第九章神经网络故障诊断
9.1 引言
人工神经网络（Artificial Neural Network--ANN）是由大量简单的处理单元广泛连接组成的复杂网络，是在现代生物学研究人脑组织所取得的成果基础上提出的，用以模拟人类大脑神经网络结构和行为。目前，尽管ANN还不是人脑神经网络系统的真实写照，而只是对其作某种简化、抽象和模拟，但对ANN的研究成果已显示了ANN具有人脑功能的基本特征：学习、记忆和归纳。
ANN是一个高度复杂的非线性动力学系统。由于其具有大规模并行性、冗余性、容错性、本质非线性及自组织、自学习、自适应能力，已经成功地应用到许多不同的领域。控制领域也成为其中之一。
其实，早在40年代，Wiener提出的控制论（Cybernetics），指的是包括数学、工程、生理和心理成果而实现人机协同这样一种理想境界。只不过生理和心理学成果在控制界一直未受重视而已。1986高峰会议，面对控制界存在的、难以用现存的成熟理论解决的问题：非线性性、复杂性、时变性，专家们提出了这样的想法：“能否从生物研究得到启发来设计出更好的机器？能否用生物行为作为判断工程系统品质的基准？控制论观点能否再次为我们提供新的思想源泉？…心理学对人类大脑如何协调全身几百个自由度运动的问题已进行了长期的研究，是否应当有所借鉴？…”。从此，在控制界兴起了神经网络热。
那么，究竟ANN用于自动控制有那些优越性呢?
(1) ANN可以处理那些难于用数学模型或规则描述的过程或系统，解决那些目前“只可意会，不可言传”的问题。
(2) ANN是本质的并行结构，在处理实时性要求高的自动控制领域显示出极大的优越性。
(3) ANN是本质非线性系统，给非线性控制系统的描述带来了统一的数学模型。
(4) ANN具有很强的信息综合能力，能同时处理大量不同类型的输入，能很好地解决输入信息之间的互补性与冗余性问题。因此，它在多变量、大系统及复杂系统的控制上有明显的优越性。
近几年，在控制界，先后出现了ANN系统辨识、ANN非线性控制、ANN学习控制及ANN自适应控制等。主要被用于机器人控制、工业程控等领域。
9.2 神经网络特性简述
目前，有关神经网络的研究仍在不断的发展之中，很多种神经网络模型已被给出。但到目前为止，研究和使用最多的神经网络模型是采用BP算法的前向传播模型，亦称BP网络。
BP网络的学习过程是一种误差修正型学习算法，它由正向传播和反向传播组成。在正向传播过程中，输入信号从输入层通过作用函数后，逐层向隐含层、输出层传播，每一层神经元状态只影响下一层神经元状态。如果在输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的连接权值，使得输出误差信号最小。Ruelhart等人在1986年提出的一般Delta法则，即反向传播（BP）算法，使BP网络出现生机。之后，很多人对其进行了广泛的研究和应用。一些研究者分别证明了前传神经网络的映
像能力、记忆能力和泛化能力。Funashi 和Hecht-Nielsen(1989年)分别证明了随着隐单元的增加，三层网络所实现的映像可以一致逼近紧集上的连续函数或按L2范数逼近紧集上平方可积的函数。揭示了三层网络丰富的实现映像能力。应行仁(1990年)详细分析三层神经网络的记忆机制，指出具有足够多隐单元的三层神经网络可以记忆任给的样本集。泛化用来表征网络对不在训练集中的样本仍能正确处理的能力，实际上是一种内部插值或外部插值行为。Harris 等讨论了三层网络的泛化能力，指出三层神经网络有一定的泛化能力，可进一步用双BP 算法提高其泛化能力。
9.3 基于内部回归神经网络的故障诊断
9.3.1 IRN 网络结构
内部回归神经网络(Internally Recurrent Net,IRN)是利用网络的内部状态反馈来描述系统的非线性动力学行为。构成回归神经网络模型的方法有很多，但总的思想都是通过对前馈神经网络中加入一些附加的和内部的反馈通道来增加网络本身处理动态信息的能力，克服BP 网络固有的缺点[6]。
图9.1 IRN 网络结构
图9.1给出了一种IRN 网络模型的结构，它由3层节点组成：输入层节点、隐层节点和输出节点，两个模糊偏差节点分别被加在隐层和输出层上，隐层节点不仅接收来自输入层的输出信号，还接收隐层节点自身的一步延时输出信号，称为关联节点。
设NH 和NI 分别为隐节点数和输入节点数（除模糊偏差节点），)(k I j 是IRN 在时间k 的第j 个输入，)(k x j 是第j 个隐层节点的输出，)(k Y 是IRN 的输出向量，则IRN 可由下列数学公式描述：
∑∑∑===++-==+=NH
i NI
i jbias
i ij i ij j j j NH
j bias
j j WI k I WI k x WR k S k S k x WO k x WO k Y 1
1
1
)()1()())
(()()()(σ （9.1）
式中，)(k σ是隐层节点的非线性激活函数，WI 、WR 、WO 分别为从输入层到隐层、
输
入
输
出
计算节点关联节点（单元）模糊偏差单元输入单元
回归信号、从隐层到输出层的权系数，bias W I 、bias W O 分别为加在隐层和输出层上的模糊偏差单元的权系数。由方程(2.1)可以看出，隐层节点的输出可以视为动态系统的状态，IRN 结构是非线性动态系统的状态空间表示。IRN 的隐层节点能够存储过去的输入输出信息。
9.3.2 基于IRN 的故障诊断方法
神经网络故障诊断模型，主要包括三层：
①输入层，即从实际系统接收的各种故障信息及现象。
②中间层，是把从输入层得到的故障信息，经内部的学习和处理，转化为针对性的解决办法。
③输出层，是针对输入的故障形式，经过调整权系数ij W 后，得到的处理故障方法。 简而言之，神经网络模型的故障诊断就是利用样本训练收敛稳定后的节点连接权值，向网络输入待诊断的样本征兆参数，计算网络的实际输出值，根据输出值的模式，确定故障类别。图9.2表示基于神经网络的故障分类诊断的一般流程图。
图9.2 神经网络故障诊断流图
用IRN 网络来实现故障分类。IRN 网络输入层有5个神经元对应5个测试点，输出层有5个神经元，隐层有10个神经元，其它关联节点和偏差单元的结构配置与图9.1相类似。
以测试编码作为网络输入，以故障编码作为网络输出，第一层学习率 为 1.5，第二层学习率为1.5，输入偏差学习率为1.0，输出偏差学习率为3000，网络学习到第7步，其精度优于0.01，图9.3为IRN 网络误差的收敛结果。将训练好的网络冻结，以测试编码为输入，使网络处于回想状态，回想结果如表9.1所示。
表9.1 IRN 网络对训练模式的回想结果
测点信息
图9.3 训练误差曲线
9.3.3 IRN网络的故障诊断方法在航天器电源分系统故障诊断中的应用
(1) 航天器电源系统的故障树模型
通常航天器的故障检测与诊断是以航天器的遥测参数为依据进行的故障判别和分析，航天器的测点将不同程度地反映出故障，但是，由于一个故障可能影响多个测点参数，因此给专家对航天器故障的分析带来麻烦。
故障树是关于系统结构、功能和行为方面知识的定性因果模型。它是以某一故障事件为根结点，以该故障发生的前提条件为子结点，测点信息为子结点而建立的反映事件逻辑与或关系的倒树状结构图。从故障诊断角度看，子结点事件是父结点事件的征兆，也是确定父结点事件发生的前提条件，于是可采用IF—THEN的产生式规则来表示其定性的因果关系，即IF“子事件”THEN“父事件”。因此，故障树分析是一种面向对象的、以故障为中心的分析方法。本文以主电源光照区母线电压过压为根结点，建立故障树，主电源光照区母线电压过压故障树如图9.4所示。
(2) IRN网络在航天器电源系统故障诊断中的应用
依据上述故障树模型，建立主电源光照区母线电压过压测试编码和故障编码的描述如表9.2所示，用IRN网络来实现故障分类，IRN网络输入层有12个神经元对应12个测试点，输出层有4个神经元，隐层有20个神经元，其它关联节点和偏差单元的结构配置与图1相类似。
以表9.2中测试编码作为网络输入，以故障编码作为网络输出；IRN网络的第一层学习率 为1.5，第二层学习率为1.7；输入偏差学习率为1.0，输出偏差学习率为3500；网络学习到第6步，其精度优于0.02。将训练好的网络冻结，仿真测试，诊断结果如表9.3所示。
图9.4 主电源光照母线电压过压故障树
表9.2 主电源光照区母线电压过压故障编码表
表9.3 IRN网络对训练模式的回想结果
9.4 基于Hopfield神经网络的故障诊断
9.4.1 Hopfield神经网络描述
众所周知，非物质循环的神经网络，无输出至输入的反馈，它保证了网络的稳定性，不会使网络的输出陷入从一个状态到另一个状态无限的遨游，而永不产生一个输出的结果。
循环神经网络具有输出到输入的连续，网络在接受输入之后，有一个状态不断变化的过程，从计算输出到对它修正后作为输入，然后又计算输出，这一过程一次次重复地进行。对一个稳定的网络，这个步骤迭代的过程产生越来越小的变动，最后达到平衡状态，输出一个固定的值。
对不稳定的网络，有许多有趣的性质，它适用于一类混沌系统，这里仅讨论稳定的神经网络。
目前尚未找到预测稳定性问题的通用方法，这给确定哪一类网络是稳定的研究带来了困难。幸运的是，1983年Cohen等提出一个强有力的网络理论，定义了一类稳定的循环网络，这就给研究这个问题打开了大门，是更多研究者可探索这个复杂的问题。Hopfield对循环网络在理论和应用两方面均作出了重要贡献，有些神经网络已被称为Hopfield网络。
Hopfield最早提出的网络采用了二值神经元，后来推广到多值的。先介绍二值的网络，考虑单层循环网络。如图9.5所示，第0层如前所述，无计算功能，仅起网络的输出作用，分布的作为第一层的输入信息。第一层的每一神经元，计算输入权值累加和，经非线性函数F的作用后，产生输出信息，这里的函数F是一个简单的阈值函数，阈值为，神经元的计算规则可用下式表示
1,0,,j ij j j
i j
j j
j j j
j j
X w y x X y X X θθθ≠=+?>??
=
1
y 2
y m
y 第0层第1层
图9.5 单层循环神经网络
这类Hopfield 网络在什么情况下是稳定的呢？1983年科思和葛劳斯伯格证明：如果网络的权值矩阵W 是对称的，即当i j ≠时，ij ji w w =;而当i j =时，=0ij w ,则该循环网络是稳定的，Hopfield 引入李雅普诺夫函数或称为“能量函数”，该函数在任何时刻总是单调下降，最后达到最小且停止。
1
()2ij i j j j j j i j j j
E w y y x y y θ=--+∑∑∑∑ (9.3)
式中，E 为神经网络的能量，w ij 为神经元i 到神经元j 的权值，y j 为神经元j 的输出，x j 为神经元j 的外部输入，j θ为神经元j 的阈值。
容易证明，网络在变动过程中E 单调下降，即有
0ij i j j j j j j i j E w y x y X y θθ≠??
???=-+-?=--?≤??????
∑ (9.4)
式中，E ?为能量E 的变化量，j y ?为神经元j 的输出变化量。
假定神经元j 的权值累加和j X 大于阈值j θ，这将使上式方括号为正。由式（2.4），j
y 的正方向变动或保持常值，使j y ?只能是正值或0，故E ?必小于等于0，即网络能量E 或是减小，或是不变。
假定j X 小于阈值j θ，j y ?只能是负值或0，故能量E 也是减小，或是保持不变。在j
X 等于阈值j θ时，j y ?为0，E 不变。
这就证明了，由于E 有界，且能量E 在演变过程中不断减小，网络必趋于最小值，迭代过程停止。
按定义，网络稳定的充分条件是网络权值矩阵是对称的，但这不是必要条件。有许多网络是稳定的，但并不满足权值矩阵的对称性。
9.4.2 双向联想记忆（BAM —Bidirection Associative Memory ）
考虑两层反馈型网络，其输入层F A 包括n 个神经元{}12,,n a a a …,,i a =1表示第i 个神经元兴奋，i a =0表示第i 个神经元抑制，{}0,1n
A F =；输出层
B F 包括m 个神经元
{}12,,,m b b b …，
其中i b =1表示第i 个神经元兴奋，i b =0表示第i 个神经元抑制，{}0,1m
B F =。
联想记忆就是一个矢量空间的变换W: n m
R R →。假若映射是线性的，那么当输入一个矢
量A 时，经过变换，输出矢量B A W =?,这样，双向联想记忆网络就是二值乘积空间A B F F ?上的一个点(A,B)。
怎样存储P 中样本数据对(A 1,B 1)，(A 2,B 2)，……，(A p ,B p )呢？目前存储的方法有很多种，不同的存储方式就构成了不同的算法，这里把样本数据对用矩阵的方式存储如此：
1
1
,p p
T
T
T i
i i i i i W A B W B A ===?=?∑∑ (9.5)
如果输入12,,p A A A …,是正交的，即
1,()
0.()
T i j i j A A i j =??=?
≠? (9.6)
那么()T T i i i i i
j
j
i j i
A W A A
B A A B
B ≠?=??+
??=∑
为了提高联想记忆的精度，可以把输出得到的B ，反馈回到BAM 中得到A ’，再把A ’送入BAM 中得到B ’，B ’再反馈得到A ’’等等，重复进行，最后会收敛到(,)f f A B 。
'''''''T T f f T f f
A W
B A W B A W B A W B A W B A W B →→←←→→←←→→←
← 另外，j b 和i a 处的状态规定为
1,0
0,0j j j A w b A w ?>??=?
?
(9.7) 1,00,0
T i i T
i B w a B w ??>?=??
当W=W T 时，11
(,)22
T T T T E A B AWB BW A AWB =-
-=- 如果当状态发生了变化，下面分析A F 的情况，B F 的分析是类似的
2112(,,,)n A A A a a a ?=-=???…
能量的变化为
21T T i j ij i i i
j
E E E AWB a b w a BW ?=-=-?=-?=-?∑∑∑ (9.9)
由式（9.7）可知，i a ?>0时，0T i BW >; i a ?<0时, 0T i BW <即0T i i a BW ?>,所以0E ?<。
同理对B F ，0T E AW B ?=-?<
因为W 是n m ?实矩阵，所以它是双向稳定的。更一般的，对于双值的BAM ，对所有的矩阵W 都是双向稳定的，每个突触连接的拓扑，无论位数n 、m 多么大，都将会很快地收敛。
假若已经存好了两对样本A 1=(1,1,0,0),A 2=(1,0,1,1),当一个输入A=(1,0,0,0)时，它是靠近A 1还是A 2呢？为了解决这个问题，规定一个A i 和A j 的贴近度(,)i j A A ρ.
令(,)i j A A ρ是L 1空间上的一个度量。
1
(,)n
i j i j ik jk k A A A A a a ρ==-=-∑ (9.10)
ρ越小，表示i A 与j A 越接近；ρ越大，表示i A 与j A 的差异越大；ρ=0时，i A 与j
A 完全贴近，即=i j A A ；当ρ=n 时，i A 与j A 的差异最大，此时=c
i j A A (c i A 为i A 的补集)。
另外，具体应用算法时还需做一些改进。因为i A ，i B 均为二值矢量，其中12(,,,)i i i in A a a a =…，
并且{}0,1(1,2,,)n
ij a j n ∈=…，所以i AW 和T i BW 永远不会为负值，状态转移规则的式子就有1i j a b ==,这样矩阵W 将不包含任何拟制信息，这就不能正确地工作。如果用两极状态矢量代替二值状态矢量，就可能解决这一问题。二值矢量中的零由-1代替，组成两极对(,)i i X Y ，于是采用如下处理方式
=2,2i i i i X A I Y B I -=-（I 为单位矢量） (9.11)
于是，由式（9.5）得
1122T T
T p p W X Y X Y X Y =+++… (9.12)
9.4.3 卫星姿态控制器故障诊断
如图9.6所示，其控制系统包括卫星、飞轮、控制器和姿态敏感器，任一部分出现故障都将造成系统的异常。
图9.6 卫星姿态控制系统
下面我们就来讨论Hopfield 神经网络的故障诊断。为方便起见，这里仅诊断姿态控制器和飞轮两部分的故障。它们出现的故障原因有控制器故障、控制器误指令、飞轮不工作，飞轮误动作。其故障表示如下：
令1234(,,,)i i i i i X x x x x =为输入矢量，表示输入的故障的现象信息。
1234(,,,)i i i i i Y y y y y =为输出矢量，表示输出的故障容错策略。
1i x ：控制器故障 2i x ：控制器误指令 3i x ：飞轮不工作
4i x ：飞轮误动作 1i y ：启用备份控制器
2i y ：调用容错控制算法 3i y ：启动备份飞轮 4i y ：调用飞轮故障补偿算法
训练对为（样本用极对表示）
11223344(1,1,1,1)(1,1,1,1)(1,1,1,1)(1,1,1,1)(1,1,1,1)(1,1,1,1)(1,1,1,1)(1,1,1,1)
X Y X Y X Y X Y =--?=---=--?=---=--?=---=---?=---
这里-1表示该位代表的设备正常。这样，它的权值矩阵为
4
1
2222222222220040T i i i W X Y =--????--?
?==??
--??
??
∑
相应的正反计算分别为
112233441
1223(6,2,2,6)(1,1,1,1)(2,6,10,2)(1,1,1,1)(2,6,10,2)(1,1,1,1)(6,2,6,6)(1,1,1,1)
(4,4,4,4)(1,1,1,1)(4,4,4,4)(1,1,1,1)(4,4,T T T X W Y X W Y X W Y X W Y YW X Y W X Y W =---→=---=--→=---=--→=---=--→=---=--→=--=--→=--=-3444,4)(1,1,1,1)(4,4,4,4)(1,1,1,1)
T X Y W X -→=--=--→=--
如果输入(1,1,1,1)X =---时，按上述规则，表示这是控制器故障，但究竟是哪一类故障则不清楚，根据最近距离公式
(,)i j ik jk X X x x ρ=-∑
有112(,)(,)=1X X X X ρρ=，1314(,)(,)=3X X X X ρρ=。1X 与2X 接近于X ，这与直观解释是一致的。实际上，计算将稳定在
(4,0,8,0)(1,1,1,1)(8,4,4,8)(1,1,1,1)
T
XW Y YW X =-→=---=--→=---
这里12(1,1,1,1)=Y Y Y =--+，即应用时考虑解决办法1Y 和2Y ，给故障诊断处理提供了依据。
上面例子仅仅说明神经网络用于故障诊断的方法。实际的问题和系统要复杂很多，可以通过传感器、测量仪器把系统的故障想象输入网络，网络计算的结果直接显示给用户，以便及时检查和修复。
神经网络工具箱应用于故障诊断 1.问题描述 电力系统的安全运行具有十分重要的意义。当高压变压器或其他类似设备在运行中出现局部过热、不完全放电或电弧放电等故障时，其内部绝缘油、绝缘纸等绝缘材料将分解产生多种气体，包括短链烃类气体（C2H2、CH4等）和H2、CO2等，这些气体称作特征气体。而特征气体的含量与故障的严重程度有着很密切的关系，如下图1所示。将BP神经网络应用于变压器故障诊断对大型变压器的运行有着非常重要的意义。 2.神经网络设计 (1)输入特征向量的确定 变压器的故障主要与甲烷（CH4）、氢气（H2）、总烃（C1＋C2）以及乙炔（C2H2）4 种气体的浓度有关，据此可以设定特征向量由这 4 种气体的浓度组成，即CH4、H2、C1＋C2（总烃）和C2H2，同时也设定了网络输入层的节点数为4个。 (2) 输出特征向量的确定 输出量代表系统要实现的功能目标，其选择确定相对容易一些。只要问题确定了，一般输出量也就确定了。在故障诊断问题中，输出量就代表可能的故障类型。变压器的典型故障类型有：一般过热故障、严重过热故障、局部放电故障、火花放电故障以及电弧放电故障等5种类型，因此这里选择 5 个向量作为网络的输出向量，即网络输出节点确定为 5 个。根据Sigmoid 函数输出值在0 到1 之间的特点，这里设定以0 到1 之间的数值大小表示对应的故障程度，也可以理解为发生此类故障的概率，数值越接近 1 表示发生此类故障的几率越大或说对应的故障程度越大。针对本系统，
设定输出值大于等于0．5 时认为有此类故障，小于0．5 时认为无此类故障。 (3)样本的收集 输入、输出向量确定好以后就可以进行样本的收集。 数据归一化处理时，注意：在归一化处理的时候，因考虑到各气体浓度值相差较大，如总烃的浓度比H2的浓度值高出几个数量级，因此在归一化处理的时候，分别对各个气体浓度值进行处理，即最大值和最小值取的是各气体的最值，而不是所有样本值中的最值。 在本实例中采用：MATLAB利用归一化公式 u=(x-min(min(x)))./(max(max(x))-min(min(x))) （1） 在公式1中x表示所需归一化处理的数据，u表示归一化后的结果 处理结果如下：
智能控制作业 学生： 学 号： 专业班级： 7-2 采用BP 网路、RBF 网路、DRNN 网路逼近线性对象 2) 1(1)1(9.0)1()(-+-?--=k y k y k u k y ，分别进行matlab 仿真。 （一）采用BP 网络仿真 网络结构为2-6-1。采样时间1ms ，输入信号)6sin(5.0)(t k u ?=π，权值21,W W 的初值随机取值，05.0,05.0==αη。 仿真m 文件程序为： %BP simulation clear all; clear all; xite=0.5; alfa=0.5; w1=rands(2,6); % value of w1,initially by random w1_1=w1;w1_2=w1; w2=rands(6,1); % value of w2,initially by random w2_1=w2;w2_2=w2_1; dw1=0*w1; x=[0,0]'; u_1=0; y_1=0; I=[0,0,0,0,0,0]'; % input of yinhanceng cell Iout=[0,0,0,0,0,0]'; % output of yinhanceng cell FI=[0,0,0,0,0,0]'; ts=0.001; for k=1:1:1000 time(k)=k*ts;
u(k)=0.5*sin(3*2*pi*k*ts); y(k)=(u_1-0.9*y_1)/(1+y_1^2); for j=1:1:6 I(j)=x'*w1(:,j); Iout(j)=1/(1+exp(-I(j))); end yn(k)=w2'*Iout; %output of network e(k)=y(k)-yn(k); % error calculation w2=w2_1+(xite*e(k))*Iout+alfa*(w2_1-w2_2); % rectify of w2 for j=1:1:6 FI(j)=exp(-I(j))/(1+exp(-I(j))^2); end for i=1:1:2 for j=1:1:6 dw1(i,j)=e(k)*xite*FI(j)*w2(j)*x(i); % dw1 calculation end end w1=w1_1+dw1+alfa*(w1_1-w1_2); % rectify of w1 % jacobian information yu=0; for j=1:1:6 yu=yu+w2(j)*w1(1,j)*FI(j); end dyu(k)=yu; x(1)=u(k); x(2)=y(k); w1_2=w1_1;w1_1=w1; w2_2=w2_1;w2_1=w2; u_1=u(k); y_1=y(k); end figure(1); plot(time,y,'r',time,yn,'b'); xlabel('times');ylabel('y and yn');
声明：应部分读者的要求，本书第9章增加“机器人神经网络自适应控制”一节，图序、公式序顺延。 9.7 机器人神经网络自适应控制 机器人学科是一门迅速发展的综合性前沿学科，受到工业界和学术界的高度重视。机器人的核心是机器人控制系统，从控制工程的角度来看，机器人是一个非线性和不确定性系统，机器人智能控制是近年来机器人控制领域研究的前沿课题，已取得了相当丰富的成果。 机器人轨迹跟踪控制系统的主要目的是通过给定各关节的驱动力矩，使得机器人的位置、速度等状态变量跟踪给定的理想轨迹。与一般的机械系统一样，当机器人的结构及其机械参数确定后，其动态特性将由动力学方程即数学模型来描述。因此，可以采用自动控制理论所提供的设计方法，采用基于数学模型的方法设计机器人控制器。但是在实际工程中，由于机器人是一个非线性和不确定性系统，很难得到机器人精确的数学模型。 采用神经网络，可实现对机器人动力学方程中未知部分的精确逼近，从而实现无需建模的控制。本节讨论如何利用神经网络控制和李雅普诺夫（Lyapunov ）方法设计机器人轨迹跟踪控制的问题，以及如何分析控制系统的稳定性和收敛性。 9.7.1 机器人动力学模型及其结构特性 n 关节机械手动态方程可表示为： ()()()(),d ++++=M q q V q q q G q F q ττ （9.30） 其中，n R ∈q 为关节转动角度向量，()M q 为n n ?维正定惯性矩阵，(),V q q 为n n ?维向心哥氏力矩，()G q 为1?n 维惯性矩阵，()F q 为1?n 维摩擦力，d τ为未知有界的外加干扰，n R ∈τ为各个关节运动的转矩向量，即控制输入。 机器人动力学系统具有如下动力学特性： 特性1：惯量矩阵M(q)是对称正定阵且有界； 特性2：矩阵(),V q q 有界； 特性3：()()2,-M q C q q 是一个斜对称矩阵，即对任意向量ξ，有 ()()()2,0T -=ξ M q C q q ξ (9.31)
南京航空航天大学研究生实验报告 实验名称：神经网络控制器设计 姓名： 学号： 专业： 201 年月日
一、题目要求 考虑如下某水下航行器的水下直航运动非线性模型： ()||a m m v k v v u y v ++== 其中v R ∈为水下航行器的前进速度， u R ∈为水下航行器的推进器推力，y R ∈为水下航行器的输出，航行器本体质量、附加质量以及非线性运动阻尼系数分别为 100,15,10a m m k ===。 作业具体要求： 1、设计神经网络控制器，对期望角度进行跟踪。 2、分析神经网络层数和神经元个数对控制性能的影响。 3、分析系统在神经网络控制和PID 控制作用下的抗干扰能力(加噪声干扰、加参数不确定)、抗非线性能力(加死区和饱和特性)、抗时滞的能力(对时滞大小加以改变)。 二、神经网络控制器的设计 1.构建系统的PID 控制模型 在Simulink 环境下搭建水下航行器的PID 仿真模型，如下图1所示： 图1 水下航行器的PID 控制系统 其中，PID 控制器的参数设置为：K p =800，K i =100，K d =10。 需要注意的一点是，经过signal to workspace 模块提取出的数据的Save format 为Array 格式。
2.BP神经网络控制器的训练 首先将提取出的训练数据变为标准的训练数据形式，标准的训练数据分为输入和目标输出两部分。经过signal to workspace模块提取出的数据为一个训练数据个数乘以输入（或输出）个数的矩阵，因此分别将x、u转置后就得到标准训练数据x’,u’。 然后，新建m文件，编写神经网络控制器设计程序： %---------------------------------------------------------------- p=x'; %input t=u'; %input net=newff(p,t,3,{'tansig','purelin'},'trainlm'); net.trainparam.epochs=2500; net.trainparam.goal=0.00001; net=train(net,x',u'); %train network gensim(net,-1); %generate simulink block %---------------------------------------------------------------- 上述m文件建立了如下图所示的神经网络，包含输入层、1个隐含层和输出层，各层神经元节点分别为1、 3 和1。 图2 神经网络控制器结构及训练方法
神经网络自适应控制 学院：电气工程与自动化学院 专业：控制科学与工程 姓名：兰利亚 学号： 1430041009 日期： 2015年6月25日
神经网络间接自适应控制 摘要：自适应模糊控制系统对参数变化和环境变化不敏感,能用于非线性和多变 量复杂对象,不仅收敛速度快,鲁棒性好,而且可以在运行中不断修正自己的控制 规则来改善控制性能,因而受到广泛重视。间接自适应控制是通过在线辨识的到 控制对象的模型。神经网络作为自适应控制器，具有逼近任意函数的能力。 关键词：神经网络间接自适应控制系统辨识 一、引言 自适应控制系统必须完成测量性能函数、辨识对象的动态模型、决定控制 器如何修改以及如何改变控制器的可调参数等功能。自适应控制有两种形式： 一种是直接自适应控制，另一种是间接自适应控制。直接自适应控制是根据实 际系统性能与理想性能之间的偏差，通过一定的方法来直接调整控制器的参 数。 二、间接自适应系统分析与建模 2.1系统的分析 系统过程动态方程：y(k+1)= -0.8y(k)/(1+y2(k))+u(k),参考系统模型 由三阶差分方程描述： ym(k+1)=0.8ym(k)+1.2ym(k-1)+0.2ym(k-2)+r(k) 式中，r(k)是一个有界的参考输入。如果输出误差ec(k)定义为 ec(k)=y(k)-ym(k),则控制的目的就是确定一个有界的控制输入u(k),当k趋于 正无穷时，ec(k)=0.那么在k阶段，u(k)可以从y(k)和它的过去值中计算得 到： u(k)=0.8y(k)/(1+y2(k))+0.8y(k)+1.2y(k-1)+0.2y(k-2)+r(k) （1） 于是所造成的误差方程为： ec(k+1)=0.8ec(k)+1.2ec(k-1)+0.2ec(k-2) （2） 因为参考模型是渐进稳定的，所以对任意的初始条件，它服从当k趋于无穷， ec(k)=0。在任何时刻k，用神经元网络N2计算过程的输入控制，即 u(k)=-N[y(k)]+0.8y(k)+1.2y(k-1)+0.2y(k-2)+r(k) （3） 由此产生非线性差分方程：y(k+1)=-0.8y(k)/(1+y2(k))+N[y(k)] +0.8y(k)+ 1.2y(k-1)+0.2y(k-2)+r(k) （4） 故设计的要点是设计一个神经网络来逼近0.8y(k)/(1+y2(k))。 2.2系统的建模设计过程 第一步，用BP神经网络逼近，神经网络的结构包含三层：输入层、隐含层 和输出层。BP网络的训练过程如下：正向传播是输入信号从输入层经隐层传向 输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传 播。 第二步，输入测试样本，对神经网络的逼近程度进行测试，将测试后的期
人工神经网络在设备故障诊断中的应用 程瑞琪 (西南交通大学 成都 610031) 摘 要 介绍了神经网络技术在设备故障诊断中应用的2个主要方向———故障模式识别和诊断专家系统,对应用的方法、特点及存在的问题也 作了概略分析。 关键词 神经网络 故障诊断 模式识别 专家系统中图分类号 TP 18 近年来人工神经网络(Artificial neural network -ANN )的研究发展迅速,ANN 以其诸多优点在设备状态监测与故障诊断中受到了愈来愈广泛的重视,为设备故障诊断的研究开辟了一条新途径。 ANN 具有以下主要特征:①实现了并行处理机制,可提供高速的信息处理能力;②分布式信息存储,可提供联想与全息记忆的能力;③网络的拓扑结构具有非常大的可塑性,使系统有很高的自适应和自学习能力;④具有超巨量的联接关系,形成高度冗余,使系统具有很强的容错能力;⑤是一类大规模非线性系统,提供了系统自组织与协同的潜力。本文作者仅就ANN 用于故障模式识别及诊断专家系统这两个方面应用的主要方法、特点及存在的问题作概括介绍。 1 神经网络与故障模式识别 模式识别是ANN 应用的一个较成功的领域,诊断问题实质上就是一种模式分类,是将系统的状态区分为正常状态或某一种故障状态的问题。通常故障模式的分布是非常不规则的,故要求所用模式分类方法能在模式空间里形成各种非线性分割平面,ANN 的特性使其可以作为一类性能良好的非线性分类器。1.1 方法及特点 ANN 故障模式识别可用图1所示BP 模型来说明 。 图1 BP 网模型 其中网络输入节点对应故障征兆,输出节点对应故障原因。进行故障模式识别时,先用一批故障样本 对模型进行训练,以确定网络结构(隐层及其节点数)和参数(节点间的联接权);网络训练好后,故障的模式分类就是根据给定的一组征兆,实现征兆集到故障集之间非线性映射的过程。 用ANN 作故障模式识别的特点有:①可用于系统模型未知或系统模型较复杂及非线性系统的故障模式识别;②兼有故障信号的模式变换与特征提取功能;③对系统含有不确定因素、噪声及输入模式不完备的情况不太敏感;④可用于复杂多模式的故障诊断;⑤可用于离线诊断,也能适应实时监测的要求。1.2 模型 用于故障模式识别的ANN 模型按学习方式可分有监督学习模型和无监督学习模型两大类,前者主要包括B P 网和径向基函数(RB F )网;后者主要包括自适应共振(ART )网和自组织特征映射(SOM )网。1.2.1 有监督学习模型 BP 网是目前故障诊断中应用最多且较成熟的一种模型,其神经元的非线性映射函数采用Sigmoid 函数,网络训练采用误差反向传播(Back pr opagation )学习算法。BP 网的结构及学习算法简单,但应用中还存在2个问题:一是关于网络的学习,因BP 算法是自适应最小均方(LMS )算法的推广,故网络的学习速度较慢,且可能陷入局部极小值点,针对这一问题已有许多改进的BP 算法;二是关于网络的结构设计,即如何选取隐层及隐层节点数,目前尚无确定的理论和方法。根据Hecht -Nilson 的映射定理:对任何闭区间上的一个连续函数,总可以用含一层隐单元的感知器网来映射;目前应用中多采用含一层隐单元的BP 网。关于隐层节点下限的确定已有一些研究结果,鉴于问题的复杂性,此处不作说明。选择较多的隐层及隐层节点虽可加快学习速度,但使网络的结构变得复杂,网络的推广能力也会变差。实际应用中,通常用对测试样本与学习样本的误差进行交叉评价的试错 法来选择隐层及隐层节点数。 RB F 网是一种较新颖的ANN 模型,只有一层隐含层,输出节点是线性的,隐单元采用对称的高斯基 · 13·第12卷第1期 《机械研究与应用》 ME CHANICAL RESE ARCH &APPLICATION Vol 12No .1 1999
智能控制与应用实验报告神经网络控制器设计
一、 实验内容 考虑一个单连杆机器人控制系统，其可以描述为： 0.5sin()Mq mgl q y q τ+== 其中20.5M kgm =为杆的转动惯量，1m kg =为杆的质量，1l m =为杆长， 29.8/g m s =，q 为杆的角位置，q 为杆的角速度，q 为杆的角加速度， τ为系统的控制输入。具体要求： 1、设计神经网络控制器，对期望角度进行跟踪。 2、分析神经网络层数和神经元个数对控制性能的影响。 3、分析系统在神经网络控制和PID 控制作用下的抗干扰能力(加噪声干扰、加参数不确定)、抗非线性能力(加死区和饱和特性)、抗时滞的能力(对时滞大小加以改变)。 4、为系统设计神经网络PID 控制器(选作)。 二、 对象模型建立 根据公式(1)，令状态量121=,x q x x = 得到系统状态方程为： 12121 0.5**sin() x x mgl x x M y x τ=-= = (1) 由此建立单连杆机器人的模型如图1所示。
图1 单连杆机器人模型 三、系统结构搭建及神经网络训练 1.系统PID结构如图2所示: 图2 系统PID结构图 PID参数设置为Kp=16，Ki=10，Kd=8得到响应曲线如图3所示：
01234 5678910 0.2 0.4 0.6 0.8 1 1.2 1.4 t/s a n g l e /r a d 图3 PID 控制响应曲线 采样PID 控制器的输入和输出进行神经网络训练 p=[a1';a2';a3']; t=b'; net=newff([-1 1;-1 1;-1 1],[3 8 16 8 1],{'tansig' 'tansig' 'tansig' 'logsig' 'purelin'}); net.trainparam.epochs=2500; net.trainparam.goal=0.00001; net=train(net,p,t); gensim(net,-1) 产生的神经网络控制器如图4所示：
自动控制理的研究离不开人类社会的发展。电子计算机的迅速发展、计算和信息处理的水平提高不断地促使着自动控制理论向更复杂的方向发展。自适应控制的提出是针对系统的非线性、不确定性、复杂性。它的研究主要目标不再是被控对象而是控制系统本身。自上世纪年代初神经网络控制系统，提出了基于理论和应用方面都有了新的突破。 MATLAB简介 MATLAB是美国MathWorks公司开发的用于教育、工程与科学计算的软件产品，它向用户提供从概念设计、数据分析、算法开发、建模仿真到实时实现的理想集成环境，是国际控制界公认的标准计算软件。经过十多年的不断地完善和扩充，MATLAB已经拥有了数十个工具箱和功能模块，可以实现数值分析、优化、统计偏微分方程数值解、自动控制、信号处理、图像处理、声音处理、系统建模等诸多领域的计算和图形显示功能。 MATLAB提供了一种用于编程的高级语言——M语言。M语言是一种面向科学与工程计算的高级语言，其最大的特点是简单和直接。它允许用数学形式的语言编写程序，MATLAB的程序文件和脚本文件通常保存为后缀为“.m”的文件，可以称之为M文件。MATLAB是一种基于不限维数组数据类型的内部交互系统，它既能够进行矩阵和向量计算，也能够采用特定的方法在标量语言中编写程序。它采用一些常用的数学符号来表示问题及其解决方案，将计算、可视化和编程等功能集成于一个简单、易用的开发环境中，为用户工作平台的管理和数据的输入/输出提供了便利的方法，同时还提供了M文件的扩展和管理工具。 神经网络自适应控制 人工神经网络ANN( Ar tif icial Neur al Netw ork) 简称神经网络，是在现代神经学的基础上提出来的，是对人脑或自然神经网络基本特征的抽象和模拟。神经网络很早之前就被证明出来有逼近任意连续有界非线性函数的特殊能力。因此它有很多优点，比如强鲁棒性、容错性、强自适应能力强等。复杂的系统控制提供了一条全新的思路和选择。神经网络控制系统的结构形式有很多种，本文着重介绍神经网络自适应控制方法。一般包括补偿器和自适应处理单元。自适应控制系统的本质是一个非线性随机控制系统，很难为其找到合适的数学模型。为了充分发挥出自适应控制系统的优越性能，提高控制系统的鲁实时性、容错性、鲁棒性以及控制系统参数的自适应能力，能更有效地实现对一些非线性复杂过程系统的
智能控制作业 学生姓名： 学 号： 专业班级： 7-2 采用BP 网路、RBF 网路、DRNN 网路逼近线性对象 2 )1(1)1(9.0)1()(-+-?--=k y k y k u k y ，分别进行matlab 仿真。 （一）采用BP 网络仿真 网络结构为2-6-1。采样时间1ms ，输入信号)6sin(5.0)(t k u ?=π，权值21,W W 的初值随机取值，05.0,05.0==αη。 仿真m 文件程序为： %BP simulation clear all; clear all; xite=0.5; alfa=0.5; w1=rands(2,6); % value of w1,initially by random w1_1=w1;w1_2=w1; w2=rands(6,1); % value of w2,initially by random w2_1=w2;w2_2=w2_1; dw1=0*w1; x=[0,0]'; u_1=0; y_1=0; I=[0,0,0,0,0,0]'; % input of yinhanceng cell Iout=[0,0,0,0,0,0]'; % output of yinhanceng cell FI=[0,0,0,0,0,0]'; ts=0.001; for k=1:1:1000 time(k)=k*ts; u(k)=0.5*sin(3*2*pi*k*ts); y(k)=(u_1-0.9*y_1)/(1+y_1^2); for j=1:1:6 I(j)=x'*w1(:,j); Iout(j)=1/(1+exp(-I(j))); end yn(k)=w2'*Iout; %output of network e(k)=y(k)-yn(k); % error calculation w2=w2_1+(xite*e(k))*Iout+alfa*(w2_1-w2_2); % rectify of w2 for j=1:1:6
基于BP神经网络的故障诊断方法
《智能控制基础》 研究生课程设计报告 题目基于BP神经网络的故障诊断方法学院机械与汽车工程学院 专业班级车辆工程 学号221601852020 学生姓名李跃轩 指导教师武晓莉 完成日期2016年12月10日
目录 1 设计概述 (2) 1.1研究对象介绍 (2) 1.2设计内容及目标 (2) 2 设计原理、方法及步骤 (3) 2.1基于BP算法的神经网络模型 (3) 2.2 神经网络信息融合故障诊断步骤 (4) 3 结果及分析 (6) 3.1数据仿真 (6) 3.2 结果分析 (9) 4 设计小结 (10) 参考文献 (10) 附录程序 (11)
1 设计概述 1.1研究对象介绍 信息融合是多源信息综合处理的一项新技术，是将来自某一目标(或状态)的多源信息加以智能化合成，产生比单一信息源更精确、更完全的估计和判决。信息融合所处理的多传感器信息具有更为复杂的形式，可以在不同的信息层次上出现。多传感器信息融合的优点突出地表现在信息的冗余性、容错性、互补性、实时性和低成本性。 神经网络是由大量互联的处理单元连接而成，它是基于现代神经生物学以及认知科学在信息处理领域应用的研究成果。它具有大规模并行模拟处理、连续时间动力学和网络全局作用等特点，有很强的自适应学习和非线性拟合能力，从而可以替代复杂耗时的传统算法，使信号处理过程更接近人类思维活动。 柴油机故障具有相似性，故障与征兆的关系不明确，具有较强的模糊性，故障特征相互交织，柴油机故障诊断是一个复杂的问题。综合柴油机故障的特点以及神经网络的优势，采用基于BP神经网络的多传感器信息融合技术对柴油机机械故障进行诊断。 1.2设计内容及目标 设计内容：针对传统故障诊断方法存在的诊断准确性不高的问题，提出了BP神经网络信息融合的方法，实现对柴油机的机械故障诊断。由多个传感器采
一、填空题 1、神经元（即神经细胞）是由、、和四部分构成。 2、按网络结构分，人工神经元细胞可分为和，按照学习方式分可分为和。 3、人工神经网络常见的输出变换函数有和。 4、人工神经网络的学习规则有、和。 5、国内外学者提出了许多面向对象的神经网络控制结构和方法，从大类上看，较具代表性的有以下几种、和。 6、在一个神经网络中，常常根据处理单元的不同处理功能，将处理单元分成有以下三种、和。 7、在一个神经网络中，基本单元神经元的三个基本要素是、和。 8、人工神经网络常见的激发函数或作用函数有、、和。9、BP网络的学习算法的改进有、和。 10、神经网络是由大量广泛互联而成的网络。 11、人工神经网络的学习方法有和。 12、从生物控制论的观点来看，神经元具有以下功能和特性、和。13、一般来讲，人工神经网络的结构可以分成两种基本类型和。 14、人工神经网络的学习算法有、和。 15、BP学习算法实际包含了两类信号不同方向的传播过程，一类是施加输入信号由输入层 经隐层到输出层，产生输出响应的过程；另一类是希望输出与实际输出之间的误差信号由输出层返回隐层和输入层，反向逐层修正连接权值和神经元输出阈值的过程。 16、神经网络的学习方式可以分成、和。 17、An biologic neuron is composed of and . 二、选择题 1、一般认为，人工神经网络(ANN)适用于（） A、线性系统 B、多变量系统 C、多输入多输出系统 D、非线性系统 2、最早提出人工神经网络思想的学者是（） A、McCulloch-Pitts B、Hebb C、Widrow-Hoff D、Rosenblatt 3、神经元模型一般为（） A、单输入多输出 B、多输入单输出 C、单输入单输出 D、多输入多输出 三、简答题 1、简述神经网络的特点。 2、试画出一个2-3-5-2 BP网络的结构图，说明节点函数。 3、简要说明多层感知器的结构和学习算法。 4、前馈型神经网络有什么特点？哪些结构的神经网络属于前馈神经网络？
基于新型神经网络的电网故障诊断方法 1引言 快速事故后恢复系统正常运行是减少电能中断时间和增强供电可靠性的必要条件。作为事故恢复的第一步,应实现快速、准确的故障诊断以隔离故障元件并采取相应措施以恢复电能供应。然而在线快速、准确地故障诊断仍是一个悬而未决的难题,尤其在保护和断路器不正常动作或多重故障的情况下,故障诊断更为困难。 故障诊断一般基于SCADA系统所提供的保护和断路器信息来判别电力系统中的故障元件。多种人工智能技术已用于解决此问题,如专家系统[1~4],随机优化技术[5~10]和人工神经网络[11~14]等等。其中基于专家系统的方法得到了广泛的注意和研究。这种方法能够提供强有力的推理并具解释能力,然而专家系统中知识的获取、组织、校核和维护等都非常困难,并成为其应用的瓶颈。而且,专家系统必须搜索庞大的知识库以得到最终的诊断结论,这使得它不能满足故障诊断实时的要求。另外,当系统中存在保护和断路器不正常动作时,专家系统可能会因缺乏识别错误信息的能力而导致错误的诊断结论。 用于故障诊断的另一种较有潜力的方法是基于工程随机优化的方法。这种方法的主要原则是将故障诊断表述为一个整数优化问题,随后使用全局优化方法,如波尔兹曼机[5]、遗传算法[6~8]、仿蚂蚁系统[9]或tabu搜索[10]等,去求解该优化问题。这种方法在实际应用过程中也出现了一些问题:如何确定这些随机优化方法的参数以实现快速正确的故障诊断;如何使这些方法适用于保护和断路器不正常动作的情况等等。 近年来,人工神经网络[11~14]引起了研究工作者的兴趣,因为它具有学习、泛化和容错能力。并且神经元的计算是并行的,这有利于实现实时应用。在神经网络的各种模型中,应用得最为广泛的模型就是BP(Back-Propagation)神经网络。标准的BP模型使用梯度下降算法训练,因此BP神经网络的结构必须是事先已知的,而且该学习算法收敛速度很慢,并有可能收敛于局部最小点。这些不利因素限制了BP模型在故障诊断中的应用。 本文提出使用径向基函数(Radial basis function,RBF)神经网络[15~16]解决电力系统中的故障诊断问题。理论上讲RBF神经网络具有任意函数逼近能力[17]。
机械臂神经网络自适应控制 一.前言 由于经典控制方法和现代控制方法在控制机器人这种复杂系统时所表现的种种不足，近年来，越来越多的学者开始将智能控制方法引入机器人控制，实现机器人控制的智能化。主要的控制方法有：模糊控制Fc，神经网络控制NNc，专家控制Ec等等。对于复杂的环境和复杂的任务，如何将人工智能技术中较少依赖模型的求解方法与常规的控制方法来结合，正是智能控制所要解决的问题。因此，智能控制系统必须具有模拟人类学习和自适应、自组织的能力。现代智能控制技术的进步，为机器人技术的发展尤其是智能机器人技术的研究与发展提供了可能。神经网络的研究已经有30多年的历史，它是介于符号推理与数值计算之间的一种数学工具，具有很好的学习能力和适应能力，适合于用作智能控制的工具，所以神经网络控制是智能控制的一个重要方面。由于神经网络在许多方面试图模拟人脑的功能。因此神经网络控制并不依赖精确的数学模型，并且神经网络对信息的并行处理能力和快速性，适于机器人的实时控制。神经网络的本质非线性特性为机器人的非线性控制带来了希望。神经网络可通过训练获得学习能力，能够解决那些用数学模型或规则描述难以处理或无法处理的控制过程。同时神经网络还具有很强的自适应能力和信息综合能力，因而能同时处理大量的不同类型的控制输人，解决输入信息之间的互补性和冗余性问题，实现信息融合处理。这就特别适用于像机器人这样具有复杂的不确定性系统、大系统和多变量高度非线性系统的控制。近年来，神经网络在机器人控制中得到了广泛的应用。 二、机械臂系统设计 机械臂是一个多输人多输出、强耦合的复杂机电系统，要对其实现精确的控制比较困难。为此，先不考虑机械臂的动态控制，只对其进行运动控制，使其能够准确的跟踪给定的轨迹曲线。其基本的控制结构，如图1所示。 (一)机械臂的模型设计 本文针对两关节机械臂进行设计，两关节机械臂的控制图如下 n一连杆平面机械臂的动力学模型如下式： （2-1）其中分别代表各关节的角度位置、角速度以及角加速度； 为惯性矩阵；为向心矩阵；为重力向量；代表控制输入向 量。
一种递归模糊神经网络自适应控制方法 毛六平,王耀南,孙 炜,戴瑜兴 (湖南大学电气与信息工程学院,湖南长沙410082) 摘 要: 构造了一种递归模糊神经网络(RFNN ),该RFNN 利用递归神经网络实现模糊推理,并通过在网络的第 一层添加了反馈连接,使网络具有了动态信息处理能力.基于所设计的RFNN ,提出了一种自适应控制方案,在该控制方案中,采用了两个RFNN 分别用于对被控对象进行辨识和控制.将所提出的自适应控制方案应用于交流伺服系统,并给出了仿真实验结果,验证了所提方法的有效性. 关键词: 递归模糊神经网络;自适应控制;交流伺服中图分类号: TP183 文献标识码: A 文章编号: 037222112(2006)1222285203 An Adaptive Control Using Recurrent Fuzzy Neural Network M AO Liu 2ping ,W ANG Y ao 2nan ,S UN Wei ,DAI Y u 2xin (College o f Electrical and Information Engineering ,Hunan University ,Changsha ,Hunan 410082,China ) Abstract : A kind of recurrent fuzzy neural network (RFNN )is constructed ,in which ,recurrent neural network is used to re 2alize fuzzy inference temporal relations are embedded in the network by adding feedback connections on the first layer of the network.On the basis of the proposed RFNN ,an adaptive control scheme is proposed ,in which ,two proposed RFNNs are used to i 2dentify and control plant respectively.Simulation experiments are made by applying proposed adaptive control scheme on AC servo control problem to confirm its effectiveness. K ey words : recurrent fuzzy neural network ;adaptive control ;AC servo 1 引言 近年来,人们开始越来越多地将神经网络用于辨识和控 制动态系统[1～3].神经网络在信号的传播方向上,可以分为前馈神经网络和递归神经网络.前馈神经网络能够以任意精度逼近任意的连续函数,但是前馈神经网络是一个静态的映射,它不能反映动态的映射.尽管这个问题可以通过增加延时环节来解决,但是那样会使前馈神经网络增加大量的神经元来代表时域的动态响应.而且,由于前馈神经网络的权值修正与网络的内部信息无关,使得网络对函数的逼近效果过分依赖于训练数据的好坏.而另一方面,递归神经网络[4～7]能够很好地反映动态映射关系,并且能够存储网络的内部信息用于训练网络的权值.递归神经网络有一个内部的反馈环,它能够捕获系统的动态响应而不必在外部添加延时反馈环节.由于递归神经网络能够反映动态映射关系,它在处理参数漂移、强干扰、非线性、不确定性等问题时表现出了优异的性能.然而递归神经网络也有它的缺陷,和前馈神经网络一样,它的知识表达能力也很差,并且缺乏有效的构造方法来选择网络结构和确定神经元的参数. 递归模糊神经网络(RFNN )[8,9]是一种改进的递归神经网络,它利用递归网络来实现模糊推理,从而同时具有递归神经网络和模糊逻辑的优点.它不仅可以很好地反映动态映射关系,还具有定性知识表达的能力,可以用人类专家的语言控制规则来训练网络,并且使网络的内部知识具有明确的物理意 义,从而可以很容易地确定网络的结构和神经元的参数. 本文构造了一种RFNN ,在所设计的网络中,通过在网络的第一层加入反馈连接来存储暂态信息.基于该RFNN ,本文还提出了一种自适应控制方法,在该控制方法中,两个RFNN 被分别用于对被控对象进行辨识和控制.为了验证所提方法的有效性,本文将所提控制方法用于交流伺服系统的控制,并给出了仿真实验结果. 2 RFNN 的结构 所提RFNN 的结构如图1所示,网络包含n 个输入节点,对每个输入定义了m 个语言词集节点,另外有l 条控制规则 节点和p 个输出节点.用u (k )i 、O (k ) i 分别代表第k 层的第i 个节点的输入和输出,则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下: 第一层:这一层的节点将输入变量引入网络.与以往国内外的研究不同,本文将反馈连接加入这一层中.第一层的输入输出关系可以描述为:O (1)i (k )=u (1)i (k )=x (1)i (k )+w (1)i (k )?O (1)i (k -1), i =1,…,n (1) 之所以将反馈连接加入这一层,是因为在以往的模糊神经网络控制器中,控制器往往是根据系统的误差及其对时间的导数来决定控制的行为,在第一层中加入暂态反馈环,则只需要以系统的误差作为网络的输入就可以反映这种关系,这样做不仅可以简化网络的结构,而且具有明显的物理意义,使 收稿日期:2005207201;修回日期:2006206218 基金项目:国家自然科学基金项目(N o.60075008);湖南省自然科学基金(N o.06JJ50121) 第12期2006年12月 电 子 学 报 ACT A E LECTRONICA SINICA V ol.34 N o.12 Dec. 2006
四、神经网络系统辨识分析（25分） 用BP 神经网络进行系统在线逼近的原理框图如图3所示 ) (k y n (k u (k y 图3 图4 假设某控制对象的模型为2 3 )1(1) 1()()(-+-+ =k y k y k u k y ，采样时间取t=1ms ，输入信号 t)sin(650.)u(π=k 。采用的BP 神经网络结构如图4所示，权值ij w 和2j w 的初值取 [-1，+1] 之间的随机值，权值采用δ学习算法，学习速率η取0.50，动量因子α取0.05。试分析神经网络在线逼近的运行过程，并作Matlab 仿真。 题目四、需要阐述清楚BP 网络逼近控制对象的工作原理和学习过程 BP 算法的基本思想是：对于一个输入样本,经过权值、阈值和激励函数运算后，得到一个输出y n (k)，然后让它与期望的样本y(k)进行比较，若有偏差，则从输出开始反向传播该偏差，进行权值、阈值调整，使网络输出逐渐与希望输出一致。 BP 算法由四个过程组成：输入模式由输入层经过中间层向输出层的“模式顺传播”过程，网络的希望输出与网络的实际输出之间的误差信号由输出层经过中间层向输入层逐层修正连接权的“误差逆传播”过程，由“模式顺传播”与“误差逆传播”的反复交替进行的网络“记忆训练”过程，网络趋向于收敛即网络的全局误差趋向极小值的 “学习收敛”过程。 BP 网络（Back Propagation ），该网络是一种单向传播的多层前向网络。误差 反向传播的BP 算法简称BP 算法，其基本思想是梯度下降法。它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。 BP 网络特点: （1）是一种多层网络，包括输入层、隐含层和输出层； （2）层与层之间采用全互连方式，同一层神经元之间不连接； （3）权值通过δ学习算法进行调节；
神经网络自适应控制的原理 自适应控制是一种特殊的反馈控制，它不是一般的系统状态反馈或输出反馈，即使对于现行定常的控制对象，自适应控制亦是非线性时变反馈控制系统。这种系统中的过程状态可划分为两种类型，一类状态变化速度快，另一类状态变化速度慢。慢变化状态可视为参数，这里包含了两个时间尺度概念：适用于常规 反馈控制的快时间尺度以及适用于更新调节参数的慢时间尺度，这意味着自适应 控制系统存在某种类型的闭环系统性能反馈。原理图如下： 图2-7自适应控制机构框图 人工神经网络（简称ANN）是也简称为神经网络（NNS ）或称作连接模型，是对人脑或自然神经网络若干基本特性的抽象和模拟。人工神经网络以对大脑的 生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面 的功能。人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应而进行信息处理。”这一定义是恰当的。 人工神经网络的研究，可以追溯到1957年Rosenblatt提出的感知器模型。目前在神经网络研究方法上已形流派，最富有成果的研究工作包括：多层网络BP算法，Hopfield网络模型，自适应共振理论，自组织特征映射理论等。它虽然反映了人脑功能的基本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。神经网络的研究可以分为理论研究和应用研究两大方面。理论研究可分为以下两类： （1）利用神经生理与认知科学研究人类思维以及智能机理。 （2）利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经
网络模型，深入研究网络算法和性能，女口：稳定性、收敛性、容错性、 鲁棒性等；开发新的网络数理理论。 应用研究可分为以下两类： （1） 神经网络的软件模拟和硬件实现的研究。 （2） 神经网络在各个领域中应用的研究。 神经网络具有以下?特点： （1） 能够充分逼近任何复杂的非线性关系； （2） 全部定性或定量的信息都均匀分布存在于网络内的各神经元，因此有很强 的容错性和鲁棒性； （3） 使用并行分布处理的方式，让大量运算成可以快速完成； 神经网络自适应的一般结构 神经网络自适应控制有两种基本结构形式，一种是神网络模型参考自适应 控制 （NNMRAC ），—种是神经网络自校正控制（NNSTC ）。神经网络模型参考自 适应控制又分为直接型与间接型。结构如图（2 -8 ）所示。构造一个参考模型使 其输出为期望输出，控制的目的是使y 跟踪。 （a ）直接型 (b)间接型 图2-8神经网络模型参考自适应控制结构 y
《智能控制基础》 研究生课程设计报告 题目基于BP神经网络的故障诊断方法学院机械与汽车工程学院 专业班级车辆工程 学号221601852020 学生姓名李跃轩 指导教师武晓莉 完成日期2016年12月10日
目录 1 设计概述 (2) 1.1研究对象介绍 (2) 1.2设计内容及目标 (2) 2 设计原理、方法及步骤 (3) 2.1基于BP算法的神经网络模型 (3) 2.2 神经网络信息融合故障诊断步骤 (4) 3 结果及分析 (6) 3.1数据仿真 (6) 3.2 结果分析 (8) 4 设计小结 (9) 参考文献 (10) 附录程序 (11)
1 设计概述 1.1研究对象介绍 信息融合是多源信息综合处理的一项新技术，是将来自某一目标(或状态)的多源信息加以智能化合成，产生比单一信息源更精确、更完全的估计和判决。信息融合所处理的多传感器信息具有更为复杂的形式，可以在不同的信息层次上出现。多传感器信息融合的优点突出地表现在信息的冗余性、容错性、互补性、实时性和低成本性。 神经网络是由大量互联的处理单元连接而成，它是基于现代神经生物学以及认知科学在信息处理领域应用的研究成果。它具有大规模并行模拟处理、连续时间动力学和网络全局作用等特点，有很强的自适应学习和非线性拟合能力，从而可以替代复杂耗时的传统算法，使信号处理过程更接近人类思维活动。 柴油机故障具有相似性，故障与征兆的关系不明确，具有较强的模糊性，故障特征相互交织，柴油机故障诊断是一个复杂的问题。综合柴油机故障的特点以及神经网络的优势，采用基于BP神经网络的多传感器信息融合技术对柴油机机械故障进行诊断。 1.2设计内容及目标 设计内容：针对传统故障诊断方法存在的诊断准确性不高的问题，提出了BP神经网络信息融合的方法，实现对柴油机的机械故障诊断。由多个传感器采集信号，分别经过快速傅里叶变换后获得故障频域特征值，再经BP神经网络对柴油机进行故障局部诊断，能够对相应传感器的不同故障类型做出一个准确地分类，最终完成对汽轮机机械故障的准确诊断。实验结果表明，该方法克服了单个传感器的局限性和不确定性，是一种有效的故障诊断方法。 采用方法：通过BP神经网络进行局部诊断，最终判定故障及故障类型。基于BP神经网络多传感器信息融合，故障诊断方法是特征层状态属性融合，并利用MATLAB仿真。