神经网络的自适应性强，采用模糊规则建立模糊控制器，可以根据实际系统状态自动调整控制量，使之自动适应环境的变化，从而实现控制的准确性和精确性；（2）模糊神经网络在模糊控制器的基础上，引入神经网络技术，使其具有仿生学上一种行为，具有可调节性和反馈性，能够对不确定的控制对象有效控制，提高温度控制的精度和准确性；（3）模糊神经网络的实现比较简单，因为采用的是模板匹配算法，不需要考虑系统的模型参数，只需要调整模板变量即可，使温度控制系统设计变得非常容易和快捷。

神经网络控制

M—P模型的提出兴起了对神经网络的研究。
(2) 1949年心理学家D．O．Hebb提出神经元之间突触联系强度可变的假设。他认为学习过程是在突触上发生的，突触的联系强度随其前后神经元的活动而变化。根据这一假设提出的学习率为神经网络的学习算法奠定了基础。
(3) 1958年，Rosenblatt提出感知机，第一次把神经网络的研究付诸工程实践。这是一种学习和自组织的心理学模型，它基本上符合神经生理学的知识，模型的学习环境是有噪声的，网络构造中存在随机连接，这符合动物学习的自然环境。这种类型的机器显然有可能应用于模式识别、联想记忆等方面。
3．兴盛阶段
再次兴起的原因：
（1）计算机不具备学习能力。在处理能明确定义的问题或运用能明确定义的概念作为知识时，计算机比较容易对它们进行处理，但是对一些知识背景不清楚、推理规则不明确、环境信息十分复杂的知识处理或是算法难以提取的信息处理任务往往感到很困难。（2）日本第五代机计划远未达到预想水平，也倾向使人觉得有必要进一步弄清人们习以为常的认知功能是如何进行的．这些认知功能包括视、听觉感知，学习记忆，运动控制等．从而使人们认识到不能拘泥一格而必须开拓新的思路，探索新的人类智能实现途径。这时原来已出现过的，与人脑的生理组织更为接近的神经网络模型就自然成为理想的候选模型。
兴盛阶段的标志：
（1）近些年来．许多科学家提出了许多种具备不同信息处理能力的神经网络模型，至今为止。约已开发出了三十多种。神经网络也被应用到了许多信息处理领域，如模式别、自动控制、信号处理、辅助决策、人工智能等等。（2）神经计算机的研究也为神经网络的理论研究和应用研究促供了强有力的支持，各大学、科研团体和公司开发了许多神经网络模拟软件包、各种型号的电子神经计算机以及许多神经网络芯片。（3）1987年6月在美国加州举行了第一届神经网络国际会议，并成立了国际神经网络学会，以后每年召开两次国际联合神经网络大会 (IJCNN)。 1990年12月在北京召开了我国首届神经网络学术大会，在南京召开的1991中国神经网络学术大会上成上了中国神经网络学会。当前发行了两种专门介绍神经网络研究的刊物，《IEEE Transaction on Neural Network》和《Neural Network》

基于BP_神经网络的PID_控制算法参数优化

- 22 -高新技术从本质上来看，PID 控制算法就是对比例、积分和比例微分间的关系进行控制的一种算法。

PID 控制调节器具有适应性强、鲁棒性良好的特征，因此被广泛应用于工业控制领域。

但是，随着科学技术、控制理论发展，在工业生产中被控对象逐渐向复杂化和抽象化的趋势发展，并呈现滞后性、时变性和非线性的特征，这使传统PID 控制器难以精准调控这种较复杂的控制系统。

为了解决该问题，研究人员将控制理论与其他先进的算法相结合，形成全新的控制理论，包括神经网络控制、遗传算法以及模糊控制等。

对神经网络算法来说，由于其具有较高的鲁棒性和容错性，因此适用于复杂的非线性控制系统中，并且具有广阔的应用前景和较大的发展潜力。

1 BP 神经网络结构及算法BP 神经网络将网络视为一个连续域，在这个网络中，输入层和输出层都是任意时刻、任意数目的样本值，网络输出层值与输入层值间也可以具有任意关系，这个学习过程就称为BP 神经网络学习过程。

作为一种被广泛应用的神经网络模型，BP 神经网络由输入层、输出层和隐含层组成：1）输入层。

从第i 个输入向量中产生相应的输出值。

2）输出层。

在输出值的作用下将其转换为输入数据。

3）隐含层。

在输出值的作用下对数据进行隐含处理，将处理后的结果反馈给输入层，3个输入层构成1个BP 神经网络。

当输入数据在时间域内经过多次的误差传播时，最后被一个误差源作为输出信号，即经过输入单元和输出组的中间信息。

如果该误差源的误差小于输出单元和输出组中各单元间的误差，那么这些单元在计算输出时就会有很大的变化；如果超过了期望值，那么这一单元被认为是输入量存在误差（也就是输入信号存在误差），将不再使用该单元；如果仍然超过期望值，那么输出量又会存在误差[1]。

通过分析输入与输出量间的关系可以得出BP 网络中各个隐藏层上节点数与该输出量间的关系。

BP 神经网络的拓扑结构如图1所示。

为了对BP 神经网络进行运算和优化，该文设定了中间层的加权和结点临界，以便将全部采样的真实输出量与预期的输出量的偏差控制在一个很低的区间，并且通过调节这个区间来保证它的稳定性。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＤＡｕｂ，ＡｉｇＣＥｎＵＮＹ－ｅＢＩｎ，ＨＮＱｉＴ
（ｌｃｒａａｄＩｆｒｔｎＥｎｉｅｒｇＣｏｌｇ，ｒｅｓｅｒｌｕＵｎｖｒｉ，ｑｎｌｅＮｏｔａｔｔｅｍｉｅｓｔＤａｉｇ１３ｉａ）ｉｎｏｎｅｈＰｏｙ１８
能指标【。引神经网络由于对非线性函数具有非凡的逼近能力，
Ａｂｓｒｃ：Ｉｈａｅｔａｎｎｗｎｔｅｕｐｒｂｕｄｖｌｅｆｒａｃａｓｏｆｕｃｒａｎｓｓｅ，ａｎｕａｅｗｏｋｉｔｇａａｉｂｅｔａｔｎｔｅｃｓｈｔｕｋｏｈｐｅｏｎａｖｏｌｓｎｅｔｉｙｔｍｅｒｌｎｔｒｎｅｒｌｖｒａｌｓｒｃｕｅｃｎｒｌｒｉｅｉｎｄｉｃｍｂｎｓｗｉｈｄａｔｇｓｏｅｒｌｅｗｏｋｔａａｐｒｘｍａｅａｙｕｃｒａｎｔｕｔｒｏｔｏｌｓｄｓｇｅｔｏｅｉｅｔｔｅａｖｎａｅｆｎｕａｔｒｈｔｃｎａｐｏｉｔｎｎｅｔｉｈｎ
ｓｓｍ．ｓｇＲＢＮＮ（ａｉｌａｉｆｎｔｎｎｕａｅｗｏｋ）ｏｒａ— ｍｅｅｔｔｔｅｐｅｏｎｆｈｎｅｔｉｔｙｔＢｙｕｉＦｅｎｒｄａｂｓｓｕｃｉｅｒｌｔｒｔｌｉｓｍａｐｒｕｄｏｅｕｃｒａｙｏｎｅｔｉｅｈｕｂｔｎ
及扰动不灵敏且鲁棒性强的特点，泛应用于各种系统广
的控制中【。Ｔ．Ｃｅｎ等人提出了积分变结构控制，Ｌ．ｈｒ方案，而解决普通的滑模变结构在跟踪任意轨迹时，从
的有效性。
由于存在一定的扰动而带来的稳态误差，达到很好的性
中图分类号：Ｐ７Ｔ２３文献标识码：Ａ文章编号：０３７４（０１ｌ— ０１０１０ — ２１１）１００ — ４２
ＮｅｒｌｔｒｔｇａａｉｂｅＳｒｃｕｅＣｏｔｌｏｃｒｉｕａｗｏｋＩｅｒｌｒｌｔｔｒｎｒｒＮｅｎＶａｕｏｆＵｎｅｔｎａＳｓｅｙｔｍｓ
ｓｓｅ，ｔｒｄｃｓｔｅｇｎｒｌｅｅｒｈｃｎｄｔｏｓｏｈａｉｂｅｓｒｃｕｅｃｎｒ１ｙｙｔｍｉｅｕｅｈｅｅａｓａｃｏｉｎｆｔｅｖｒａｌｔｕｔｒｏｔｏ．Ｓｍｂｌｕｃｉｎｉｅｌｃｄｂｒｉｏｓｆｎｔｏｓｒｐａｅｙ
ｓｏｔａｈｅｈｄｉｅｆｃｉｅｈｗｈｔｅｍｔｏＳｆｅｔ．ｔｖＫｅｒｓｉｔｇａａｉｂｅｓｒｃｕｅｃｎｒｌＲＢＦｙｗｏｄ：ｎｅｒｌｒａｌｔｕｔｒｏｔｏ；ｖＮＮ；ｈｔｒｎ；ｎｅｔｉｃａｔｉｇｕｃｒａｎｅ
摘要：针对一类不确定系统，系统上界值未知的情况下，在结合神经网络能任意的逼近不确定系统的优点，设计出一种神经网络积分变结构控制器，利用ＲＢ（ｄａａｉＦｎｔｎ神经网络来实时估计系统的不确定性界限，ＦＲａｉｌＢｓｕｃｉ）ｓｏ从而降低了一般变结构控制研究的条件。在变结构控制器中又引入饱和函数取代符号函数，一步减弱 “ 进抖振”现象。仿真效果表明，该方法是有效的。关键词：积分变结构控制；ＢＲＦ神经网络；抖振；不确定
１引言
在实际工业控制中，许多系统的模型对象通常具有
很强的不确定性，而滑模变结构控制由于其对参数变化
设计了带积分操作的变结构控制器，通过神经网络来实时估计系统的不确定性界限，从而降低了以往变机构控制理论分析的条件，更有利于实际系统的有效控制，并有效的减弱 “ 抖振”现象。仿真研究证明了所提出方法
控制理论与应用
ＣｏｎｒｅｙａｐｌａｉｎｔｏｌＴｈｏｒｎｄＡｐｉｔｏｓｃ
《自动化技术与应用》２１年第３０１Ｏ卷第１期１
不确定系统的神经网络积分变结构控制
段玉波．白婷。陈琴
（东北石油大学电气信息工程学院，黑龙江大庆１３）３６１８
ｓｔｒｔｄｆｎｔｎｉａｉｂｅｓｒｃｕｅｃｎｒ１Ｉａａｅｕｔｅ ’ｈｔｅｉｇｈｅｏｎｎＴｈｉｌｔｏｅｕｔａｕａｅｕｃｉｎｖｒａｌｔｕｔｒｏｔｏ．ｔｎｗｅｋｎｆｒｈｒ’ ａｔｒｎ ”ｐｎｍｅｏ．ｅｓｍｕａｉｎｒｓｌｓｏｃｃ