智能控制大作业-神经网络

智能控制与应用实验报告神经网络控制器设计

一、实验内容

考虑一个单连杆机器人控制系统，其可以描述为：

Mq + 0.5mgl sin（q） = r

y = q

其中M = 0.5kgm2为杆的转动惯量，“7 = 1kg为杆的质量，/ = \m为杆长, g=9.8/n/52, g为杆的角位置，刁为杆的角速度，刁为杆的角加速度，丁为系统的控制输入。具体要求：

1、设计神经网络控制器，对期望角度进行跟踪。

2、分析神经网络层数和神经元个数对控制性能的影响。

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、加参数不确定）、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）。

4、为系统设计神经网络PID控制器（选作）。

二、对象模型建立

根据公式（1）,令状态量得到系统状态方程为:

r 一0?5 水〃?g/*sin(xj

Af

山此建立单连杆机器人的模型如图1所示。

x2

图1单连杆机器人模型

三、系统结构搭建及神经网络训练

1 ?系统PID结构如图2所示:

图2系统PID结构图

PID参数设置为Kp二16, Ki二10, Kd二8得到响应曲线如图3所示:q

0.5

A mgl

1.4

0.4 ?

0.2 ； ?

Q } r

r r 「 「 r r r r 0123456789 10 t/s

图3 PID 控制响应曲线

采样PID 控制器的输入和输出进行神经网络训练

p 二[al' ;a2,

];

t 二b ，； net=newff ([-1 1;T 1;T 1], [3 8 16 8 1], {' tansig" ' tansig 5 1 tansig ，

logsig , ' pure 1 in 1});

产生的神经网络控制器如图4所示： 图3神经网络工具箱

训练过程如图4所示:

1.2

Custom Neural Network

Neural Network

LtfBf

w "T"

""H~9 "T" T"

Algorithms

Training: Levenberg-Marquardt (匕①厂 m Performance! Mean Squared Error( -is- Derivative: Default idefau ?deriv)

Epoch;

Time:

Performance:

Gradient

Mu:

Validation Checks;

Plot Interval: ' J 1 epochs

Opening Performance Plot

? Stop Training ? Caned

图4神经网络训练过程图

用训练好的神经网络控制器替换原来的PID 控制器，得到仿真系统结构图如 图5所示:

图5神经网络控制系统结构图

运行系统得到神经网络控制下的响应曲线如图6所示: Picts

(plotperform) (plottrainstate) (plotreg ression) Performance

Training Stat^

Regression

2500 l.OOe-05 1.00e-05 L.00e + 10 6

1.4

图6神经网络控制响应曲线图

四. 神经网络和PID 控制器的性能比较

1. 抗干扰能力

在神经网络控制器和PID 控制器中分别加入相同的随机噪声，系统响应如图 7所示

:

5 6 7 8 9 10

t/s 0.4

0.2

0.6

1.4

PID 神经网络

0.4、” -

0.2 -y -

Q } r r r 「 「 r r r r

0123456789 10

图7加入噪声的系统响应曲线

从图7中的响应曲线可以看出，神经网络控制和PID 控制的抗干扰效果相差 不大。

2. 加入饱和

饱和区间为［J 得到的系统响应曲线如图8所示:

1.2

1

0.8

0.6