版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、<p><b> 中文4085字</b></p><p> 出處:Henriques J, Dourado A. A Hybrid Neural-Decoupling Pole Placement Controller and its Application[C]. presentation in ECC99-5rd European Control Conference, K
2、arlsruhe, Germany.</p><p> 混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用</p><p> J. Henriques, A. Dourado</p><p><b> 摘要</b></p><p> 提出一種將循環(huán)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)整合到極點(diǎn)配置的混合控制結(jié)構(gòu)。該神經(jīng)網(wǎng)絡(luò)拓補(bǔ)包含了一個(gè)修正過的循環(huán)El
3、man網(wǎng)絡(luò),以獲得所要控制對(duì)象的動(dòng)態(tài)學(xué),通過計(jì)時(shí)運(yùn)算法則使用一個(gè)縮短的逆?zhèn)鞑プ鳛樵诰€執(zhí)行的相位學(xué)習(xí)。模擬一個(gè)普通非線性狀態(tài)空間系統(tǒng)時(shí),神經(jīng)模型的每一次步進(jìn),被線性化而產(chǎn)生一個(gè)離散線性時(shí)變狀態(tài)空間模型。神經(jīng)模型一旦線性化,就可以應(yīng)用一些良好的已建的標(biāo)準(zhǔn)控制策略。本工作里解耦極點(diǎn)配置控制器的設(shè)計(jì)被看成是首要的,其與網(wǎng)絡(luò)的在線學(xué)習(xí)結(jié)合得到了一種自調(diào)整適應(yīng)的控制方案。實(shí)驗(yàn)室三箱系統(tǒng)收集的試驗(yàn)結(jié)果證實(shí)了所提方法的生存力和效果。</p>
4、<p> 關(guān)鍵詞:混合方法,循環(huán)神經(jīng)網(wǎng)絡(luò),極點(diǎn)配置,解耦,多變量適應(yīng)控制。</p><p><b> 導(dǎo)論</b></p><p> 過去十年的自動(dòng)控制變革被描述為兩個(gè)派別的對(duì)抗:一種基于解析代數(shù)方法,而另一種是基于來自人工智能的信息處理工具。兩者都推動(dòng)發(fā)展了復(fù)雜,非線性,幾乎無法模型化的過程的控制系統(tǒng)。解析代數(shù)這一派,使用線性的非線性的嚴(yán)格方法,
5、建立了一連貫知識(shí)體系,但仍然無法解決當(dāng)不可能獲得足夠精確的過程和擾動(dòng)模型時(shí)的問題。而另一派,基于神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng),發(fā)展了大量的方法和結(jié)構(gòu)有效的解決了一些困難問題,但所引來的知識(shí)體系缺乏一致性,系統(tǒng)性和一般性。</p><p> 越來越明顯的是,只要這兩派聯(lián)合將帶來自動(dòng)控制科學(xué)和技術(shù)的新領(lǐng)域。近年來,一些研究以包含混合的觀念把兩者整合起來。例如,Cao等人[3]提出了一種方法,利用了模糊邏輯和現(xiàn)代控制理論的結(jié)合
6、來分析和設(shè)計(jì)復(fù)雜控制系統(tǒng),以獨(dú)特的數(shù)學(xué)結(jié)構(gòu)包含了定性和定量的認(rèn)識(shí)(引入魯棒控制理論和線性非確定系統(tǒng)觀念去分析和設(shè)計(jì)模糊控制系統(tǒng),穩(wěn)定性分析時(shí)用到了李亞普諾夫定理)。Shaw和Doyle【14】通過在一個(gè)IMC結(jié)構(gòu)上線性化輸入輸出,對(duì)MIMO系統(tǒng)以及預(yù)測(cè)控制使用了神經(jīng)控制。Wang和 Wu【19】在極點(diǎn)分配問題中用到了反饋增益矩陣的神經(jīng)估計(jì)。Jagannathan和Lewis【8】在辨認(rèn)誤差方程的映射非線性函數(shù)中用神經(jīng)網(wǎng)絡(luò)對(duì)付非線性辨認(rèn)任
7、務(wù)。Fuh和Tung【7】通過Popov-Lyapunov方法研究模糊控制系統(tǒng)的魯棒穩(wěn)定性,把模糊系統(tǒng)轉(zhuǎn)化為具有不確定性和非線性的Lur系統(tǒng)。Lygeros【10】對(duì)混合系統(tǒng)提出了一個(gè)框架,擴(kuò)充技術(shù)來自模糊系統(tǒng)和常規(guī)適應(yīng)控制。Tanaka等人【18】在特征根配置時(shí)用到了具有模糊狀態(tài)反饋的Takagi-Sugeno模糊模型,獲得了模糊校正器和模糊觀測(cè)器,這是用線性矩陣不等式和</p><p> 本文旨在對(duì)這個(gè)方向
8、作出貢獻(xiàn)。這里提出一種控制結(jié)構(gòu),其結(jié)合了具有自調(diào)整能力的循環(huán)Elman神經(jīng)網(wǎng)絡(luò)模型,Elman網(wǎng)絡(luò)可以理解為一個(gè)非線性的狀態(tài)空間模型,所以這種以建模為目的的拓補(bǔ)網(wǎng)絡(luò)的使用在控制領(lǐng)域是極其自然的。在每一操作點(diǎn),經(jīng)過線性化神經(jīng)模型而獲得一個(gè)標(biāo)準(zhǔn)的線性離散狀態(tài)空間模型。從而合成了一個(gè)極點(diǎn)配置和解耦的狀態(tài)反饋控制器,得出一個(gè)適應(yīng)控制方案。為評(píng)估其潛在性,混合控制方案用于一個(gè)非線性多變量的三箱系統(tǒng)。</p><p> 本
9、文是這樣組織的。在章節(jié)2,給出用于模擬對(duì)象的修正Elman型RNN。在第3章節(jié),解決極點(diǎn)配置控制器和解耦器的綜合。在章節(jié)4簡(jiǎn)要介紹實(shí)驗(yàn)室三箱系統(tǒng)并且給出一些實(shí)驗(yàn)結(jié)果以展示所提方法的效果。最后,章節(jié)5是一些結(jié)論。</p><p> 2 用Elman網(wǎng)絡(luò)進(jìn)行系統(tǒng)辨識(shí)</p><p> 出于模擬目的,假設(shè)將要控制的對(duì)象是用方程(1)和(2)的多變量離散時(shí)間非線性狀態(tài)空間描述的:</p
10、><p> 其中和是非線性函數(shù);和分別是離散時(shí)間k上的輸入和輸出矢量。表示狀態(tài)矢量,假設(shè)其是直接可觀的。</p><p> 2。1 修正后的Elman網(wǎng)絡(luò)</p><p> 由于它的一些特征,例如近似離散時(shí)間非線性系統(tǒng)的能力,和其作為狀態(tài)空間模型的理解,這里考慮的是修正后的Elman網(wǎng)絡(luò)。Elman【5】已經(jīng)提出一種局部循環(huán)網(wǎng)絡(luò),其前向節(jié)點(diǎn)是可調(diào)整的循環(huán)節(jié)點(diǎn)是
11、固定的。理論上說,具有n個(gè)隱藏單元的Elman網(wǎng)絡(luò)能夠代表一個(gè)n階系統(tǒng)。但是,由于高階系統(tǒng)辨識(shí)的實(shí)際困難,已經(jīng)提出了一些修正。Pham和Xing【13】在前后單元中引入了自連節(jié)點(diǎn),改進(jìn)了網(wǎng)絡(luò)的記憶能力。圖1描述的是修正后的Elman網(wǎng)絡(luò)的方框圖。除了輸入和輸出,Elman網(wǎng)絡(luò)有一個(gè)隱藏單元,,和一個(gè)前后關(guān)聯(lián)單元。互聯(lián)矩陣為和,分別為前后隱藏層,輸入隱藏層和隱藏輸出層。</p><p> 圖1:修正后的Elman
12、網(wǎng)絡(luò)的方框圖</p><p> 神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)由以下不同方程描述。</p><p> 這里為一中間變量,為雙曲線切線方程,即(7)</p><p> 如果競(jìng)爭(zhēng)狀態(tài)用(8)表示</p><p> 那么方程(3),(4),(5)可以用(9),(10)重寫如下:</p><p> 這可以看作是非線性狀態(tài)空間模型,與
13、(1),(2)表示的系統(tǒng)相似。的開始n段對(duì)應(yīng)著隱藏狀態(tài),而末段對(duì)應(yīng)著前后狀態(tài),成為非最小狀態(tài)維數(shù)。另外,由于考慮的是可測(cè)量問題,矩陣假設(shè)是已知且確定的。從而學(xué)習(xí)階段的目標(biāo)在于找到未知矩陣和。</p><p><b> 2.2 學(xué)習(xí)方法論</b></p><p> 訓(xùn)練循環(huán)學(xué)習(xí)有關(guān)的主要困難來自這樣的事實(shí),網(wǎng)絡(luò)的輸出和它的與權(quán)有關(guān)的偏倒數(shù)取決于輸入(從訓(xùn)練過程的開始
14、)和網(wǎng)絡(luò)的初始狀態(tài)。因此,坡度的嚴(yán)格計(jì)算,表明考慮了所有過去歷史,是不實(shí)際的。然而本文里考慮到先前采樣周期的有限次數(shù),坡度是近似的。訓(xùn)練定義在一個(gè)變化窗口模式上,這里每一次步進(jìn)水平辨識(shí)標(biāo)準(zhǔn)k,定義如(11):</p><p> 模擬誤差由(12)給出,</p><p> 這里表示在步進(jìn)k的實(shí)際對(duì)象狀態(tài)。</p><p> 已經(jīng)提出幾種算法調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值。這些方
15、法的例子是Narendra的逆?zhèn)鞑ァ?2】,Williams和Ziepser【21】的實(shí)時(shí)循環(huán)算法以及Werbos的時(shí)域逆?zhèn)鞑ァ?0】,等等。時(shí)域上的逆?zhèn)鞑ギ?dāng)前正被研究。作為坡度型別算法的權(quán)值的更新(是已知且確定的)通過(13)給出:</p><p> 這里為連接第k次單元到第次單元的權(quán),是學(xué)習(xí)速率,是附加要素條件。循環(huán)網(wǎng)絡(luò)擴(kuò)展成一個(gè)多層的前向網(wǎng)絡(luò),這里每一次步進(jìn)都加上一個(gè)新的層。根據(jù)(14)和(15),導(dǎo)數(shù)的
16、計(jì)算作為在一個(gè)標(biāo)準(zhǔn)的前向逆?zhèn)鞑ゾW(wǎng)絡(luò)情形來完成【15】,</p><p> 根據(jù)(16)-(19),計(jì)算的值,其中且。</p><p> 這一步開始于時(shí)間k,且</p><p><b> 3 控制策略</b></p><p> 3.1 Elman網(wǎng)絡(luò)的線性化</p><p> 一個(gè)著名的
17、處理非線性控制系統(tǒng)的技巧,是基于非線性對(duì)象模型的線性化。在一個(gè)給定的操作點(diǎn),獲得對(duì)象的一個(gè)非最小線性模型,且用一些良好的已建標(biāo)準(zhǔn)線性控制策略設(shè)計(jì)控制器</p><p> 在線性化神經(jīng)網(wǎng)絡(luò)的前后,已有一些研究。Ahmed和Tasaddup【1】提出了一個(gè)基于對(duì)象的前向神經(jīng)網(wǎng)絡(luò)模型線性化的控制策略。訓(xùn)練是在線完成的,在每一個(gè)操作點(diǎn),在線性化對(duì)象的基礎(chǔ)上設(shè)計(jì)一個(gè)時(shí)變線性控制器(增益進(jìn)度表)。Sorenson【16】已
18、經(jīng)展示了在線精確的可能性,通過對(duì)與輸入有關(guān)的輸出的求導(dǎo)求取實(shí)際線性化參數(shù)。在利用這個(gè)策略的特征進(jìn)行參數(shù)估計(jì)時(shí),可以采用一個(gè)傳統(tǒng)極點(diǎn)配置控制器進(jìn)行非線性控制。Suykens等人【17】提出了一種線性部分轉(zhuǎn)化表示法,使得可以把一個(gè)非線性神經(jīng)網(wǎng)絡(luò)理解為一個(gè)非最小線性模型。此后這種線性模型被用于標(biāo)準(zhǔn)魯棒控制方案的設(shè)計(jì)中。</p><p> 在此研究中,通過對(duì)非線性神經(jīng)模型在操作點(diǎn)附近的泰勒展開獲得一個(gè)線性模型。聯(lián)合方程
19、(3)到(5)可以得到一個(gè)描述神經(jīng)行為的非線性方程(23):</p><p> 隨著泰勒展開且忽略高階條件,(24)給出了線性模型:</p><p><b> 這里</b></p><p> 利用(8)表示的競(jìng)爭(zhēng)狀態(tài),一個(gè)線性神經(jīng)狀態(tài)空間模型可以重寫為(28)和(29),</p><p> 矩陣和可以用方程(30
20、),(31),和(32)分別表示:</p><p> 這里和I分別代表0和一個(gè)恰當(dāng)維數(shù)的奇異矩陣。</p><p> 線性模型一旦獲得,可以應(yīng)用幾個(gè)標(biāo)準(zhǔn)的控制策略。目前的研究中控制參數(shù)是從解耦極點(diǎn)配置算法來評(píng)估的。在每一步,通過時(shí)域運(yùn)算法則用縮短了的逆?zhèn)鞑ジ律窠?jīng)模型的參數(shù),這種神經(jīng)模型線性化以得到一個(gè)適合線性極點(diǎn)配置控制的離散時(shí)間線性狀態(tài)空間模型。圖2描述的是所得的適應(yīng)自調(diào)整控制方案
21、</p><p> 圖2:使用一個(gè)RNN的適應(yīng)控制</p><p> 3.2多變量解耦極點(diǎn)配置線性控制</p><p> 假設(shè)系統(tǒng)用一個(gè)線性狀態(tài)空間模型描述,一個(gè)標(biāo)準(zhǔn)的狀態(tài)反饋控制律可以由(33)給出:</p><p> 這里是設(shè)置點(diǎn)矢量(q為輸出的數(shù)量)。矩陣和通過極點(diǎn)配置律算得,這樣輸入只影響到輸出。Falb和Wollovith已
22、經(jīng)建立了這種解耦極點(diǎn)配置控制律。令由(34),(35)表示:</p><p><b> 或</b></p><p> 矩陣F和G分別由(36)和(37)算得</p><p><b> 這里</b></p><p> 常數(shù)最大且矩陣是時(shí)宜地選擇指定閉環(huán)極點(diǎn)的分布。</p><
23、;p> 4一個(gè)三箱系統(tǒng)的控制</p><p><b> 4.1過程描述</b></p><p> DTs200三箱系統(tǒng)【2】適一個(gè)非線性系統(tǒng),其由三個(gè)玻璃體通過兩根連接管(圖3)串連成。離開T2的流體被收集在一個(gè)蓄水池中,汞1和2提供了箱體T1和T2。三個(gè)箱體裝備了壓阻的壓力傳感器以測(cè)量流體的水位(通常為非靜水)h1(k),h2(k)和h3(k)。<
24、/p><p> 連接管箱體另外裝備了人工自調(diào)整閥以模擬堵塞和泄漏。數(shù)字控制器分別為汞1和2控制流速u1(k)和u2(k)</p><p> 圖3:三箱系統(tǒng)的原理示意圖</p><p> 控制系統(tǒng)的目的是通過調(diào)整流速u1(k)和u2(k)獨(dú)立的控制箱T1和T2,h1(k)和h2(k)的水位。針對(duì)這種特殊對(duì)象狀態(tài)變量(水位值)和輸出的關(guān)系用和表示。因此假設(shè)的輸出矩陣可
25、以表示為(39)</p><p> 4.2建模和控制規(guī)格</p><p> 為了建模目的,實(shí)驗(yàn)室三箱系統(tǒng)假設(shè)用一個(gè)三階非線性狀態(tài)空間離散時(shí)間模型描述(n=3),方程(1)。它具有兩個(gè)輸入(p=2)和兩個(gè)輸出(q=2)。為辨識(shí)任務(wù),用到以下參數(shù):學(xué)習(xí)速率;動(dòng)力;自連接;窗口尺寸。</p><p> 假設(shè)對(duì)過程已有認(rèn)識(shí),用一個(gè)線性狀態(tài)空間方程來初始化RNN的權(quán)???/p>
26、察控制器參數(shù),計(jì)算矩陣F和G使期待的極點(diǎn)分布對(duì)兩個(gè)子系統(tǒng)相同且位于z=0.8。</p><p><b> 4.3實(shí)驗(yàn)結(jié)果</b></p><p> 為評(píng)估所提混合方案的性能,對(duì)實(shí)驗(yàn)室對(duì)象進(jìn)行一系列的實(shí)驗(yàn)。這些實(shí)驗(yàn)在用C代碼編碼的PC機(jī)下進(jìn)行。由于采樣時(shí)間選取1.5秒以避免可能的長(zhǎng)訓(xùn)練時(shí)間,在每次采樣時(shí)間里,學(xué)習(xí)任務(wù)的間隔最大值被限制為20。</p>
27、<p> 從圖4,5,6可以看到考慮了設(shè)置點(diǎn)跟蹤問題的所提策略的性能。圖4顯示的是期望的設(shè)置點(diǎn)軌跡和相應(yīng)的輸出水位。由這個(gè)特別的實(shí)驗(yàn)可以總結(jié)出,通過聯(lián)合在線和具有標(biāo)準(zhǔn)線性極點(diǎn)配置控制器的非線性神經(jīng)模型估計(jì)可以獲得非??捎^的控制性能。</p><p> 圖4:設(shè)置點(diǎn)軌跡和輸出</p><p><b> 圖5:控制動(dòng)作</b></p><
28、;p> 圖6描述的是具有修正后的Elman神經(jīng)模型的對(duì)象狀態(tài)(液體水位)的在線辨識(shí)。正如所看到的,神經(jīng)模型在跟蹤實(shí)際狀態(tài)時(shí)表現(xiàn)得相當(dāng)?shù)暮谩?lt;/p><p> 圖6:狀態(tài)和估計(jì)狀態(tài)</p><p><b> 5 結(jié)論</b></p><p> 混合控制系統(tǒng)可以為兼并傳統(tǒng)數(shù)學(xué)分析方法和人工智能成為一個(gè)統(tǒng)一的控制理論的建立作出貢獻(xiàn)。這也
29、可以擴(kuò)展為一般非線性系統(tǒng)觀念和廣義線性系統(tǒng)理論的框架。在目前的研究中,動(dòng)態(tài)循環(huán)神經(jīng)網(wǎng)絡(luò)作為過程辨識(shí),使得可以使用傳統(tǒng)的解耦極點(diǎn)配置控制器。這個(gè)方法已在一個(gè)非線性2×2實(shí)際過程測(cè)試過,并獲得了很好的效果。然而,為了研究穩(wěn)定性的一般工具和這種結(jié)構(gòu)的魯棒性,需要進(jìn)一步的研究。</p><p><b> 致謝</b></p><p> 本研究得到了葡萄牙科技部門
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 外文翻譯--混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用(譯文).doc
- 外文翻譯--混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用(譯文).doc
- 外文翻譯--混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用(譯文).doc
- 外文翻譯--混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用
- 外文翻譯--混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用
- 外文翻譯--混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用
- 混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用
- 外文翻譯--混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用(英文)
- 外文翻譯--混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用(英文).pdf
- 混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用
- 外文翻譯--混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用(英文).pdf
- 外文翻譯--混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用(英文).pdf
- 改進(jìn)的廣義預(yù)測(cè)極點(diǎn)配置加權(quán)控制器及其應(yīng)用研究.pdf
- 外文翻譯--基于微控制器的光控制器(譯文)
- 外文翻譯--基于微控制器的光控制器(譯文).doc
- 外文翻譯--基于微控制器的光控制器(譯文).doc
- 基于極點(diǎn)配置的倒立擺控制器設(shè)計(jì).pdf
- 神經(jīng)模糊溫度控制器外文翻譯(節(jié)選)
- 神經(jīng)模糊溫度控制器外文翻譯(節(jié)選)
- 神經(jīng)模糊溫度控制器外文翻譯(節(jié)選)
評(píng)論
0/150
提交評(píng)論