《神经网络前馈控制器及其实验研究》由会员分享，可在线阅读，更多相关《神经网络前馈控制器及其实验研究（3页珍藏版）》请在金锄头文库上搜索。
1、2 0 0 5 中国控制与决策学术年会论文集P r o c e e d i n g so f2 0 0 5C h i n e s eC o n t r o la n dD e c i s i o nC o n f e r e n c e1 1 5 5神经网络前馈控制器及其实验研究张卫东，李雁飞，陈国钧，龚沈光( 海军工程大学动力工程学院，湖北武汉4 3 0 0 3 3 )摘要；不依赖对象模型，在前情一反馈控制系统中，借助神经网络构戚前馈控制器，通过在线训练使反馈输出或反馈偏差信号最小化，同时使网络连步学成前馈补偿功能，最终在控制中占据主导地位，实现对负荷扰动的补偿确定了神经阿络前馈控制罂的动态
2、结构和在蝇学习算法，并通过实验研完了神经嗣络前馈控制嚣的实现及其有效性实驻结果表明。在不定和时变的复杂秉统中，神经网络前馈控制嚣比常规前馈控制嚣具有更大的优势关毽谰：神经网络；前馈控制；实验研究E x p e r i m e n t a lr e s e a r c ho nn e u r a lf e e d f o r w a r dc o n t r o l l e r sZ H A N GW e i d o n g ，L IY e n i ，C H E NG u o 一m n ，G O N GS h e n g u a n g( C o l l e g eo fP o w e rE n
3、 g e n e e r ，N a v a lU n i v e r s i t yo fE r t g i n e e r i n g ，W u h a n4 3 0 0 3 3 ，C h i n a C o r r e s p o n d e n t ：Z H A N GW e i d o n g E - m a r l ：z w e i d 7 s i n e t o m )A b s t r a c t ：AD e u r a ln e t w o r ki su s e d8 st h ef e e d f o r w a r dc o n t r o l l e ri naf e
4、e d f o r w a r d f e e d b a c kc o m b i n e ds y s t e m T h en e t w o r ki st r a i n e db yt h ef e e d b a c k o u t p u to rf e e d b a c k e r r o r0 nl i n e T h ed y n a m i ca r c h i t e c t u r eo f t h en e u r a lc o n t r o l l e ri sc h o s e na n dt h em e t h o dt o rn e t w o r
5、kt r a i n i n gi ss t u d i e d ，T h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h en e u r a l n e t w o r k b a s e df e e d f o r w a r dc o n t r o l l e ri 5s u p e r i o rt ot h ec o n v e n t i o n a lo n e si nt h ec o m p l e xs y s t e mc h a r a c t e r i z e db yn o n l i n e a
6、 r i t i e s ，t i m ed e l a ya n dt i m e - v a r i a b l e ，K e yw o r d s ：n e u r a ln e t w o r kIf e e d f o r w a r dc o n t r o l e x p e r i m e n t a lr e s e a r c h1 引言当对象呈现大迟延、多干扰等难以控制的特性时，前馈控制是种及时有效的方法，实用中常将前馈和反馈结合起来构成复台控制系统然而，前馈补偿是一种依赖系统数学模型的控制策略，当实际系统具有复杂的非线性和时变特性时，由于缺乏系统扰动通道和控制通道的准确
7、模型。使得前馈控制难以达到预期效果工程上常常需要对前馈控制嚣动态参数进行现场整定，但至今尚无一套完整及简便的方法如果系统特性随时间变化而导致前馈补偿关系发生改变时，前馈补偿更是难以长期保持良好效果神经网络具有高度的自学习和自适应能力，能通过学习和训练来逼近任意连续非线性模型，并能适应系统的时变o 。 ，从而为前馈控制的实现提供了一种新的途径由于前馈控制器需要综合系统扰动通道和控制通道两者的特性，采用一般的神经网络训练方式获取前馈控制器补偿模型，其过程将十分繁琐本文采用一种更为便捷的方式来实现神经网络前馈控制器的学习与训练，并通过实验表明了该方法的有效性+ 2 前馈控制的神经网络实现在前馈一反馈
8、复合控制系统中，由神经网络N N构成前馈控制器，如图1 所示神经网络N N 以扰动量的测量信q 作为输入。而以网络的输出”作为前馈控制信号与反馈控制信号“相加后形成控制信号虬作用于对象通过训练网络调整网络权值及其输出，使反馈控制输出“逐渐趋于最小，即训练的目标是使“一o ，这样误差0Y 一姐将趋于最小当反馈输出足够小时，网络的前馈作用将在控制中占基盎项目中国博士后科学基金项目( 2 0 0 3 0 3 3 4 7 0 ) 作者筒介。张卫东( 1 9 6 3 一) ，男广东汕头人。副教授。博士，从事动力装置仿真与自动化的研究1 1 5 82 0 0 5 中国控制与决策学术年会论文集据主导地位，最
9、终负荷扰动将主要由神经网络前馈控制器来抑制圈1神经嘲络前馈学习控制系统工程中的对象多数是与时间有关的动态系统一般的前馈控制器模型可用非线性时延系统表示，其当前输出”一( ) 是d 步延迟以前的输入q ( 一1一d ) ，q ( 女一m d ) 的非线性函数，即m 】( ) 一f ( q ( 一1 一d ) ，q ( k m d ) ) ( 1 )此系统只涉及输人及其以前的状态，是一个有限冲击响应系统非线性函数厂可由B P 网络逼近，并将输入时间序列扩展成空闾表示后进人静态的B P 网络构成动态系统B P 网络存在训练时间长、宴时性差的缺陷，并可能陷入局部极小在前馈反馈复合控制系统，反馈的存在降
10、低了系统对前馈控制器模型精度的要求。因此，也可采用自适应线性元件来提高收敛速度，从而有利于实时控制的实施如果系统干扰通道与控制通道的纯延迟时间相差较大前馈补偿的纯滞后环节不能忽略，前馈控制实现的难度将会很大n 当时延的准确值难以确定但可以粗略估算时，可扩大神经网络前馈控制器的输入范围，在时序上覆盖准确的输入例如，若纯迟后环节的时延为2s ，则当采样时间为0 1s 时，神经网络的输人为q ( 一1 7 ) ，q ( 一2 6 ) 实验表明通过训练网络输出能达到较好的补偿效果+ 这说明一定的输入误差可由网络适应性来补偿训练的目的是使反馈输出或反馈偏差最小化，事实上在训练中，反馈输出或反馈偏差本身可
11、被用作误差信号来训练作为前馈控制器的神经网络神经网络在训练过程中其误差函数将最小化，因此若神经网络的训练能够成功实现，则作为误差信号的反馈输出或反馈偏差信号将在训练中逐步变小，使神经网络获得上述的前馈补偿模型这种学习方式不需要大量训练数据的准备，实施简单，可进行在线训练，不断适应系统的变化这种算法以反馈输出或反馈倔差信号为引导，在前馈和反馈相互作用过程中完成，因此，训练算法实现的关键是训练过程的稳定性若对神经网络进行在线训练，则每个采样时刻都要对神经网络的权值进行修正不断更新网络的前馈控制输出，即训练过程和控制过程同时进行，因此算法的实时性要求较高以在线方式训练时，若神经网络采用B P 网络，
12、则B P 网络输出层的反向传播算法公式为训：。( 五+ 】) =勺一1 训j ( 南) + V u ( k ) ，( ：P z ；o _ 1 ) z ；o _ 1 ( 2 )，rO 采用A d a Z i n e 网络时，权系数的修正公式为，( + 1 ) 一，( ) + 弘( ) z ，( 3 )其中：u ( k ) 是作为训练误差的反馈输出或反馈偏差，7 是学习速率到目前为止，从数学上证明神经网络前馈控制器训练方法的收敛性仍是困难的，然而，只要学习率足够小，系统稳定也可以得到保证口 3神经网络前馈控制器实验研究为使潜艇长期保持深潜状态，需要发展不依赖空气的动力装置，其关键技术是通过配氧形成
13、燃烧所需的“人造大气”，补充燃烧中消耗的氧气并维持“人造大气”申氧气| 茛度在2 】不变由于氧气测量响应速度较慢，配氧控制难以适应负荷的大幅和快速变化，可利用氧气消耗和负荷变化的相互关系进行前馈补偿在配氧的常规前馈控制实验研究中。所遇到的难点问题包括补偿幅度和管道连接形成的补偿时延，同时，前馈补偿关系还经常受到供氧管道压力变化的影响，因此采用了神经网络前馈控制方式自动学成前馈补偿模型，并适应系统特性的变化，神经阿络前馈一反馈复合控制由现场P I D 前馈加法控制器和监控计算机共同完成负荷扰动信号和氧气浓度信号由监控计算机采集卡输人。扰动信号作为神经网络输人，氧气浓度信号和设定值比较所得的偏差信
14、号作为网络的训练误差训练算法由计算祝软件实现，包括数据滤渡和野点剔除，数据归一化处理，动态神经网络输入数据储存、更新和延迟覆盖时序的提取，权值初始化、训练更新和存取等，训练所得的神经网络前馈输出由采样板输出至P I D前馈加法控制器的模拟输入端，前馈补偿信号和反馈控制信号在控制器中相加后形成氧气比例电磁阀阀控信号反馈控制选用P I 算法，神经网络采用了A d l i n e 网络以提高实时性实验中，采样时间取为1 0 0m s ，学习速率取为0 0 0 5 。学习速率不能过大，否则训练中实验曲线会产生大的波动基于同样理由，P I 反馈控制器的比例带也相应放宽，以获得更好的稳定性实验时不断使机组
15、负荷作阶跃变化，每一次阶跃扰动过程为一张卫东等：神经网络前馈控制器，! 乏其实验研究】1 5 7次训练过程在训练过程中，神经网络在每次采样时刻，都以氧浓度的采样值与设定值的差值作为训练误差对神经网络进行在线训练，改变网络权值并更新网络的前馈输出值图2 图4 分别为实验获得的基于神经网络的配氧前馈一反馈复合控制在训练过程中特性曲线的变化，1 为“人造大气”氧浓度，2 为氧气闼控信号，3为负荷电流变化，4 为神经网络前馈输出各曲线纵坐标均取为相对百分比从图中可以看出，随着训练的进行，神经网络前馈输出逐渐变大，其前馈补偿作用越来越强，氧气控制的动态偏差越来越小霉 、划 捌 磊 钽蓦删 制 霉 掣摹
16、、由_ I 争( 惦 划凰2 胡l 练1 特性曲线的变化图3 训练7 特性曲线的变化t s 圈4 训练1 5 特性曲馈的变化训练结果表明，以反馈偏差作为网络的误差函数能为网络训练提供正确的梯度下降方j 句，原有的反馈控制逐渐被前馈控制所取代，反馈控制形成的较大动态偏差，由于神经网络的前馈补偿得到较大改善同时，经过十几至二十次的训练，就能达到较好的训练效果。在较短的时间内训练即可完成，从而给训练的实施带来很大方便实验研究证实该神经网络前馈算法在实际应用中是可行的，从而为前馈补偿这种依赖模型的控制在实际中应用提供了个新的方式在实际训练中，外界不定因素的影响远多于理论仿真，如随机干扰、氧气压力变化等因此训练是不断进行的，权值也处于不断的调整之中，以适应环境的变化 4 结论常规前馈实现的最大困难在于前馈控制对于模型的依赖，而实际系统多具有
