18、人工神经网络在伺服控制系统中的应用

人工神经网络在伺服控制系统中的应用

1. 引言

近年来，由于神经网络控制具备在线学习和自适应能力，在多个领域得到了广泛应用。为解决未知模型和参数变化问题，人们提出了多种神经网络控制学习策略，并应用于特定的非线性控制系统。早期的神经网络控制发展中，出现了通用学习架构和专门学习架构。

通用学习架构（如图1所示）利用神经网络学习被控对象的逆动态，训练好的网络作为前馈控制器。不过，该网络可能需要学习比实际更大范围的对象响应，效率不高。一种解决方案是将通用方法与专门程序相结合。

专门学习架构（如图2所示）仅在特定区域训练神经控制器，训练时将期望响应作为网络输入，通过最速下降法调整网络权重，使系统输出达到期望指令，此过程需要知道被控对象的雅可比矩阵。

专门学习有直接控制（图2）和间接控制（图3）两种策略。直接控制可将被控对象视为神经网络的一个不可修改层；间接控制是一个两步过程，包括对象动态识别和控制，需先训练一个子网络（“模拟器”），但训练数据范围要足够大，否则可能导致控制性能不佳。

如果能获取被控对象的先验定性知识或雅可比矩阵，直接控制策略可避免上述问题，但未知对象的雅可比矩阵通常难以近似。

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px
    A(期望响应):::process --> B(神经网络):::process
    B --> C(被控对象):::process
    C --> D(实际响应):::process
    D -