惯性大滞后环节神经网络控制.docVIP

已知，分别设计PID控制与神经网络控制器，使系统达到较好性能，并比较两种方法的结果。 具体要求： 1、采用编程实现神经网络控制器。 2、分析神经网络层数和神经元个数对神经网络控制器控制性能的影响。 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)、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)和结构变化的能力(1阶系统变2阶以上系统)。 4、为系统设计神经网络PID控制器。一、PID控制器设计首先在simulink中搭建如图1所示的PID控制系统结构图。图1. PID控制系统结构图在图1中设定Kp=0.07，KI=0.00005，Kd=0.1，最终得到图2所示系统的输出：图2. PID控制下系统输出二、神经网络控制器设计2.1 采样首先要通过采样获得神经网络的训练样本集合和目标值集合。如图3所示，采集PID控制系统中PID控制器的输入（e）和输出(u)，由e′组成的向量作为BP神经网络的训练样本，由u′组成的向量作为BP神经网络训练的目标值。图3. PID控制系统中采集神经网络训练样本集合和目标值集合2.2 编程实现神经网络控制器设计神经网络控制器的编程如下，其中设计4层神经网络（1层输入、2层隐层、1层输出层）p=e; ∥p为神经网络训练样本t=u; ∥t为神经网络训练的目标值net=newff([-1 1],[1 4 4 1],{ tansig tansig logsig purelin});∥设定神经网络层数、训练函数net.trainparam.epochs=1500; ∥迭代次数设定为1500次net.trainparam.goal=0.000001; ∥误差设定为10-6net=train(net,p,t); ∥训练神经网络gensim(net,-1);输入上面程序后，会得到神经网络控制器的方框图，如图4所示，使用神经网络控制器对控制对象进行控制，最终系统输出如图5所示。图4. 神经网络控制系统结构图图5. 采用神经网络控制系统输出2.3 神经网络层数对控制性能的影响采用4层结构（1层输入、2层隐层、1层输出层）和3层结构（1层输入、1层隐层、1层输出层）时，系统的输出如图6所示。（虚线代表3层结构，实线代表4层结构）图6.神经网络不同结构下系统输出从图6中可以看出，采用3层神经网络时，控制效果已经合适。采用4层神经网络对控制效果的改善较小。2.4 神经元个数对控制性能的影响在图5的基础上改变神经网络第一个隐层神经元的个数，得到系统的输出如图7所示。（虚线代表第一个隐层有10个神经元，实线代表第一个隐层有4个神经元）图7. 神经元个数对系统输出的影响从图7中可以看出，第一个隐层有10个神经元时，系统的输出略好于第一个隐层有4个神经元的情况。为了达到一定的输出精度，隐层中必须要有足够的神经元，神经元过多对误差的改善效果不大。因此，在一定的范围内，增加隐层中神经元的数量有利于提高精度，减小误差。三、神经网络控制与PID控制性能分析3.1 白噪声对神经网络控制的影响在图4所示的系统中加入白噪声，可以得到如图8所示系统的输出图8.加入白噪声后系统输出3.2 饱和特性对神经网络控制的影响在图4所示的系统中加入饱和特性，可以得到如图9所示系统的输出。在图9中，黑线为加入饱和特性后系统输出，虚线为未加饱和特性后系统输出）图9.加入饱和特性后系统输出在图9中，两条曲线完全重合，加入饱和特性后系统的输出不受影响。因此，使用神经网络可以完全抑制住饱和特性对系统输出的影响，效果较好。3.3 死区特性对神经网络控制的影响在图4所示的系统中加入死区特性，可以得到如图10所示系统的输出。图10.加入死区后系统输出在图10中可以看出，加入死区特性后，系统的输出始终保持在0处，因此神经网络控制并没有抑制死区特性对系统的影响。3.4神经网络对2阶系统的控制效果设定2阶系统传递函数为，原传递函数为。在图11中，虚线代表2阶系统对应的输出，绿线代表1阶系统对应的输出。图11.神经网络对二阶系统控制效果图11中可以看出，针对2阶系统，神经网络的控制效果有限，系统最终输出保持在0.76左右。由于神经网络在训练时采用的是一阶系统的仿真数据，因此，对于2阶控制对象的控制效果并没有达到最优。3.5抗时滞能力分析分别设定3种时滞，最终可以得到如图12所示系统的输出。图12中点划线对应时滞为580、绿线对应时滞为480、虚线对应时滞为380。图12.不同时滞下系统输出图12中可以看出，不同时滞下系统的输出有一定差别，最终的输出稳定在1左右。与PID控制相比，神经网络控制受时滞