1-3 神经网络控制系统概述

神经网络控制（简称神经控制）就是将（人工）神经网络在相应的控制结构中做控制器与（或）辨识器，主要是为了解决复杂的非线性、不确定、不确知系统，在不确定、不确知环境中的控制问题，使控制系统稳定、鲁棒性（指在不确定因素存在情况下，系统保持其原有性质的能力）好，具有要求的动态、静态（或称稳态）性能。

神经网络控制系统是闭环负反馈控制系统，如图1-3-1所示，控制器与（或）辨识器是用数字计算机由程序实现的，因此，也是计算机控制系统。

1-3-1 神经网络控制系统的组成

神经控制系统与任何计算机控制系统相同，由硬件与软件两部分组成。

1.硬件部分

神经控制系统的硬件主要由如下几部分组成，以单输入/单输出（SISO）系统为例，如图1-3-1所示。

（1）连续被控对象（或过程）：含驱动装置或称执行机构。工作于连续状态，输入/输出是连续量。

（2）神经控制器：工作于离散状态，输入/输出是数字量，由数字计算机实现神经控制和（或）系统辨识功能。

（3）模拟输入通道：由采样开关、A/D转换器两个环节组成，完成由模拟量到数字量的转换。

（4）模拟输出通道：由D/A转换器、保持器两个环节组成，完成由数字量到模拟量的转换。

（5）实时时钟：产生脉冲序列，定时控制采样开关的闭合，控制D/A转换器的输出。

（6）传感器：检测控制系统的输出。

2.软件部分

控制软件流程如图1-3-2，计算机通过软件实现所设计的算法，软件主要由主程序和控制子程序组成：

（1）主程序之功能是进行系统初始化设置。

（2）控制子程序：主要是实现神经控制算法，若设计了既有控制器又有辨识器的控制结构，则，还要实现神经辨识算法。

对于多输入/多输出神经控制，可配置多路模拟输入/输出通道，由一台数字机进行分时控制，如图1-3-3所示。

1-3-2 实时控制

神经控制必须实现实时控制（Real-Time Control），也就是控制器和（或）辨识器要在一个采样周期T时间内完成一个控制步的操作，因为操作是由程序实现，程序是由若干条指令组合而成，任何一条指令的运行都是需要时间的。

单输入/单输出（SISO）系统，如图1-3-2，完成一个控制步的操作：

（1）数据采集：采集一个输入通道的数据，需经信号采样，A/D转换后，数字量输入至计算机中，设需要时间Δt1；

（2）按照所设计的控制规律和（或）辨识算法，由程序求得控制量和（或）辨识量，设需时Δt2；

（3）控制量的输出和存储，和（或）辨识量的输出，设需时Δt3。

SISO系统实现实时控制的条件为

多输入/多输出（MIMO）系统，实现实时控制的条件为

式中，n：n输入n输出（MIMO）系统。

1-3-3 智能控制的分支

由于（人工）神经网络是从微观结构与功能上对人脑神经系统的模拟而建立起来的一类模型，具有模拟人的部分智能的特性，主要是具有非线性特性、学习能力和自适应性，使神经控制能对变化的环境（包括：外加扰动、量测噪声、被控对象的时变特性三方面）具有自适应性，且成为基本上不依赖于模型的一类控制，因此，神经控制已成为“智能控制＂的一个新的分支。

神经控制属于先进控制技术。

G.N.Saridis对学习系统的定义：一个系统，如果能对一个过程或其环境的未知特征所固有的信息进行学习，并将得到的经验用于进一步的估计、分类、决策或控制，从而使系统的性能得到改善，则称其为学习系统。

在控制领域，将具有学习能力的控制系统称为学习控制系统，属于智能控制系统。神经控制是有学习能力的，属于学习控制，也属智能控制。

神经网络控制发展的历史虽不长，但是，神经网络已在多种控制结构中得到应用，如PID控制、模型参考自适应控制、前馈反馈控制、内模控制、逆系统控制、预测控制、模糊控制等，图1-3-4示出了神经网络闭环控制结构之三例。

神经控制中，作为控制器与（或）辨识器的神经网络，除了本书介绍的之外，还有模糊神经网络、小波神经网络，也都是为了解决复杂的非线性、不确定、不确知系统的控制问题的。