摘要：傳統意義上的PID控制器具有結構簡單、調節方便、參數設置和工程索引密切相關的優勢。但它也有一定的局限性：對復雜系統很難建立數學模型，當控制對象不同時，控制器的參數很難自動適應外部環境的變化，且很難對一些復雜的過程和參數進行有效控制。而神經網絡控制的發展、應用和與PID控制的結合，在一定程度上解決了傳統PID控制器難以進行在線實時參數自整定等方面的缺點，可以充分發揮PID控制的優點。本章講述了基本的神經網絡控制器。提出了使用直接神經控制器是一種可在線調整線性組合中關鍵參數的在線神經網絡。

關鍵詞：直接神經網絡，伺服控制，神經協調器

DesigntoServoControlSystemBasedonDirectNeuralNetworksController

Mingxue.Cai

(QingDaoQingdaorubbermachineryresearchinstitute)

0前言

用來精確地跟隨或復現某個過程的反饋控制系統。在很多情況下，伺服系統專指被控制量（系統的輸出量）是機械位移或位移速度、加速度的反饋控制系統，其作用是使輸出的機械位移（或轉角）準確地跟蹤輸入的位移（或轉角）。伺服系統的結構組成和其他形式的反饋控制系統沒有原則上的區別。

伺服控制系統是一種能對試驗裝置的機械運動按預定要求進行自動控制的操作系統。在很多情況下，伺服系統專指被控制量（系統的輸出量）是機械位移或位移速度、加速度的反饋控制系統，其作用是使輸出的機械位移（或轉角）準確地跟蹤輸入的位移（或轉角）。伺服系統的結構組成和其他形式的反饋控制系統沒有原則上的區別。

伺服驅動裝置是機電一體化設備的重要組成部分。隨著微電子技術的發展，交流伺服技術正朝著交流化、數字化、小型化的方向迅速發展。在伺服控制系統設計過程中，應充分考慮穩定和響應兩項重要指標，而這些因素很多程度上取決于伺服驅動系統的特性。在傳統的PID控制伺服系統過程中，穩定性和快速性無法同時滿足。針對上述缺點，國內外學者積極探索采用人工智能控制的理論和方法。神經網絡具有極強的非線性動態跟蹤能力和自適應學習能力，對控制對象的數學模型無依賴性，在智能控制過程中得到廣泛的應用。針對神經網絡的以上特點，提出了基于神經網絡的伺服系統控制方法，以神經網絡為控制器，設計了基于神經網絡的伺服控制系統。

1.直接神經控制器

一個三層的直接神經控制器。已知被控對象的定性知識或者被控對象的雅可比值，一個帶有隱藏層的三層神經網絡可以計算出輸出值的任意判別邊界。盡管有兩個隱藏層的神經網絡在一些專門問題上能獲得更好的近似值，但也更容易陷入局部極小，需要更多的CPU時間。

此外，還將考慮一個隱藏曾里面包含的正確單元的數目。李普曼提供了全面的幾何論據以及推理來證明為什么一個單隱藏層中單元的最大數目等于M（N+1），其中M是輸出單元的數目，N為輸入單元的數目。已經測試了一個傳播跟蹤控制系統上單隱含層的不同數目單元的數目。最終發現，一個帶有三至五個隱藏層的網絡足夠給出一個滿意的結果。

1.1直接神經控制器的算法本文提出的直接神經控制器是有兩個輸入單元，一個輸出單元，若干隱含單元的三層神經網絡。分別代表需要的命令輸入，參考模型的輸出和被控對象的輸出。網絡的兩個輸入是誤差以及它關于的微分。

參考模型可以按照標準二階傳遞函數設計，阻尼比和固有頻率可以按照被控對象的物理特性定義。

直接控制器的算法和權值更新方程由下述方程表述。

這里的直接神經控制器有隱含層（下標j），輸出層（下標k）和輸入層（下標i）.為了標準化為-1和+1，輸入信號在輸入層被乘以增益

。切線雙曲函數作為隱含層和輸出層的激活函數。隱含層的單元數目等于J。輸入層的單元數目等于I。輸出層的單元數目等于K。隱含層中j節點的輸入為： 

N次改變到N+1次的時間間隙，權值矩陣得到更新。

   é€™é‡Œï¼š

      å¯ä»¥ç”±å…¬å¼ä»¥ä¸Šå…©å¼å¾—到。神經網絡中的連接權在從樣本N到樣本N+1改變的過程中得到更新。

切線雙曲函數作為激活函數，使得神經網絡控制器輸出

（19.4）是介于-1和+1之間的值，再乘以尺度因子

作為被控對象的輸入。初始化置權值和偏值為+0.5到-0.5之間的最小隨機數。根據以上兩公式更新數值。

1.2在線調節的自適應神經控制器

根據前面公式已知，被控對象的雅克比值需要預先知道。然而，因為被控對象的動態特性，確切的

很難決定。用微分近似的方法，在很小的的范圍內改變被控對象的每個輸入，并測量輸出的變化，雅克比是指：

或者，將微分關系的變量的變化與之前迭代的值比較，微分可以由以下關系近似：

當被控制被控對象慣性大或者有干擾時，使用公式近似時經常造成模棱兩可的情況。這種情況說明神經控制器在輸入和輸出之間建立了一種因果關系。這是與期望的情形相違背的。

一個簡單的正負號函數，用來近似被控對象的雅克比值。被稱為是工業跟蹤控制應用的在線訓練自適應神經控制器。因此，用的變化率來近似被他們的符號函數代替。因此根據公式：

     æ¸…楚地了解控制信號可以提供需要的符號信息。因此，

        用以上公式得到的給定的微分的符號，神經控制器將根據被控對象的輸出誤差e(N)，有效地輸出正確方向的控制信號。

2神經協調器的權值更新

輸出層和隱含層，隱含層和輸入層之間的加權系數修正公式分別為：

這里的

根據可由誤差和其微分的線性組合所近似，神經網絡的輸出層的第n-1次權值更新為：

權值

3．總結

        傳統的簡單結構的直接神經控制器可以容易地執行，節省更多的CPU時間。但是被控對象的雅克比值不容易知道。傳統的在線訓練神經控制器使用正負號函數近似雅克比值還不足以用于伺服控制系統。δ適應法則可以有效提高收斂速率，但是合適的參數取決于嘗試和誤差，獲得合適的參數不容易。這里提出的MNNACS可以為傳統的直接神經控制（DNC）提供合適的參數。帶有被MNNACS訓練好參數的DNC可以提高自適應能力以及改善非線性控制系統的控制性能。