智能控制神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID控制器..

1、題目基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID控制器的設(shè)計(jì)學(xué)生姓名學(xué)生學(xué)號(hào)專業(yè)班級(jí)學(xué)院名稱2016年6月25日基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID控制器的設(shè)計(jì)摘要神經(jīng)網(wǎng)絡(luò)由于其固有的自學(xué)習(xí)、自適應(yīng)、自組織和大規(guī)模并行處理能力，已經(jīng)在控制及其優(yōu)化領(lǐng)域取得了廣泛的應(yīng)用。利用神經(jīng)網(wǎng)絡(luò)來(lái)可以處理控制系統(tǒng)的非線性、不確定性和逼近系統(tǒng)的辨識(shí)函數(shù)等問(wèn)題并取得了大量研究成果。PID控制是最經(jīng)典的控制算法，其簡(jiǎn)單、穩(wěn)定、高效的性能使其在工業(yè)控制領(lǐng)域具有絕對(duì)的統(tǒng)治地位。但是面對(duì)現(xiàn)代控制系統(tǒng)規(guī)模大，復(fù)雜度高的情況，單純使用傳統(tǒng)的PID控制已經(jīng)無(wú)法滿足要求。本文結(jié)合神經(jīng)網(wǎng)絡(luò)與PID兩者的優(yōu)勢(shì)，提出了一種基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID控制器的設(shè)計(jì)的

2、方法。實(shí)驗(yàn)證明該方法具有一定的實(shí)際應(yīng)用價(jià)值。近年來(lái)，智能控制在工業(yè)領(lǐng)域的應(yīng)用受到了廣泛的關(guān)注，硬件性能的不斷提高與硬件成本的不斷降低起到了至關(guān)重要的作用。目前在工業(yè)中單純使用傳統(tǒng)的控制方法具有一定的局限性，在面對(duì)復(fù)雜系統(tǒng)與大規(guī)?？刂频那闆r下不能保證在任何時(shí)刻都提供準(zhǔn)確無(wú)誤的控制信號(hào)，將傳統(tǒng)的PID控制方法結(jié)合智能控制中的神經(jīng)網(wǎng)絡(luò)控制可以克服信息的不完備性和不確定性，更加準(zhǔn)確地控制被控對(duì)象，從而做出正確的判斷和決策。1. 神經(jīng)網(wǎng)絡(luò)控制神經(jīng)網(wǎng)絡(luò)用于控制系統(tǒng)設(shè)計(jì)主要是針對(duì)系統(tǒng)的非線性、不確定性和復(fù)雜性進(jìn)行的。資料顯示，國(guó)內(nèi)外將神經(jīng)網(wǎng)絡(luò)用于控制系統(tǒng)設(shè)計(jì)的方式和結(jié)構(gòu)還未有一種統(tǒng)一的分類方法。目前，對(duì)神經(jīng)

3、網(wǎng)絡(luò)控制系統(tǒng)比較公認(rèn)地研究方向可以分為監(jiān)督控制、神經(jīng)自適應(yīng)控制、預(yù)測(cè)控制和逆控制，這時(shí)根據(jù)控制系統(tǒng)的結(jié)構(gòu)劃分的。本文利用到的就是神經(jīng)自適應(yīng)控制。本文結(jié)合神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制與PID控制，提出了一種有效的控制器設(shè)計(jì)方法，并在在MATLAB中進(jìn)行控制系統(tǒng)仿真。2. 控制器原理根據(jù)當(dāng)前產(chǎn)生誤差的輸入和輸出數(shù)據(jù)，以及誤差的變化趨勢(shì)作為神經(jīng)網(wǎng)絡(luò)的輸入條件,神經(jīng)網(wǎng)絡(luò)將根據(jù)當(dāng)前PID控制器的誤差情況以及過(guò)去所有進(jìn)行的PID控制歷史數(shù)據(jù)，共同作為樣本數(shù)據(jù)，重新進(jìn)行神經(jīng)網(wǎng)絡(luò)的參數(shù)的訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)內(nèi)部傳遞函數(shù)的新的表達(dá)式，之后PID參數(shù)調(diào)整將依據(jù)新的神經(jīng)網(wǎng)絡(luò)進(jìn)行自動(dòng)的控制和調(diào)整，從而以實(shí)現(xiàn)PID控制器具備自適應(yīng)

4、調(diào)節(jié)的能力。圖2-1單神經(jīng)元自適應(yīng)PID控制實(shí)現(xiàn)原理圖為此設(shè)計(jì)了PID控制器實(shí)現(xiàn)原理圖，如圖2-1所示。從圖2中可以看出PID控制器在完成正常PID功能之外設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)的PID參數(shù)調(diào)整模塊。模塊依照前期生成的神經(jīng)網(wǎng)絡(luò)對(duì)PID的控制參數(shù)進(jìn)行自動(dòng)化的調(diào)整，而在設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)也不是固定不變的，神經(jīng)網(wǎng)絡(luò)的一端將連接該P(yáng)ID過(guò)去一段時(shí)間內(nèi)的歷史累計(jì)控制數(shù)據(jù)，而且該歷史數(shù)據(jù)還將隨著PID控制器在新環(huán)境下的實(shí)際應(yīng)用不斷添加新的輸入和輸出的數(shù)據(jù)，從而確保歷史數(shù)據(jù)所保存的數(shù)據(jù)關(guān)系都是PID最近一段時(shí)間內(nèi)的輸入輸出關(guān)系數(shù)據(jù)，此后，神經(jīng)網(wǎng)絡(luò)每進(jìn)行下一的PID參數(shù)調(diào)整之前都將啟用這一階段內(nèi)的所有歷史數(shù)據(jù)對(duì)神經(jīng)網(wǎng)

5、絡(luò)的各個(gè)控制系數(shù)進(jìn)行重新訓(xùn)練，生成最符合當(dāng)前歷史數(shù)據(jù)規(guī)律的神經(jīng)網(wǎng)絡(luò)傳遞系數(shù)。由于設(shè)計(jì)的HD控制器其參數(shù)調(diào)整依賴的是神經(jīng)網(wǎng)絡(luò)，因此可確保對(duì)PID參數(shù)調(diào)整的準(zhǔn)確性。而神經(jīng)網(wǎng)絡(luò)又是依賴于最近一段時(shí)間PID累計(jì)的歷史數(shù)據(jù)進(jìn)行控制，因此確保了設(shè)計(jì)的PID控制器具有自適應(yīng)參數(shù)調(diào)節(jié)的能力。3控制器設(shè)計(jì)采用單神經(jīng)元自適應(yīng)PID控制。由具有自適應(yīng)和自學(xué)習(xí)能力的神經(jīng)元結(jié)構(gòu)構(gòu)成單神經(jīng)元自適應(yīng)智能PID控制器，結(jié)構(gòu)簡(jiǎn)單，并且可以使用環(huán)境變化，具有較強(qiáng)的魯棒性。單神經(jīng)單元自適應(yīng)PID控制結(jié)構(gòu)圖如圖2-1所示。yout圖3-1單神經(jīng)元自適應(yīng)PID控制結(jié)構(gòu)圖圖3-1所示轉(zhuǎn)換器的輸入反映被控過(guò)程及控制設(shè)定狀態(tài)。設(shè)r為設(shè)定值，

6、y為輸出值，經(jīng)inout過(guò)轉(zhuǎn)換器后轉(zhuǎn)換為神經(jīng)元的輸入量，x2、X3等分別為x(k)e(k)x(k)e(k)x(k)e(k)2e(k1)e(k2);123z(k)y(k)y(k)e(k)r設(shè)U(k)Ch2,3)為對(duì)應(yīng)于X仗)輸入的加權(quán)系數(shù)，K為神經(jīng)元的比例系數(shù)，K0。單神經(jīng)ii元的自適應(yīng)PID控制算法為3u(k)Kux(k)ii在神經(jīng)元學(xué)習(xí)過(guò)程中，權(quán)系數(shù)U.低）正比于遞進(jìn)信號(hào)r（0;z（k）為輸出誤差信號(hào)，是教師信號(hào)。z(k)y(k)y(k)(8-7)r將式(8-6)帶入(8-7)后，有u(k)bu(k)z(k)v(k)x(k)(8-8)11b1式子中：u(k)u(k1)u(k)111如果存在一

7、個(gè)函數(shù)fu（k），z（k）,v（k）,x（k）,則有111u1u1(k)b1z(k)，v(k)，x1(k)1則（8-8可寫為u(k)1f1(8-9)式（8-9表明，u低）加權(quán)系數(shù)的修整按函數(shù)f（）對(duì)應(yīng)于u低）的負(fù)梯度方向進(jìn)行搜索。應(yīng)用111隨機(jī)逼近理論可以證明，當(dāng)C充分小時(shí)，使用上述算法，u（k）可收斂到某一穩(wěn)定值，且其1與期望值的偏差在允許范圍內(nèi)。為了保證上述單神經(jīng)元自適應(yīng)PID控制學(xué)習(xí)算法的收斂性與魯棒性，可對(duì)學(xué)習(xí)算法進(jìn)行如下規(guī)范化處理：v(k)v(k1)1u(k)u(k)ii3lu(k)liu(ki11)u(k)1u(k1)1u(k)2u(k1)2u(k)133z(k)v(k)x(k);

8、11z(k)v(k)x(k);P2z(k)v(k)x(k);Du(k)x(k);ii1式中，、P、D為積分、比例、微分的學(xué)習(xí)速率。x(k)e(k)x(k)e(k)x(k)2(k)e(k)2e(k1)e(k2)123單神經(jīng)元自適應(yīng)PID算法的運(yùn)行效果與可調(diào)參數(shù)K、p、D的選取有關(guān)。4仿真與測(cè)試為了能夠?qū)υO(shè)計(jì)的自適應(yīng)HD控制器的性能進(jìn)行評(píng)估，通過(guò)Matlab仿真工具建立了PID控制器模擬仿真條件，并實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程以及神經(jīng)網(wǎng)絡(luò)的控制的參數(shù)調(diào)整控制過(guò)程進(jìn)行了模擬仿真，仿真過(guò)程中重點(diǎn)測(cè)試PID控制器對(duì)階躍信號(hào)的響應(yīng)能力，以及PID控制器自適應(yīng)的調(diào)整能力，測(cè)試結(jié)果如下所示：.4.2864O-O-O

9、-sokcu圖4-2系統(tǒng)階躍誤差變化時(shí)間/sec實(shí)驗(yàn)1，當(dāng)參數(shù)設(shè)定為K=1.0,p=200,廣0.35,d=0.40時(shí)，系統(tǒng)階躍響應(yīng)如圖4-1所示，系統(tǒng)階躍誤差變化如圖4-2所示。0.20Iiiiiiiiii0500100015002000250030003500400045005000時(shí)間/set圖4-1系統(tǒng)階躍響應(yīng)實(shí)驗(yàn)2,當(dāng)參數(shù)設(shè)定為K=1.0=200=0.8=0.40時(shí)，系統(tǒng)階躍響應(yīng)如圖4-3所示,系統(tǒng)階躍誤差變化如圖4-4所示。.40.2g!iiiiiiiii0500100015002000250030003500400045005000時(shí)IsJ/sec圖4-4系統(tǒng)階躍誤差變化時(shí)間/s

10、ec圖4-3系統(tǒng)階躍響應(yīng)可調(diào)參數(shù)K,p，D密切的影響著單神經(jīng)元PID學(xué)習(xí)算法的運(yùn)行效果，在通過(guò)大量的實(shí)驗(yàn)進(jìn)行仿真分析后發(fā)現(xiàn)K是系統(tǒng)最敏感的參數(shù)。K值的變化，相當(dāng)于P、I、D這三項(xiàng)系數(shù)同時(shí)變化，實(shí)驗(yàn)時(shí)候應(yīng)該謹(jǐn)慎選擇K的參數(shù)，若K過(guò)大，則會(huì)出現(xiàn)較大超調(diào)，且會(huì)出現(xiàn)多次正弦衰減現(xiàn)象，這時(shí)就應(yīng)首先減小K的值。對(duì)階躍輸入，若超調(diào)在允許范圍內(nèi)然而被控對(duì)象出現(xiàn)多次正弦衰減現(xiàn)象，則應(yīng)該減小P的值，其他參數(shù)不變。-nok-uu5OO-W堰0500100015002000250030003500400045005000時(shí)間/s&c-051111111110500100015002000250030003500400

11、045005000時(shí)何/sec圖4-5系統(tǒng)階躍響應(yīng)圖4-6系統(tǒng)階躍誤差變化實(shí)驗(yàn)4,當(dāng)參數(shù)設(shè)定為K=1.0,p=200,I=0.8,D=0.40時(shí)，系統(tǒng)階躍響應(yīng)如圖4-7所示,系統(tǒng)階躍誤差變化如圖4-8所示。QIIIIIIIII0500100015002000250030003500400045005000時(shí)間/s&c時(shí)間/set圖4-8系統(tǒng)階躍誤差變化圖4-7系統(tǒng)階躍響應(yīng)四組使用的系統(tǒng)階躍響應(yīng)的比較如圖4-9所示:實(shí)驗(yàn)3,當(dāng)參數(shù)設(shè)定為K=3.0,卩=200,=0.8,D=0.40時(shí)，系統(tǒng)階躍響應(yīng)如圖4-5所示,系統(tǒng)階躍誤差變化如圖4-6所示。InoA-uu時(shí)間/sec實(shí)/p>

12、02000250030003500400045005000時(shí)間/sec實(shí)驗(yàn)3=?.-uu0.4k-10.2O500100015002000250030003500400045005000lns.-u_時(shí)間/sec實(shí)驗(yàn)4由于設(shè)計(jì)的PID控制器其參數(shù)調(diào)整依賴的是神經(jīng)網(wǎng)絡(luò)，因此可確保對(duì)PID參數(shù)調(diào)整的準(zhǔn)確性。而神經(jīng)網(wǎng)絡(luò)又是依賴于最近一段時(shí)間PID累計(jì)的歷史數(shù)據(jù)進(jìn)行控制，因此確保了設(shè)計(jì)的PID控制器具有自適應(yīng)參數(shù)調(diào)節(jié)的能力。將PID控制器應(yīng)用在四個(gè)不同的應(yīng)用環(huán)境，檢測(cè)PID控制器輸出結(jié)果的穩(wěn)定性，實(shí)驗(yàn)過(guò)程中采取PID控制器產(chǎn)生的誤差作為衡量PID控制器穩(wěn)定的指標(biāo)，如圖4-9所示。從圖可以看出在四個(gè)不同

13、應(yīng)用環(huán)境中，PID控制器從一個(gè)應(yīng)用環(huán)境進(jìn)入到另一個(gè)應(yīng)用環(huán)境時(shí)，只要K的值選取準(zhǔn)確，超調(diào)量可以控制在合理的范圍，很快PID控制器根據(jù)應(yīng)用環(huán)境產(chǎn)生的誤差自動(dòng)的調(diào)整神經(jīng)網(wǎng)絡(luò)的相關(guān)系數(shù)，并實(shí)現(xiàn)對(duì)PID控制器的精確調(diào)整，從而使得誤差在此趨近于0,因此這一實(shí)驗(yàn)也表明所設(shè)計(jì)的PID控制器具有很強(qiáng)的自適應(yīng)能力。5總結(jié)神經(jīng)網(wǎng)路通過(guò)模擬大腦的思維過(guò)程，因此具有很強(qiáng)的智能化程度，而且隨著計(jì)算機(jī)和各種嵌入式設(shè)備的計(jì)算能力越來(lái)越強(qiáng)，使得應(yīng)用神經(jīng)網(wǎng)路來(lái)解決各種非線性問(wèn)題在復(fù)雜度上成為可能，設(shè)計(jì)的基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID控制器，利用神經(jīng)網(wǎng)絡(luò)內(nèi)部大量的線性方程式來(lái)模擬非線性應(yīng)用領(lǐng)域中的各種現(xiàn)實(shí)問(wèn)題，能夠做到對(duì)PID控制器參

14、數(shù)的自適應(yīng)調(diào)整，而且仿真測(cè)試也驗(yàn)證了應(yīng)用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)PID控制參數(shù)具有很強(qiáng)的自適應(yīng)能力，在今后的研究過(guò)程中，將可以考慮應(yīng)用中間層數(shù)和節(jié)點(diǎn)數(shù)更為龐大的神經(jīng)網(wǎng)絡(luò)，以提高神經(jīng)網(wǎng)絡(luò)的控制精度，進(jìn)一步提高自適應(yīng)PID控制器的綜合性能。參考文獻(xiàn)1王敬志，任開(kāi)春，胡斌基于BP神經(jīng)網(wǎng)絡(luò)整定的PID控制J工業(yè)控制計(jì)算機(jī)，2011，24(3):72-73.彭燕基于BP神經(jīng)網(wǎng)絡(luò)的PID控制在溫室控制系統(tǒng)中的應(yīng)用J農(nóng)機(jī)化研究，2011,33(6):163-167.3張義，左為恒，林濤.BP神經(jīng)網(wǎng)絡(luò)PID控制在空調(diào)系統(tǒng)中的應(yīng)用J計(jì)算機(jī)仿真，2011,28(4):149-151.4陳益飛.RBF神經(jīng)網(wǎng)絡(luò)的PID控制研究與

15、仿真J計(jì)算機(jī)仿真,2011,28(4):212-215.附錄為證明本文原創(chuàng)性與實(shí)驗(yàn)結(jié)果的真實(shí)性，放上本文提出的神經(jīng)網(wǎng)絡(luò)自適應(yīng)PID控制器的源代碼。functionoutRes=ANN_PID(input)%ANN_PIDSummaryofthisfunctiongoeshere%Detailedexplanationgoeshereifinput0outRes=0;elseclearall;closeall;ts=1;sys=tf(10,37156.3,810.2,l);dsys二c2d(sys,ts,z);num,den=tfdata(dsys,v);x=0,0,0;xiteP=400;%P

16、xiteI=0.8;%IxiteD=0.4;%Dwkp_l=0.10;wki_l=0.10;wkd_l=0.10;error_1=0;error_2=0;y_l=0;y_2=0;y_3=0;u_l=0;u_2=0;u_3=0;ts=1;fork=l:l:5000time(k)=k*ts;rin(k)=1;yout(k)二-den(2)*y_l-den(3)*y_2+num(2)*u_l+num(3)*u_2;error(k)二rin(k)-yout(k);wkp(k)=wkp_1+xiteP*u_1;wki(k)=wki_1+xiteI*u_1;wkd(k)=wkd_1+xiteD*u_1;K

17、=1;%K是系統(tǒng)最敏感的參數(shù)x(l)=error(k)-error_l;x(2)=error(k);x(3)=error(k)2*error_l+error_2;wadd(k)二abs(wkp(k)+abs(wki(k)+abs(wkd(k);wll(k)二wkp(k)/wadd(k);w22(k)=wki(k)/wadd(k);w33(k)=wkd(k)/wadd(k);w=wll(k),w22(k),w33(k);u(k)二u_l+K*w*x;fu(k)Ku(k)=K;endfu(k)-Ku(k)=-K;enderror_2=error_l;error_l=error(k);u_3=u_2;u_2=u