CMAC神經(jīng)網(wǎng)絡(luò)快速學習算法及其在容錯控制中的應(yīng)用.pdf

1、本文以動態(tài)非線性故障系統(tǒng)為研究對象，研究在未知的故障模式下，CMAC神經(jīng)網(wǎng)絡(luò)快速準確的故障診斷算法及其在容錯控制中的應(yīng)用。主要針對CMAC局部逼近的小腦模型關(guān)節(jié)控制器學習算法進行研究，提出改進的權(quán)值調(diào)整策略與核空間映射算法，以此來設(shè)計在線故障估計器跟蹤系統(tǒng)未知故障。在常規(guī)的CMAC學習算法中，矯正誤差被平均分配給所有的存儲單元而忽略了這些被激活存儲單元的可信度?；谛哦确峙涞腃MAC神經(jīng)網(wǎng)絡(luò)，利用激活單元先前學習次數(shù)作為可信度；先前學習

2、次數(shù)越多，可信度越高，其權(quán)值調(diào)整越少。此算法提高了網(wǎng)絡(luò)的學習速度與精度，但未進一步考慮“新知識學習”與“舊知識遺忘”之間的平衡關(guān)系。本文提出改進的基于信度分配的CMAC(ICA-CMAC)神經(jīng)網(wǎng)絡(luò)，保留了信度分配的權(quán)值學習思想，提出一種“平衡學習”概念，對信度分配規(guī)則進行改進。誤差校正值與激活單元先前學習次數(shù)的負p次方成比例，通過選擇最優(yōu)的p參數(shù)來提高網(wǎng)絡(luò)的學習速度與精度。另外，針對高維故障函數(shù)情況下，網(wǎng)絡(luò)復雜度增加，逼近能力降低之問題

3、。本文引入了核空間的概念設(shè)計了改進的核CMAC(IK-CMAC)網(wǎng)絡(luò)模型，利用核技巧可以在不增加網(wǎng)絡(luò)復雜度的基礎(chǔ)上提高網(wǎng)絡(luò)逼近能力。從仿真結(jié)果可以看出，應(yīng)用兩種改進的CMAC神經(jīng)網(wǎng)絡(luò)設(shè)計的在線故障估計器學習速度快，逼近精度高；達到快速檢測和診斷故障的目的。 當非線性系統(tǒng)發(fā)生故障時，為補償故障帶來的影響，保持系統(tǒng)的穩(wěn)定性，需對系統(tǒng)進行故障調(diào)節(jié)。故障調(diào)節(jié)是在故障發(fā)生后通過控制律的重構(gòu)使系統(tǒng)運行軌跡重新回復到正常狀態(tài)。故障發(fā)生前使用名

4、義(無故障)控制器ueq，故障發(fā)生后，為補償故障帶來的損失，本文提出基于變結(jié)構(gòu)滑?？刂频目刂坡芍貥?gòu)策略，其容錯控制律重構(gòu)為u=ueq+uf，其中uf為補償控制律，由此生成新的控制器以保證故障情形下系統(tǒng)的穩(wěn)定及控制性能。 綜上所述，本文以動態(tài)非線性系統(tǒng)為研究對象，分別以ICA-CMAC和IK-CMAC神經(jīng)網(wǎng)絡(luò)為在線故障診斷的手段設(shè)計在線故障估計器。在不同的故障模式下，對未知故障進行快速準確地學習識別；應(yīng)用離散滑模控制技術(shù)實現(xiàn)控制規(guī)