神经网络PID控制

神经网络PID控制

控制结构

NNC控制器采用增量PID控制结构

$x_{1}( k) =e( k)=r( k)-y( k)$
$x_{2}( k) =\Delta e( k) =e( k) -e( k-1)$
$x_{3}( k) =\Delta ^{2} e( k) =\Delta e( k) -\Delta e( k-1) =e( k) -e( k-1) -[ e( k-1) -e( k-2)]$
$\ \ \ \ \ \ \ \ =e( k) -2\times e( k-1) +e( k-2)$

NNC的控制输出为

$\Delta u( k) =k_{1} x_{1}( k) +k_{2} x_{2}( k) +k_{3} x_{3}( k)$

性能指标

$J=\frac{1}{2}[ r( k+1) -y( k+1)]^{2}$

训练系数$w$

$=-\lambda \frac{\partial J}{\partial y( k+1)}\frac{\partial y( k+1)}{\partial u( k)}\frac{\partial u( k)}{\partial w}$

问题在于当系统未知时，$\frac{\partial y( k+1)}{\partial u( k)}$无法求得，因此采用NNI来辨识对象模型，以求得$\frac{\partial y( k+1)}{\partial u( k)}$的代替量$\frac{\partial \hat{y}(k+1)}{\partial u( k)}$

---

辨识器

设辨识对象是单输入单输出的非线性系统

$y( k+1) =F[ y( k) ,y( k-1) ,\dots ,y( k-n_{y} +1) ,u( k) ,u( k-1) ,\dots ,u( k-n_{u} +1)]$
$n_{y}$为输出的阶次
$n_{u}$为输入的阶次

采用BP神经网络

• 输入层

输入信号由两部分组成，分别为控制及其延迟信号$u( k) ,u( k-1) ,\dots ,u( k-n_{u} +1)$，和输出和输出延迟信号$y( k) ,y( k-1) ,\dots ,y( k-n_{y} +1)$

来自控制：$Out^{1}_{j}( k) =y( k-j) ,0\leq j\leq n_{y} -1$
来自输出：$Out^{1}_{j}( k) =u( k-j) ,0\leq j\leq n_{u} -1$
$Out$表示输入神经元的输出
下角标表示第几个神经元，$j$表示第j个
上角标表示第几层神经元，$1$表示第一层，即输入层

• 隐藏层

$net^{2}_{j}( k) =\sum ^{n_{y} +n_{u}}_{i=0} w^{2}_{ji}( k) \cdot Out^{1}_{i}( k)$
$Out^{2}_{j}( k) =f\left( net^{2}_{j}( k)\right) ,i=0,\dots ,n_{hidden} -1$
$n_{hidden}$为隐藏层个数

• 输出层

$\hat{y}( k+1) =\sum ^{n_{hidden}}_{i=0} w^{3}_{i}( k) \cdot Out^{2}_{i}( k)$

• 性能指标

$J=\frac{1}{2}[ y( k+1) -\hat{y}( k+1)]^{2}$

• 求偏导

输出层权值$w^{3}_{i}( k)$偏导
$\frac{\partial J}{\partial w^{3}_{i}( k)}=\frac{\partial J}{\partial y( k+1)}\frac{\partial y( k+1)}{\partial u( k)}\frac{\partial u( k)}{\partial w( k)} =-\left[ y( k+1) -\hat{y}( k+1)\right] \cdot 1\cdot Out^{2}_{i}( k)$

隐藏层权值$w^{2}_{ji}( k)$偏导
$\frac{\partial J}{\partial w^{2}_{ji}( k)} =\frac{\partial J}{\partial y( k+1)}\frac{\partial y( k+1)}{\partial u( k)}\frac{\partial u( k)}{\partial Out^{2}_{j}( k)}\frac{\partial Out^{2}_{j}( k)}{\partial u( k)}\frac{\partial u( k)}{\partial w^{2}_{ji}( k)}$
$\ \ \ \ \ \ \ \ \ \ =-\left[ y( k+1) -\hat{y}( k+1)\right] \cdot 1\cdot w^{3}_{i}( k) \cdot f^{\prime }\left( net^{2}_{j}( k)\right) \cdot Out^{1}_{j}( k)$

• 
  
• 权值更新
  

$w^{3}_{i}( k+1) =w^{3}_{i}( k) +\eta \Delta w^{3}_{i}( k)$
$w^{2}_{ji}( k+1) =w^{2}_{ji}( k) +\eta w^{2}_{ji}( k)$

---

综合

利用辨识器NNI可以求得$\frac{\partial \hat{y}(k+1)}{\partial u( k)}$

$\frac{\partial \hat{y}(k+1)}{\partial u( k)} =\sum ^{Q}_{i=0}\frac{\partial J}{\partial y( k+1)}\frac{\partial y( k+1)}{\partial u( k)}\frac{\partial u( k)}{\partial Out^{2}_{j}( k)}\frac{\partial Out^{2}_{j}( k)}{\partial u( k)}\frac{\partial u( k)}{\partial Out^{1}_{j}( k)}\frac{\partial Out^{1}_{j}( k)}{\partial u( k)}$
$\ \ \ \ \ \ \ \ \ \ \ =\sum ^{Q}_{i=0} w^{3}_{i}( k) \cdot f^{\prime }\left( net^{2}_{j}( k)\right) \cdot w^{2}_{ji}( k)$

将NNI得到的$\frac{\partial \hat{y}(k+1)}{\partial u( k)}$代入NNC的权值更新中，即可更新NNC控制器参数

如果不采用NNI辨识器，则$\frac{\partial y( k+1)}{\partial u( k)}$可以用近似符号函数$sgn\left[\frac{\partial y( k+1)}{\partial u( k)}\right]$或者采用$\frac{y( k+1) -y( k)}{u( k) -u( k-1)}$得到，由此带来的计算不精确的影响可以通过调整学习速率$\eta$来补偿