本科毕业论文-—基于神经网络的非线性自适应控制研究

青岛科技大学本科毕业设计（论文）

新型计算机控制算法。这种算法的本质特征是预测模型、滚动优化和反馈校正。可以证明，这种方法对非线性系统有期望的稳定性。利用神经网络建立系统的预测模型，即可构成神经预测控制．如图3.8所示：

图3.8神经网络预测控制

在神经网络预测控制方案中，首先由神经网络预测器建立被控对象的预酒模型，并可在线修正；然后利用预测模型，根据系统当前的输入、输出信息，预测未来的输出值；最后利用神经网络预测器蛤出的未来一段时间内的输出值和期望输出值，对定义的二次型性能指标进行壤动优化，产生未来的控制序列，并以第一个控制量对系统进行下一步的控制。

3.4神经网络自适应控制方法及结构

工业过程通常都存在着不确定性和时变性，当受控对象或环境发生变化时，为保证良好的控制性能，可采取自适应控制攮略，目前，自适应控制器结构的选取和参数调整规则，都是建立在线性系统理论的基础上，对下非线性系统的自适应控制问题，人们一直在寻求有效的解决方法，神经网络自适庸控制是基于自适应的基本原理，利用神经网络的特点设计而成，发挥了自适应与神经网络的各自长处，为非线性控制的研究提供了一种新方法。 3.4.1自适应控制系统简介

自适应控制的提法可归纳为：在系统数学模帮不确定的条件F．求解控制规律，使给定的性能指标达到及保持最优．即自适应控制系统是具有特定调节功能的系统，它能够认识环境条件的变化，并自动校正控制动作，使系统达到最优或次优的控制效果。

（1）自适应控制系统的特点

25

基于神经网络的非线性自适应控制研究

自适应控制系统工作原理是根据系统的输入输出值，先辨识出系统的动态特性，再与希望的特性比较，最终在自适应机构中决定如何改变控制器的参数和结构，由自适应机构输出控制信号，使被控对象得到台适的控制。自适应控制具有以下特点：

辨识：辨识被控对象的结构和参数或性能指标的变化，以便精确地建立被控对象的教学模型；

决策：找出-种控制策略或控制律，以确保被控系统达到期望盼性能指标； 控制：自动修正控制器的参数，以保证所综合出的控制策略在被控对象上得到实现。

图3.9自适应控制系统示意图

(2)自适应控制系统的类型

从自适应控制系统的设计方案来看，目前理论上较完整，应用较广泛的自适应控制有自校正调节控制、模型参考自适应控制和自学习控制

a自校正调节控制

自校正控制基于被控对象数学模型的在线辨识，然后按给定的性能指标在线求解最忧控制规律，它足在系统模型不确定时最优控制问题的延伸。

自校正调节器由三部分组成：参数估计器，控制器参数计算和控制器，如图3. 10所示

26

青岛科技大学本科毕业设计（论文）

图3.10自校正调节器示意图

其中参数估计器根据测量到的系统输入和输出，不断地辨识系统的模型结构及参数（称为在线辨识1．控制器参数的计算则根据模型的变化不停地政变控制作用，最终达到满意的控制效果。

显然，自校正控制器是参数在线估计和控制器参数在线设计二者的有机结合。由于存在多种参数估计和控制嚣设计方法，系统设计十分灵活。各种自校正控制器系统一般用它所采用的性能指标来命名，如基于优化性能指标的最小方差自校正控制器、LOG自校正控制嚣、自校正PID控制器等。

b模型参考自适应控制系统

模型参考自适应控制需要在控制系统中设置一个参考模型，要求系统在运动过程中的动态响应与参考模型的动态响应一致（状态一致或输出一致），当出现误差时，便将误差信号输入给参数估计器，来改变控制器参数或产生等设的附加控制作川，使误蔗逐步趋于零。

模型参考自适应控制系统由以以几部分组成，即参考模型、被控对象、反馈控制器和自适应机构等部分，如图3.11所示

系统根据输出y(t)和模型输出yd(t)产生的偏差，驱动自适应机构产生调节作用，改变控制器的参数，最终使y(t)=yd(t)。设计这类系统的核心问题娃如何设计自应调节器的算法，目前存在两类不同的法。一种是局部参数最优法，即利用梯度法或其他参数优化的递推算法，按性能指标最优来选择自适应控制器中

27

基于神经网络的非线性自适应控制研究

的可调参数。另一种设计方法是基于稳定性理论的方法，在保证控制器稳定的前下，使参数调节过程尽量变快．Lyapunov稳定性理论和Popov（波波夫）的超稳定性理论是设计自适应律的有效工具。

图3.11模型参考自适应控制系统

c自学习控制

自学习控制的原理是设想自适应控制系统中的调节器R(p)中的参数向量p可以调整，自适应的目标是使某一性能指标达最小值，按一定的算法自动调节参数向量p。

3.4.2神经网络直接自适应控制

在实际系统中，常常存在着许多不确定性、非线性和时变性等问题，使得控制对象与环境愈来愈复杂，于是人们就希望控制器能够根据对象行为的观测鼍，自适应地控制对象至期望要求，直接自适应控制方法是直接运州被控系统输出结果来调整控制器的内部参数，以使系统输出达到期望的效果。这种方法简洁直接，没有复杂的过渡转换环扎可实现对系统最有效的控制。然而在调节控制器时，必须首先由系统输出反向传递到系统可控输入，才能运用一般的参数调节方法，但未知系统特性不可能手先精确预知，所以自适应控制理论在这个方向进展遇到障碍。而神经网络具有高度非线性映射能力和强大的学习适应能力以及特殊的分层结构，它与直接自适应控制方法的相结合可使问题得到解

28