设计神经网络预测控制器金宝app
神经网络预测控制器,实现深度学习工具箱™软件使用神经网络模型的非线性预测未来植物的性能。然后控制器计算优化设备性能的控制输入在指定的未来时间范围。模型预测控制的第一步是确定植物神经网络模型(系统识别)。接下来,工厂模型使用控制器来预测未来的表现。(见模型预测控制工具箱™文档完全覆盖应用程序的各种模型的预测控制策略,以线性系统)。
以下部分描述了系统识别过程。这是紧随其后的是一个描述的优化过程。最后,本文讨论了如何使用模型预测控制器块在仿真软件中实现金宝app®环境。
系统识别
模型预测控制的第一阶段是训练一个神经网络来表示植物的前进动力。植物之间的预测误差输出和神经网络的输出信号作为神经网络的训练。这个过程是由下图表示:
植物神经网络模型使用以前的输入和前植物输出预测未来值的输出。植物神经网络的结构模型如下图所示。
这个网络可以离线训练在批处理模式下,使用收集的数据来自工厂的操作。您可以使用任何的训练算法中讨论多层浅神经网络和反向传播训练网络培训。这一过程将在以后的章节中详细讨论。
预测控制
模型预测控制方法是基于滚动时域技术(SoHa96]。神经网络模型预测植物响应指定时间范围。使用的预测数值优化程序来确定最小化以下性能指标的控制信号在指定的地平线
在哪里N1,N2,Nu定义的视野跟踪误差和控制增量评估。的u′变量是暂时的控制信号,yr所需的响应,y米网络模型的响应。ρ值决定了贡献的平方和控制增量的性能指标。
下面的框图说明了模型预测控制的过程。控制器由植物神经网络模型和优化。优化块确定的值u′,最小化J,然后最优u是植物的输入。控制器是在仿真软件中实现,如以下部分所述。金宝app
利用神经网络预测控制器
本节将展示如何使用神经网络预测控制器的块。第一步是将神经网络预测控制器块从深度学习工具箱块库模型编辑器。金宝app参见仿真软件文档金宝app如果你不确定如何做到这一点。这一步是跳过下面的例子。
深度学习工具箱提供的一个示例模型是软件显示预测控制器的使用。这个示例使用了一个催化连续搅拌釜反应器(装运箱)。一个图的过程如下图所示。
系统的动态模型
在哪里h(t)液面,Cb(t)是产品集中在过程的输出,w1(t)的流量是浓缩饲料Cb1,w2(t)的流量是稀释提要Cb2。将输入浓度Cb1= 24.9,Cb2= 0.1。常数与消费的速度有关k1= 1,k2= 1。
控制器的目的是保持产品浓度通过调整流w1(t)。为了简化示例,集w2(t)= 0.1。坦克的水平h(t)不是控制了这个实验。
运行这个例子:
开始MATLAB®。
类型
predcstr
在MATLAB命令窗口。这个命令将打开模型编辑器使用以下模型。金宝app植物块包含仿真软件装运箱工厂模型。金宝app神经网络预测控制器块信号连接如下:
控制信号连接到输入的模型。
植物块输出输出信号连接到工厂。
引用连接到随机的参考信号。
双击该神经网络预测控制器。这将打开窗口的设计模型预测控制器。这个窗口使您能够改变控制器的视野N2和Nu。(N1是固定在1。)权重参数ρ,前面所述,也是在这个窗口中定义。参数α用于控制优化。它决定了减少性能需要一个成功的优化步骤。你可以选择线性最小化常规优化算法使用,你可以决定如何执行的许多迭代优化算法在每个样品的时间。线性极小化例程是轻微的修改讨论多层浅神经网络和反向传播训练。
选择植物鉴别。这将打开窗口。你必须开发植物神经网络模型之前,您可以使用控制器。植物模型预测未来输出。优化算法使用这些预测来确定优化未来性能的控制输入。植物神经网络模型有一个隐藏层,如图所示。你选择那个图层的大小,延迟输入和延迟输出的数量,和训练函数在这个窗口。你可以选择任何的培训中所描述的功能多层浅神经网络和反向传播训练训练神经网络模型。
点击生成的训练数据。程序生成训练数据通过应用一系列的随机步输入仿真软件工厂模式。金宝app潜在的训练数据然后显示类似于下面的图。
点击接受数据,然后单击列车网络的在植物识别窗口。工厂模型训练开始了。培训收益根据算法(
trainlm
在这种情况下)你选择。这是一个简单的批处理的应用培训,所述多层浅神经网络和反向传播训练。培训完成后,生成的植物模型的反应显示,如以下图。(也有单独的情节进行验证和测试数据,如果它们存在的话)。然后您可以与相同的数据集通过选择继续训练列车网络的同样的,你可以删除生成的数据生成一个新的数据集,或者您可以接受当前的植物模型,开始模拟闭环系统。对于这个示例,开始仿真,如以下步骤所示。
选择好吧在植物识别窗口。这将训练神经网络的植物模型加载到神经网络预测控制器。
选择好吧神经网络预测控制的窗口。这个加载控制器参数的神经网络预测控制器。
回归模型编辑器并启动仿真通过金宝app选择菜单选项模拟>运行。模拟运行时,植物输出和参考信号显示,如以下图。