在 Simulink 中设计神经网络预测控制器

本节说明如何使用 NN Predictive Controller 模块。第一步是将 Deep Learning Toolbox 模块库中的 NN Predictive Controller 模块复制到 Simulink Editor 中。如果您不确定如何操作，请参阅 Simulink 文档。在以下示例中跳过此步骤。

Deep Learning Toolbox 软件附带示例模型，以说明如何使用预测控制器。此示例使用具有催化作用的连续搅拌釜反应器 (CSTR)。下图显示过程图。

系统的动态模型是

dh(t)dt=w1(t)+w2(t)−0.2h(t)dCb(t)dt=(Cb1−Cb(t))w1(t)h(t)+(Cb2−Cb(t))w2(t)h(t)−k1Cb(t)(1+k2Cb(t))2

其中，h(t) 是液面，Cb(t) 是处理过程输出的产品浓度，w1(t) 是浓缩进料 Cb1 的流速，w2(t) 是稀释进料 Cb2 的流速。输入浓度设置为 Cb1 = 24.9，Cb2 = 0.1。与消耗速率相关联的常量是 k1 = 1 和 k2 = 1。

控制器的目标是通过调节流量 w1(t) 来保持产品浓度。为了简化示例，请将 w2(t) 设置为 0.1。在本试验中，水箱 h(t) 的液位不受控制。

要运行此示例，请执行下列步骤：

启动 MATLAB®。

在 MATLAB 命令行窗口中键入 predcstr。该命令打开 Simulink Editor 并显示以下模型。

Plant 模块包含 Simulink CSTR 被控对象模型。NN Predictive Controller 模块信号的连接如下：

Control Signal 连接到 Plant 模型的输入。

Plant Output 信号连接到 Plant 模块输出。

Reference 连接到 Random Reference 信号。

双击 NN Predictive Controller 模块。这将打开以下用于设计模型预测控制器的窗口。此窗口使您能够更改控制器时域 N2 和 Nu。（N1 固定为 1。）前面所述的加权参数 ρ 也在此窗口中定义。参数 α 用于控制优化。它决定性能降低多少才算一个成功的优化步。您可以选择优化算法使用哪个线性最小化例程，还可以决定在每个采样时间内执行优化算法的迭代次数。这些线性最小化例程是基于多层浅层神经网络与反向传播训练中所述的那些例程进行了稍微修改的版本。

选择被控对象标识。这将打开以下窗口。您必须开发神经网络被控对象模型，才能使用控制器。被控对象模型预测将来的被控对象输出。优化算法使用这些预测来确定用于优化将来性能的控制输入。如前所示，被控对象模型神经网络有一个隐含层。您可以在此窗口中选择该层的大小、延迟输入和延迟输出的数目以及训练函数。您可以选择多层浅层神经网络与反向传播训练中所述的任何训练函数来训练神经网络被控对象模型。

点击 Generate Training Data。该计划通过将一系列随机阶跃输入应用于 Simulink 被控对象模型来生成训练数据。然后，潜在的训练数据将显示在与以下类似的图窗中。

点击 Accept Data，然后点击 Plant Identification 窗口中的 Train Network。被控对象模型训练开始。训练将根据您选择的训练算法（在本例中为 trainlm）进行。这是批量训练的简单应用，如多层浅层神经网络与反向传播训练中所述。训练完成后，将显示生成的被控对象模型的响应，如以下图窗中所示。（如果存在验证数据和测试数据，也会分别有单独的图。）

然后，您可以通过再次选择 Train Network 继续使用相同的数据集进行训练，您可以选择 Erase Generated Data 并生成新数据集，也可以接受当前被控对象模型并开始仿真闭环系统。对于此示例，开始仿真，如以下步骤所示。

在 Plant Identification 窗口中选择 OK。这会将经过训练的神经网络被控对象模型加载到 NN Predictive Controller 模块中。

在 Neural Network Predictive Control 窗口中选择 OK。这会将控制器参数加载到 NN Predictive Controller 模块中。

返回 Simulink Editor，选择菜单选项 Simulation > Run 开始仿真。当仿真运行时，显示被控对象输出和参考信号，如以下图窗中所示。