自动调节控制器及应用

《自动调节控制器及应用》由会员分享，可在线阅读，更多相关《自动调节控制器及应用（6页珍藏版）》请在金锄头文库上搜索。

1、神经计算及应用（1999） ;143 -50 801999年施普林格出版社伦敦有限公司神经自调整控制器的一个应用程序一个桥式吊车正当门德斯；阿科斯塔；莫雷诺；美国托雷斯；G.N. Marichal大学应用物理系La拉古那那纳拉拉古纳特内里费，西班牙，西班牙文一个基于神经网络的自调整控制器问世。控制器的方案是基于使用多层感知器，或一组, 作为一个自校正控制器。方法的优点是，它不需要使用一个结构的识别和决策相结合，共同 在一个标准的自调整控制器。本文解释了一般情况下的算法，然后提出了一种非线性植物特 定的应用程序。植物是一个高架起重机,包括一个有趣的振动控制问题相关的负载质量。提 出的方法在不同条

2、件下进行仿真。比较了与传统控制器对算法的效率进行评估。关键字：反向传播；神经控制；自调整控制器1.导言近年来，智能技术的应用程序控制系统是研究的一个热点。这些方法被用来解决复杂的 问题，但在许多情况下，却没有一个解析解。神经网络（NN），由于其学习能力方面的优 势，在控制系统的发展过程中已成为一种强有力的工具。如今，事实上，出现了神经控制一 控制理论的一个新分支。这门学科研究神经网络辅助下的控制系统设计。简单的传统行业控制器如PID在被广泛推广过程中，对很多任务都显示出良好的性能， 尽管这样，当工厂或控制下的过程变得复杂或具有较高的非线性的时候，控制性能也会明显 下降。在这种情况下，运用不同的

3、方案来提高传统控制器的效率。具体的说，自适应控制系 统被频繁运用于这种工厂。本文论述了神经网络辅助下的自适应控制系统的设计。如何在控制系统中使用神经网络， 这有两种方法1最直接的方法就是利用神经网络直接作为一个控制块去复制植物的逆动 力学。这一结构的主要缺点是稳定性问题。由于存在预测网络行为的问题，系统的稳定性很 难研究。在控制系统中使用神经网络的一个可行方法是把他们当作自适应控制系统。这里提 出的神经网络控制器是一个自校正系统，由传统的控制器和一个神经网络组合而成，用来计 算控制器的在线系数。这些参数是使用一个预先指定的适应法律的线性二次函数来调整的。 该方案的目的是减少为控制器的训练时间，

4、使该算法可以实时应用。此外，使用传统的控制 器而非逆神经网络控制器可以提高系统的稳定性。该控制器的应用在一个非线性设备中得到实现。该设备在行业发展过程中非常典型，是 一个桥式吊车。它的任务是在一个平面上两点之间的运输集装箱。由于其非线特性，沿着轨 迹，负载的质量受到振荡，这是非常不希望出现的。一个最常见的处理振荡的方法是posicast控制。2它由一个开环的技术组成，这个技 术保证没有瞬态过冲和无振荡。然而，这种方法在非线性装置中的运用是复杂的。最近提出 的解决防摆控制问题的方法是开环计划。3最优控制4极点配置控制5或线性技术6 所有这些控制方案在一定条件下性能是有限的，尤其是当未建模动态影响

5、设备。虽然自适应 控制系统已被开发来解决这个问题，但在算法的收敛性方面，他们展示出实际性问题。这项工作主要分为两部分。第一部分专门致力于自校正控制器的设计。第二部分是非线 性系统中算法的运用，一个桥式吊车。进行模拟仿真来核实自调谐器的效率，然后在规模原 型上进行实时实现。2神经网络控制器结构回顾一个神经控制器由三个主要结构组成。7,8.最基础的一个是直接逆控制。在这个方案 中，神经网络研究设备的逆动力学，如果设备能通过函数F (图U为Y)表示，那么神经网 络旨在塑造函数F (图Y为U)。因此，与这一方案有关的网络输入将是参考信号。在训练 阶段，训练信号建立在网络输出和应用于设备的命令之间的错误

6、。在结构1 (b)和结构1 (c)之间的是控制器。在这些配置中，利用评估系统的错误的训练信号来进行在线研究。 图1 (c)包括另一个网络，这个网络的功能是模拟设备的行为，以网络的输出和系统的输 出之间的误差作为训练信号。尽管在足够的研究和探讨之后能够实现良好的性能，但这些方案需要一段很 长的试验期，直到良好性能的实现。即使在这种情况下，保证这种控制器的稳定 性也是不可能的。在这项工作中，提出了一个结合传统控制器和神经网络基础上 的系统去调整控制器的系数的可行性方案。3.可供选择的自校正控制器这项工作的目的是提出在控制器中适实调整参数的有效方法。为了达到这个目标，神 经网络被用于为控制器提供参数

7、，通过在系统阶段使用信息。自校正控制器的典型结构有两 个主要因素9:一个反馈控制器；一个由参数估计和控制算法设计组成的自调谐器(图2)。 在这个方案中，为这设备建立参数化模型参数估计计算该模型的参数向量的估计。这一信息 传递到控制设计算法，为反馈控制法产生的新的参数。一种隐含的自调谐器也是可能出现的， 在这种情况下，估计直接为控制器提供参数。这项工作提出的自调谐器不同于这种结构。这没有关于设备参数模型的假设，神经网络执行 自调谐器的任务。它作为一个隐含的自调节器，直接为控制器提供参数。实际上，这没有估 计和控制设计阶段。每次神经网络只是寻找最优参数，通过在系统阶段运用信息来求成本函 数的最小值

8、。对于单输入单输出控制器的基本结构(SISO)设备如图3所示。在这个方案 中，对于神经网络的输入时误差和误差导数。输出是控制器参数。神经网络在线培训旨在减 少二次成本函数的形式，这种形式中和Y分别对误差和命令成本参数计算。网络的学习是 跟在反向传播算法后完成的。众所周知，该算法是一种基于梯度下降技术。Forupdating权 重过程是根据w .(k + 1) = w .(k) -m-J(k)-w .(8)。然后，为每个网络重量 丄，J, 1丄，J, 1丄，J, 1计算J(k)/wl,j,i术语是必要的。这里提出的控制器，网络的输出是控制器参 数，并没有在成本函数明显的显示。因此，灵敏度函数在最

9、后一层变成-J(k)-wL .二-J(k)-q-qj-wL,j,i。这种表达的第一个因素是L,j,ij-u(k)-u(k)-q. Using Eq. (7)这种表达成为-J(k)-q= -J(k)-y(k)-y(k)-u(k)-u(k)-q+-J(k)-u(k)-u(k)-q-J(k)-q=gu(k) - e(k)-y(k)-u(k)-u(k)-q，e(k) = yre(k) - y(k)是输出误差。如果知道设备的模型就可以很快得到y(k)/u(k因素。为了避免任何关于设 备模型的假设，这个术语可通过差分近似取得：-y(k)-u(k)vy(k)-y(k- 1)u(k) -u(k - 1)。很显

10、然，当u(k) = u(k - 1).这种表达在评估中呈现数值问题。如果出现这种情况，那么神经网络停止训练直到U (k)和U (K -1)出现不同的数值。 另一方面，如果系统受到噪音振动的影响，那么申请一个低过滤器来处理优于偏 导数计算的变量Y是急需的。有了这两个特殊的预防措施，近似(11)可以安全使 用。因素-u(k)/-qj in Eq. (10)是在控制器运行过程中计算得到的。如果控制器发生变化，只 需要改变灵敏度函数，其余的算法保持不变。任何控制方案设计必须注意的要点是注重整体的稳定性。基于图1所示的结构的神经网 络控制器，系统的稳定性分析是艰巨的。这主要是因为神经网络模型建立的艰难性

11、造成的。 另一方面，这提供的自调方法是传统的反馈结构保持不变，神经网络不直接参与命令计算。 因此，对于一个给定的设备，通过任何已知技术来研究整体系统的稳定性是可行的，如首创 的功能分析波波夫，或李雅普诺夫方法。另外，分析结果可通过标准函数J运用到神经网络 网络中去。以这种方式，如果参数空间驱使系统发生不稳定反应，领域会被缩小。作为该算法的稳定性能测试，仿真与非最小相位和开环不稳定的设备共同进行。自调制 器结构和图三所示PI控制器的结构相似。在图4和图5的结果中可以很明显的看出。注意， 特别是当设备处于非最小相位时，一个好的参数调节器是保证稳定的关键。很明显，在这两 种情况下闭环系统的响应是稳定

12、的，并达到参考信号。4桥式吊车的运用41设备模型具有非线性特性的系统被选作为控制器的一个运用。这设备是桥式吊车，如图6所示的 一种简化模型。桥式吊车的任务是把不同重量的容器从初始点移到总点。有四个自由度：起 重机的位置(X)；线速度(x)；绳角(u)和角速度(u)。假定有一个质量为m的蟹，绳 的长度L和负载质量M,简化可通过假设绳没有质量。设备输出U,表示水平力施到起重机。 一个非零力运用到设备中会在负荷中产生不良波动。控制的目的是使起重机达到最终位置, U和u等于零。假定状态变量X1 = X，X2 = x，X3 = U = U X4，动态的设备可以通过以下 的非线性二阶方程描述 ml(x3c

13、os x3 - x24sin x3) + (M + m)x1 = ux1cos x3 + lx3 =- gsin x3 J 第一个方程描述水平运动，第二个方程描述垂直运动。42控制器设计控制器的目标是把车从初始点移到终点,保证沿轨迹一个小摆角的运动平稳。特别是在终点， 目的是实现摆角和摆动速度角等于零。在状态变量方面，控制的目的是从初始状态x1 = x1i， X2 = 0，X3 X4 = 0 = 0,通过参考定义X1 = X1, X2 = 0，X3 = 0和X4 = 0达至I最终状态。 该设备是一个简单的控制器，如PID,不能达到控制目的。针对这个任务提出了如图7所示 的控制方案。可以看出，L

14、QR方案是运用于X2和X3状态变量和X1误差变量。因此，该 命令的应用是 u(k)=- f1 f2 f3 x ei(k)x2(k)X3(k)Ts 是 ei(k)= xi ref(k)- x/k)。 因此，这有三个调整参数，Fl, F2和F3以及分别对应的el,X2,X3：为了提高网 络的的收敛性，调整方案分为两个自调子系统。一个神经网络(NN1)是用来调整到起重 机变量有关的参数，F1和F2,和另一个神经网络(NN2)是用来提供在负载变质量相关的参数，F3。网络NN1的输入时误差X1和导数X1,而网络NN2则是误差 X3和导数X3。成本函数是J(k) = p1(k)(x1 ref(k) - x

15、1(k)2 + p2(k)x22(k)+ p3(k)x23(k) + p4(k)x24(k)PI (k)是随时间变化的函数，在成本函数中衡量各变量。根据起重机的位置，PI (K)会 产生相应的值。网络训练在在线进行的。在过程的每个阶段，神经网络旨在为f1, f2and f3.找 到最优值。梯度的计算是根据式(9)所做的。现在，术语-u/角是-u(k)-f = e(k)；-u(k)-f = x(k)；-u(k)-f = x (k)。从即时 K 开始，该算法可112233总结如下，第一步：读 x/k), (k) (k) and x/k)第二步：(网络训练)神经网络1训练：-u(k)-flk e(k

16、)-u(k)览入 x2(k)反向传播(-u(k)-f1,-u(k)-f2; e(k),e(k); pi(k)u.=1,%,4;)更新A和f2神经网络2训练：-u(k)-f3A x3(k)反向传播(-u(k)-f3; x3(k),x4(k); pi(k)u.=1,%,4)更新f3第三步：计算命令u(k) =- (f1f2f3)(x1(k) x2(k) x3(k)T第四步：运用U (k)直到t=(k+1)T第五步：k A k + 1第六步：回到第一步5结果实现该算法使用的两种网络有三层，在每个隐藏层有三个节点，具有乙状结肠激活功 能。在输出层，激活函数为恒等函数。初始权重的选择是随机的微小的。为了避免初始状态 的过激变化，参数F1，F2和F3的初始值也是很小的。对