CN117806160A - 一种未知动态环境下非线性系统的多模式神经控制方法 - Google Patents
一种未知动态环境下非线性系统的多模式神经控制方法 Download PDFInfo
- Publication number
- CN117806160A CN117806160A CN202310570156.2A CN202310570156A CN117806160A CN 117806160 A CN117806160 A CN 117806160A CN 202310570156 A CN202310570156 A CN 202310570156A CN 117806160 A CN117806160 A CN 117806160A
- Authority
- CN
- China
- Prior art keywords
- control
- dynamic
- performance
- controller
- neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种未知动态环境下非线性系统的多模式神经控制方法，涉及非线性控制系统技术领域，本发明通过采用多模式控制方法，探索动态模式识别机制，分析识别速度与系统性能之间关系的内在规律，模拟人对控制动作的快速学习和重复能力，从而实现类人的高性能低功耗控制。针对系统参数突变等有限个控制模式，基于确定学习机制，分别设计自适应控制器实现闭环稳定性和跟踪性能，并将所辨识的控制系统动态存储于常值的径向基函数网络，构建高性能控制器集合；构建动态监测系统和动态模式识别器，模拟人对控制动作的准确快速识别；根据识别结果，选取基于模式的高性能控制器，实现类人的高性能低功耗控制。
Description
技术领域
本发明涉及非线性控制系统技术领域，具体为一种未知动态环境下非线性系统的多模式神经控制方法。
背景技术
机器人机械臂的控制涉及到非线性控制系统，非线性控制系统中模式识别，结合自适应，学习和自组织系统在20世纪60年代得到广泛的研究。通过把控制模式定义为由一组状态变量表示的控制情形，控制模式中的信息，即控制情形，在闭环控制过程中得到学习，然后被用作控制经验。随后，提出了对不同控制情形进行分类的模式识别方法。根据分类结果，对应于特定控制情形的经验控制器被选择用于控制当前系统。如前所述，该过程与人类轻松完成熟练的控制动作类似。
上述问题提供了一个新的研究方向，但在技术领域实现时存在如下挑战：动态环境下的学习可能是自适应和学习控制领域最困难的问题。基于神经网络的非线性动态逼近能力，自适应神经控制已取得了大量的研究成果。
然而，关于自适应神经控制的现有研究成果主要关注于控制系统的稳定性以及跟踪性能，神经网络(neural network,NN)逼近的效果可能与系统真实的非线性特性存在差距，因此，自适应控制的学习能力实际上非常有限，因为持续激励(persistent exciting,PE)条件通常得不到满足，并且不能实现参数估值收敛到其真实或最佳值。
发明内容
本发明针对现有技术中存在的问题，基于确定性学习理论，将研究未知动态环境下严格反馈非线性系统的多模式神经控制中的几个关键技术，用于解决多模式切换下具有不确定性的非线性时滞系统的快速决策与控制性能问题。多模式切换下的神经网络控制方法将非线性系统辨识中的持续激励条件满足、智能控制中的自主学习、动态模式的快速识别、基于动态模式的控制等不同领域的研究有机地联系起来构建统一框架。该方法涉及到高性能控制器集的构建，控制情形(动态模式)在线识别，基于模式的控制器选取，以及时滞系统的稳定性等方面。所执行的基于模式的控制过程与人类对重复性任务的高效执行过程类似。
本发明提供的一种未知动态环境下非线性系统的多模式神经控制方法，包括以下步骤：
基于确定性学习理论和动态面控制方法，选择对于机器人机械臂非线性系统的自适应神经网络控制方案，针对机器人机械臂非线性系统的各个严反馈子系统的闭环动态进行建模；
针对各个严反馈子系统组成的闭环模型集合，构建基于相应控制情形的常值高性能神经控制器集；
将常值高性能神经控制器集中的任一常值静态控制器u作为输入的系统动态进行神经网络建模，并将嵌入了作为中间变量的系统的辨识结果以时不变且空间分布的方式表达，以常值径向基函数网络神经网络权值的方式存贮起来，构建动态监测系统；
基于动态监测系统，根据定义的不匹配函数对残差范数影响的关系式构建动态模式识别器；
基于动态模式识别器，识别出控制模式，根据控制模式选择高性能神经控制器集中的高性能神经控制器，执行对当前机器人机械臂非线性系统的控制。
进一步的，所述常值高性能神经控制器集的构建，具体包括以下步骤：
运用状态和参数联合方法设计神经网络调节方法；
运用确定性学习理论和动态面控制方法，使得被学习系统满足部分持续激励条件，实现部分权值的准确收敛；
权值收敛后取平均值，获得常值神经网络；
利用常值神经网络构建常值高性能神经控制器集。
进一步的，所述动态监测系统的构建，具体包括以下步骤：
将常值高性能神经控制器集中的任一常值静态控制器作为中间变量构建估计器模型；
运用状态和参数联合方法设计神经网络调节方法；
运用确定性学习理论和动态面控制方法，使得被学习系统满足部分持续激励条件，实现部分权值的准确收敛；
基于估计器模型，利用常值神经网络构建动态监测系统。
进一步的，所述动态模式识别器的构建，具体包括以下步骤：
定义多个模式的不匹配函数；
建立不匹配函数对残差范数影响的关系式；
基于动态监测系统，根据定义的不匹配函数对残差范数影响的关系式构建动态模式识别器。
进一步的，将所述动态面控制方法与所述确定性学习理论结合，通过引入一阶低通滤波器，将滤波器的输出量作为神经网络的输入量，解决对非线性系统进行建模时的计算负担问题。
进一步的，所述不匹配函数的定义，具体包括：
不同的控制情形之间的不匹配函数定义为，沿着子系统的轨迹两种不同的控制情形之间的差异；
被监测子系统与控制情形估计器之间的不匹配函数定义为，沿着被监测子系统的轨迹，被监测子系统的控制情形与失配的控制情形的常数神经网络之间的差异。
进一步的，本发明提供的一种未知动态环境下非线性系统的多模式神经控制方法，还包括：
利用动态监测系统和动态模式识别器对控制情形进行识别时，针对由于控制器切换和时滞带来的异步切换问题，通过引入预测项和Lyapunov-Krasovskii泛函，将原全状态时滞系统转化为无时滞系统，建立了与时滞无关的控制器，降低学习参数的复杂性，降低对多个模式切换下的非线性系统控制性能影响。
与现有技术相比，本发明提供的一种未知动态环境下非线性系统的多模式神经控制方法，其有益效果是：
本发明通过采用多模式控制方法，探索动态模式识别机制，分析识别速度与系统性能之间关系的内在规律，模拟人对控制动作的快速学习和重复能力，从而实现类人的高性能低功耗控制。针对系统参数突变等有限个控制模式，基于确定学习机制，分别设计自适应控制器实现闭环稳定性和跟踪性能，并将所辨识的控制系统动态存储于常值的径向基函数网络，构建高性能控制器集合；构建动态监测系统和动态模式识别器，模拟人对控制动作的准确快速识别；根据识别结果，选取基于模式的高性能控制器，实现类人的高性能低功耗控制。
附图说明
图1为本发明提供的一种未知动态环境下非线性系统的多模式神经控制方法的技术路线图；
图2为本发明提供的一种未知动态环境下非线性系统的多模式神经控制方法的技术实现图；
图3为本发明提供的一种未知动态环境下非线性系统的多模式神经控制方法的实现方案图；
图4为本发明提供的高性能控制器集构建的流程图。
具体实施方式
下面结合附图1-4，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1：结合图1-4，本发明提出了一种未知动态环境下非线性系统的多模式神经控制方法。
图1给出了不确定非线性系统基于模式的神经控制总体技术路线图，包含高性能控制器集构建、动态监测系统构建、控制情形在线识别以及基于模式的控制器选取四个阶段，这四个阶段存在如图1所示有机联系。
在图1中，包含高性能控制器集、动态监测系统、在线识别机制模块。具体实现过程如下：①高性能控制器集构建：这是闭环反馈控制过程中第一个层次的知识获取过程。基于确定学习以及动态面技术，选择合适的自适应神经网络控制方案实现在不同的控制情形下，针对严反馈子系统的闭环动态进行建模，即在跟踪控制过程中实现对严反馈子系统的闭环系统动态知识的准确获取(知识库Ⅰ)；针对所考虑的各个严反馈子系统组成的闭环模型(即控制情形)集合，构建基于相应控制情形的常值高性能神经控制器集。②动态监测系统构建：这是闭环反馈控制过程中第二个层次的知识获取过程。通过引入常值静态控制器u作为输入的系统动态进行神经网络建模/辨识，然后把嵌入了u作为中间变量的系统的辨识结果以时不变且空间分布的方式有效地表达，以常值径向基函数网络神经网络权值的方式存贮起来(知识库Ⅱ)。③在线识别机制：利用知识库Ⅱ获取的知识实现快速识别。利用知识库Ⅱ的知识构建动态监测系统，根据定义的不匹配函数对残差范数影响的关系式构建动态模式识别器可实现对不同控制情形的有效识别(知识库Ⅱ的利用)。最终，当相同或相似的控制任务或控制情形出现时，基于对当前控制情形的准确、快速识别结果，选择适合当前控制情形的静态控制器可实现高性能、低功耗控制(知识库Ⅰ的利用)，具体实现如图2所示。
项目总体的实现方案如图3所示，未知动态环境下非线性系统的多模式神经控制方案实现如下：
(1)有限控制模式产生与高性能控制器集构建
为实现对某一特定控制模式下的严反馈非线性系统构成的闭环控制系统动态进行局部准确辨识，可将确定学习理论以及动态面控制方法相结合。
本发明考虑将动态面控制方法引入到确定学习理论当中，即通过引入一阶低通滤波器，将滤波器的输出量作为神经网络的输入量来解决用反演法对非线性系统进行建模时的计算负担难题。
将每一种控制条件下对严反馈非线性系统动态的逼近结果以常值神经网络权值的方式表达和存储，用于构建相应控制情形下的高性能控制器，在相似或相同控制情形出现时，对于重现的控制情形，一旦NN输入进入到训练区域内，先前训练的RBF神经网络能立即提供对该控制条件下的非线性闭环系统动态的准确近似。与其他自适应方法不同，所设计控制器为静态控制器，不适应参数变化，控制性能较高，高性能控制器集产生方案如图4所示。
(2)控制模式在线识别机理研究
由传感器失效或系统参数突变产生的各种控制情形，本质上是由多个不同严反馈子系统构成的闭环模型，闭环模型未知且还受到内嵌控制器的影响，这给判断当前系统是否发生控制模式的改变造成很大的困难。首先，运用非线性动态系统的定性分析，将不同的控制情形之间的不匹配函数定义为，沿着子系统的轨迹两种不同的控制情形之间的差异。在识别过程中，运用控制情形动态估计器组表示各种已训练的不同控制情形。为了分析被监测控制情形的发生能否得到有效识别，将被监测子系统(运行于当前控制条件下的系统)与控制情形估计器之间的不匹配函数定义为，沿着被监测子系统的轨迹，被监测子系统的控制情形与失配的控制情形的常数神经网络之间的差异。本发明采取如下方法实现对控制情形的快速有效识别：①首先基于可行性和稳定性分析确定辨识模型集(控制情形库)的大小和分布；②采用反步设计过程中将确定学习理论以及动态面控制方法相结合的控制策略，建立针对不同辨识模型(控制情形)的常值静态NN控制器集，在所得到的常值高性能控制器集中,任意选择一个常值静态控制器(表示u)作为运算控制器进行建模，这将对控制情形的快速有效识别发挥重要作用；③对处于控制情形集合中不同工作条件下并由常值控制器u作为输入的系统，进行神经网络建模。注意到此时u可认为是构成非线性函数的变量，然后把嵌入了u作为中间变量的系统的辨识结果以时不变且空间分布的方式有效地表达，以常值径向基函数网络神经网络权值的方式存贮起来，从而构建一组针对不同控制情形的动态估计器组，即动态监测系统；④定义被监测子系统与控制情形估计器之间的不匹配函数，确定不匹配函数对残差范数影响的关系式，利用该关系式构建动态模式识别器，即可实现对当前控制系统的有效识别，且速度很快。
(3)多模式切换下非线性系统的性能分析及保障
利用动态监测系统和动态模式识别器对控制情形进行识别时，会导致由于控制器切换和时滞带来的异步切换问题，其对多个模式切换下的非线性系统控制性能影响较大。在时间域的大部分区间里，系统都运行在较小时滞情况下，也就是说，时滞界在一定的范围内。但是，在某一些时间区间内，时滞可能是非常大的。比如，在网络化控制系统中，由于零阶保持器的应用以及连续地信息丢包，在一些局部时间段里，会出现大时滞情况。另外，在控制器失效问题的研究中，控制器或者执行器失效可能会导致局部的大时滞时段的发生。首先需弄清在切换时滞下，切换系统连续和离散动态间的作用机理和动态规律，进而获取时滞程度度量和抑制的解决方案，并需要分析与设计没有直接可借鉴的有效工具和方法。通过引入预测项和Lyapunov-Krasovskii泛函，将原全状态时滞系统转化成了无时滞系统，建立了与时滞无关的控制器，降低了学习参数的复杂性，对本项目具有一定的借鉴意义。此外，小时滞和大时滞系统下的输入状态稳定性分析思路以及采用预测器控制技术也有助于该问题的解决。
(4)多模式神经控制应用于机械臂系统进行实验验证
首先，将机器人机械臂系统转化为严反馈非线性系统；其次，以两联杆机械臂为数值仿真实例，选取目前流行的机械臂参数值，并生成三种控制情形对机械臂任务空间进行切换，验证对机械臂系统的辨识效果，以及在多任务空间切换时机械臂系统的识别能力和控制性能；接着，选取目前较流行的4个或6个自由度的柔性机械臂进一步验证，选取机械臂实际参数值，并生成五种任务空间参考模式，验证对这种复杂机械臂辨识效果，以及在多任务空间切换时机械臂系统的识别能力和控制性能。系统评价主要从机械臂的准确学习能力，跟踪精度，响应速度，以及对切换参考任务的识别快慢来进行评价。
综合来看，与现有技术相比，本发明提供的一种未知动态环境下非线性系统的多模式神经控制方法，具有以下的有益效果：
本发明通过采用多模式控制方法，探索动态模式识别机制，分析识别速度与系统性能之间关系的内在规律，模拟人对控制动作的快速学习和重复能力，从而实现类人的高性能低功耗控制。首先针对系统参数突变等有限个控制模式，基于确定学习机制，分别设计自适应控制器实现闭环稳定性和跟踪性能，并将所辨识的控制系统动态存储于常值的径向基函数网络，构建的高性能控制器集合。其次，构建动态监测系统和动态模式识别器，模拟人对控制动作的准确快速识别。然后，根据识别结果，选取基于模式的高性能控制器，实现类人的高性能低功耗控制。最后，考虑到控制器切换和时滞带来的异步切换问题，研究切换故障对切换系统稳定性和总体性能的影响，获取抑制和改善方法。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种未知动态环境下非线性系统的多模式神经控制方法，其特征在于，包括以下步骤：
基于确定性学习理论和动态面控制方法，选择对于机器人机械臂非线性系统的自适应神经网络控制方案，针对机器人机械臂非线性系统的各个严反馈子系统的闭环动态进行建模；
针对各个严反馈子系统组成的闭环模型集合，构建基于相应控制情形的常值高性能神经控制器集；
将常值高性能神经控制器集中的任一常值静态控制器作为输入的系统动态进行神经网络建模，并将嵌入了作为中间变量的系统的辨识结果以时不变且空间分布的方式表达，以常值径向基函数网络神经网络权值的方式存贮起来，构建动态监测系统；
基于动态监测系统，根据定义的不匹配函数对残差范数影响的关系式构建动态模式识别器；
基于动态模式识别器，识别出控制模式，根据控制模式选择高性能神经控制器集中的高性能神经控制器，执行对当前机器人机械臂非线性系统的控制。
2.如权利要求1所述的一种未知动态环境下非线性系统的多模式神经控制方法，其特征在于，所述常值高性能神经控制器集的构建，具体包括以下步骤：
运用状态和参数联合方法设计神经网络调节方法；
运用确定性学习理论和动态面控制方法，使得被学习系统满足部分持续激励条件，实现部分权值的准确收敛；
权值收敛后取平均值，获得常值神经网络；
利用常值神经网络构建常值高性能神经控制器集。
3.如权利要求1所述的一种未知动态环境下非线性系统的多模式神经控制方法，其特征在于，所述动态监测系统的构建，具体包括以下步骤：
将常值高性能神经控制器集中的任一常值静态控制器作为中间变量构建估计器模型；
运用状态和参数联合方法设计神经网络调节方法；
运用确定性学习理论和动态面控制方法，使得被学习系统满足部分持续激励条件，实现部分权值的准确收敛；
基于估计器模型，利用常值神经网络构建动态监测系统。
4.如权利要求1所述的一种未知动态环境下非线性系统的多模式神经控制方法，其特征在于，所述动态模式识别器的构建，具体包括以下步骤：
定义多个模式的不匹配函数；
建立不匹配函数对残差范数影响的关系式；
基于动态监测系统，根据定义的不匹配函数对残差范数影响的关系式构建动态模式识别器。
5.如权利要求1所述的一种未知动态环境下非线性系统的多模式神经控制方法，其特征在于，将所述动态面控制方法与所述确定性学习理论结合，通过引入一阶低通滤波器，将滤波器的输出量作为神经网络的输入量，解决对非线性系统进行建模时的计算负担问题。
6.如权利要求1所述的一种未知动态环境下非线性系统的多模式神经控制方法，其特征在于，所述不匹配函数，其定义具体包括：
不同的控制情形之间的不匹配函数定义为，沿着子系统的轨迹两种不同的控制情形之间的差异；
被监测子系统与控制情形估计器之间的不匹配函数定义为，沿着被监测子系统的轨迹，被监测子系统的控制情形与失配的控制情形的常数神经网络之间的差异。
7.如权利要求1所述的一种未知动态环境下非线性系统的多模式神经控制方法，其特征在于，还包括：
利用动态监测系统和动态模式识别器对控制情形进行识别时，针对由于控制器切换和时滞带来的异步切换问题，通过引入预测项和Lyapunov-Krasovskii泛函，将原全状态时滞系统转化为无时滞系统，建立与时滞无关的控制器，降低学习参数的复杂性，降低对多个模式切换下的非线性系统控制性能影响。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310570156.2A CN117806160A (zh) | 2023-05-19 | 2023-05-19 | 一种未知动态环境下非线性系统的多模式神经控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310570156.2A CN117806160A (zh) | 2023-05-19 | 2023-05-19 | 一种未知动态环境下非线性系统的多模式神经控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117806160A true CN117806160A (zh) | 2024-04-02 |
Family
ID=90428638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310570156.2A Pending CN117806160A (zh) | 2023-05-19 | 2023-05-19 | 一种未知动态环境下非线性系统的多模式神经控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117806160A (zh) |
-
2023
- 2023-05-19 CN CN202310570156.2A patent/CN117806160A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112698572B (zh) | 一种基于强化学习的结构振动控制方法、介质及设备 | |
| Han et al. | Real-time model predictive control using a self-organizing neural network | |
| Han et al. | Adaptive computation algorithm for RBF neural network | |
| Chen et al. | Stabilization of adaptive neural network controllers for nonlinear structural systems using a singular perturbation approach | |
| Son | Level control of quadruple tank system based on adaptive inverse evolutionary neural controller | |
| Ribeiro | A tutorial on reinforcement learning techniques | |
| Vítor et al. | Imitation learning of a model predictive controller for real-time humanoid robot walking | |
| Herzallah et al. | A mixture density network approach to modelling and exploiting uncertainty in nonlinear control problems | |
| Derner et al. | Data-driven construction of symbolic process models for reinforcement learning | |
| Darus et al. | Parametric and non-parametric identification of a two dimensional flexible structure | |
| Zemouri et al. | Towards accurate and reproducible predictions for prognostic: An approach combining a RRBF network and an autoRegressive model | |
| Scheurenberg et al. | Data enhanced model predictive control of a coupled tank system | |
| Wijaya et al. | Long short-term memory (LSTM) model-based reinforcement learning for nonlinear mass spring damper system control | |
| CN117806160A (zh) | 一种未知动态环境下非线性系统的多模式神经控制方法 | |
| Siebel et al. | Learning neural networks for visual servoing using evolutionary methods | |
| Airikka | Advanced control methods for industrial process control | |
| Ma et al. | Improving forecasting accuracy of annual runoff time series using RBFN based on EEMD decomposition | |
| Caamaño et al. | Introducing synaptic delays in the NEAT algorithm to improve modelling in cognitive robotics | |
| Huang et al. | A curious learning model with ELM for fuzzy cognitive maps | |
| Minatohara et al. | The self-organizing adaptive controller | |
| Sun et al. | A modified neural network based predictive control for non-linear systems | |
| Hosen et al. | Prediction interval-based neural network controller for nonlinear processes | |
| Ahangarani Farahani et al. | Hybrid time delay Petri Nets as a mathematical novel tool to model dynamic system with current sample time | |
| Li et al. | Quantized neural modeling: hybrid quantized architecture in Elman networks | |
| Jurado et al. | Continuous-time neural identification for a 2 DOF vertical robot manipulator |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |