控制工程ControlEngineeringofChinaMay2007Vol.14,No.32007年5月第14卷第3期:167127848(20070320290204收稿日期:2006203216;收修定稿日期:2006204226基金项目:国家自然科学基金资助项目(60304012作者简介:李宁宁(19762,女,湖南长沙人,研究生,主要研究方向为智能控制、自适应控制等;宋苏(19632,男,博士,教授。一种鲁棒神经网络自适应控制策略及其应用李宁宁1,宋苏2(11北京工业大学人工智能与机器人研究所,北京100022;21国家自然科学基金委员会信息学部,北京100085摘要:针对具有外部干扰等不确定因素的离散未知非线性受控对象,提出了一种鲁棒神经网络自适应控制策略。该策略运用自适应预测及带遗忘因子的递推最小二乘参数估计的思想,对神经网络的预报输出进行修正,利用鲁棒反馈控制器保证系统稳定性,并对控制信号的增量进行限幅以抑制突变大幅值干扰信号对系统的影响。将提出的控制方法应用于实验室级液面系统的仿真中,结果表明了该控制策略的有效性。关键词:神经网络;模型参考自适应控制;自适应预测;液面系统:TP273文献标识码:ARobustNeuralNetworkAdaptiveControlSchemeandItsApplicationLINing2ning1,SONGSu2(1.InstituteofArtificialIntelligenceandRobotics,BeijingUniversityofTechnology,Beijing100022,China;2.DepartmentofInformationSciences,NationalNaturalScienceFoundationofChina,Beijing100085,ChinaAbstract:Arobustadaptivecontrolbasedonneuralnetworkforunknownnonlineardynamicalsystemswithboundeddisturbancesorunmodeleddynamicsisproposed.Itisrealizedusingadaptiveforecastingandtherecursiveforgettingfactorleastsquaremethod.Thestabilityofsystemisguaranteedbyarobustcontroller.Theincrementofcontrolsignalisrestrictedinaproperrange.Thisschemeisappliedtoalaboratory2scaleliquid2levelsystem,andtheresultsofsimulationshowtheeffectivenessoftheproposedscheme.Keywords:neuralnetwork;modelreferenceadaptivecontrol;adaptiveforecasting;liquid2levelsystem1引言近年来,由于神经网络所具有的良好的非线性映射能力、自学习适应能力和并行信息处理能力等,为解决复杂非线性系统的建模和控制等问题提供了很好的思路。然而,神经网络控制在实际中的应用大大受阻,原因之一是在实际的工业控制中,大量的干扰等不确定因素广泛存在,使系统的控制效果等受到影响,甚至失去稳定性。因此,提高神经网络控制系统的鲁棒性变得十分重要,而目前在此领域的研究成果还比较少见。本文基于神经网络模型参考自适应控制,提出了一种鲁棒神经网络自适应控制策略。2鲁棒神经网络自适应控制策略的设计考虑到实际的受控对象多为具有不确定因素的未知非线性系统,本文以间接型神经网络模型参考自适应控制为基础,提出了一种鲁棒神经网络自适应控制策略,其控制结构如图1所示。图1提出的鲁棒神经网络自适应控制策略的结构Fig11Structureoftheproposedrobustneuralnetworkadaptivecontrol图中,两个神经网络分别作为辨识器NNI和控制器NNC。为提高系统鲁棒性,采用对辨识误差进行自适应预测的方法,并通过一个鲁棒反馈控制器RC保证系统稳定性。yp,y^,ym分别为受控对象、NNI和参考模型的输出;un和ur分别为NNC和RC的输出;ξ为干扰输入。假设具有外部干扰或未建模动态的SISO离散非线性受控对象采用如下的NARMA模型描述[1]:yp(k+1=f[yp(k,yp(k-1,…,yp(k-n+1,u(k,u(k-1,…,u(k-m+1]+ξ(k+1(1式中,u(k和yp(k分别为受控对象在k时刻的输入和实际输出;m和n分别为输入时间序列和输出时间序列的阶次,m≤n;f:Rm+n→R为未知的非线性函数。1控制策略因神经网络模型参考自适应控制NNMRAC的控制效果在很大程度上取决于神经网络辨识器的辨识精度和神经网络控制器的学习情况,而考虑到实际控制系统中存在的大量不确定因素,及控制系统的实时性要求,对神经网络不能无止境地进行在线训练直至其收敛。本文采用对辨识误差进行建模和预测的方法,修正神经网络的训练数据,有效地弥补了神经网络在此方面的缺陷。通过对前p个采样周期中辨识器NNI所产生的辨识误差[Δy(k,Δy(k-1,…,Δy(k-p+1]进行建模。其中:Δy(k...