神經(jīng)網(wǎng)絡(luò)PID控制策略及其Matlab仿真研究

1、神經(jīng)網(wǎng)絡(luò)PID控制策略及其Matlab仿真研究趙娟平（沈陽(yáng)化工學(xué)院，遼寧，沈陽(yáng)110142 ）摘要：本文討論了神經(jīng)網(wǎng)絡(luò)PID控制策略，利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力進(jìn)行PID控制參數(shù)的在線整定，并使用 Matlab軟件進(jìn)行了仿真研究。仿真結(jié)果表明,經(jīng)網(wǎng)絡(luò)PID控制器參數(shù)調(diào)整簡(jiǎn)單，具有很高的精度和很強(qiáng)的適應(yīng)性，可以獲 得滿意的控制效果。關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)，BP網(wǎng)絡(luò)，PID，參數(shù)整定，仿真中圖分類(lèi)號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：ANeural Network PID con trol and its Matlab Simulatio n researchJua nPing Zhao(She nYang in s

2、titute of chemical in dustry, LiaoNi ng. She nYang 110142)Abstract: This paper discusses the n erve n etwork PID con trol strategy, makes use of the study ability of the n erve n etwork to turni ng the PID con trol p arameters, and p roceeds the simulatio n research using matlab software. From the s

3、imulatio n results, it is can be show n that Neural Network PID con troller have the higher accuracy and stronger ada ptability, and can get satisfied con trol result.Key word: n eural n etwork, BP n eural n etwork, PID, p arameter turning, simulati on1.引言PID控制由于其具有直觀性好、實(shí)現(xiàn)簡(jiǎn)單、可靠性高以及強(qiáng)魯棒性等優(yōu)點(diǎn)，在 工業(yè)控制中得到廣

4、泛的應(yīng)用，尤其適用于建立了精確數(shù)學(xué)模型的確定性系統(tǒng)。然而 常規(guī)PID控制效果的優(yōu)劣直接取決于控制參數(shù)選取的好壞，而傳統(tǒng)方法是在獲取 控制對(duì)象數(shù)學(xué)模型的基礎(chǔ)上，根據(jù)某一整定原則來(lái)確定PID參數(shù)，但現(xiàn)代工業(yè)過(guò)程 機(jī)理復(fù)雜，大都存在著非線性、時(shí)變、變參數(shù)、變結(jié)構(gòu)等不確定性，難以確定精確 的數(shù)學(xué)模型，利用常規(guī)的PID控制很難獲得滿意的控制效果。另外，常規(guī)PID控制存在著控制參數(shù)形式固定、不易在線調(diào)整、參數(shù)整定過(guò)程長(zhǎng)、參數(shù)間相互影響等 問(wèn)題，這在一定程度上影響了 PID控制的使用及控制效果;為使控制器具有較好地自適應(yīng)性，實(shí)現(xiàn)控制參數(shù)的自動(dòng)調(diào)節(jié)，可以采用神經(jīng)網(wǎng) 絡(luò)控制的方法。禾用神經(jīng)網(wǎng)絡(luò)所具有的非線性映射

5、能力、自學(xué)習(xí)能力、概括推廣能 力，結(jié)合常規(guī)PID控制理論，通過(guò)吸收兩者的優(yōu)勢(shì)，使系統(tǒng)具有自適應(yīng)性，可自 動(dòng)調(diào)節(jié)控制參數(shù)，適應(yīng)被控過(guò)程的變化，提高控制性能和可靠性。2.神經(jīng)網(wǎng)絡(luò)y 1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示：x 1y m x n 21 w w Ij ji圖1三層BP網(wǎng)絡(luò)結(jié)構(gòu)圖w Ij為隱含層到輸出層的連接權(quán)值。其中：x 1、x 2、A、x n為BP網(wǎng)絡(luò)的輸入；y 1、y 2、A、y m為BP網(wǎng)絡(luò)的 輸出；w ji為輸入層到隱含層的連接權(quán)值；圖1中各參數(shù)之間的關(guān)系為：輸入層:x i =x i1 隱含層：0 j 012=刀 w 1ji x i x 1j =f0 1ji =0n 2=刀 w Ij

6、 x j x I 2=g20 Ii =0n (2 輸出層：0 l (BP神經(jīng)網(wǎng)絡(luò)采用誤差的反向傳播來(lái)修正權(quán)值，使性能指標(biāo)E (k =按照梯度下降法修正網(wǎng)絡(luò)的權(quán)值:輸出層:隱含層：1(r(k -y (k 2 最小。222(k +1=w Ij (k + nS 2x 1j (k S 2=e (k g 0 l 2(k w Ij1j 1ji 2 S 1=S 2w Ij (f (0 (k w (k +1=w 1ji (k +nS 1x i 0(k3.神經(jīng)網(wǎng)絡(luò)PID控制神經(jīng)網(wǎng)絡(luò)PID控制器結(jié)構(gòu)圖如圖2所示:圖2基于BP網(wǎng)絡(luò)的PID控制器結(jié)構(gòu)控制器由常規(guī)的PID控制器和神經(jīng)網(wǎng)絡(luò)兩部分組成，常規(guī)PID控制器直接

7、對(duì)被控對(duì)象進(jìn)行閉環(huán)控制，并且其控制參數(shù) K P、K i、Kd為在線調(diào)整方式；神經(jīng) 網(wǎng)絡(luò)，根據(jù)系統(tǒng)的運(yùn)行狀態(tài)，調(diào)節(jié) PID控制器的參數(shù)，以期達(dá)到某種性能指標(biāo)的最優(yōu)化，使輸出層神經(jīng)元的輸出對(duì)應(yīng)于PID控制器的三個(gè)可調(diào)參數(shù) K P、K i、K d。通過(guò)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、加權(quán)系數(shù)的調(diào)整，使神經(jīng)網(wǎng)絡(luò)輸出對(duì)應(yīng)于某種最優(yōu)控 制規(guī)律下的PID控制器參數(shù)。神經(jīng)網(wǎng)絡(luò)PID控制器的控制算法如下:(1.確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，即確定輸入節(jié)點(diǎn)數(shù)和隱含層節(jié)點(diǎn)數(shù)，并給出各層加權(quán)系數(shù)的初值w ij (1 (0和w li (2 (0 ,并選定學(xué)習(xí)速率n和慣性系數(shù)a令k =1 ；(2.采樣得到r (k和y (k，計(jì)算當(dāng)前時(shí)刻的誤差e

8、rror (k =r (k -y (k ；(3.計(jì)算各神經(jīng)網(wǎng)絡(luò)的輸入、輸出，其輸出層的輸出即為PID控制器的三個(gè)控制參數(shù)K P、Ki、Kd ;(4.計(jì)算PID控制器的輸出;(5.進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，在線調(diào)整加權(quán)系數(shù)，實(shí)現(xiàn)PID控制參數(shù)的自適應(yīng)調(diào)整；(6.令k =k +1，返回第(1步4.神經(jīng)網(wǎng)絡(luò)PID的Matlab仿真為驗(yàn)證神經(jīng)網(wǎng)絡(luò)PID的控制效果，本人進(jìn)行了大量的仿真研究。現(xiàn)說(shuō)明以一 階滯后系統(tǒng)1作為被控對(duì)象進(jìn)行的仿真研究。取被控對(duì)象為：G (s =e -0. 5s . s +1首先用臨界比例度法整定PID參數(shù)方法，其參數(shù)選取為：k P = 2.9、k i =3.4、k d = 0.6; 再使

9、用matlab進(jìn)行常規(guī)PID仿真，分別選取其輸入為單位階躍輸入和正弦輸入， 其仿真曲線如下所示：圖3傳統(tǒng)PID的單位階躍響應(yīng)曲線 圖4傳統(tǒng)PID的正弦響應(yīng)曲線 另外構(gòu)造個(gè)3-5-3結(jié)構(gòu)的三層BP神經(jīng)網(wǎng)絡(luò)，以誤差、誤差的積分、誤差的微分為網(wǎng)絡(luò)的輸 入；選取學(xué)習(xí)速率n =0. 3慣性系數(shù)a =0. 1網(wǎng)絡(luò)的權(quán)值取-0.5, 0.5范圍內(nèi)的隨 機(jī)數(shù),利用matlab進(jìn)行BP神經(jīng)網(wǎng)絡(luò)PID仿真，其仿真曲線如下：JOU_ I120.30.804Q200 一1020圖5神經(jīng)網(wǎng)絡(luò)PID的階躍響應(yīng)曲線 圖6神經(jīng)網(wǎng)絡(luò)PID的正弦響應(yīng)曲線圖7 PID參數(shù)的自調(diào)整 圖8 PID參數(shù)的自調(diào)整由仿真曲線可以看出，神經(jīng)網(wǎng)

10、絡(luò) PID控制與傳統(tǒng)PID控制相比，超調(diào)量小、 調(diào)節(jié)快速、調(diào)整時(shí)間短，說(shuō)明其具有更好的控制特性；另外，穩(wěn)態(tài)誤差也比傳統(tǒng)PID控制下的穩(wěn)態(tài)誤差小，說(shuō)明神經(jīng)網(wǎng)絡(luò)PID比傳統(tǒng)PID控制的控制精度更高。5.結(jié)論神經(jīng)網(wǎng)絡(luò)PID控制算法借助神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自組織能力，可實(shí)現(xiàn)PID參數(shù)的在線自整定和優(yōu)化，避免了人工整定PID參數(shù)的繁瑣工作；同時(shí)該算法不要同時(shí)在合理選擇隱含層和輸出求被控對(duì)象的精確數(shù)學(xué)模型；具有良好的控制效果； 層激活函數(shù)的情況下，算法具有很強(qiáng)的泛化能力。本文作者創(chuàng)新點(diǎn)：對(duì)一階大滯后系統(tǒng)采用基于BP神經(jīng)網(wǎng)絡(luò)的PID控制策略,并實(shí)現(xiàn)有效的控制和PID控制參數(shù)的在線自整定。參考文獻(xiàn).北京：電子工

11、業(yè)出版社,1劉金琨.先進(jìn)PID控制及Matlab仿真M 2003. 32張建國(guó).基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器的研究與實(shí)現(xiàn).計(jì)算機(jī)技術(shù)應(yīng)用.2004, (2): 26-333溫良，付興武.神經(jīng)網(wǎng)絡(luò) PID在溫度控制系統(tǒng)中的應(yīng)用于研究.微計(jì)算機(jī)信息.2004, (7):344任子武，高俊山.基于神經(jīng)網(wǎng)絡(luò)的PID控制器.控制與決策.2004, (5: 16-195廖方方，肖建.基于BP神經(jīng)網(wǎng)絡(luò)PID參數(shù)自整定的研究.系統(tǒng)仿真學(xué)報(bào).2005, (7):1711-1713 范詠峰，李平.淺析PID參數(shù)整定J.中國(guó)儀器儀表.2002,( 3): 224-28Biogra phy: Jua nPing Zhao(1972- , woma n(the Han n atio nality, the person of DaTong County in the province of Qing Hai, i n