基于前馈神经网络复合逆控制的研究.pdfVIP

学兔兔 基于前馈神经网络复合逆控制的研究 杨航，等 基于前馈神经网络复合逆控制的研究 杨 航，郭丙君 (华东理工大学信息科学与工程学院 上海，200237) 摘 要：为了提高神经网络直接逆控制方法的跟踪精度和抗干扰能力，结合前馈神经网络直接逆控制与通用模型控制 策略各自的优点，提出了一种基于前馈神经网络复合逆控制的方法。该方法将控制系统的参考轨迹改造成一条规范的二阶 曲线，从而使得控制器参数物理意义明确，且易于整定。仿真实验验证了系统具有良好的鲁棒性和抗扰性能。 关键词：前馈神经网络；通用模型控制；复合逆控制 Abstract：A complex inverse control strategy was developed based on the advantages of feedforward neural network direct in— verse control and generic model control to improve the tracking precision and disturbance rejection of neural network direct inverse control methods．The strategy transforms reference trajectory of the control system into a classic second—order curve．The parame- ters of this controller have explicit physics meaning and it is very easy to tune．The results show that the system has s~ong robust— ness to the variation of sys~m parameters and the disturbance of load． Key words：Feedforward neural network；Generic model control；Complex inverse control 中图分类号：TP273~．4 文献标识码：A 文章编号：1001-9227(2013)05-0010-03 O 绪 论 同时，在这里定义一个状态变量 (f)，它包含了被控系统 由于工业过程中复杂系统都具有强非线性，难以建立起准 过去时刻的输入输出以及当前时刻的输出，如式(2)。 确的数学模型，不利于逆系统”1方法的推广以及工程应用。虽 ( =g (f)，y(t一 ，…，y(t—n+1)； (f—1)，…，x(t—m+1)】 (2) 然，有学者在此基础上提出了神经网络直接逆控制，利用神经 将该变量引入到被控系统中，式f1)可表示为如下的非线性 网络逼近受控系统的逆模型 】，从而弱化逆系统方法对对象模 回归模型： 型的依赖。但神经网络直接逆控制有效性随逆模型的精确度而 y(f+1)=g (f)， 】 (3) 定，且整个控制系统缺乏反馈，鲁棒性不高。 这里，我们将被控系统的输入 (f)作为神经网络控制器 通用模型控制是通过将过程模型直接嵌入到控制器中， Ⅳ 的输出，下一时刻系统的输出yO+1)作为神经网络的输 使其整个控制系统构造成一个典型的二阶闭环系统。因此，控 入。由于 +1)在t时刻的值是未知的，因此用它的期望值 制器参数物理意义明确，且参数便于整定。本文提出了一种基 rO+1)代替。针对被控系统的逆模型ⅣⅣ ，我们可以