混合神经解耦极点配置控制器及其应用..docVIP

混合神经解耦极点配置控制器及其应用 J. Henriques, A. Dourado 摘要 提出一种将循环动态神经网络整合到极点配置的混合控制结构。该神经网络拓补包含了一个修正过的循环Elman网络，以获得所要控制对象的动态学，通过计时运算法则使用一个缩短的逆传播作为在线执行的相位学习。模拟一个普通非线性状态空间系统时，神经模型的每一次步进，被线性化而产生一个离散线性时变状态空间模型。神经模型一旦线性化，就可以应用一些良好的已建的标准控制策略。本工作里解耦极点配置控制器的设计被看成是首要的，其与网络的在线学习结合得到了一种自调整适应的控制方案。实验室三箱系统收集的试验结果证实了所提方法的生存力和效果。 关键词：混合方法，循环神经网络，极点配置，解耦，多变量适应控制。 导论 过去十年的自动控制变革被描述为两个派别的对抗：一种基于解析代数方法，而另一种是基于来自人工智能的信息处理工具。两者都推动发展了复杂，非线性，几乎无法模型化的过程的控制系统。解析代数这一派，使用线性的非线性的严格方法，建立了一连贯知识体系，但仍然无法解决当不可能获得足够精确的过程和扰动模型时的问题。而另一派，基于神经网络和模糊系统，发展了大量的方法和结构有效的解决了一些困难问题，但所引来的知识体系缺乏一致性，系统性和一般性。 越来越明显的是，只要这两派联合将带来自动控制科学和技术的新领域。近年来，一些研究以包含混合的观念把两者整合起来。例如，Cao等人[3]提出了一种方法，利用了模糊逻辑和现代控制理论的结合来分析和设计复杂控制系统，以独特的数学结构包含了定性和定量的认识（引入鲁棒控制理论和线性非确定系统观念去分析和设计模糊控制系统，稳定性分析时用到了李亚普诺夫定理）。Shaw和Doyle【14】通过在一个IMC结构上线性化输入输出，对MIMO系统以及预测控制使用了神经控制。Wang和 Wu【19】在极点分配问题中用到了反馈增益矩阵的神经估计。Jagannathan和Lewis【8】在辨认误差方程的映射非线性函数中用神经网络对付非线性辨认任务。Fuh和Tung【7】通过Popov-Lyapunov方法研究模糊控制系统的鲁棒稳定性，把模糊系统转化为具有不确定性和非线性的Lur系统。Lygeros【10】对混合系统提出了一个框架，扩充技术来自模糊系统和常规适应控制。Tanaka等人【18】在特征根配置时用到了具有模糊状态反馈的Takagi-Sugeno模糊模型，获得了模糊校正器和模糊观测器，这是用线性矩阵不等式和李亚普诺夫定理系统地设计的。至于这个工作的顺序，Ma等人【11】提出并证明了控制器－观测器合成的模糊分离原理。Chen和Chang【4】以模糊的方法再想变化模式控制，获得了继承了两者优点的混合控制器。 本文旨在对这个方向作出贡献。这里提出一种控制结构，其结合了具有自调整能力的循环Elman神经网络模型，Elman网络可以理解为一个非线性的状态空间模型，所以这种以建模为目的的拓补网络的使用在控制领域是极其自然的。在每一操作点，经过线性化神经模型而获得一个标准的线性离散状态空间模型。从而合成了一个极点配置和解耦的状态反馈控制器，得出一个适应控制方案。为评估其潜在性，混合控制方案用于一个非线性多变量的三箱系统。 本文是这样组织的。在章节2，给出用于模拟对象的修正Elman型RNN。在第3章节，解决极点配置控制器和解耦器的综合。在章节4简要介绍实验室三箱系统并且给出一些实验结果以展示所提方法的效果。最后，章节5是一些结论。 2 用Elman网络进行系统辨识 出于模拟目的，假设将要控制的对象是用方程（1）和（2）的多变量离散时间非线性状态空间描述的： 其中和是非线性函数；和分别是离散时间k上的输入和输出矢量。表示状态矢量，假设其是直接可观的。 2。1 修正后的Elman网络 由于它的一些特征，例如近似离散时间非线性系统的能力，和其作为状态空间模型的理解，这里考虑的是修正后的Elman网络。Elman【5】已经提出一种局部循环网络，其前向节点是可调整的循环节点是固定的。理论上说，具有n个隐藏单元的Elman网络能够代表一个n阶系统。但是，由于高阶系统辨识的实际困难，已经提出了一些修正。Pham和Xing【13】在前后单元中引入了自连节点，改进了网络的记忆能力。图1描述的是修正后的Elman网络的方框图。除了输入和输出，Elman网络有一个隐藏单元，，和一个前后关联单元。互联矩阵为和，分别为前后隐藏层，输入隐藏层和隐藏输出层。 图1：修正后的Elman网络的方框图 神经网络的动态由以下不同方程描述。 这里为一中间变量，为双曲线切线方程，即（7） 如果竞争状态用（8）表示 那么方程（3），（4），（5）可以用（9），（10）重写如下： 这