一类非线性系统的神经网络自适应控制
实验八 非线性控制系统分析
实验八非线性控制系统分析 【实验目的】 1.掌握二阶系统的奇点在不同平衡点的性质。 2.运用Simulink构造非线性系统结构图。 3.利用Matlab绘制负倒描述函数曲线，运用非线性系统稳定判据进行稳定性分析，同 时分析交点处系统的运动状态，确定自振点。 【实验原理】 1.相平面分析法 相平面法是用图解法求解一般二阶非线性系统的精确方法。它不仅能给出系统稳定性信息和时间特性信息，还能给出系统运动轨迹的清晰图像。 设描述二阶系统自由运动的线性微分方程为 分别取和为相平面的横坐标与纵坐标，并将上列方程改写成 上式代表描述二阶系统自由运动的相轨迹各点处的斜率。从式中看出在及，即 坐标原点(0,0)处的斜率。这说明，相轨迹的斜率不能由该点的坐标值单值的确定，相平面上的这类点成为奇点。 无阻尼运动形式()对应的奇点是中心点； 欠阻尼运动形式()对应的奇点是稳定焦点； 过阻尼运动形式()对应的奇点是稳定节点； 负阻尼运动形式()对应的奇点是不稳定焦点； 负阻尼运动形式()对应的奇点是不稳定节点； 描述的二阶系统的奇点(0,0)称为鞍点，代表不稳定的平衡状态。2.描述函数法 设非线性系统经过变换和归化，可表示为非线性部分与线性部分相串联的典型反馈结构如图所示。 从图中可写出非线性系统经谐波线性化处理线性化系统的闭环频率响应为
由上式求得图中所示非线性系统特征方程为 ，还可写成 其中 称为非线性特性的负倒描述函数。若有 使上式成立，便有 或 ，对应着一个正弦周期运动。若系统扰动后，上述周期运 动经过一段时间，振幅仍能恢复为 ，则具有这种性质的周期运动，称为自激振荡。 可见自激振荡就是一种振幅能自动恢复的周期运动。周期运动解 可由特征方程式 求得，亦可通过图解法获得。 由等式在复数平面上分别绘制 曲线和 曲线。两曲线的 交点对应的参数 即为周期运动解。有几个交点就有几个周期运动解。至于该解是 否对应着自激振荡状态，取决于非线性系统稳定性分析。 【实验内容】 1. 相平面分析法 （1）二阶线性系统相平面分析不同奇点的性质 例8-1 设一个二阶对象模型为 2 2 2 ()2n n n G s s s ωξωω= ++ 绘制2,n ωζ=分别为0.5、-0.5、1. 25、0时系统的相平面图及2 4()4 G s s = -的相平面图。 图8-1 当2,0.5n ωζ==时，系统的单位阶跃响应曲线和相平面图
9.7 机器人神经网络自适应控制
声明：应部分读者的要求，本书第9章增加“机器人神经网络自适应控制”一节，图序、公式序顺延。 9.7 机器人神经网络自适应控制 机器人学科是一门迅速发展的综合性前沿学科，受到工业界和学术界的高度重视。机器人的核心是机器人控制系统，从控制工程的角度来看，机器人是一个非线性和不确定性系统，机器人智能控制是近年来机器人控制领域研究的前沿课题，已取得了相当丰富的成果。 机器人轨迹跟踪控制系统的主要目的是通过给定各关节的驱动力矩，使得机器人的位置、速度等状态变量跟踪给定的理想轨迹。与一般的机械系统一样，当机器人的结构及其机械参数确定后，其动态特性将由动力学方程即数学模型来描述。因此，可以采用自动控制理论所提供的设计方法，采用基于数学模型的方法设计机器人控制器。但是在实际工程中，由于机器人是一个非线性和不确定性系统，很难得到机器人精确的数学模型。 采用神经网络，可实现对机器人动力学方程中未知部分的精确逼近，从而实现无需建模的控制。本节讨论如何利用神经网络控制和李雅普诺夫（Lyapunov ）方法设计机器人轨迹跟踪控制的问题，以及如何分析控制系统的稳定性和收敛性。 9.7.1 机器人动力学模型及其结构特性 n 关节机械手动态方程可表示为： ()()()(),d ++++=M q q V q q q G q F q ττ （9.30） 其中，n R ∈q 为关节转动角度向量，()M q 为n n ?维正定惯性矩阵，(),V q q 为n n ?维向心哥氏力矩，()G q 为1?n 维惯性矩阵，()F q 为1?n 维摩擦力，d τ为未知有界的外加干扰，n R ∈τ为各个关节运动的转矩向量，即控制输入。 机器人动力学系统具有如下动力学特性： 特性1：惯量矩阵M(q)是对称正定阵且有界； 特性2：矩阵(),V q q 有界； 特性3：()()2,-M q C q q 是一个斜对称矩阵，即对任意向量ξ，有 ()()()2,0T -=ξ M q C q q ξ (9.31)
神经网络控制
人工神经网络控制 摘要: 神经网络控制，即基于神经网络控制或简称神经控制，是指在控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算，或进行推理，或故障诊断等，亦即同时兼有上述某些功能的适应组合，将这样的系统统称为神经网络的控制系统。本文从人工神经网络，以及控制理论如何与神经网络相结合，详细的论述了神经网络控制的应用以及发展。 关键词: 神经网络控制；控制系统；人工神经网络 人工神经网络的发展过程 神经网络控制是20世纪80年代末期发展起来的自动控制领域的前沿学科之一。它是智能控制的一个新的分支，为解决复杂的非线性、不确定、不确知系统的控制问题开辟了新途径。是（人工）神经网络理论与控制理论相结合的产物，是发展中的学科。它汇集了包括数学、生物学、神经生理学、脑科学、遗传学、人工智能、计算机科学、自动控制等学科的理论、技术、方法及研究成果。 在控制领域，将具有学习能力的控制系统称为学习控制系统，属于智能控制系统。神经控制是有学习能力的，属于学习控制，是智能控制的一个分支。神经控制发展至今，虽仅有十余年的历史，已有了多种控制结构。如神经预测控制、神经逆系统控制等。 生物神经元模型 神经元是大脑处理信息的基本单元，人脑大约含1012个神经元，分成约1000种类型，每个神经元大约与102~104个其他神经元相连接，形成极为错综复杂而又灵活多变的神经网络。每个神经元虽然都十分简单，但是如此大量的神经元之间、如此复杂的连接却可以演化出丰富多彩的行为方式，同时，如此大量的神经元与外部感受器之间的多种多样的连接方式也蕴含了变化莫测的反应方式。 图1 生物神经元传递信息的过程为多输入、单输出，神经元各组成部分的功能来看，信息的处理与传递主要发生在突触附近，当神经元细胞体通过轴突传到突触前膜的脉冲幅度达到一定强度，即超过其阈值电位后，突触前膜将向突触间隙释放神经传递的化学物质，突触有两
神经网络自适应控制
神经网络自适应控制 学院：电气工程与自动化学院 专业：控制科学与工程 姓名：兰利亚 学号： 1430041009 日期： 2015年6月25日
神经网络间接自适应控制 摘要：自适应模糊控制系统对参数变化和环境变化不敏感,能用于非线性和多变 量复杂对象,不仅收敛速度快,鲁棒性好,而且可以在运行中不断修正自己的控制 规则来改善控制性能,因而受到广泛重视。间接自适应控制是通过在线辨识的到 控制对象的模型。神经网络作为自适应控制器，具有逼近任意函数的能力。 关键词：神经网络间接自适应控制系统辨识 一、引言 自适应控制系统必须完成测量性能函数、辨识对象的动态模型、决定控制 器如何修改以及如何改变控制器的可调参数等功能。自适应控制有两种形式： 一种是直接自适应控制，另一种是间接自适应控制。直接自适应控制是根据实 际系统性能与理想性能之间的偏差，通过一定的方法来直接调整控制器的参 数。 二、间接自适应系统分析与建模 2.1系统的分析 系统过程动态方程：y(k+1)= -0.8y(k)/(1+y2(k))+u(k),参考系统模型 由三阶差分方程描述： ym(k+1)=0.8ym(k)+1.2ym(k-1)+0.2ym(k-2)+r(k) 式中，r(k)是一个有界的参考输入。如果输出误差ec(k)定义为 ec(k)=y(k)-ym(k),则控制的目的就是确定一个有界的控制输入u(k),当k趋于 正无穷时，ec(k)=0.那么在k阶段，u(k)可以从y(k)和它的过去值中计算得 到： u(k)=0.8y(k)/(1+y2(k))+0.8y(k)+1.2y(k-1)+0.2y(k-2)+r(k) （1） 于是所造成的误差方程为： ec(k+1)=0.8ec(k)+1.2ec(k-1)+0.2ec(k-2) （2） 因为参考模型是渐进稳定的，所以对任意的初始条件，它服从当k趋于无穷， ec(k)=0。在任何时刻k，用神经元网络N2计算过程的输入控制，即 u(k)=-N[y(k)]+0.8y(k)+1.2y(k-1)+0.2y(k-2)+r(k) （3） 由此产生非线性差分方程：y(k+1)=-0.8y(k)/(1+y2(k))+N[y(k)] +0.8y(k)+ 1.2y(k-1)+0.2y(k-2)+r(k) （4） 故设计的要点是设计一个神经网络来逼近0.8y(k)/(1+y2(k))。 2.2系统的建模设计过程 第一步，用BP神经网络逼近，神经网络的结构包含三层：输入层、隐含层 和输出层。BP网络的训练过程如下：正向传播是输入信号从输入层经隐层传向 输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传 播。 第二步，输入测试样本，对神经网络的逼近程度进行测试，将测试后的期
非线性控制系统分析
3描述函数法一．本质非线性特性的谐波线性化 1．谐波线性化具有本质非线性的非线性元件在正弦输入作用下在其非正弦周期函数的输出响应中假设只有基波分量有意义从而将本质非线性特性在这种假设下视为线性特性的一种近似 3．应用描述函数法分析非线性系统的前提 a 非线性特性具有奇对称心 b非线性系统具有图a所时的典型结构 c非线性部分输出xt中的基波分量最强 d非线性部分Gs的低通滤波效应较好 b非线性特性的描述函数的求取方法二．典型非线性特性的描述函数 1饱和特性的描述函数 2死区特性描述函数 3间隙特性的描述函数 1 引言第七章非线性控制系统分析非线性指元件或环节的静特性不是按线性规律变化非线性系统如果一个控制系统包含一个或一个以上具有非线性静特性的元件或环节则称这类系统为非线性系统其特性不能用线性微分方程来描述一．控制系统中的典型非线性特性下面介绍的这些特性中一些是组成控制系统的元件所固有的如饱和特性死区特性和滞环特性等这些特性一般来说对控制系统的性能是不利的另一些特性则是为了改善系统的性能而人为加入的如继电器特性变增益特性在控制系统中加入这类特性一般来说能使系统具有比线性系统更为优良的动态特性非线性系统分析饱和特性 2死区特性危害使系统输出信号在相位上产生滞后从而降低系统的相对稳定性使系统产生自持振荡危害使系统输出信号在相位上产生滞后从而降低系统的相对稳定性使系统产生自持振荡 4继电器特性功能改善系统性能的切换元件 4继电器特性特点使系统在大误差信号时具有较大的增益从而使系统响应迅速而在小误差信号时具有较小的增益从而提高系统的相对稳定性同时抑制高频低振幅噪声提高系统响应控制信号的准确度本
MATLAB和神经网络自适应控制
自动控制理的研究离不开人类社会的发展。电子计算机的迅速发展、计算和信息处理的水平提高不断地促使着自动控制理论向更复杂的方向发展。自适应控制的提出是针对系统的非线性、不确定性、复杂性。它的研究主要目标不再是被控对象而是控制系统本身。自上世纪年代初神经网络控制系统，提出了基于理论和应用方面都有了新的突破。 MATLAB简介 MATLAB是美国MathWorks公司开发的用于教育、工程与科学计算的软件产品，它向用户提供从概念设计、数据分析、算法开发、建模仿真到实时实现的理想集成环境，是国际控制界公认的标准计算软件。经过十多年的不断地完善和扩充，MATLAB已经拥有了数十个工具箱和功能模块，可以实现数值分析、优化、统计偏微分方程数值解、自动控制、信号处理、图像处理、声音处理、系统建模等诸多领域的计算和图形显示功能。 MATLAB提供了一种用于编程的高级语言——M语言。M语言是一种面向科学与工程计算的高级语言，其最大的特点是简单和直接。它允许用数学形式的语言编写程序，MATLAB的程序文件和脚本文件通常保存为后缀为“.m”的文件，可以称之为M文件。MATLAB是一种基于不限维数组数据类型的内部交互系统，它既能够进行矩阵和向量计算，也能够采用特定的方法在标量语言中编写程序。它采用一些常用的数学符号来表示问题及其解决方案，将计算、可视化和编程等功能集成于一个简单、易用的开发环境中，为用户工作平台的管理和数据的输入/输出提供了便利的方法，同时还提供了M文件的扩展和管理工具。 神经网络自适应控制 人工神经网络ANN( Ar tif icial Neur al Netw ork) 简称神经网络，是在现代神经学的基础上提出来的，是对人脑或自然神经网络基本特征的抽象和模拟。神经网络很早之前就被证明出来有逼近任意连续有界非线性函数的特殊能力。因此它有很多优点，比如强鲁棒性、容错性、强自适应能力强等。复杂的系统控制提供了一条全新的思路和选择。神经网络控制系统的结构形式有很多种，本文着重介绍神经网络自适应控制方法。一般包括补偿器和自适应处理单元。自适应控制系统的本质是一个非线性随机控制系统，很难为其找到合适的数学模型。为了充分发挥出自适应控制系统的优越性能，提高控制系统的鲁实时性、容错性、鲁棒性以及控制系统参数的自适应能力，能更有效地实现对一些非线性复杂过程系统的
神经网络实现非线性系统设计范本
神经网络实现非线性系统设计
毕业设计（论文） 中文题目神经网络实现非线性系统设计英文题目 Neural Network Nonlinear System 院系： 年级专业： 姓名： 学号： 指导教师： 职称： 月日
【摘要】神经网络具有极强的非线性及自适应自学习的特性，常被用来模拟判断、拟合和控制等智能行为，成功渗透了几乎所有的工程应用领域，是一个在人工智能方向迅速发展的具有重大研究意义的前沿课题。 本文前两章主要介绍了神经网络的发展背景和研究现状，还有BP 网络的结构原理及相关功能。然后，对如何利用GUI工具和神经网络原理设计非线性系统的基本流程进行了详细的阐述。最后，经过利用Matlab软件进行编程，以及是经过对BP神经网络算法及函数的运用，研究其在函数逼近和数据拟合方面的应用，并分析了相关参数对运行结果的影响。 【关键词】BP网络，GUI，非线性系统 【ABSTRACT】Neural network has a strong nonlinear and adaptive self-organizing properties, often used to simulate the behavior of intelligent decision-making, cognitive control, and the successful penetration of almost all engineering applications, is a rapid development in the direction of artificial intelligence
神经网络模型预测控制器
神经网络模型预测控制器 摘要：本文将神经网络控制器应用于受限非线性系统的优化模型预测控制中，控制规则用一个神经网络函数逼近器来表示，该网络是通过最小化一个与控制相关的代价函数来训练的。本文提出的方法可以用于构造任意结构的控制器，如减速优化控制器和分散控制器。 关键字：模型预测控制、神经网络、非线性控制 1.介绍 由于非线性控制问题的复杂性，通常用逼近方法来获得近似解。在本文中，提出了一种广泛应用的方法即模型预测控制（MPC），这可用于解决在线优化问题，另一种方法是函数逼近器，如人工神经网络，这可用于离线的优化控制规则。 在模型预测控制中，控制信号取决于在每个采样时刻时的想要在线最小化的代价函数，它已经广泛地应用于受限的多变量系统和非线性过程等工业控制中[3,11,22]。MPC方法一个潜在的弱点是优化问题必须能严格地按要求推算，尤其是在非线性系统中。模型预测控制已经广泛地应用于线性MPC问题中[5]，但为了减小在线计算时的计算量，该部分的计算为离线。一个非常强大的函数逼近器为神经网络，它能很好地用于表示非线性模型或控制器，如文献[4,13,14]。基于模型跟踪控制的方法已经普遍地应用在神经网络控制，这种方法的一个局限性是它不适合于不稳定地逆系统，基此本文研究了基于优化控制技术的方法。 许多基于神经网络的方法已经提出了应用在优化控制问题方面，该优化控制的目标是最小化一个与控制相关的代价函数。一个方法是用一个神经网络来逼近与优化控制问题相关联的动态程式方程的解[6]。一个更直接地方法是模仿MPC方法，用通过最小化预测代价函数来训练神经网络控制器。为了达到精确的MPC技术，用神经网络来逼近模型预测控制策略，且通过离线计算[1,7.9,19]。用一个交替且更直接的方法即直接最小化代价函数训练网络控制器代替通过训练一个神经网络来逼近一个优化模型预测控制策略。这种方法目前已有许多版本，Parisini[20]和Zoppoli[24]等人研究了随机优化控制问题，其中控制器作为神经网络逼近器的输入输出的一个函数。Seong和Widrow[23]研究了一个初始状态为随机分配的优化控制问题，控制器为反馈状态，用一个神经网络来表示。在以上的研究中，应用了一个随机逼近器算法来训练网络。Al-dajani[2]和Nayeri等人[15]提出了一种相似的方法，即用最速下降法来训练神经网络控制器。 在许多应用中，设计一个控制器都涉及到一个特殊的结构。对于复杂的系统如减速控制器或分散控制系统，都需要许多输入与输出。在模型预测控制中，模型是用于预测系统未来的运动轨迹，优化控制信号是系统模型的系统的函数。因此，模型预测控制不能用于定结构控制问题。不同的是，基于神经网络函数逼近器的控制器可以应用于优化定结构控制问题。 在本文中，主要研究的是应用于非线性优化控制问题的结构受限的MPC类型[20,2,24,23,15]。控制规则用神经网络逼近器表示，最小化一个与控制相关的代价函数来离线训练神经网络。通过将神经网络控制的输入适当特殊化来完成优化低阶控制器的设计，分散和其它定结构神经网络控制器是通过对网络结构加入合适的限制构成的。通过一个数据例子来评价神经网络控制器的性能并与优化模型预测控制器进行比较。 2.问题表述 考虑一个离散非线性控制系统： 其中为控制器的输出，为输入，为状态矢量。控制
自动控制原理-第8章 非线性控制系统教案
8 非线性控制系统 前面几章讨论的均为线性系统的分析和设计方法，然而，对于非线性程度比较严重的系统，不满足小偏差线性化的条件，则只有用非线性系统理论进行分析。本章主要讨论本质非线性系统，研究其基本特性和一般分析方法。 8.1非线性控制系统概述 在物理世界中，理想的线性系统并不存在。严格来讲，所有的控制系统都是非线性系统。例如，由电子线路组成的放大元件，会在输出信号超过一定值后出现饱和现象。当由电动机作为执行元件时，由于摩擦力矩和负载力矩的存在，只有在电枢电压达到一定值的时候，电动机才会转动，存在死区。实际上，所有的物理元件都具有非线性特性。如果一个控制系统包含一个或一个以上具有非线性特性的元件，则称这种系统为非线性系统，非线性系统的特性不能由微分方程来描述。 图8-1所示的伺服电机控制特性就是一种非线性特性，图中横坐标u 为电机的控制电压，纵坐标ω为电机的输出转速，如果伺服电动机工作在A 1OA 2区段，则伺服电机的控制电压与输出转速的关系近似为线性，因此可以把伺服电动机作为线性元件来处理。但如果电动机的工作区间在B 1OB 2区段．那么就不能把伺服电动机再作为线性元件来处理，因为其静特性具有明显的非线性。 图8-1 伺服电动机特性 8.1.1控制系统中的典型非线性特性 组成实际控制系统的环节总是在一定程度上带有非线性。例如，作为放大元件的晶体管放大器，由于它们的组成元件(如晶体管、铁心等)都有一个线性工作范围，超出这个范围，放大器就会出现饱和现象；执行元件例如电动机，总是存在摩擦力矩和负载力矩，因此只有当输入电压达到一定数值时，电动机才会转动，即存在不灵敏区，同时，当输入电压超过一定数值时，由于磁性材料的非线性，电动机的输出转矩会出现饱和；各种传动机构由于机械加工和装配上的缺陷，在传动过程中总存在着间隙，等等。 实际控制系统总是或多或少地存在着非线性因素，所谓线性系统只是在忽略了非线性因素或在一定条件下进行了线性化处理后的理想模型。常见典型非线性特性有饱和非线性、死区非线性、继电非线性、间隙非线性等。 8.1.1.1饱和非线性 控制系统中的放大环节及执行机构受到电源电压和功率的限制，都具有饱和特性。如图8-2所示，其中a x a <<-的区域是线性范围，线性范围以外的区域是饱和区。许多元件的运动范围由于受到能源、功率等条件的限制，也都有饱和非线性特性。有时，工程上还人为引入饱和非线性特
非线性控制系统分析样本
第八章非线性控制系统分析 教学目的 : 经过学习本章, 使学生掌握秒素函数法与相平面法分析非线性系统的理论基础与应用。 教学要求: (1)认识非线性系统区别于线性系统的运动过程特点. (2)掌握描述函数法和相平面法的特点及应用范围. (3)明确函数的定义及相关概念,熟悉典型非线性的妙描述和负倒描述函数 特性,掌握用描述函数法分析非线性系统的稳定性和分析自振,计算自振参数的方法. 教学课时: 12学时 教学重点: (1) 非线性的相关概念. (2) 典型系统的相平面表示. (3) 典型非线性系统的描述函数形式. 教学难点: 非线性系统的描述函数求法; 利用负倒数法分析系统稳定性. 本章学时: 12学时 主要内容: 8.1 非线性系统的概述 8.2 描述函数法 8.3 相平面法分析线性控制系统 8.4 利用非线性特性改进系统的控制性能
8.1非线性系统的概述 8.1.1 非线性模型 ㈠组成 ---------x-------非线性环节---------线性环节------------ 组成: 非线性环节+线性环节 ㈡. 分类 ①从输入输出关系上分: 单值非线性 非单值非线性 1，从形状特性上分: 饱和 死区 回环 继电器 ㈢特点 稳定性与结构, 初始条件有关 ; 响应 ㈣分析方法 注意: 不能用叠加原理 1. 非线性常微分方程没有同意的求解方法, 只有同意求近似解的方法: a. 稳定性( 时域, 频域) : 由李亚普洛夫第二法和波波夫法判断 b. 时域响应: 相平面法( 实际限于二阶非线性系统) 较精确, 因高阶作用
太复杂 描述函数法: 近似性, 高阶系统也很方便 研究非线性系统并不需求得其时域响应的精确解, 而重要关心其时域响应的性质, 如: 稳定性, 自激震荡等问题, 决定它的稳定性范围, 自激震荡的条件, 震荡幅度与频率等。 2，死区继电器: f(e) +m -△e 3 4.滞环特性( 间隙) -m
机械臂神经网络自适应控制
机械臂神经网络自适应控制 一.前言 由于经典控制方法和现代控制方法在控制机器人这种复杂系统时所表现的种种不足，近年来，越来越多的学者开始将智能控制方法引入机器人控制，实现机器人控制的智能化。主要的控制方法有：模糊控制Fc，神经网络控制NNc，专家控制Ec等等。对于复杂的环境和复杂的任务，如何将人工智能技术中较少依赖模型的求解方法与常规的控制方法来结合，正是智能控制所要解决的问题。因此，智能控制系统必须具有模拟人类学习和自适应、自组织的能力。现代智能控制技术的进步，为机器人技术的发展尤其是智能机器人技术的研究与发展提供了可能。神经网络的研究已经有30多年的历史，它是介于符号推理与数值计算之间的一种数学工具，具有很好的学习能力和适应能力，适合于用作智能控制的工具，所以神经网络控制是智能控制的一个重要方面。由于神经网络在许多方面试图模拟人脑的功能。因此神经网络控制并不依赖精确的数学模型，并且神经网络对信息的并行处理能力和快速性，适于机器人的实时控制。神经网络的本质非线性特性为机器人的非线性控制带来了希望。神经网络可通过训练获得学习能力，能够解决那些用数学模型或规则描述难以处理或无法处理的控制过程。同时神经网络还具有很强的自适应能力和信息综合能力，因而能同时处理大量的不同类型的控制输人，解决输入信息之间的互补性和冗余性问题，实现信息融合处理。这就特别适用于像机器人这样具有复杂的不确定性系统、大系统和多变量高度非线性系统的控制。近年来，神经网络在机器人控制中得到了广泛的应用。 二、机械臂系统设计 机械臂是一个多输人多输出、强耦合的复杂机电系统，要对其实现精确的控制比较困难。为此，先不考虑机械臂的动态控制，只对其进行运动控制，使其能够准确的跟踪给定的轨迹曲线。其基本的控制结构，如图1所示。 (一)机械臂的模型设计 本文针对两关节机械臂进行设计，两关节机械臂的控制图如下 n一连杆平面机械臂的动力学模型如下式： （2-1）其中分别代表各关节的角度位置、角速度以及角加速度； 为惯性矩阵；为向心矩阵；为重力向量；代表控制输入向 量。
网络控制系统与传统控制系统区别
网络控制系统与传统控制系统区别 摘要：本文对网络控制系统与传统控制系统发展过程，功能特点，主要方法和当前研究热点进行了简要概述。 关键词：网络控制系统传统控制系统区别 1.前言 随着计算机技术和网络技术的不断发展，控制系统正在向智能化、数字化和网络化的方向发展。本文简要回顾了控制网络的发展, 阐述了它与信息网络发展过程的相似性，分析了目前流行的现场总线控制系统的组成及其存在的问题。对于工业以太网做了简单介绍，提出了控制网络结构发展的趋势。 2.计算机控制系统的发展 计算机及网络技术与控制系统的发展有着紧密的联系。最早在50年代中后期，计算机就已经被应用到控制系统中。60年代初，出现了由计算机完全替代模拟控制的控制系统，被称为直接数字控制（Direct Digital Control, DDC ）。70年代中期，随着微处理器的出现，计算机控制系统进入一个新的快速发展的时期，1975年世界上第一套以微处理为基础的分散式计算机控制系统问世，它以多台微处理器共同分散控制，并通过数据通信网络实现集中管理，被称为集散控制系统（Distributed Control System, DCS）。 进入80年代以后，人们利用微处理器和一些外围电路构成了数字式仪表以取代模拟仪表，这种DDC的控制方式提高了系统的控制精度和控制的灵活性，而且在多回路的巡回采样及控制中具有传统模拟仪表无法比拟的性能价格比。 80年代中后期，随着工业系统的日益复杂，控制回路的进一步增多，单一的DDC控制系统已经不能满足现场的生产控制要求和生产工作的管理要求，同时中小型计算机和微机的性能价格比有了很大提高。于是，由中小型计算机和微机共同作用的分层控制系统得到大量应用。 进入90年代以后，由于计算机网络技术的迅猛发展，使得DCS系统得到进一步发展，提高了系统的可靠性和可维护性，在今天的工业控制领域DCS仍然占据着主导地位，但是DCS不具备开放性，布线复杂，费用较高，不同厂家产品的集成存在很大困难。 从八十年代后期开始，由于大规模集成电路的发展，许多传感器、执行机构、驱动装置等现场设备智能化，人们便开始寻求用一根通信电缆将具有统一的通信协议通信接口的
非线性控制系统的特征
非线性控制系统的特征 1．叠加原理不能应用于非线键控制系统 对于线性系统，描述其运动的数学模型是线性微分方程，它的根本特征是能使用线性 叠加原理*而描述非线性系统运动的数学模型为非线性微分方程，因此叠加原理不能应 用。所以，能否应用叠加原理是两类系统的本质区别。 对于线性控制系统的研究，一般是采用传递函数、频率特性、根轨迹等数学模型。同 时，由于线性控制系统的运动特征与系统治人的大小及韧始状态无关，故通常是在典 型输 人函数和零初始条件下进行研究的。然而，在非线性控制系统中，由于叠加原理不成立， 因而不能应用上述方法。 2．稳定性问题 若线性控制系统的一个运动[即描述系统的微分方程在某一外作用和某一韧始条件下 所求的解)是稳定的，则线性系统中所有可能的运动状态都是稳定的。对于线性控制系统， 稳定性是系统的固有属性，它只取决于系统的结构和参数，与外作用和韧始条件无关。尤 其是线性定常系统，其稳定性仅取决于系统特征根在‘平面上的分布。 对于非线性控制系统，不存在系统是否稳定的笼统概念，要研究的是非线性控制系统 平衡状态的稳定问题。一个非线性控制系统的某些平衡状态(如果有不止一个平衡状态的 话)可能是稳定的，而另外一些平衡状态却可钽电容能是不稳定的。非线性控制系统的稳定性除
与系统的结构形式和参数有关外，还与外作用及初始条件有关。对于相同结构和参数的非 线性控制系统，运动的最终状态可以完全不同。 3．对正弦输入信号的响应 对于线性控制系统，当输入是正弦信号时，系统的稳态输出也是与输入同频率的正弦 函数，且系统的稳态输出和输入仅在幅值和相角上不相同。利用这一特性，可用频率响应 即频率特性来描述系统的性能。 但对于非线性控制系统，若输人是正弦信号，则其稳态输出除了包含与输入频率相同 的一次谐波外，还可能有频ATMEL率是输入频率整数倍的高次谐波分量，从而使波形发生非线性 畸变。因此．线性控制系统中的频率法不再适用非线性控制系统。 4．自激振荡 所谓自激振荡，是指没有外界周期变化信号的作用时，系统内产生的具有固定振幅和频率的稳定周期运动，简称自振。 对于线性定常控制系统，当系统处于临界稳定状态时，其动态过程为等幅振荡，即产 生自激振荡，但却观察不到。因为，一旦系统参数发生微小变化，其临界稳定状态就被破 坏，即使维持了临界状态，系统的周期运动仍不能维持。表明线性系统中的周期运动不具 有稳定性。 而对于非线性控制系统，在没有外界周期信号作用时，系统就有可能产生具有一定频 率和振幅的周期运动。并且，当系统http://www.ebv.hk受到扰动作用后，运动仍保持原来的频率和振幅。亦
一种递归模糊神经网络自适应控制方法
一种递归模糊神经网络自适应控制方法 毛六平,王耀南,孙 炜,戴瑜兴 (湖南大学电气与信息工程学院,湖南长沙410082) 摘 要: 构造了一种递归模糊神经网络(RFNN ),该RFNN 利用递归神经网络实现模糊推理,并通过在网络的第 一层添加了反馈连接,使网络具有了动态信息处理能力.基于所设计的RFNN ,提出了一种自适应控制方案,在该控制方案中,采用了两个RFNN 分别用于对被控对象进行辨识和控制.将所提出的自适应控制方案应用于交流伺服系统,并给出了仿真实验结果,验证了所提方法的有效性. 关键词: 递归模糊神经网络;自适应控制;交流伺服中图分类号: TP183 文献标识码: A 文章编号: 037222112(2006)1222285203 An Adaptive Control Using Recurrent Fuzzy Neural Network M AO Liu 2ping ,W ANG Y ao 2nan ,S UN Wei ,DAI Y u 2xin (College o f Electrical and Information Engineering ,Hunan University ,Changsha ,Hunan 410082,China ) Abstract : A kind of recurrent fuzzy neural network (RFNN )is constructed ,in which ,recurrent neural network is used to re 2alize fuzzy inference temporal relations are embedded in the network by adding feedback connections on the first layer of the network.On the basis of the proposed RFNN ,an adaptive control scheme is proposed ,in which ,two proposed RFNNs are used to i 2dentify and control plant respectively.Simulation experiments are made by applying proposed adaptive control scheme on AC servo control problem to confirm its effectiveness. K ey words : recurrent fuzzy neural network ;adaptive control ;AC servo 1 引言 近年来,人们开始越来越多地将神经网络用于辨识和控 制动态系统[1～3].神经网络在信号的传播方向上,可以分为前馈神经网络和递归神经网络.前馈神经网络能够以任意精度逼近任意的连续函数,但是前馈神经网络是一个静态的映射,它不能反映动态的映射.尽管这个问题可以通过增加延时环节来解决,但是那样会使前馈神经网络增加大量的神经元来代表时域的动态响应.而且,由于前馈神经网络的权值修正与网络的内部信息无关,使得网络对函数的逼近效果过分依赖于训练数据的好坏.而另一方面,递归神经网络[4～7]能够很好地反映动态映射关系,并且能够存储网络的内部信息用于训练网络的权值.递归神经网络有一个内部的反馈环,它能够捕获系统的动态响应而不必在外部添加延时反馈环节.由于递归神经网络能够反映动态映射关系,它在处理参数漂移、强干扰、非线性、不确定性等问题时表现出了优异的性能.然而递归神经网络也有它的缺陷,和前馈神经网络一样,它的知识表达能力也很差,并且缺乏有效的构造方法来选择网络结构和确定神经元的参数. 递归模糊神经网络(RFNN )[8,9]是一种改进的递归神经网络,它利用递归网络来实现模糊推理,从而同时具有递归神经网络和模糊逻辑的优点.它不仅可以很好地反映动态映射关系,还具有定性知识表达的能力,可以用人类专家的语言控制规则来训练网络,并且使网络的内部知识具有明确的物理意 义,从而可以很容易地确定网络的结构和神经元的参数. 本文构造了一种RFNN ,在所设计的网络中,通过在网络的第一层加入反馈连接来存储暂态信息.基于该RFNN ,本文还提出了一种自适应控制方法,在该控制方法中,两个RFNN 被分别用于对被控对象进行辨识和控制.为了验证所提方法的有效性,本文将所提控制方法用于交流伺服系统的控制,并给出了仿真实验结果. 2 RFNN 的结构 所提RFNN 的结构如图1所示,网络包含n 个输入节点,对每个输入定义了m 个语言词集节点,另外有l 条控制规则 节点和p 个输出节点.用u (k )i 、O (k ) i 分别代表第k 层的第i 个节点的输入和输出,则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下: 第一层:这一层的节点将输入变量引入网络.与以往国内外的研究不同,本文将反馈连接加入这一层中.第一层的输入输出关系可以描述为:O (1)i (k )=u (1)i (k )=x (1)i (k )+w (1)i (k )?O (1)i (k -1), i =1,…,n (1) 之所以将反馈连接加入这一层,是因为在以往的模糊神经网络控制器中,控制器往往是根据系统的误差及其对时间的导数来决定控制的行为,在第一层中加入暂态反馈环,则只需要以系统的误差作为网络的输入就可以反映这种关系,这样做不仅可以简化网络的结构,而且具有明显的物理意义,使 收稿日期:2005207201;修回日期:2006206218 基金项目:国家自然科学基金项目(N o.60075008);湖南省自然科学基金(N o.06JJ50121) 第12期2006年12月 电 子 学 报 ACT A E LECTRONICA SINICA V ol.34 N o.12 Dec. 2006
非线性网络控制系统的分析与设计
非线性网络控制系统的分析与设计 文章针对具有未知输入和不确定扰动信号的非线性系统，研究一类以观测器为基础的量化网络化系统故障检测问题。首先，引入时变量化器，对输出信号采用离散量化处理。模拟工业中真是的非线性系统，针对基础的原系统建立故障检测滤波器，最后，通过原系统与观测器的比较，搭建故障检测滤波器误差系统。最后，给出Matlab仿真实例，验证文中方法的有效性。 标签：故障检测滤波器；网络化系统；量化器NCS 前言 NCSs是集自动控制技术、计算机技术和通信技术发展于一体，目前被越来越多的应用于复杂的远程控制系统中，从而实现对终端的远程控制，改变了传统的控制模式。 关于非线性的NCSs的建模和设计要复杂很多，无论是在数学模型的建立，还是工业控制方面的设计，相关的非线性的研究并不是很成熟。文章的设计方法将推广到非线性网络控制系统，设计关于非线性的模型，利用对数量化器联合分析。并最终MATLAB的仿真来判断文章的NCSs模型的稳定性。 1 离散对数量化器 信息在被传输过程中，要经过量化、分割，变为离散信号，才能适用与非线性模型中。这里，首先要将输出信号进行量化，量化分段函数如式（1）： 文章中采用静态对数量化器，设计如下量化标准： 其中，？字是量化密度，u0是初始向量。 每一部分分段函数对应着不同的量化条件，最终应用到整个分段函数达到全部的量化标准。对数量化器定义如式（2）： 2 系统描述 非线性被控对象描述为： （3） 其中，A、B1、B2、C、N1为具有适当维数的已知实常数矩阵， 为状态向量，为输出向量，为L2范数有界的不确定扰动信号向量，为要检测的故障信号向量，g（x（k））为已知的非线性向量函数且满足g（0）=0
非线性控制系统分析样本
第八章非线性控制系统分析 教学目的: 经过学习本章, 使学生掌握秒素函数法与相平面法分析非线性系统的理论基础与应用。 教学要求: (1) 认识非线性系统区别于线性系统的运动过程特点. (2) 掌握描述函数法和相平面法的特点及应用范围. (3) 明确函数的定义及相关概念, 熟悉典型非线性的妙描述和负倒描述函数特 性, 掌握用描述函数法分析非线性系统的稳定性和分析自振, 计算自振参数的方法. 教学课时: 12 学时 教学重点: (1) 非线性的相关概念. (2) 典型系统的相平面表示. (3) 典型非线性系统的描述函数形式. 教学难点: 非线性系统的描述函数求法; 利用负倒数法分析系统稳定性. 本章学时: 12 学时 主要内容: 非线性系统的概述 8.1 描述函数法 8.2 相平面法分析线性控制系统 8.3 8.4利用非线性特性改进系统的控制性能 8.1 非线性系统的概述 8.1.1 非线性模型
㈠组成 -------- x ------ 非线性环节----------- 线性环节---------- 组成: 非线性环节+线性环节 ㈡. 分类 ①从输入输出关系上分: 单值非线性 非单值非线性 1，从形状特性上分: 饱和 死区 回环 继电器 ㈢特点 稳定性与结构, 初始条件有关; 响应 ㈣分析方法 注意: 不能用叠加原理 1. 非线性常微分方程没有同意的求解方法, 只有同意求近似解的方法: a. 稳定性（时域, 频域） : 由李亚普洛夫第二法和波波夫法判断 b. 时域响应: 相平面法（实际限于二阶非线性系统）较精确, 因高阶作用 太复杂 描述函数法：近似性，高阶系统也很方便 研究非线性系统并不需求得其时域响应的精确解，而重要关心其时域响应的性质，
神经网络自适应控制地原理
神经网络自适应控制的原理 自适应控制是一种特殊的反馈控制，它不是一般的系统状态反馈或输出反馈，即使对于现行定常的控制对象，自适应控制亦是非线性时变反馈控制系统。这种系统中的过程状态可划分为两种类型，一类状态变化速度快，另一类状态变化速度慢。慢变化状态可视为参数，这里包含了两个时间尺度概念：适用于常规 反馈控制的快时间尺度以及适用于更新调节参数的慢时间尺度，这意味着自适应 控制系统存在某种类型的闭环系统性能反馈。原理图如下： 图2-7自适应控制机构框图 人工神经网络（简称ANN）是也简称为神经网络（NNS ）或称作连接模型，是对人脑或自然神经网络若干基本特性的抽象和模拟。人工神经网络以对大脑的 生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面 的功能。人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应而进行信息处理。”这一定义是恰当的。 人工神经网络的研究，可以追溯到1957年Rosenblatt提出的感知器模型。目前在神经网络研究方法上已形流派，最富有成果的研究工作包括：多层网络BP算法，Hopfield网络模型，自适应共振理论，自组织特征映射理论等。它虽然反映了人脑功能的基本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。神经网络的研究可以分为理论研究和应用研究两大方面。理论研究可分为以下两类： （1）利用神经生理与认知科学研究人类思维以及智能机理。 （2）利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经
网络模型，深入研究网络算法和性能，女口：稳定性、收敛性、容错性、 鲁棒性等；开发新的网络数理理论。 应用研究可分为以下两类： （1） 神经网络的软件模拟和硬件实现的研究。 （2） 神经网络在各个领域中应用的研究。 神经网络具有以下?特点： （1） 能够充分逼近任何复杂的非线性关系； （2） 全部定性或定量的信息都均匀分布存在于网络内的各神经元，因此有很强 的容错性和鲁棒性； （3） 使用并行分布处理的方式，让大量运算成可以快速完成； 神经网络自适应的一般结构 神经网络自适应控制有两种基本结构形式，一种是神网络模型参考自适应 控制 （NNMRAC ），—种是神经网络自校正控制（NNSTC ）。神经网络模型参考自 适应控制又分为直接型与间接型。结构如图（2 -8 ）所示。构造一个参考模型使 其输出为期望输出，控制的目的是使y 跟踪。 （a ）直接型 (b)间接型 图2-8神经网络模型参考自适应控制结构 y
智能控制大作业-神经网络
智能控制与应用实验报告神经网络控制器设计
一、实验内容 考虑一个单连杆机器人控制系统，其可以描述为： Mq + 0.5mgl sin（q） = r y = q 其中M = 0.5kgm2为杆的转动惯量，“7 = 1kg为杆的质量，/ = \m为杆长, g=9.8/n/52, g为杆的角位置，刁为杆的角速度，刁为杆的角加速度，丁为系统的控制输入。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）。 4、为系统设计神经网络PID控制器（选作）。 二、对象模型建立 根据公式（1）,令状态量得到系统状态方程为: r 一0?5 水〃?g/*sin(xj Af 山此建立单连杆机器人的模型如图1所示。 x2
图1单连杆机器人模型 三、系统结构搭建及神经网络训练 1 ?系统PID结构如图2所示: 图2系统PID结构图 PID参数设置为Kp二16, Ki二10, Kd二8得到响应曲线如图3所示:q 0.5 A mgl
1.4 0.4 ? 0.2 ； ? Q } r r r 「 「 r r r r 0123456789 10 t/s 图3 PID 控制响应曲线 采样PID 控制器的输入和输出进行神经网络训练 p 二[al' ;a2, ]; t 二b ，； net=newff ([-1 1;T 1;T 1], [3 8 16 8 1], {' tansig" ' tansig 5 1 tansig ， logsig , ' pure 1 in 1}); 产生的神经网络控制器如图4所示： 图3神经网络工具箱 训练过程如图4所示: 1.2 Custom Neural Network