控制系统仿真作业剖析.doc

RBF神经滑膜控制 孙文杰 201403032 将切换函数作为RBF网络的输入，滑膜控制器作为RBF网络的输出，利用神经网络的学习功能，可实现单入单出的神经滑膜控制。 控制器设计 被控对象为 设位置指令为，切换函数设计为 其中 将滑膜控制器设计为RBF网络的输出，即 其中为隐层神经元个数。 控制的目标是使，则RBF网络的权值调整指标为 则 其中 由于 则RBF网络权值学习算法为 RBF神经滑膜控制器结构如图1所示。 图1 神经滑膜控制器结构 实例验证 被控对象为一线性系统 其中为控制输入，，。 位置指令为。取，则滑膜切换函数为。神经网络的初始为随机值，网络结构为1—5—1.高斯函数参数取，。 取系统的初始状态为，采用神经滑膜控制，取。 采用simulink仿真 Simulink主程序如图2 所示。 3、仿真结果 仿真的输出、输入、误差的图形如图3、4、5所示。 图3 输出的波形 图4 输入的波形 图5 误差的波形图 为了便于比较不同的滑膜控制的控制效果，采用基于比例切换的输出、输入仿真结果如图6、7所示。 图6 采用比例切换控制的输出波形 图6 采用比例切换控制的输入波形 4、仿真结果分析与结论 从图3、4、5可以看出，对于一阶线性系统采用神经滑膜控制，系统的输出大约在仿真开始后的第30个周期能够跟随系统的输入，输出的误差最终稳定在0；系统的控制量在仿真刚刚开始的时候，出现较大的冲击，大约在进入30个采用周期之后最终稳定0左右（围绕着0有着小幅振荡）。而采用比例切换控制的一阶线性系统，大约在第100个采样周期时才能跟随上系统的输入，稳态误差也为0；系统的控制量在仿真刚开始的100个采样周期里，出现较大幅度的振荡，这对某些不允许出现严重斗振是执行机构是不被采用的控制量，并且最终围绕0的振荡幅度比采用神经滑膜控制的振幅大。 由以上分析可以得知，对于一阶线性采用神经滑膜控制的效果比采用比例切换的控制效果好。 模型S函数如下： %S-function for continuous state equation function [sys,x0,str,ts]=s_function(t,x,u,flag) switch flag, %Initialization case 0, [sys,x0,str,ts]=mdlInitializeSizes; case 1, sys=mdlDerivatives(t,x,u); %Outputs case 3, sys=mdlOutputs(t,x,u); %Unhandled flags case {2, 4, 9 } sys = []; %Unexpected flags otherwise error([Unhandled flag = ,num2str(flag)]); end %mdlInitializeSizes function [sys,x0,str,ts]=mdlInitializeSizes sizes = simsizes; sizes.NumContStates = 2; sizes.NumDiscStates = 0; sizes.NumOutputs = 1; sizes.NumInputs = 1; sizes.DirFeedthrough = 0; sizes.NumSampleTimes = 0; sys=simsizes(sizes); x0=[-0.15,0]; str=[]; ts=[]; function sys=mdlDerivatives(t,x,u) a=-25-5*sin(6*pi*t); b=133+50*sin(2*pi*t); sys(1)=x(2); sys(2)=-a*x(2)+b*u;function sys=mdlOutputs(t,x,u) sys(1)=x(1); 控制器S函数如下： %S-function for continuous state equation function [sys,x0,str,ts]=s_function(t,x,u,flag) switch flag, %Initialization case 0, [sys,x0,str,ts]=mdlInitializeSizes; %Outp