该楼层疑似违规已被系统折叠 隐藏此楼查看此楼
5.1.5 系统仿真研究
为了说明神经网络逆控制的自适应控制效果,针对不同的对象,在环境及其参数变化时进行仿真实验。
1、阶跃扰动的实验
以 为被控对象,用于辨识和控制的BP网络模型结构均为7 -7-1结构,即网络的输入层、隐层和输出层结点数目分别为7、7和1。学习率分别为0.18和0.24, r=1为给定值,阶跃扰动下系统的响应曲线如图5-3所示。
迭代次数
1—神经网络正模型输出 2—控制量
图5-3 对象阶跃扰动下的仿真曲线
由图形可以看出,该系统能很好的跟踪给定值的变化,具有较强的适应性和鲁棒性。
2、对象发生变化时系统控制性能的鲁棒性实验
(a)对象增益发生变化时:在仿真2000步,对象开环放大倍数由5变为6时,即被控对象变为 ,系统响应曲线如图5-4所示:
迭代次数
1—神经网络正模型输出 2—控制量
图5-4 对象增益变化时的仿真曲线
(b)对象时间常数发生变化时:在仿真2000步时,对象时间常数由原来的T=20变为30即被控对象变为 ,阶跃扰动下系统响应曲线如图5-5所示。
迭代次数
1—神经网络正模型输出 2—控制量
图5-5 对象时间常数变化时的仿真曲线
(c)对象为慢时变过程时:在仿真过程中,随着仿真时间常数和开环增益同时缓慢变化,最终对象传递函数为 ,仿真曲线如图5-6所示。
迭代次数
1—神经网络正模型输出 2—控制量
图5-6 慢时变系统的仿真曲线
从此响应曲线可以看出,即使对象时变,控制系统仍能跟踪给定值的变化,表现出了较强的鲁棒性及适应环境变化的能力。
3、纯延迟对象的仿真实验
以 为例,仍采用上述控制器结构,各个参数不变,对其进行仿真。但其结果表明,控制效果并不理想。这时加入一个参考模型,使对象输出跟踪的不是指令输入本身,而是一个经延迟或平滑过的指令输入,即此参考模型的输出。
图5-7 模型参考自适应逆控制系统结构
图5-7中,r(k)为指令输入,yd(k)为参考模型输出,作为控制器在线学习的教师信号。在此仿真实验中,选取参考模型 ,控制器的学习率 ,给定值r(k)=1,在受到阶跃扰动时,系统响应曲线如图5-8所示。
迭代次数
1—设定值 2—参考模型的输出
3—神经网络正模型输出 4—控制量
图5-8 纯延迟对象阶跃扰动下的仿真曲线
当对象参数在控制过程中发生变化时,系统响应曲线如图5-9所示。
迭代次数
1—设定值 2—参考模型的输出
3—神经网络正模型输出 4—控制量
图5-9 纯延迟对象开环增益变化时的仿真曲线
从仿真结果可以看出,加入参考模型后的逆控制系统可以很好的解决具有纯延迟对象的控制问题。即使对象发生突变,系统也能很快调整控制器的输出,跟踪给定信号。以下将对可能遇到的其它情况作简要分析,不作具体的仿真。