神經(jīng)網(wǎng)絡(luò)PID控制器的設(shè)計(jì)與仿真

1、*大學(xué)畢 業(yè) 設(shè) 計(jì)(論文)題 目 神經(jīng)網(wǎng)絡(luò)PID控制器的設(shè)計(jì)與仿真院 系專(zhuān)業(yè)班級(jí)學(xué)生姓名指導(dǎo)教師二八年六月神經(jīng)網(wǎng)絡(luò)PID控制器的設(shè)計(jì)與仿真摘要PID控制技術(shù)是一種應(yīng)用很普遍的控制技術(shù),目前在很多方面都有廣泛的應(yīng)用. 在工業(yè)控制中，PID控制是工業(yè)控制中最常用的方法。這是因?yàn)镻ID控制器結(jié)構(gòu)簡(jiǎn)單、實(shí)現(xiàn)簡(jiǎn)單，控制效果良好，已得到廣泛應(yīng)用。據(jù)統(tǒng)計(jì)，在目前的控制系統(tǒng)中，PID控制占了絕大多數(shù)。但是，他具有一定的局限性：當(dāng)控制對(duì)象不同時(shí)，控制器的參數(shù)難以自動(dòng)調(diào)整以適應(yīng)外界環(huán)境的變化。為了使控制器具有較好的自適應(yīng)性，實(shí)現(xiàn)控制器參數(shù)的自動(dòng)調(diào)整，可以采用神經(jīng)網(wǎng)絡(luò)控制的方法。利用人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)這一特性，

2、并結(jié)合傳統(tǒng)的PID控制理論，構(gòu)造神經(jīng)網(wǎng)絡(luò)PID控制器，實(shí)現(xiàn)控制器參數(shù)的自動(dòng)調(diào)整。本論文討論了基于神經(jīng)網(wǎng)絡(luò)的PID控制，利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力進(jìn)行在線(xiàn)參數(shù)整定，并利用Matlab軟件進(jìn)行仿真。通過(guò)仿真實(shí)現(xiàn)可以看出它具有自學(xué)習(xí)、自適應(yīng)性等特點(diǎn)，網(wǎng)絡(luò)的收斂速度快，能夠?qū)Ψ蔷€(xiàn)性對(duì)象有很好的控制，系統(tǒng)的跟蹤性能很好其參數(shù)設(shè)定無(wú)需知道被控對(duì)象的具體參數(shù)及其數(shù)學(xué)模型，對(duì)不同的對(duì)象具有適應(yīng)性關(guān)鍵詞：PID控制神經(jīng)網(wǎng)絡(luò)Matlab 仿真The design and simulation of the neural network PID controllerABSTRACT PID control techn

3、ology is a very common control technology in many aspects of a wide range of applications. In industrial control, PID control is the most commonly used in industrial control methods. This is because the PID controller simple structure, to achieve a simple, effective control, has been widely used. Ac

4、cording to statistics, PID control is the vast majority in the present control system. However, he has certain limitations: When the control object is not at the same time, the controller parameters to automatically adjust to the changes in the external environment. In order to make the controller h

5、as good adaptability, and Controller Parameters of automatic adjustments can be used neural network control method. Using artificial neural network learning oneself, combined with the traditional PID control theory Structure of neural networks PID controller, and implementate the automatic adjustmen

6、t of controller parameters. The thesis discussed according to the neural network PID controller，and control，make use of the neural network from the study ability to proceed its function to on-line parameter amend，and make use ofthe Matlab software proceeds to imitatereallyBy the simulation can see t

7、hat it is to achieve self-learning, adaptability, and other characteristics ，network convergence speed, can have a good control on non-linear object ,and tracking of system performance very good. Its parameters need to know the object of the specific parameters and its mathematical model,and adapt d

8、ifferent objects.KEY WORDS：PID control Neural network Matlab SimulationII目 錄摘要IABSTRACTII1 緒論11.1 前言11.2 神經(jīng)元網(wǎng)絡(luò)PID的發(fā)展歷程11.3 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)21.4 神經(jīng)網(wǎng)絡(luò)的主要研究方向21.5 神經(jīng)網(wǎng)絡(luò)PID的發(fā)展現(xiàn)狀和前景展望31.6 課題研究方法和內(nèi)容32 神經(jīng)網(wǎng)絡(luò)控制理論42.1 神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)介42.2 神經(jīng)網(wǎng)絡(luò)的基本概念42.3 神經(jīng)網(wǎng)絡(luò)控制的基本原理42.4 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的分類(lèi)52.5 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)62.5.1 學(xué)習(xí)方式62.5.2 網(wǎng)絡(luò)模型及其學(xué)習(xí)算法62.6 神經(jīng)網(wǎng)絡(luò)的訓(xùn)

9、練73 應(yīng)用MATLAB設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)83.1 MATLAB、SIMULINK、神經(jīng)網(wǎng)絡(luò)工具箱簡(jiǎn)介83.2 神經(jīng)網(wǎng)絡(luò)工具箱與人工神經(jīng)元網(wǎng)絡(luò)設(shè)計(jì)93.3 PID控制器103.3.1 PID控制器簡(jiǎn)介103.3.2 PID控制的局限123.4 神經(jīng)網(wǎng)絡(luò) PID 控制器的設(shè)計(jì)124 神經(jīng)網(wǎng)絡(luò)PID控制器的設(shè)計(jì)144.1 單神經(jīng)元自適應(yīng)PID控制器及其學(xué)習(xí)算法144.1.1 采用有監(jiān)督Hebb學(xué)習(xí)算法的單神經(jīng)元自適應(yīng)PID控制器144.1.2 單神經(jīng)元自適應(yīng)PID控制器學(xué)習(xí)算法可調(diào)參數(shù)的選取規(guī)律164.1.3 單神經(jīng)元自適應(yīng)PID仿真164.2 基于BP神經(jīng)網(wǎng)絡(luò)PID控制器的設(shè)計(jì)194.3

10、 小結(jié)225 結(jié)束語(yǔ)23參考文獻(xiàn)24致謝251 緒論1.1 前言計(jì)算機(jī)技術(shù)的迅速發(fā)展，為計(jì)算機(jī)控制的發(fā)展和應(yīng)用奠定了堅(jiān)實(shí)的基礎(chǔ)，過(guò)程計(jì)算機(jī)控制以自動(dòng)控制理論和計(jì)算機(jī)技術(shù)為基礎(chǔ)，實(shí)現(xiàn)了現(xiàn)代化生產(chǎn)過(guò)程的綜合自動(dòng)化，可使生產(chǎn)過(guò)程保持最佳運(yùn)行狀態(tài)，從而提高安全性、經(jīng)濟(jì)性和運(yùn)行水平。隨著人類(lèi)科技的不斷發(fā)展，受控對(duì)象越來(lái)越復(fù)雜，傳統(tǒng)的PID控制已經(jīng)不能滿(mǎn)足人們的要求。主要表現(xiàn)在以下幾個(gè)方面：不適應(yīng)不確定性系統(tǒng)的控制；不適應(yīng)非線(xiàn)形系統(tǒng)的控制；不適應(yīng)時(shí)變系統(tǒng)的控制；不適應(yīng)多變量系統(tǒng)的控制。由于這些局限性，傳統(tǒng)控制方法和傳統(tǒng)的神經(jīng)元網(wǎng)絡(luò)均不能單獨(dú)勝任復(fù)雜系統(tǒng)的控制任務(wù)，因此需要研究新的更有效的控制方法。近年來(lái)，

11、隨著神經(jīng)元網(wǎng)絡(luò)的研究和應(yīng)用，人們開(kāi)始采用神經(jīng)元網(wǎng)絡(luò)和PID控制相結(jié)合，以便改進(jìn)傳統(tǒng)PID控制的性能。為此本論文設(shè)計(jì)了一種神經(jīng)網(wǎng)絡(luò)PID控制器，并給出了仿真結(jié)果和結(jié)論。1.2 神經(jīng)元網(wǎng)絡(luò)PID的發(fā)展歷程一般認(rèn)為，最早用數(shù)學(xué)模型對(duì)神經(jīng)系統(tǒng)中的神經(jīng)元進(jìn)行理論建模的是美國(guó)心理學(xué)家麥卡洛克（W.McCulloch）和數(shù)學(xué)家皮茨（W.Pitts）。他們于1943年建立了MP神經(jīng)元模型。MP神經(jīng)元模型首次簡(jiǎn)單的數(shù)學(xué)模型模仿出生物神經(jīng)元活動(dòng)功能，并揭示了通過(guò)神經(jīng)元的相互連接和簡(jiǎn)單的數(shù)學(xué)計(jì)算，可以進(jìn)行相當(dāng)復(fù)雜的邏輯運(yùn)算這一令人興奮的事實(shí)。1957年，美國(guó)計(jì)算機(jī)學(xué)家羅森布拉特（F.Rosenblatt）提出了著名

12、的感知器（Perceptron）模型。它是一個(gè)具有連續(xù)可調(diào)權(quán)值矢量的MP神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過(guò)訓(xùn)練可達(dá)到對(duì)一定輸入矢量模式進(jìn)行識(shí)別的目的。1959年，當(dāng)時(shí)的另外兩位美國(guó)工程師威德羅（B.Widrow）和霍夫（M.Hoff）提出了自適應(yīng)線(xiàn)性元件（Adaptive linear element,簡(jiǎn)稱(chēng)Adaline）。它是感知器的變化形式，尤其在權(quán)失量的算法上進(jìn)行了改進(jìn)，提高了訓(xùn)練收斂速度和精度。他們從工程實(shí)際出發(fā)，不僅在計(jì)算機(jī)上模擬了這種神經(jīng)網(wǎng)絡(luò)，而且還做成了硬件，并將訓(xùn)練后的人工神經(jīng)網(wǎng)絡(luò)成功地用于的小通訊中的回波和噪聲，成為第一個(gè)用于解決實(shí)際問(wèn)題的人工神經(jīng)網(wǎng)絡(luò)。1969年，人工智能的創(chuàng)始人之一明斯基

13、（M.Minsky）和帕伯特（S.Papert）在合著的感知器一書(shū)中對(duì)以單層感知器為代表的簡(jiǎn)單人工神經(jīng)網(wǎng)絡(luò)的功能及局限性進(jìn)行了深入分析。他們指出，單層感知器只能進(jìn)行線(xiàn)性分類(lèi)，對(duì)線(xiàn)性不可分的輸入模式無(wú)能為力，而其解決的辦法是設(shè)計(jì)出具有隱含層的多層神經(jīng)網(wǎng)絡(luò)，但是要找到一個(gè)有效修正權(quán)矢量的學(xué)習(xí)算法并不容易。這一結(jié)論使得當(dāng)時(shí)許多神經(jīng)網(wǎng)絡(luò)研究者感到前途渺茫，客觀(guān)上對(duì)神經(jīng)網(wǎng)絡(luò)理論的發(fā)展起了一定的消極作用。美國(guó)學(xué)者霍普菲爾德（J.Hopfield）對(duì)人工神經(jīng)網(wǎng)絡(luò)研究的復(fù)蘇起到了關(guān)鍵性的作用。1982年，他提出了霍普菲爾的網(wǎng)絡(luò)模型，將能量函數(shù)引入到對(duì)稱(chēng)反饋網(wǎng)絡(luò)中，是網(wǎng)絡(luò)穩(wěn)定性有了明顯的判據(jù)，并利用提出的網(wǎng)絡(luò)的

14、神經(jīng)計(jì)算能力來(lái)解決條件優(yōu)化問(wèn)題。另外，霍普菲爾德網(wǎng)絡(luò)模型可以用電子模擬線(xiàn)路來(lái)實(shí)現(xiàn)，從而由此還興起了對(duì)新一代電子神經(jīng)計(jì)算機(jī)的研究。另一個(gè)突破性的研究成果是儒默哈特（D.E.Rumelhart）等人在1986年提出的解決多層神經(jīng)網(wǎng)絡(luò)權(quán)值修正的算法誤差反向傳播法，簡(jiǎn)稱(chēng)BP算法，找到了解決明斯基和帕伯特提出的問(wèn)題的辦法，從而給人工神經(jīng)網(wǎng)絡(luò)增添了活力。1.3 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)人工神經(jīng)網(wǎng)絡(luò)的以下幾個(gè)突出的優(yōu)點(diǎn)使它近年來(lái)引起人們的極大關(guān)注： （1）能逼近任意L2上的非線(xiàn)性函數(shù)；（2）信息的并行分布式處理與存儲(chǔ)；（3）可以多輸入、多輸出；（4）便于用超大規(guī)模集成電路或光學(xué)集成電路系統(tǒng)實(shí)現(xiàn)，或用現(xiàn)有的計(jì)算機(jī)技術(shù)實(shí)

15、現(xiàn)；（5）能進(jìn)行學(xué)習(xí)，以適應(yīng)環(huán)境的變化；人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和優(yōu)越性，主要表現(xiàn)在三個(gè)方面：第一，具有自學(xué)習(xí)功能。例如實(shí)現(xiàn)圖像識(shí)別時(shí)，只在先把許多不同的圖像樣板和對(duì)應(yīng)的應(yīng)識(shí)別的結(jié)果輸入人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)就 會(huì)通過(guò)自學(xué)習(xí)功能，慢慢學(xué)會(huì)識(shí)別類(lèi)似的圖像。自學(xué)習(xí)功能對(duì)于預(yù)測(cè)有特別重要的意義。預(yù)期未來(lái)的人工神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)將為人類(lèi)提 供經(jīng)濟(jì)預(yù)測(cè)、市場(chǎng)預(yù)測(cè)、效益預(yù)測(cè)，其應(yīng)用前途是很遠(yuǎn)大的。 第二，具有聯(lián)想存儲(chǔ)功能。用人工神經(jīng)網(wǎng)絡(luò)的反饋網(wǎng)絡(luò)就可以實(shí)現(xiàn)這種聯(lián)想。 第三，具有高速尋找優(yōu)化解的能力。尋找一個(gè)復(fù)雜問(wèn)題的優(yōu)化解，往往需要很大的計(jì)算量，利用一個(gè)針對(duì)某問(wèn)題而設(shè)計(jì)的反饋型 人工神經(jīng)網(wǎng)絡(luò)，發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力，

16、可能很快找到優(yōu)化解。 1.4 神經(jīng)網(wǎng)絡(luò)的主要研究方向 神經(jīng)網(wǎng)絡(luò)的研究可以分為理論研究和應(yīng)用研究?jī)纱蠓矫?。理論研究可分為以下兩?lèi)：利用神經(jīng)生理與認(rèn)知科學(xué)研究人類(lèi)思維以及智能機(jī)理。利用神經(jīng)基礎(chǔ)理論的研究成果，用數(shù)理方法探索功能更加完善、性能更加優(yōu)越的神經(jīng)網(wǎng)絡(luò)模型，深入研究網(wǎng)絡(luò)算法和性能， 如：穩(wěn)定性、收斂性、容錯(cuò)性、魯棒性等；開(kāi)發(fā)新的網(wǎng)絡(luò)數(shù)理理論，如：神經(jīng)網(wǎng)絡(luò)動(dòng)力學(xué)、非線(xiàn)性神經(jīng)場(chǎng)等。 應(yīng)用研究可分為以下兩類(lèi)：神經(jīng)網(wǎng)絡(luò)的軟件模擬和硬件實(shí)現(xiàn)的研究。神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域中應(yīng)用的研究。這些領(lǐng)域主要包括： 模式識(shí)別、信號(hào)處理、知識(shí)工程、專(zhuān)家系統(tǒng)、優(yōu)化組合、機(jī)器人控制等。 隨著神經(jīng)網(wǎng)絡(luò)理論本身以及相關(guān)

17、理論、相關(guān)技術(shù)的不斷 發(fā)展，神經(jīng)網(wǎng)絡(luò)的應(yīng)用定將更加深入。1.5 神經(jīng)網(wǎng)絡(luò)PID的發(fā)展現(xiàn)狀和前景展望PID控制要取得較好的控制效果，就必須通過(guò)調(diào)整好比例、積分和微分三種控制作用在形成控制量中相互配合又相互制約的關(guān)系。這種關(guān)系不一定是簡(jiǎn)單的“線(xiàn)性組合”，從變化無(wú)窮的非線(xiàn)性組合中可以找出最佳的關(guān)系。神經(jīng)網(wǎng)絡(luò)所具有的任意非線(xiàn)性表達(dá)能力，可以通過(guò)對(duì)系統(tǒng)性能的學(xué)習(xí)來(lái)實(shí)現(xiàn)具有最佳組合的PID控制。采用BP網(wǎng)絡(luò)，利用其具有逼近任意非線(xiàn)性函數(shù)的能力，結(jié)構(gòu)和學(xué)習(xí)算法簡(jiǎn)單明確的優(yōu)點(diǎn)，建立參數(shù)Kp,Ki,Kd自學(xué)習(xí)的PID控制器。基于BP網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)如圖1-1所示，控制器有兩部分組成：經(jīng)典的PID控制器：

18、直接對(duì)被控對(duì)象過(guò)程閉環(huán)控制，且三個(gè)參數(shù)Kp,Ki,Kd為在線(xiàn)調(diào)整方式；神經(jīng)網(wǎng)絡(luò)NN：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。圖1-1 基于BP神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)1.6 課題研究方法和內(nèi)容本課題主要研究的問(wèn)題是神經(jīng)網(wǎng)絡(luò)作為控制器和傳統(tǒng)PID控制器在控制思想，設(shè)計(jì)方法，適用對(duì)象上有什么不同，并設(shè)計(jì)一種神經(jīng)網(wǎng)絡(luò)PID控制器，選擇不同的對(duì)象用MATLAB進(jìn)行仿真，比較其與一般PID控制器在控制效果上有什么改進(jìn)。2 神經(jīng)網(wǎng)絡(luò)控制理論2.1 神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)介自80年代中后期以來(lái)，全世界特別是一些工業(yè)發(fā)達(dá)國(guó)家，掀起了一股競(jìng)相研究開(kāi)發(fā)神經(jīng)網(wǎng)絡(luò)的熱潮。在神經(jīng)網(wǎng)絡(luò)這個(gè)涉及

19、多種學(xué)科的新的高科技領(lǐng)域中，吸引了眾多的神經(jīng)生理學(xué)家、心理學(xué)家、數(shù)理科學(xué)家、計(jì)算機(jī)與信息科學(xué)家，以及工程師和企業(yè)家等。大量的有關(guān)神經(jīng)網(wǎng)絡(luò)機(jī)理、模型、算法、特性分析，以及在各方面應(yīng)用的學(xué)術(shù)論文，象雨后春筍般涌現(xiàn)在報(bào)刊雜志上和許多學(xué)術(shù)會(huì)議中。一時(shí)神經(jīng)網(wǎng)絡(luò)以及建立在神經(jīng)網(wǎng)絡(luò)原理基礎(chǔ)上的神經(jīng)計(jì)算機(jī)（Neurocomputer），成為當(dāng)代高科技領(lǐng)域中方興未艾的競(jìng)爭(zhēng)熱點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于化工領(lǐng)域主要是：譜圖分析、結(jié)構(gòu)與性能預(yù)測(cè)、信號(hào)處理、過(guò)程控制、故障診斷和化學(xué)反應(yīng)產(chǎn)物估計(jì)等。關(guān)于過(guò)程控制和事故診斷是化工界非常重要的應(yīng)用領(lǐng)域。用神經(jīng)網(wǎng)絡(luò)及時(shí)報(bào)告生產(chǎn)工況并進(jìn)行控制信息反饋。國(guó)外已有人將神經(jīng)網(wǎng)絡(luò)用在蒸餾塔中

20、，預(yù)測(cè)穩(wěn)態(tài)下的可能故障。2.2 神經(jīng)網(wǎng)絡(luò)的基本概念神經(jīng)網(wǎng)絡(luò)系統(tǒng)是指利用工程技術(shù)手段，模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的一種技術(shù)系統(tǒng)，它是一種大規(guī)模并行的非線(xiàn)性動(dòng)力學(xué)系統(tǒng)。由于它是由人工方式構(gòu)造的網(wǎng)絡(luò)系統(tǒng)，因此也稱(chēng)為人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)?；谌斯ど窠?jīng)網(wǎng)絡(luò)的控制簡(jiǎn)稱(chēng)為神經(jīng)網(wǎng)絡(luò)控制。神經(jīng)網(wǎng)絡(luò)控制是一種基本上不依賴(lài)于模型的控制方法，它適用于具有不確定性、事變的對(duì)象與環(huán)境，并具有較強(qiáng)的自適應(yīng)能力、學(xué)習(xí)能力、非線(xiàn)性影射能力、魯棒性和容錯(cuò)能力。 2-1神經(jīng)網(wǎng)絡(luò)基本模型2.3 神經(jīng)網(wǎng)絡(luò)控制的基本原理我們已經(jīng)知道，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)模并行處理等能力，已經(jīng)在模式識(shí)別、信號(hào)處理、系統(tǒng)辨識(shí)、控制

21、，以及優(yōu)化等領(lǐng)域得到了廣泛的應(yīng)用。近年來(lái)，神經(jīng)網(wǎng)絡(luò)在智能控制系統(tǒng)中顯示了極大的應(yīng)用潛力，人們已經(jīng)利用神經(jīng)網(wǎng)絡(luò)來(lái)處理控制系統(tǒng)的非線(xiàn)性、不確定性和如何逼近系統(tǒng)的辨識(shí)函數(shù)等問(wèn)題，并取得了大量的研究成果。根據(jù)控制系統(tǒng)的結(jié)構(gòu)，可把神經(jīng)控制的應(yīng)用研究分為諸如監(jiān)督式控制、逆控制、神經(jīng)自適應(yīng)控制和預(yù)測(cè)控制的方向?？刂评碚擃I(lǐng)域與神經(jīng)網(wǎng)絡(luò)之間的關(guān)系如圖所示，其中的空白框表示沒(méi)有明顯的對(duì)應(yīng)關(guān)系。圖2-2 控制與神經(jīng)網(wǎng)絡(luò)的關(guān)系2.4 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的分類(lèi) 通常所說(shuō)的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，主要是指其聯(lián)接方式。連接方式的不同，其結(jié)構(gòu)大致分為層次和網(wǎng)狀兩大類(lèi)。層狀結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)是由若干層組成，每層中包括一定數(shù)量的神經(jīng)元，任意兩個(gè)神

22、經(jīng)元之間都可能雙向聯(lián)接。下面介紹幾種神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。1）前饋網(wǎng)絡(luò)前饋網(wǎng)絡(luò)具有分層的結(jié)構(gòu)，通常包括輸入層、隱層（也稱(chēng)中間層，可有若干層）輸出層。每一層的神經(jīng)元只接收上一層神經(jīng)元的輸入，并且該層神經(jīng)元的輸出分別有一個(gè)輸出送給下一層的各神經(jīng)元。輸入信息經(jīng)過(guò)各層的順次傳遞后，直到輸出層輸出。神經(jīng)網(wǎng)絡(luò)按照他撲結(jié)構(gòu)屬于以神經(jīng)元為節(jié)點(diǎn)，以節(jié)點(diǎn)間有向連接為邊的一種圖。在前向網(wǎng)絡(luò)中有計(jì)算功能的節(jié)點(diǎn)稱(chēng)為計(jì)算單元，而輸入節(jié)點(diǎn)沒(méi)有計(jì)算功能。2）反饋網(wǎng)絡(luò)從輸入曾到輸出曾有反饋的網(wǎng)絡(luò)稱(chēng)為反饋網(wǎng)絡(luò)。在反饋網(wǎng)絡(luò)中，任意一個(gè)節(jié)點(diǎn)既可接收來(lái)自前一層個(gè)節(jié)點(diǎn)的輸入，同時(shí)也可接收來(lái)自后面任意節(jié)點(diǎn)的反饋輸入。另外，由輸出節(jié)點(diǎn)引回到其

23、本身的輸入而構(gòu)成的自環(huán)反饋也屬反饋輸入。反饋網(wǎng)絡(luò)的每一節(jié)點(diǎn)都是一個(gè)計(jì)算單元。3）混合型網(wǎng)絡(luò)將同一層的神經(jīng)元之間都有可能相互雙向連接的網(wǎng)絡(luò)結(jié)構(gòu)，成為混合型網(wǎng)絡(luò)。通過(guò)同層神經(jīng)元之間的互聯(lián)，可以限制每層內(nèi)能同時(shí)動(dòng)作的神經(jīng)元數(shù)，并實(shí)現(xiàn)同一層神經(jīng)元之間橫向抑制或興奮機(jī)制。4）相互結(jié)合型網(wǎng)絡(luò)這種網(wǎng)絡(luò)中任意兩個(gè)神經(jīng)元之間都有可能相互雙向連接，所有神經(jīng)原既作輸入同時(shí)也作輸出。在前向網(wǎng)絡(luò)中，信號(hào)一旦通過(guò)某個(gè)神經(jīng)元，信息處理過(guò)程就結(jié)束了。而在相互結(jié)合型網(wǎng)絡(luò)中，信號(hào)要在各神經(jīng)元之間來(lái)回反復(fù)傳遞，當(dāng)網(wǎng)絡(luò)從某種初始狀態(tài)經(jīng)過(guò)反復(fù)變化達(dá)到另一種新的平衡狀態(tài)時(shí)，信息處理過(guò)程才能結(jié)束。2.5 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)2.5.1 學(xué)習(xí)方式

24、通過(guò)向環(huán)境學(xué)習(xí)獲取知識(shí)并改進(jìn)自身性能是神經(jīng)網(wǎng)絡(luò)的一個(gè)重要特點(diǎn)，在一般情況下，性能的改善是按某種預(yù)定的度量調(diào)節(jié)自身參數(shù)（如權(quán)值）并隨時(shí)間逐步達(dá)到的，學(xué)習(xí)方式（按環(huán)境所共信息的多少分）有以下三種。1）有監(jiān)督學(xué)習(xí)有監(jiān)督學(xué)習(xí)方式需要外界存在一個(gè)“教師”，它對(duì)一組給定輸入提供應(yīng)有的輸出結(jié)果（正確答案），這組已知的輸入/輸出數(shù)據(jù)成為訓(xùn)練樣本集。學(xué)習(xí)系統(tǒng)可根據(jù)已知輸出與實(shí)際輸出之間的差值（誤差信號(hào)）來(lái)調(diào)節(jié)系統(tǒng)參數(shù)。2）無(wú)監(jiān)督學(xué)習(xí)無(wú)監(jiān)督學(xué)習(xí)是不存在外部教師，學(xué)習(xí)系統(tǒng)完全按照環(huán)境所提供數(shù)據(jù)的某些統(tǒng)計(jì)規(guī)律來(lái)調(diào)節(jié)自身參數(shù)或結(jié)構(gòu)（這是一種自組織過(guò)程），以表示外部輸入的某種固有特性（如聚類(lèi)，或某種統(tǒng)計(jì)上的分布特征）。3

25、）強(qiáng)化學(xué)習(xí)強(qiáng)化學(xué)習(xí)介于上述兩種情況之間，外部環(huán)境對(duì)系統(tǒng)輸出結(jié)果只給出評(píng)價(jià)（獎(jiǎng)或罰）而不是給出正確答案，學(xué)習(xí)系統(tǒng)通過(guò)強(qiáng)化那些受獎(jiǎng)勵(lì)的動(dòng)作來(lái)改善自身性能。強(qiáng)化學(xué)習(xí)與有監(jiān)督學(xué)習(xí)類(lèi)似，只是他不想有監(jiān)督的學(xué)習(xí)那樣為每一個(gè)輸入提供相應(yīng)的目標(biāo)輸出，而是僅僅給出一個(gè)級(jí)別。這個(gè)級(jí)別是對(duì)網(wǎng)絡(luò)在某些輸入序列上的性能測(cè)度。當(dāng)前，這種類(lèi)型的學(xué)習(xí)要比有監(jiān)督的學(xué)習(xí)少見(jiàn)。它最適合控制系統(tǒng)應(yīng)用領(lǐng)域。2.5.2 網(wǎng)絡(luò)模型及其學(xué)習(xí)算法神經(jīng)網(wǎng)絡(luò)NN的原理是通過(guò)學(xué)習(xí)出一組單神經(jīng)元PID控制器的學(xué)習(xí)速率來(lái)提高單神經(jīng)元的學(xué)習(xí)速度，從而改善神經(jīng)元的智能性和自學(xué)習(xí)的能力，并且增強(qiáng)了控制器的收斂性，使神經(jīng)網(wǎng)絡(luò)控制器有較強(qiáng)的快速性和自適應(yīng)性。如圖

26、2-3所示為三層BP神經(jīng)網(wǎng)絡(luò)。圖2-3 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)其中神經(jīng)網(wǎng)絡(luò)的輸入層用三個(gè)節(jié)點(diǎn)，隱層為四個(gè)節(jié)點(diǎn)，輸出層為三個(gè)節(jié)點(diǎn)，分別為單神經(jīng)元PID控制器的三個(gè)學(xué)習(xí)速率； ；輸入層有3個(gè)節(jié)點(diǎn)，分別為：Xl=e，X2 =ec，X3 =dec取單神經(jīng)元PID控制系統(tǒng)的輸出誤差平方為性能指標(biāo)函數(shù)，有使連接系數(shù)的修正沿著J減小的方向進(jìn)行，即按J 對(duì)連接系數(shù)的負(fù)梯度方向搜索調(diào)整。2.6 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練BP網(wǎng)絡(luò)的訓(xùn)練就是通過(guò)應(yīng)用誤差反傳原理不斷調(diào)整網(wǎng)絡(luò)權(quán)值使網(wǎng)絡(luò)模型輸出值與已知的訓(xùn)練樣本輸出值之間的誤差平方和達(dá)到最小或小于某一期望值。雖然理論上早已經(jīng)證明：具有1個(gè)隱層（采用Sigmoid轉(zhuǎn)換函數(shù)）的BP網(wǎng)絡(luò)

27、可實(shí)現(xiàn)對(duì)任意函數(shù)的任意逼近。但遺憾的是，迄今為止還沒(méi)有構(gòu)造性結(jié)論，即在給定有限個(gè)（訓(xùn)練）樣本的情況下，如何設(shè)計(jì)一個(gè)合理的BP網(wǎng)絡(luò)模型并通過(guò)向所給的有限個(gè)樣本的學(xué)習(xí)（訓(xùn)練）來(lái)滿(mǎn)意地逼近樣本所蘊(yùn)含的規(guī)律（函數(shù)關(guān)系，不僅僅是使訓(xùn)練樣本的誤差達(dá)到很?。┑膯?wèn)題，目前在很大程度上還需要依靠經(jīng)驗(yàn)知識(shí)和設(shè)計(jì)者的經(jīng)驗(yàn)。因此，通過(guò)訓(xùn)練樣本的學(xué)習(xí)（訓(xùn)練）建立合理的BP神經(jīng)網(wǎng)絡(luò)模型的過(guò)程，在國(guó)外被稱(chēng)為“藝術(shù)創(chuàng)造的過(guò)程”，是一個(gè)復(fù)雜而又十分煩瑣和困難的過(guò)程。 由于BP網(wǎng)絡(luò)采用誤差反傳算法，其實(shí)質(zhì)是一個(gè)無(wú)約束的非線(xiàn)性最優(yōu)化計(jì)算過(guò)程，在網(wǎng)絡(luò)結(jié)構(gòu)較大時(shí)不僅計(jì)算時(shí)間長(zhǎng)，而且很容易限入局部極小點(diǎn)而得不到最優(yōu)結(jié)果。目前雖已有改進(jìn)B

28、P法、遺傳算法（GA）和模擬退火算法等多種優(yōu)化方法用于BP網(wǎng)絡(luò)的訓(xùn)練(這些方法從原理上講可通過(guò)調(diào)整某些參數(shù)求得全局極小點(diǎn))，但在應(yīng)用中，這些參數(shù)的調(diào)整往往因問(wèn)題不同而異，較難求得全局極小點(diǎn)。這些方法中應(yīng)用最廣的是增加了沖量（動(dòng)量）項(xiàng)的改進(jìn)BP算法。 學(xué)習(xí)率影響系統(tǒng)學(xué)習(xí)過(guò)程的穩(wěn)定性。大的學(xué)習(xí)率可能使網(wǎng)絡(luò)權(quán)值每一次的修正量過(guò)大，甚至?xí)?dǎo)致權(quán)值在修正過(guò)程中超出某個(gè)誤差的極小值呈不規(guī)則跳躍而不收斂；但過(guò)小的學(xué)習(xí)率導(dǎo)致學(xué)習(xí)時(shí)間過(guò)長(zhǎng)，不過(guò)能保證收斂于某個(gè)極小值。所以，一般傾向選取較小的學(xué)習(xí)率以保證學(xué)習(xí)過(guò)程的收斂性（穩(wěn)定性），通常在0.010.8之間。增加沖量項(xiàng)的目的是為了避免網(wǎng)絡(luò)訓(xùn)練陷于較淺的局部極小點(diǎn)。

29、理論上其值大小應(yīng)與權(quán)值修正量的大小有關(guān)，但實(shí)際應(yīng)用中一般取常量。通常在01之間，而且一般比學(xué)習(xí)率要大。 3 應(yīng)用MATLAB設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)3.1 MATLAB、SIMULINK、神經(jīng)網(wǎng)絡(luò)工具箱簡(jiǎn)介控制系統(tǒng)計(jì)算機(jī)仿真是應(yīng)用現(xiàn)代科學(xué)手段對(duì)控制系統(tǒng)進(jìn)行科學(xué)研究的十分重要的手段之一。目前,近乎所有的高品質(zhì)的控制都離不開(kāi)系統(tǒng)仿真研究。利用仿真工具對(duì)控制系統(tǒng)進(jìn)行設(shè)計(jì)與仿真,可以有效地對(duì)比各種控制模型與方案,選取并優(yōu)化相關(guān)控制參數(shù),從而對(duì)整個(gè)控制系統(tǒng)的性能進(jìn)行優(yōu)化與提高,尤其是對(duì)于一些新型控制理論與算法的研究,進(jìn)行系統(tǒng)仿真更是必不可少的。MATLAB軟件于1984年由美國(guó)的MathWorks公司

30、推出,該軟件提供了豐富的數(shù)值分析、矩陣運(yùn)算、圖形繪制、數(shù)據(jù)處理、圖像處理等功能,此外,針對(duì)不同的應(yīng)用學(xué)科,MATLAB還推出了三十多個(gè)應(yīng)用工具箱,如控制系統(tǒng)工具箱、模糊控制工具箱、神經(jīng)網(wǎng)絡(luò)工具箱等。目前,它已經(jīng)成為國(guó)際控制界最廣泛流行的語(yǔ)言之一。本文在MATLAB6.5的基礎(chǔ)上,介紹了SIMULINK工具箱及神經(jīng)網(wǎng)絡(luò)工具箱的功能,并介紹如何利用SIMULINK工具箱和神經(jīng)網(wǎng)絡(luò)工具箱相結(jié)合的方法來(lái)設(shè)計(jì)和研究神經(jīng)網(wǎng)絡(luò)PID控制器。SIMULINK工具箱是MATLAB軟件的擴(kuò)展, SIMULINK子庫(kù)是一個(gè)建模、分析各種物理和數(shù)學(xué)系統(tǒng)的軟件，主要用于動(dòng)態(tài)系統(tǒng)的仿真。SIMULINK模塊庫(kù)中提供了建立

31、系統(tǒng)模型所需的大部分模塊,進(jìn)入MATLAB環(huán)境后,只需鍵入SIMULINK命令就可打開(kāi)該模塊庫(kù), 此時(shí)出現(xiàn)一個(gè)SIMULINK窗口,包含七個(gè)模型庫(kù)和一個(gè)DEMOS,分別是:信號(hào)源庫(kù)、輸出庫(kù)、離散系統(tǒng)庫(kù)、線(xiàn)性系統(tǒng)庫(kù)、非線(xiàn)性系統(tǒng)庫(kù)及擴(kuò)展系統(tǒng)庫(kù).在這些庫(kù)中你可以找到你所需的每個(gè)環(huán)節(jié),必要時(shí),你還可以建立自己的環(huán)節(jié)庫(kù).用戶(hù)可以根據(jù)自己的系統(tǒng)選擇所需的模塊,將其用鼠標(biāo)拖到自己的系統(tǒng)模型中,然后用鼠標(biāo)劃線(xiàn)連起來(lái),就構(gòu)成了系統(tǒng)的SIMULINK描述。系統(tǒng)的模型建好后,用戶(hù)可以根據(jù)系統(tǒng)的不同需要,設(shè)置或更改模塊的參數(shù),然后打開(kāi)仿真菜單(Simulation),設(shè)置仿真參數(shù),起動(dòng)仿真過(guò)程。仿真結(jié)束后,用戶(hù)可以通

32、過(guò)輸出示波器(Scope)或(plot)繪圖函數(shù)觀(guān)察系統(tǒng)的仿真輸出。隨著MATLAB軟件版本的提高，其對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)工具箱的版本也在相應(yīng)地提高。與MATLAB6.5對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)工具箱為NN Toolbox4.0.2版（以后建成神經(jīng)網(wǎng)絡(luò)工具箱），其內(nèi)容非常豐富，包括了很多現(xiàn)有的神經(jīng)網(wǎng)絡(luò)的新成果，涉及的網(wǎng)絡(luò)模型有：l 感知器模型l 線(xiàn)形濾波器l BP網(wǎng)絡(luò)l 控制系統(tǒng)網(wǎng)絡(luò)模型l 徑向基網(wǎng)絡(luò)l 自組織網(wǎng)絡(luò)l 反饋網(wǎng)絡(luò)l 自適應(yīng)濾波和自適應(yīng)訓(xùn)練神經(jīng)網(wǎng)絡(luò)工具箱提供了很多經(jīng)典的學(xué)習(xí)算法，使用它能夠快速地實(shí)現(xiàn)對(duì)實(shí)際問(wèn)題的建模求解。由于其編程簡(jiǎn)單，這樣就給使用者節(jié)省了大量的編程時(shí)間，使其能夠把更多的精力投入到

33、網(wǎng)絡(luò)設(shè)計(jì)而不是具體程序?qū)崿F(xiàn)上。Matlab是一套功能十分強(qiáng)大的工程計(jì)算和數(shù)據(jù)分析軟件,它主要由五個(gè)部分組成:Matlab 語(yǔ)言、Matlab 工作環(huán)境、Matlab 圖形系統(tǒng)、Mat2lab 數(shù)學(xué)函數(shù)庫(kù)以及Matlab 應(yīng)用程序界面(API) . 它將科學(xué)計(jì)算、數(shù)據(jù)可視化、交互式程序設(shè)計(jì)、以及非線(xiàn)性動(dòng)態(tài)系統(tǒng)的建模和仿真等諸多強(qiáng)大的功能集成在一個(gè)易于使用的視窗環(huán)境之中,為科學(xué)研究、工程設(shè)計(jì)以及必須進(jìn)行有效數(shù)值計(jì)算的眾多學(xué)科領(lǐng)域提供了一種簡(jiǎn)捷高效的編程與開(kāi)發(fā)環(huán)境,借助于這種環(huán)境,任何復(fù)雜計(jì)算問(wèn)題及其解的描述都非常符合人們的邏輯思維方式和數(shù)學(xué)表達(dá)習(xí)慣,并在很大程度上擺脫了傳統(tǒng)非交互式程序設(shè)計(jì)語(yǔ)言(如

34、C、Fortran 等) 的編程模式,為自然科學(xué)和工程設(shè)計(jì)諸多領(lǐng)域全面解決復(fù)雜數(shù)值計(jì)算問(wèn)題以及CAD 研究等提供了綜合解決方案. 在設(shè)計(jì)研究單位和工業(yè)部門(mén),Matlab 被認(rèn)作進(jìn)行高效研究、開(kāi)發(fā)的首選軟件工具;在國(guó)際學(xué)術(shù)界,Matlab 已經(jīng)被確認(rèn)為準(zhǔn)確、可靠的科學(xué)計(jì)算標(biāo)準(zhǔn)軟件. 在諸多國(guó)際一流學(xué)術(shù)刊物上(尤其是信息科學(xué)刊物) ,都可以看到Matlab 的應(yīng)用.3.2 神經(jīng)網(wǎng)絡(luò)工具箱與人工神經(jīng)元網(wǎng)絡(luò)設(shè)計(jì)由于Matlab 數(shù)值計(jì)算函數(shù)庫(kù)內(nèi)容的基礎(chǔ)性和通用性,使得Matlab 軟件具有很強(qiáng)的開(kāi)放性和適應(yīng)性. 在保持內(nèi)核不變的條件下,Mablab 針對(duì)不同的應(yīng)用學(xué)科推出相應(yīng)的工具箱(toolbox)

35、 ,神經(jīng)網(wǎng)絡(luò)工具箱就是Matlab 環(huán)境下所開(kāi)發(fā)出來(lái)的許多工具箱之一. 它是以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ),用Matlab 語(yǔ)言構(gòu)造出典型神經(jīng)元網(wǎng)絡(luò)的激活函數(shù)(傳遞函數(shù)) ,如:S 型、線(xiàn)型、競(jìng)爭(zhēng)層、飽和線(xiàn)形等激活函數(shù),使設(shè)計(jì)者對(duì)所選定網(wǎng)絡(luò)輸出的計(jì)算,變成對(duì)激活函數(shù)的調(diào)用;另外,根據(jù)各種典型的修正網(wǎng)絡(luò)權(quán)值的規(guī)則,加上網(wǎng)絡(luò)的訓(xùn)練過(guò)程,用Matlab 編寫(xiě)出各種網(wǎng)絡(luò)權(quán)值訓(xùn)練的子程序. 網(wǎng)絡(luò)的設(shè)計(jì)者則可以根據(jù)自己的需要去調(diào)用工具箱中有關(guān)神經(jīng)元網(wǎng)絡(luò)的設(shè)計(jì)與訓(xùn)練的子程序,使自己能夠從繁瑣的編程中解脫出來(lái),集中精力去思考問(wèn)題和解決問(wèn)題,從而提高效率和解題質(zhì)量。首先,Matlab 神經(jīng)網(wǎng)絡(luò)工具箱包含了許多進(jìn)行了人

36、工神經(jīng)元網(wǎng)絡(luò)設(shè)計(jì)和分析的函數(shù),有關(guān)這些函數(shù)的使用可以通過(guò)help 命令得到,即在Matlab 的命令窗(Command Window) 輸入命令help nnet ,就可以獲得神經(jīng)網(wǎng)絡(luò)工具箱的全部函數(shù)及其相應(yīng)的功能說(shuō)明.其次,Matlab 神經(jīng)網(wǎng)絡(luò)工具箱幾乎完整地概括了現(xiàn)有的神經(jīng)網(wǎng)絡(luò)的新成果,所涉及的網(wǎng)絡(luò)模模型有:感知器、自適應(yīng)線(xiàn)性網(wǎng)絡(luò)、反向傳播網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)以及反饋網(wǎng)絡(luò)等,對(duì)于各種網(wǎng)絡(luò)模型,神經(jīng)網(wǎng)絡(luò)工具箱集成了多種學(xué)習(xí)算法,為用戶(hù)提供了極大的方便.最后,交互式的模型輸入與仿真環(huán)境Simulink 工具箱是Matlab 軟件的擴(kuò)展,主要用于動(dòng)態(tài)系統(tǒng)的仿真. 它是Windows

37、 中提供了建立系統(tǒng)模型所需的大部分類(lèi)型模塊,用戶(hù)只需要用鼠標(biāo)選擇所需模塊在模型窗口上“畫(huà)出”模型(雙擊任何模塊,即可打開(kāi)該功能塊來(lái)完成參數(shù)的設(shè)定) ,然后利用鼠標(biāo)將它們連接起來(lái),就可以構(gòu)成一個(gè)系統(tǒng)的框圖描述,亦即得到該系統(tǒng)的Simulink 描述. 建立起系統(tǒng)模型后,用戶(hù)可通過(guò)選擇仿真菜單( simulation menu) ,設(shè)置仿真控制參數(shù),啟動(dòng)仿真過(guò)程,然后通過(guò)輸出Scope (示波器) 觀(guān)察系統(tǒng)的仿真結(jié)果. 可以使用兩種方法獲得人工神經(jīng)網(wǎng)絡(luò)Simulink 描述,第一種方法是利用基于Matlab的神經(jīng)網(wǎng)絡(luò)工具箱提供的一組Simulink 模塊直接建立人工神經(jīng)元網(wǎng)絡(luò)系統(tǒng)的系統(tǒng)模型;另一種

38、方法是利用函數(shù)gensim 將在Matlab 環(huán)境下創(chuàng)立的人工神經(jīng)元網(wǎng)絡(luò)系統(tǒng)轉(zhuǎn)化成相應(yīng)的Simulink 模型.3.3 PID控制器3.3.1 PID控制器簡(jiǎn)介PID 控制是迄今為止最通用的控制方法，各種 DCS、智能調(diào)節(jié)器等均采用該方法或其較小的變形來(lái)控制（至今在全世界過(guò)程控制中84仍是純 PID 調(diào)節(jié)器，若改進(jìn)型包含在內(nèi)則超過(guò) 90），盡管自 1940 年以來(lái)，許多先進(jìn)控制方法不斷推出，但 PID 控制以其結(jié)構(gòu)簡(jiǎn)單，對(duì)模型誤差具有魯棒性及易于操作等優(yōu)點(diǎn)，故仍廣泛應(yīng)用于各種工業(yè)過(guò)程控制中。數(shù)字 PID 控制算法分位置式和增量式兩種，工程上常用的增量式 PID 控制算法，其控制算式為： (31

39、) 式中，為比例系數(shù)，=為積分系數(shù)，為微分系數(shù)，T 為采樣周期，為積分時(shí)間，為微分時(shí)間， 為時(shí)刻的誤差。 上述 PID 控制算法易于用微機(jī)軟件實(shí)現(xiàn)，PID 控制系統(tǒng)框圖如圖 31。圖31 PID控制系統(tǒng)框圖PID 控制器長(zhǎng)期以來(lái)應(yīng)用十分普遍，為廣大工程技術(shù)人員和操作人員所接受和熟悉。究其原因：可以證明對(duì)于特性為和的控制對(duì)象，PID 控制是一種最優(yōu)的控制算法；PID 控制參數(shù)相互獨(dú)立，參數(shù)整定比較方便；PID 算法比較簡(jiǎn)單，計(jì)算工作量比較小，容易實(shí)現(xiàn)多回路控制。下面首先對(duì) PID 參數(shù)分別進(jìn)行簡(jiǎn)要說(shuō)明，以了解 PID 參數(shù)對(duì)控制性能的影響。 增益（Kp） 比例調(diào)節(jié)依據(jù)偏差的大小來(lái)動(dòng)作，其輸出與輸

40、入偏差的大小成正比。比例調(diào)節(jié)及時(shí)、有力，但有余差?？梢杂迷鲆鍷p來(lái)衡量其作用的強(qiáng)弱，Kp愈大，調(diào)節(jié)作用愈強(qiáng)。所謂增益是指調(diào)節(jié)器的輸出相對(duì)變化量與相應(yīng)輸入的相對(duì)變化量之比。如控制器的增益為5，意味著控制器輸入變化 10（相對(duì)于測(cè)量范圍而言），將會(huì)導(dǎo)致控制器的輸出變化 50（相對(duì)于全范圍而言）。比例控制加大增益，使系統(tǒng)動(dòng)作靈敏，速度加快，但增益偏大，振蕩次數(shù)增加，調(diào)節(jié)時(shí)間加長(zhǎng)。過(guò)大的增益會(huì)引起振蕩，過(guò)小的增益會(huì)使調(diào)節(jié)過(guò)程變的太慢。有時(shí)也用比例度（ ）表示比例作用的強(qiáng)弱，比例度等于增益的倒數(shù)乘以 100（ =100% /Kp）。 積分（積分時(shí)間TI）積分調(diào)節(jié)依據(jù)偏差是否存在來(lái)動(dòng)作，它的輸出與偏差對(duì)時(shí)

41、間的積分成比例，只有當(dāng)余差消失時(shí)，積分作用才會(huì)停止（抗積分飽和時(shí)除外）。積分的作用是消除余差，但積分作用使最大動(dòng)偏差增大（因?yàn)榧兎e分控制器作用的相位滯后為 90），延長(zhǎng)了調(diào)節(jié)時(shí)間。積分作用用積分時(shí)間TI來(lái)表示其作用的強(qiáng)弱。積分時(shí)間可以理解為：在階躍偏差輸入作用下，調(diào)節(jié)器的輸出達(dá)到比例輸出兩倍時(shí)所經(jīng)歷的時(shí)間，即為“重定”時(shí)間。 積分時(shí)間越小表明積分作用越強(qiáng)。積分作用太強(qiáng)時(shí)也會(huì)引起振蕩，積分時(shí)間的選擇是與控制過(guò)程的時(shí)間常數(shù)密切相關(guān)的。一般而言，控制過(guò)程的時(shí)間常數(shù)越短，選擇的積分時(shí)間越小。積分控制通常與比例控制或微分控制聯(lián)合作用，構(gòu)成 PI 或PID 控制。積分控制能消除系統(tǒng)的穩(wěn)態(tài)誤差提高控制系統(tǒng)的

42、控制精度。但積分控制通常使系統(tǒng)的穩(wěn)定性下降。TI太小系統(tǒng)將不穩(wěn)定；TI偏小，振蕩次數(shù)較多；TI太大，對(duì)系統(tǒng)性能的影響減少；當(dāng)TI合適時(shí)，過(guò)渡過(guò)程特性比較理想。微分（微分時(shí)間TD）微分調(diào)節(jié)依據(jù)偏差變化速度來(lái)動(dòng)作。它的輸出與輸入偏差變化的速度成比例，其作用是阻止被調(diào)參數(shù)的一切變化，有超前調(diào)節(jié)的作用，對(duì)滯后大的對(duì)象有很好的效果。它可以克服調(diào)節(jié)對(duì)象的慣性滯后（時(shí)間常數(shù) T）、容量滯后c ，但不能克服調(diào)節(jié)對(duì)象的純滯后0 ，因?yàn)樵?時(shí)間內(nèi)，被調(diào)參數(shù)的變化速度為零。 某些控制過(guò)程的時(shí)間常數(shù)較大，操縱變量的改變要經(jīng)過(guò)較長(zhǎng)的時(shí)間后才能反映到被控變量上。經(jīng)過(guò)換熱器的空氣溫度的控制就是一個(gè)典型的例子。在適當(dāng)引入微分

43、作用后可以明顯改變控制品質(zhì)。當(dāng)被控變量偏離設(shè)定點(diǎn)時(shí)，隨著偏離速度的增加，控制器的增益也隨之增加，這樣可以促使被控變量盡快回到設(shè)定點(diǎn)，又不至于引起過(guò)大的振蕩（相對(duì)于單純的增加控制增益而言）。微分作用使調(diào)節(jié)過(guò)程偏差減小，時(shí)間縮短，余差也減少（但不能消除）。它用微分時(shí)間TD來(lái)表示其作用的強(qiáng)弱，TD越大表明微分作用越強(qiáng)，但DT太大會(huì)引起振蕩。微分控制通常與比例控制或積分控制聯(lián)合作用，構(gòu)成 PD 或 PID 校制。微分控制可以改善動(dòng)態(tài)特性，如超調(diào)量p 減少，調(diào)節(jié)時(shí)間ts 縮短，允許加大比例控制，使穩(wěn)態(tài)誤差減少，提高控制精度。對(duì)于時(shí)間常數(shù)較小，而負(fù)荷又變化較快的調(diào)節(jié)對(duì)象，不易引入微分作用，因?yàn)槿绻胛⒎?/p>

44、作用容易引起振蕩。3.3.2 PID控制的局限PID 控制器在實(shí)際應(yīng)用中的局限主要有： 1.由于實(shí)現(xiàn)控制系統(tǒng)的元器件物理特性的限制，使得 PID 控制器獲得的原始信息偏離實(shí)際值，而其產(chǎn)生的控制作用偏離理論值。例如，各種傳感器不可避免地存在著測(cè)量誤差；誤差微分信號(hào)的提取是由誤差信號(hào)差分或由超前網(wǎng)絡(luò)近似實(shí)現(xiàn)的，這種方式對(duì)信號(hào)噪聲的放大作用很大，使微分信號(hào)失真。2.由于常規(guī)的 PID 控制器采用偏差的比例、積分和微分的線(xiàn)性組合構(gòu)成控制量，不能同時(shí)很好的滿(mǎn)足穩(wěn)態(tài)精度和動(dòng)態(tài)穩(wěn)定性、平穩(wěn)性和快速性的要求。為此在系統(tǒng)的設(shè)計(jì)與整定過(guò)程中，只好采取折中的方案來(lái)兼顧動(dòng)態(tài)和穩(wěn)態(tài)性能的要求，因此難以大幅度提高控制系統(tǒng)

45、的性能指標(biāo)。3.盡管常規(guī) PID 控制器具有一定的魯棒性和適應(yīng)性，但是對(duì)于強(qiáng)非線(xiàn)性、快速時(shí)變不確定性、強(qiáng)干擾等特性的對(duì)象，控制效果較差。例如，在某一時(shí)刻、某種條件下整定好的控制器參數(shù)，由于被控對(duì)象的結(jié)構(gòu)或參數(shù)時(shí)變，在另一時(shí)刻、另一條件下控制效果往往欠佳，甚至可能使控制系統(tǒng)失穩(wěn)。3.4 神經(jīng)網(wǎng)絡(luò) PID 控制器的設(shè)計(jì) PID 控制要取得良好的控制效果，就必須對(duì)比例、積分和微分三種控制作用進(jìn)行調(diào)整以形成相互配合又相互制約的關(guān)系，這種關(guān)系不能是簡(jiǎn)單的“線(xiàn)性組合”，可從變化無(wú)窮的非線(xiàn)性組合中找出最佳的關(guān)系。神經(jīng)網(wǎng)絡(luò)所具有的任意非線(xiàn)性表示能力，可以通過(guò)對(duì)系統(tǒng)性能的學(xué)習(xí)來(lái)實(shí)現(xiàn)具有最佳組合的 PID 控制。

46、 基于 BP 神經(jīng)網(wǎng)絡(luò) KP, KI,KD,參數(shù)自學(xué)習(xí) PID 控制器BP 神經(jīng)網(wǎng)絡(luò)具有任意逼近非線(xiàn)性函數(shù)的能力，而且結(jié)構(gòu)和學(xué)習(xí)算法簡(jiǎn)單明確，所以在研究的此課題中，本人采用了工程中最為常用的 BP 網(wǎng)絡(luò)來(lái)構(gòu)建神經(jīng)網(wǎng)絡(luò) PID控制器。通過(guò)神經(jīng)網(wǎng)絡(luò)自身的學(xué)習(xí)，可以找到某一最優(yōu)控制下的 P、I、D 參數(shù)?；?BP 神經(jīng)網(wǎng)絡(luò)的 PID 控制系統(tǒng)結(jié)構(gòu)如圖3-2 所示，控制器由兩個(gè)部分組成：經(jīng)典的 PID 控制器：直接對(duì)被控對(duì)象進(jìn)行閉環(huán)控制，并且KP, KI,KD三個(gè)參數(shù)為在線(xiàn)P,I,D整定；神經(jīng)網(wǎng)絡(luò) NN：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。即使神經(jīng)網(wǎng)絡(luò)的輸出

47、層神經(jīng)元的輸出狀態(tài)對(duì)應(yīng)于 PID 控制器的三個(gè)可調(diào)參數(shù)KP, KI,KD ，通過(guò)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、調(diào)整權(quán)系數(shù)，從而使其穩(wěn)定P,I,D狀態(tài)對(duì)應(yīng)于某種最優(yōu)控制規(guī)律下的 PID 控制器參數(shù)。學(xué) 習(xí) 算 法 神 經(jīng) 網(wǎng) 絡(luò) PID控制器被控對(duì)象r + euy圖3-2 基于BP神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)經(jīng)典增量式數(shù)字 PID 的控制算式如式(3-2)，若將視為依賴(lài)于系統(tǒng)運(yùn)行狀態(tài)的可調(diào)系數(shù)時(shí)，可將式(3-2)描述為： （32）式中，是與，等有關(guān)的非線(xiàn)性函數(shù)，可以用 BP 神經(jīng)網(wǎng)絡(luò)NN 通過(guò)訓(xùn)練和學(xué)習(xí)來(lái)找到這樣的一個(gè)最佳的控制規(guī)律。 在這里設(shè)計(jì)的 BP 網(wǎng)絡(luò)采用結(jié)構(gòu)簡(jiǎn)單的三層 BP 神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖3

48、-3 所示，有 M 個(gè)輸入節(jié)點(diǎn)、Q 個(gè)隱含層節(jié)點(diǎn)、3 個(gè)輸出節(jié)點(diǎn)。輸入節(jié)點(diǎn)對(duì)應(yīng)所選的系統(tǒng)運(yùn)行狀態(tài)量，如系統(tǒng)不同時(shí)刻的輸入量和輸出量等，必要時(shí)要進(jìn)行歸一化處理（關(guān)于歸一化處理在這里就不多加贅述）。輸出節(jié)點(diǎn)分別對(duì)應(yīng) PID 控制器的三個(gè)可調(diào)參數(shù)。 由于不能為負(fù)值，所以輸出層神經(jīng)元的激發(fā)函數(shù)取非負(fù)的 Sigmoid 函數(shù)，而隱含層神經(jīng)元的激發(fā)函數(shù)可取正負(fù)對(duì)稱(chēng)的 Sigmoid 函數(shù)。 圖3-3 NN-BP網(wǎng)絡(luò)結(jié)構(gòu)由以上得出結(jié)論：1.神經(jīng)網(wǎng)絡(luò) PID 控制器可以達(dá)到控制要求，該算法有良好的控制效果；2.PID 控制器的三個(gè)參數(shù)根據(jù)設(shè)定值以及擾動(dòng)的不同會(huì)進(jìn)行在線(xiàn)的整定。4 神經(jīng)網(wǎng)絡(luò)PID控制器的設(shè)計(jì)如前

49、所述，單神經(jīng)元作為構(gòu)成神經(jīng)網(wǎng)絡(luò)的基本單元，具有自學(xué)習(xí)和自適應(yīng)能力，而且結(jié)構(gòu)簡(jiǎn)單而易于計(jì)算。而傳統(tǒng)的PID調(diào)節(jié)器也具有結(jié)構(gòu)簡(jiǎn)單、調(diào)整方便和參數(shù)整定與工程指標(biāo)聯(lián)系密切等特點(diǎn)。若將這兩者結(jié)合，則可以在一定程度上解決傳統(tǒng)PID調(diào)節(jié)器不易在線(xiàn)實(shí)時(shí)整定參數(shù)、難于對(duì)一些復(fù)雜過(guò)程和參數(shù)慢時(shí)變系統(tǒng)進(jìn)行有效控制的不足。4.1 單神經(jīng)元自適應(yīng)PID控制器及其學(xué)習(xí)算法 轉(zhuǎn)換器K過(guò)程z +u(k)y(k)圖41 單神經(jīng)元自適應(yīng)PID控制器結(jié)構(gòu)圖 結(jié)構(gòu)框圖如圖41所示。圖中轉(zhuǎn)換器的輸入為設(shè)定值r(k)和輸出y(k)；轉(zhuǎn)換器的輸出為神經(jīng)元學(xué)習(xí)控制所需要的狀態(tài)量，。這里 （41），為性能指標(biāo)或遞進(jìn)信號(hào)。圖中K為神經(jīng)元的比例系

50、數(shù)，K>0。神經(jīng)元通過(guò)關(guān)聯(lián)搜索來(lái)產(chǎn)生控制信號(hào)，即 （42）式中，為對(duì)應(yīng)于的加權(quán)系數(shù)。單神經(jīng)元自適應(yīng)PID控制器正是通過(guò)對(duì)加權(quán)系數(shù)的調(diào)整來(lái)實(shí)現(xiàn)自適應(yīng)、自學(xué)習(xí)功能的。加權(quán)系數(shù)的調(diào)整可以采用不同的學(xué)習(xí)規(guī)則，從而構(gòu)成不同的控制算法。下面只介紹有監(jiān)督的Hebb學(xué)習(xí)算法。4.1.1 采用有監(jiān)督Hebb學(xué)習(xí)算法的單神經(jīng)元自適應(yīng)PID控制器 考慮到加權(quán)系數(shù)應(yīng)和單神經(jīng)元的輸入、輸出和輸出偏差三者的相關(guān)函數(shù)有關(guān)，因此在采用有監(jiān)督Hebb學(xué)習(xí)算法時(shí)有 （43） （44）式中 遞進(jìn)信號(hào)，隨過(guò)程進(jìn)行逐漸衰減 輸出誤差信號(hào)； 學(xué)習(xí)速率，>0； c常數(shù)，0。 將式44代入式43中有 （45）如果存在函數(shù)，對(duì)求偏

51、微分有 則式45可寫(xiě)為 （46） 上式說(shuō)明，加權(quán)系數(shù)的修正是按函數(shù)對(duì)應(yīng)于的負(fù)梯度方向進(jìn)行搜索的。應(yīng)用隨機(jī)逼近理論可以證明，當(dāng)常數(shù)c充分小時(shí)，可以收斂到某一穩(wěn)定值，而且與期望值的偏差在允許范圍內(nèi)。 為保證這種單神經(jīng)元自適應(yīng)PID控制學(xué)習(xí)算法式42和式45的收斂性和魯棒性，將上述學(xué)習(xí)算法進(jìn)行規(guī)范化處理后可得（47）式中 、比例、積分、微分的學(xué)習(xí)速率。 這里對(duì)比例（P）、積分（I）、微分（D）分別采用了不同的學(xué)習(xí)速率、，以便于根據(jù)需要對(duì)各自對(duì)應(yīng)的加權(quán)系數(shù)分別進(jìn)行調(diào)整，其取值可先有現(xiàn)場(chǎng)實(shí)驗(yàn)或仿真來(lái)確定，且取c=0。4.1.2 單神經(jīng)元自適應(yīng)PID控制器學(xué)習(xí)算法可調(diào)參數(shù)的選取規(guī)律 上述單神經(jīng)元自適應(yīng)PI

52、D控制器學(xué)習(xí)算法的運(yùn)行效果與可調(diào)參數(shù)、等的選取有很大關(guān)系。通過(guò)大量實(shí)例仿真和實(shí)控結(jié)果，總結(jié)出以下參數(shù)調(diào)整規(guī)律。（1）初始加權(quán)系數(shù)、可以任意選取（2）K值的選擇：一般K值偏大將引起系統(tǒng)響應(yīng)超調(diào)過(guò)大，而K值偏小則使過(guò)渡過(guò)程加長(zhǎng)。因此，可先確定一個(gè)增益K，再根據(jù)仿真和實(shí)控結(jié)果調(diào)整。（3）學(xué)習(xí)速率、的選擇：由于采用了規(guī)范化學(xué)習(xí)算法，學(xué)習(xí)速率可取得較大。選取K使過(guò)程的超調(diào)不太大，若此時(shí)過(guò)程從超調(diào)趨向平穩(wěn)的時(shí)間太長(zhǎng)，可增加、；若超調(diào)迅速下降而低于給定值，此后又緩慢上升到穩(wěn)態(tài)的時(shí)間太長(zhǎng)，則可減少，增強(qiáng)積分項(xiàng)的作用。對(duì)于大時(shí)延系統(tǒng)，為了減少超調(diào)，、應(yīng)選的大一些。4.1.3 單神經(jīng)元自適應(yīng)PID仿真 1）設(shè)被控

53、對(duì)象為，輸入指令為一方波信號(hào)：，采樣時(shí)間為1ms, 比例、積分、微分的學(xué)習(xí)速率、分別取0.80、0.50、0.80。神經(jīng)元的比例系數(shù)K取0.09 。下面采用有監(jiān)督的Hebb學(xué)習(xí)規(guī)則進(jìn)行仿真，跟蹤結(jié)果如下圖圖42所示。24 圖42 基于有監(jiān)督的Hebb學(xué)習(xí)規(guī)則的位置跟蹤2）設(shè)離散非線(xiàn)性被控對(duì)象為，式中系數(shù)是慢時(shí)變的，。學(xué)習(xí)速率=0.25 和慣性系數(shù)，采樣時(shí)間取1ms,加權(quán)系數(shù)初始值取區(qū)間-0.5,0.5上的隨機(jī)數(shù)，信號(hào)取。初始權(quán)值取隨機(jī)值，運(yùn)行穩(wěn)定后用穩(wěn)定權(quán)值代替隨機(jī)值。經(jīng)過(guò)matlab仿真，其跟蹤結(jié)果如下圖圖43和圖44所示：圖49 階躍跟蹤輸出曲線(xiàn) 圖410 圖49中0到0.1S放大圖43

54、階躍跟蹤輸出曲線(xiàn)圖44 圖43中0到0.1S放大后的階躍跟蹤輸出曲線(xiàn) 通過(guò)上面兩例的仿真可知，單神經(jīng)元PID控制器的跟蹤效果很好，具有很強(qiáng)的自學(xué)習(xí)性、自適應(yīng)性，超調(diào)量很小、調(diào)節(jié)速度非?？?，達(dá)到了預(yù)期目的。4.2 基于BP神經(jīng)網(wǎng)絡(luò)PID控制器的設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)具有逼近任意非線(xiàn)性函數(shù)的能力，而且結(jié)構(gòu)和學(xué)習(xí)算法簡(jiǎn)單明確。通過(guò)神經(jīng)網(wǎng)絡(luò)自身的學(xué)習(xí)，可以找到某一最優(yōu)控制律下的P、I、D參數(shù)?；贐P神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)如圖45所示。控制器由兩個(gè)部分組成：（1）經(jīng)典的PID控制器：直接對(duì)被控對(duì)象過(guò)程閉環(huán)控制，并且三個(gè)參數(shù)、為在線(xiàn)整定式；（2）神經(jīng)網(wǎng)絡(luò)NN：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。即使輸出層神經(jīng)元的輸出狀態(tài)對(duì)應(yīng)于PID控制器的三個(gè)可調(diào)參數(shù)、，通過(guò)神經(jīng)網(wǎng)絡(luò)的自身學(xué)習(xí)、加權(quán)系數(shù)調(diào)整，從而使其穩(wěn)定狀態(tài)對(duì)應(yīng)于某種最優(yōu)控制律下的PID控制器參數(shù)。學(xué)習(xí)算法NNPID控制器被控對(duì)象R + euy圖45 基于BP神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu) 經(jīng)典增量式數(shù)字PID的控制算法式為 （48）式中 、比例、積分、微分系數(shù)。 將、視為依賴(lài)于系統(tǒng)運(yùn)行狀態(tài)的可調(diào)系數(shù)時(shí)，可將式48描述為 （49）式中 是與、等有關(guān)的非線(xiàn)性函數(shù)，可以用BP神經(jīng)網(wǎng)絡(luò)NN通過(guò)訓(xùn)練和學(xué)習(xí)來(lái)找到這樣一個(gè)最佳規(guī)律。設(shè)BP神經(jīng)網(wǎng)絡(luò)NN是一個(gè)三層BP網(wǎng)絡(luò)，其結(jié)構(gòu)如圖46所示，有M個(gè)輸入節(jié)點(diǎn)、Q個(gè)隱層節(jié)