自動控制的智能控制理論階段2（BP神經(jīng)網(wǎng)絡(luò)控制）小華 <p class="ql-block"> 神經(jīng)網(wǎng)絡(luò)控制（Neural Network Control，NNC）是將人工神經(jīng)網(wǎng)絡(luò)與自動控制理論相結(jié)合的一種智能控制技術(shù)。利用神經(jīng)網(wǎng)絡(luò)強大的非線性逼近、自學(xué)習(xí)、自適應(yīng)、容錯能力，解決傳統(tǒng)經(jīng)典控制、現(xiàn)代控制難以處理的非線性、大滯后、參數(shù)時變、模型未知、強干擾復(fù)雜被控對象的控制問題。</p><p class="ql-block"> 傳統(tǒng)控制依賴精確數(shù)學(xué)模型，而神經(jīng)網(wǎng)絡(luò)控制基本不需要精準(zhǔn)建模，依靠在線學(xué)習(xí)調(diào)整控制參數(shù)，屬于典型無模型/弱模型智能控制。</p> <p class="ql-block"><b style="color:rgb(237, 35, 8);">一、神經(jīng)網(wǎng)絡(luò)特性</b></p><p class="ql-block"><b>任意非線性逼近能力</b>：單層隱含層神經(jīng)網(wǎng)絡(luò)可以逼近任意連續(xù)非線性函數(shù)，完美擬合復(fù)雜被控對象動力學(xué)特性。</p><p class="ql-block"><b>自學(xué)習(xí)、自適應(yīng)</b>：能夠根據(jù)系統(tǒng)輸出誤差不斷修正權(quán)值，自動適應(yīng)工況變化。</p><p class="ql-block"><b>并行信息處理</b>：運算速度快，適合實時控制。</p><p class="ql-block"><b>魯棒性強、抗干擾</b>：存在參數(shù)擾動、外界噪聲時控制效果穩(wěn)定。</p><p class="ql-block"><b>容錯性高</b>：局部節(jié)點失效不影響整體控制運行。</p> <p class="ql-block"><b style="color:rgb(237, 35, 8);">二、常用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)</b></p><p class="ql-block"><b style="color:rgb(1, 1, 1);">BP</b><b style="color:rgb(1, 1, 1); font-size:18px;">（Back-propagation）</b><b style="color:rgb(1, 1, 1);">神經(jīng)網(wǎng)絡(luò)</b><span style="color:rgb(1, 1, 1);">：多層前饋網(wǎng)絡(luò)，通用性強。</span><span style="color:rgb(1, 1, 1); font-size:18px;">BP反向傳播算法基于梯度下降修正網(wǎng)絡(luò)權(quán)值，多用于離線辨識、閉環(huán)控制。</span></p><p class="ql-block"><b>RBF徑向基神經(jīng)網(wǎng)絡(luò)：</b><span style="font-size:18px; color:rgb(51, 51, 51);">使用</span>徑向基函<span style="font-size:18px;">（</span><span style="font-size:18px; color:rgb(51, 51, 51);">Radial basis function）作為</span>激活函數(shù)，局部逼近，<span style="font-size:18px;">收斂速度快、計算量小、</span>實時性好，工業(yè)實時閉環(huán)控制主流。</p><p class="ql-block"><b>Elman遞歸神經(jīng)網(wǎng)絡(luò)</b>：<span style="color:rgb(51, 51, 51); font-size:18px;">具有局部記憶單元和局部反饋連接的遞歸神經(jīng)網(wǎng)絡(luò)</span>，適合滯后、動態(tài)時序系統(tǒng)控制。</p><p class="ql-block"><b>GRU/LSTM深度神經(jīng)網(wǎng)絡(luò)</b>：（<span style="color:rgb(0, 3, 17);">Gated Recurrent Unit /</span>? Long Short-Term Memory?<span style="color:rgb(0, 3, 17);">）應(yīng)用于非線性多變量系統(tǒng)、時序相關(guān)控制系統(tǒng)?，及</span>長滯后、強耦合復(fù)雜大型系統(tǒng)控制。</p><p class="ql-block"><b>遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)</b>：<span style="color:rgb(0, 3, 17);">遺傳算法利用全局搜索能力，解決傳統(tǒng)BP梯度下降法易陷入局部最優(yōu)、收斂慢的問題，能更高效找到控制器的全局最優(yōu)參數(shù)，提升復(fù)雜系統(tǒng)的控制性能。</span></p><p class="ql-block"><b>粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)</b>：<span style="color:rgb(0, 3, 17);">結(jié)合粒子群優(yōu)化（PSO）的BP神經(jīng)網(wǎng)絡(luò)可以自適應(yīng)在線調(diào)整PID的比例(P)、積分(I)、微分(D)三個參數(shù)，同時PSO的全局搜索能力能避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)，最終提升控制系統(tǒng)的穩(wěn)定性和控制精度。</span></p> <p class="ql-block"><b style="color:rgb(237, 35, 8);">三、神經(jīng)網(wǎng)絡(luò)控制工作原理</b></p><p class="ql-block">1. 采集系統(tǒng)給定輸入值與實際輸出反饋值。</p><p class="ql-block">2. 計算輸出偏差誤差。</p><p class="ql-block">3. 將誤差送入神經(jīng)網(wǎng)絡(luò)，通過權(quán)值更新算法反向?qū)W習(xí)。</p><p class="ql-block">4. 神經(jīng)網(wǎng)絡(luò)輸出控制量作用于被控對象。</p><p class="ql-block">5. 不斷循環(huán)迭代，縮小系統(tǒng)誤差，實現(xiàn)穩(wěn)定閉環(huán)控制。</p><p class="ql-block">本質(zhì)：<b>利用神經(jīng)網(wǎng)絡(luò)在線辨識系統(tǒng)模型+動態(tài)調(diào)節(jié)控制量。</b></p> <p class="ql-block"><b style="color:rgb(237, 35, 8);">四、BP神經(jīng)網(wǎng)絡(luò)</b></p><p class="ql-block"> 反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）是一種多層前饋式人工神經(jīng)網(wǎng)絡(luò)，也是應(yīng)用最經(jīng)典、最基礎(chǔ)的深度學(xué)習(xí)底層算法。</p><p class="ql-block"><b>標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的三層結(jié)構(gòu)：</b></p><p class="ql-block"><b>輸入層</b>：接收原始特征數(shù)據(jù)，神經(jīng)元數(shù)量等于輸入特征維度。</p><p class="ql-block"><b>隱藏層</b>：進行非線性特征映射，可以設(shè)置單層/多層隱藏層。</p><p class="ql-block"><b>輸出層</b>：輸出最終預(yù)測結(jié)果，分類/回歸任務(wù)對應(yīng)不同神經(jīng)元個數(shù)。</p><p class="ql-block"><b>結(jié)構(gòu)特點：</b>層與層之間全連接，同一層神經(jīng)元無連接；信號只能從輸入→隱藏→輸出單向前向傳播；依靠誤差反向傳播更新參數(shù)。以3-5-3的三層前饋網(wǎng)絡(luò)結(jié)構(gòu)如圖。</p> <p class="ql-block"><b>核心思想</b>：正向計算輸出，反向誤差傳播，梯度下降法修正各層權(quán)重，不斷迭代訓(xùn)練，讓模型預(yù)測值逼近真實值。</p> <p class="ql-block"><b style="font-size:18px;">常用三種</b><b>激活函數(shù)：</b></p><p class="ql-block"> BP神經(jīng)網(wǎng)絡(luò)必須引入非線性激活函數(shù)，否則多層網(wǎng)絡(luò)等價于單層線性擬合，失去擬合能力。</p><p class="ql-block"><b style="color:rgb(22, 126, 251);">1. Sigmoid（經(jīng)典BP首選）</b></p> <p class="ql-block">值域 (0, 1)，適合二分類、歸一化數(shù)據(jù)。</p><p class="ql-block"><b style="color:rgb(22, 126, 251);">2. Tanh</b></p> <p class="ql-block">值域 (- 1,1)，收斂速度更快。 </p><p class="ql-block"><b style="color:rgb(22, 126, 251);">3. ReLU</b></p><p class="ql-block"> ReLU(x) = max(0, x) </p><p class="ql-block">解決梯度消失，現(xiàn)代深層網(wǎng)絡(luò)主流。</p> <p class="ql-block"><b>BP算法具體步驟：</b></p><p class="ql-block"><b style="color:rgb(22, 126, 251);">1. 前向傳播（正向計算）</b></p><p class="ql-block">設(shè)：</p><p class="ql-block">?輸入層向量：xi </p><p class="ql-block">?輸入層到隱藏層權(quán)重：wij，偏置：bj </p><p class="ql-block">?隱藏層神經(jīng)元輸出：hj </p><p class="ql-block">?隱藏層到輸出層權(quán)重：wjk，偏置：bk </p><p class="ql-block">?輸出層預(yù)測值：yk </p><p class="ql-block"><b>隱藏層計算</b></p> <p class="ql-block"><b>輸出層計算</b></p> <p class="ql-block"><b style="color:rgb(22, 126, 251);">2. 損失函數(shù)（預(yù)測值與真實值誤差）</b></p><p class="ql-block">采用均方誤差損失函數(shù)</p> <p class="ql-block">tk 為真實值/目標(biāo)值，系數(shù)1/2 是為了求導(dǎo)方便消去常數(shù)。</p><p class="ql-block"><b style="color:rgb(22, 126, 251);">3. 反向傳播 (誤差回傳)</b></p><p class="ql-block"> 利用鏈?zhǔn)角髮?dǎo)法則，從輸出層往隱藏層逐層計算誤差梯度，更新權(quán)重。</p><p class="ql-block"><b> (1) 輸出層誤差梯度</b></p><p class="ql-block"> 由鏈?zhǔn)椒▌t，用損失函數(shù)對h的梯度計算誤差項。</p> <p class="ql-block"><b>(2) 隱藏層誤差梯度</b></p><p class="ql-block"><span style="font-size:18px;"> 由鏈?zhǔn)椒▌t，用損失函數(shù)對x的梯度計算誤差項。</span></p> <p class="ql-block"><b style="color:rgb(22, 126, 251);">4. 權(quán)重與偏置更新公式</b></p><p class="ql-block"> 采用梯度下降法迭代更新</p><p class="ql-block">學(xué)習(xí)率：η (控制每次參數(shù)修改幅度，一般取0.01~0.8，太大震蕩不收斂，太小訓(xùn)練極慢)</p> <p class="ql-block">①隱藏層→輸出層權(quán)重更新</p> <p class="ql-block">②輸入層→隱藏層權(quán)重更新</p> <p class="ql-block">③偏置更新</p> <p class="ql-block">循環(huán)迭代：重復(fù)3~6步，直到誤差小于設(shè)定閾值或達到最大迭代次數(shù)。</p> <p class="ql-block"><b style="color:rgb(237, 35, 8);">五、應(yīng)用舉例：單容水箱液位控制（神經(jīng)網(wǎng)絡(luò)PID）</b></p><p class="ql-block"><b style="color:rgb(22, 126, 251);">1、單容水箱被控對象特性</b></p><p class="ql-block"> 為一階慣性滯后非線性系統(tǒng)，出水流量和液位高度成平方根非線性關(guān)系。外界水流擾動大，普通固定PID參數(shù)適應(yīng)性差。</p><p class="ql-block">數(shù)學(xué)模型</p> <p class="ql-block">h(t)為水箱液位，u(t)為調(diào)節(jié)閥控制輸出</p><p class="ql-block"><b>傳統(tǒng)PID缺陷</b>：<span style="font-size:18px;">Kp(比例), Ki(積分), Kd(微分) </span>數(shù)值全程固定，當(dāng)水箱水流負(fù)荷改變后，控制精度變差，出現(xiàn)超調(diào)與穩(wěn)態(tài)誤差。</p><p class="ql-block"><b>神經(jīng)網(wǎng)絡(luò)PID優(yōu)勢</b>：利用BP神經(jīng)網(wǎng)絡(luò)實時在線修正三組PID參數(shù)，實現(xiàn)液位自適應(yīng)控制。</p> <p class="ql-block"><b style="color:rgb(22, 126, 251);">2、神經(jīng)網(wǎng)絡(luò)PID整體控制結(jié)構(gòu)</b></p><p class="ql-block">整體串聯(lián)結(jié)構(gòu)：液位設(shè)定值r → 液位偏差e(k) → BP神經(jīng)網(wǎng)絡(luò) → 動態(tài)整定<span style="font-size:18px;">Kp, Ki, Kd </span>→ 數(shù)字PID控制器 → 電動調(diào)節(jié)閥輸出 → 單容水箱對象 → 液位反饋采集</p><p class="ql-block">采用標(biāo)準(zhǔn)三層BP神經(jīng)網(wǎng)絡(luò)：</p><p class="ql-block">①輸入層：3個神經(jīng)元</p><p class="ql-block">②隱藏層：6個神經(jīng)元（單容水箱標(biāo)準(zhǔn)配置）</p><p class="ql-block">③輸出層：3個神經(jīng)元，分別輸出<span style="font-size:18px;">Kp, Ki, Kd</span></p> <p class="ql-block"><b style="color:rgb(22, 126, 251);">3、定義離散采樣變量</b></p><p class="ql-block"> 設(shè)系統(tǒng)采樣周期為T</p> <p class="ql-block"><b style="color:rgb(22, 126, 251);">4、具體步驟</b></p><p class="ql-block"><b>第一步：神經(jīng)網(wǎng)絡(luò)輸入層計算</b></p><p class="ql-block">選取三個狀態(tài)量作為網(wǎng)絡(luò)輸入：</p> <p class="ql-block"> 輸入層直接完成數(shù)據(jù)傳輸，無激活函數(shù)運算。</p><p class="ql-block"><b>第二步：隱藏層正向傳播計算</b></p><p class="ql-block"> 隱藏層神經(jīng)元輸入：</p> <p class="ql-block"><b>第三步：輸出層正向傳播，得到PID三個參數(shù)</b></p><p class="ql-block"> 輸出層神經(jīng)元輸入：</p> <p class="ql-block"><b>第四步：增量式PID液位控制運算</b></p><p class="ql-block"> 單容水箱工程全部使用增量式PID，防止積分飽和，液位波動更加平緩。</p> <p class="ql-block">閥門總控制輸出:</p> <p class="ql-block"> 同時對控制輸出做上下限幅處理，限制閥門開合范圍，避免設(shè)備損壞。</p><p class="ql-block"><b>第五步：損失函數(shù)（誤差函數(shù)）</b></p><p class="ql-block"> 以液位偏差最小為優(yōu)化目標(biāo)</p> <p class="ql-block"> 神經(jīng)網(wǎng)絡(luò)通過梯度下降法不斷最小化損失函數(shù)J。</p><p class="ql-block"><b>第六步：反向傳播權(quán)重更新</b></p><p class="ql-block"> 輸出層權(quán)值修正：</p> <p class="ql-block">隱藏層權(quán)值修正</p> <p class="ql-block">權(quán)值迭代更新</p> <p class="ql-block"> 閾值采用相同方式同步更新，完成一次神經(jīng)網(wǎng)絡(luò)參數(shù)自學(xué)習(xí)。</p><p class="ql-block"><b>單容水箱神經(jīng)網(wǎng)絡(luò)PID步驟總結(jié)：</b></p><p class="ql-block">?傳感器實時采集當(dāng)前水箱實際液位高度h(k)；</p><p class="ql-block">?計算液位偏差以及偏差變化相關(guān)數(shù)據(jù)；</p><p class="ql-block">?將誤差數(shù)據(jù)送入BP神經(jīng)網(wǎng)絡(luò)輸入層；</p><p class="ql-block">?經(jīng)過前向傳播計算，實時更新動態(tài)<span style="font-size:18px;">Kp, Ki, Kd；</span></p><p class="ql-block">?帶入增量式PID公式，計算調(diào)節(jié)閥控制量；</p><p class="ql-block">?輸出信號作用于單容水箱被控對象；</p><p class="ql-block">?采集反饋液位誤差，進行神經(jīng)網(wǎng)絡(luò)反向?qū)W習(xí)、權(quán)值迭代；</p><p class="ql-block">?等待采樣周期結(jié)束，進入下一輪循環(huán)閉環(huán)控制；</p> <p class="ql-block"><b style="color:rgb(237, 35, 8);">六、優(yōu)缺點分析</b></p><p class="ql-block"><b>優(yōu)點：</b></p><p class="ql-block">?不依賴精確的系統(tǒng)數(shù)學(xué)模型；</p><p class="ql-block">?對非線性、時變、強耦合系統(tǒng)控制效果優(yōu)異；</p><p class="ql-block">?具備在線自學(xué)習(xí)能力，工況改變可自動調(diào)節(jié)；</p><p class="ql-block">?抗干擾能力強，系統(tǒng)魯棒性高；</p><p class="ql-block">?可以和PID、滑模、模糊控制任意結(jié)合。</p><p class="ql-block"><b>缺點：</b></p><p class="ql-block">?存在訓(xùn)練收斂速度慢的問題；</p><p class="ql-block">?容易陷入局部最優(yōu)解；</p><p class="ql-block">?理論穩(wěn)定性證明相較于傳統(tǒng)控制更困難；</p><p class="ql-block">?嵌入式工程實現(xiàn)難度稍大，運算量高于普通PID。</p> <p class="ql-block"><b style="color:rgb(237, 35, 8);">七、實際工程應(yīng)用場景</b></p><p class="ql-block">工業(yè)過程控制：水溫、壓力、液位、化工發(fā)酵過程控制。</p><p class="ql-block">電機伺服控制：永磁同步電機調(diào)速、高精度運動控制。</p><p class="ql-block">機器人控制：機械臂軌跡跟蹤、姿態(tài)控制</p><p class="ql-block">新能源領(lǐng)域：風(fēng)電、光伏并網(wǎng)控制。</p><p class="ql-block">航空航天：飛行器姿態(tài)自適應(yīng)控制。</p><p class="ql-block">智能汽車：車輛懸架控制、自動駕駛軌跡追蹤。</p>