基于BP神經(jīng)網(wǎng)絡的自適應PID控制器設計

1、基于BP神經(jīng)網(wǎng)絡的自適應PID控制器設計一 基于BP神經(jīng)網(wǎng)絡的自適應PID控制器的原理PID控制是最早發(fā)展起來的、 應用領域至今仍然廣泛的控制策略之一，它是基于對象數(shù)學模型的方法，尤其適用于可建立精確數(shù)學模型的確定性控制系統(tǒng)。其優(yōu)點是算法簡單、 魯棒性好和可靠性高。但是，由于實際工業(yè)生產(chǎn)過程往往具有非線性，許多非線性系統(tǒng)難以確定精確的數(shù)學模型，常規(guī)的PID控制器就不能達到理想的控制效果，由于受到參數(shù)整定方法煩雜的困擾，參數(shù)往往整定不良、 性能欠佳。神經(jīng)網(wǎng)絡所具有的任意非線性表達能力，可以通過對系統(tǒng)性能的學習來實現(xiàn)具有最佳組合的PID控制。基于BP網(wǎng)絡的自適應PID控制器，通過BP神經(jīng)網(wǎng)絡調(diào)整自

2、身權系數(shù)，對PID控制參數(shù)進行調(diào)節(jié)，以達到某種性能指標的最優(yōu)。二 基于BP神經(jīng)網(wǎng)絡的自適應PID控制器的控制器結(jié)構i基于BP神經(jīng)網(wǎng)絡的PID控制系統(tǒng)結(jié)構圖如圖1所示：圖1 BP網(wǎng)絡結(jié)構jk此控制器由兩部分組成：（1）經(jīng)典的PID控制器，直接對被控對象進行閉環(huán)控制，并且三個參數(shù)，為在線調(diào)整方式；（2）神經(jīng)網(wǎng)路，根據(jù)系統(tǒng)的運行狀態(tài)，調(diào)節(jié)PID控制器的參數(shù)，以期達到某種性能指標的最優(yōu)化，是輸出層神經(jīng)元的輸出狀態(tài)對應于PID控制器的一個可調(diào)參數(shù)，。通過神經(jīng)網(wǎng)絡的自學習、加權系數(shù)調(diào)整，使神經(jīng)網(wǎng)絡輸出對應于某種最優(yōu)控制率下的PID控制器參數(shù)。 基于BP神經(jīng)網(wǎng)絡的自適應PID控制器的控制器如圖2所示：NNP

3、IDPLANTrinyouterror+_圖2 基于BP神經(jīng)網(wǎng)絡的自適應PID控制器的控制器結(jié)構該控制器的算法如下：（1）確定BP神經(jīng)網(wǎng)絡的結(jié)構，即確定輸入節(jié)點數(shù)M和隱含層節(jié)點數(shù)Q，并給各層加權系數(shù)的初值和，選定學習速率和慣性系數(shù)，此時k=1；（2）采樣得到rin(k)和yout(k)，計算該時刻誤差error(k)=rin(k)-yout(k)；（3）計算神經(jīng)網(wǎng)絡NN各層神經(jīng)元的輸入、輸出，NN輸出層的輸出即為PID控制器的三個可調(diào)參數(shù)，；（4）根據(jù)經(jīng)典增量數(shù)字PID的控制算法(見下式)計算PID控制器的輸出u(k)；（5）進行神經(jīng)網(wǎng)絡學習，在線調(diào)整加權系數(shù)和實現(xiàn)PID控制參數(shù)的自適應調(diào)整；

4、（6）置k=k+1，返回到（1）。三 仿真程序%BP based PID Controlclear all;close all; xite=0.25;alfa=0.05; S=1; %Signal type IN=4;H=5;Out=3; %NN Structureif S=1 %Step Signalwi=-0.6394 -0.2696 -0.3756 -0.7023; -0.8603 -0.2013 -0.5024 -0.2596; -1.0749 0.5543 -1.6820 -0.5437; -0.3625 -0.0724 -0.6463 -0.2859; 0.1425 0.0279

5、-0.5406 -0.7660;%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=0.7576 0.2616 0.5820 -0.1416 -0.1325; -0.1146 0.2949 0.8352 0.2205 0.4508; 0.7201 0.4566 0.7672 0.4962 0.3632;%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;end if S=2 %Sine Signalwi=-0.2846 0.2193 -0.5097 -1.0668; -0.7484 -0.1210 -0.470

6、8 0.0988; -0.7176 0.8297 -1.6000 0.2049; -0.0858 0.1925 -0.6346 0.0347; 0.4358 0.2369 -0.4564 -0.1324;%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=1.0438 0.5478 0.8682 0.1446 0.1537; 0.1716 0.5811 1.1214 0.5067 0.7370; 1.0063 0.7428 1.0534 0.7824 0.6494;%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=

7、wo;end x=0,0,0;u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;y_1=0;y_2=0;y_3=0; Oh=zeros(H,1); %Output from NN middle layerI=Oh; %Input to NN middle layererror_2=0;error_1=0; ts=0.001;for k=1:1:6000time(k)=k*ts; if S=1 rin(k)=1.0;elseif S=2 rin(k)=sin(1*2*pi*k*ts);end%Unlinear modela(k)=1.2*(1-0.8*exp(-0.1*k);yout(

8、k)=a(k)*y_1/(1+y_12)+u_1; error(k)=rin(k)-yout(k); xi=rin(k),yout(k),error(k),1; x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2; epid=x(1);x(2);x(3);I=xi*wi;for j=1:1:H Oh(j)=(exp(I(j)-exp(-I(j)/(exp(I(j)+exp(-I(j); %Middle LayerendK=wo*Oh; %Output Layerfor l=1:1:Out K(l)=exp(K(

9、l)/(exp(K(l)+exp(-K(l); %Getting kp,ki,kdendkp(k)=K(1);ki(k)=K(2);kd(k)=K(3);Kpid=kp(k),ki(k),kd(k); du(k)=Kpid*epid;u(k)=u_1+du(k);if u(k)=10 % Restricting the output of controller u(k)=10;endif u(k)=-10 u(k)=-10;end dyu(k)=sign(yout(k)-y_1)/(u(k)-u_1+0.); %Output layerfor j=1:1:Out dK(j)=2/(exp(K(

10、j)+exp(-K(j)2;endfor l=1:1:Out delta3(l)=error(k)*dyu(k)*epid(l)*dK(l);end for l=1:1:Out for i=1:1:H d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2); endend wo=wo_1+d_wo+alfa*(wo_1-wo_2);%Hidden layerfor i=1:1:H dO(i)=4/(exp(I(i)+exp(-I(i)2;end segma=delta3*wo;for i=1:1:H delta2(i)=dO(i)*segma(i);end d_w

11、i=xite*delta2*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2); %Parameters Updateu_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k); y_2=y_1;y_1=yout(k); wo_3=wo_2;wo_2=wo_1;wo_1=wo; wi_3=wi_2;wi_2=wi_1;wi_1=wi; error_2=error_1;error_1=error(k);endfigure(1);plot(time,rin,r,time,yout,b);xlabel(time(s);ylabel(rin,yout);figure(2);plot(time,error,r);xlabel(time(s);ylabel(error);figure(3);plot(time,u,r);xlabel(time(s);ylabel(u);fi