基于matlab的智能PID控制器設計和仿真鄭園慶

摘要在工業(yè)生產(chǎn)中應用非常廣泛的是PID控制器，是最早在經(jīng)典控制理論基礎上發(fā)展起來的控制方法，應用也十分廣泛。傳統(tǒng)的PID控制器原理十分簡單，即按比例、積分、微分分別控制的控制器，但是他的核心也是他的難點就是三個參數(shù)（比例系數(shù)Kp、積分系數(shù)Ki、微分系數(shù)Kd）的整定。參數(shù)整定的合適，那么該控制器將憑借結構簡單、魯棒性好的優(yōu)點出色的完成控制任務，反之則達不到人們所期望的控制效果。人工神經(jīng)網(wǎng)絡模擬人腦的結構和功能而形成的信息處理系統(tǒng)，是一門十分前沿高度綜合的交叉學科，并廣泛應用于工程領域。神經(jīng)網(wǎng)絡控制是把自動控制理論同他模仿人腦工作機制的數(shù)學模型結合起來，并擁有自學習能力，能夠從輸入—輸出數(shù)據(jù)中總結規(guī)律，智能的處理數(shù)據(jù)。該技術目前被廣泛應用于處理時變、非線性復雜的系統(tǒng)，并卓有成效。關鍵詞自適應PID控制算法，PID控制器，神經(jīng)網(wǎng)絡DesignandsimulationofIntelligentPIDControllerbasedonMATLABAbstractPIDcontroller,thecontrolmethodwhichisdevelopedonthebasisofclassicalcontroltheory,iswidelyusedinindustrialproduction.ThePrincipleoftraditionalPIDcontrollerisverysimple,whichcontainsoftheproportion,integral,differentialthreecomponent,butitscoretaskanddifficultiesisthreeparametertuning(proportionalcoefficientKp,integralcoefficientKianddifferentialcoefficientKD).Iftheparametersettingissuitable,thecontrollercanaccomplishthecontroltaskwiththeadvantagesofsimplestructureandgoodrobustness;butonthecontrary,itcannotreachthedesiredcontroleffectwhichwewhat.Artificialneuralnetwork,theformationoftheinformationprocessingsystemwhichsimulatethestructureandfunctionofthehumanbrain,isaveryhighdegreeofintegrationoftheintersectionofdisciplines,andwidelyusedinthefieldofengineering.Neuralnetworkcontrol,combiningautomaticcontroltheoryandtheimitatemathematicalmodeloftheworkingmechanismofhumanbrain,hasself-learningability,andcansummarizethelawoftheinput-outputdata,dealingwithdataintelligently.Thistechniquehasbeenwidelyusedintheprocessoftime-varying,nonlinearandcomplexsystem,anditisveryeffective.KeyWord:AdaptivePIDcontrolalgorithm，PIDcontroller，Neuralnetwork目錄TOC\o"1-3"\h\u摘要IAbstractII第一章緒論11.1課題研究背景及意義1第二章PID控制器22.1PID控制原理232.2.1模擬PID控制器32.2.2數(shù)字PID控制算法352.2.4改進型PID控制器5第三章人工神經(jīng)網(wǎng)絡83.1人工神經(jīng)網(wǎng)絡的原理8883.2.2單神經(jīng)元自適PID應控制器93.3BP神經(jīng)網(wǎng)絡參數(shù)自學習的PID控制器12第四章MATAB仿真16仿真過程16第五章結論與展望24致謝25參考文獻26第一章緒論1.1課題研究背景及意義在工業(yè)生產(chǎn)中應用非常廣泛的是PID控制器，是最早在經(jīng)典控制理論基礎上發(fā)展起來的控制方法，應用也十分廣泛。傳統(tǒng)的PID控制器原理十分簡單，即按比例、積分、微分分別控制的控制器，但是他的核心也是他的難點就是三個參數(shù)（比例系數(shù)Kp、積分系數(shù)Ki、微分系數(shù)Kd）的整定。參數(shù)整定的合適，那么該控制器結構簡單、魯棒性好的優(yōu)點就可以明顯的體現(xiàn)出來，反之則達不到人們所期望的控制效果。但是傳統(tǒng)的控制理論和方法依賴于被控對象的數(shù)學模型，遇到復雜的時變非線性系統(tǒng)就會基本失效，像工業(yè)控制中的復雜系統(tǒng)就更不用說了。在實踐中，PID參數(shù)的整定往往依靠工程技術人員大量的實踐和積累的人工經(jīng)驗，雖然有經(jīng)驗的工程技術人員也能調(diào)試好控制器的參數(shù)，但太費時費力也很麻煩。工業(yè)生產(chǎn)是講究效率的，所以能不能研發(fā)出一種參數(shù)可以自整定的PID控制器是所以工程技術人員關注的焦點。從上世紀60年代開始，隨著計算機技術和人工智能的發(fā)展，技術人員開始將人工智能技術與自動控制結合起來，逐漸發(fā)展成智能控制。智能控制能夠模擬人類大腦的思維方式。還能根據(jù)環(huán)境的改變還相應的做出應變，從而使機器完成原本只可以人類才可完成的任務。智能控制包含一下幾個重要的分支，即專家系統(tǒng)、模糊控制和神經(jīng)網(wǎng)絡控制。專家系統(tǒng)其實是一種智能計算機程序，他具有知識和推理功能，把某個行業(yè)的專家級的經(jīng)驗和知識用計算機語言表述出來，然后用計算機代替人去解決相應的問題。專家系統(tǒng)可以直接影響控制過程，也可以在系統(tǒng)外環(huán)中間接的影響控制過程。模糊控制是基于模糊數(shù)學和邏輯學的知識創(chuàng)立起來的新的控制方法，它把被控系統(tǒng)看成“黑箱子”，把工程技術人員對“黑箱子”的操作經(jīng)驗用自然語言表述成“模糊規(guī)則”，然后讓機器根據(jù)這些規(guī)則來執(zhí)行控制操作。這種控制技術和專家系統(tǒng)一樣依靠工程技術人員的經(jīng)驗和知識而不是被控系統(tǒng)的數(shù)學模型，并且它是用自然語言描述，很容易被操作人員接受。人工神經(jīng)網(wǎng)絡模擬人腦的結構和功能而形成的信息處理系統(tǒng)，是一門十分前沿高度綜合的交叉學科，并廣泛應用于工程領域。神經(jīng)網(wǎng)絡控制是把自動控制理論同他模仿人腦工作機制的數(shù)學模型結合起來，并擁有自學習能力，能夠從輸入—輸出數(shù)據(jù)中總結規(guī)律，智能的處理數(shù)據(jù)。該技術目前被廣泛應用于處理時變、非線性復雜的系統(tǒng)，并卓有成效。第二章PID控制器2.1PID控制原理傳統(tǒng)的PID控制器原理十分簡單，即按比例、積分、微分分別控制的控制器，但是他的核心也是他的難點就是三個參數(shù)（比例系數(shù)Kp、積分系數(shù)Ki、微分系數(shù)Kd）的整定。而其中這三個環(huán)節(jié)的作用分別如下：比例環(huán)節(jié)作用：減少系統(tǒng)的穩(wěn)態(tài)誤差，但不能完全消除，比例系數(shù)要選取適當否則會影響到系統(tǒng)穩(wěn)定性；積分環(huán)節(jié)作用：加一個串聯(lián)積分環(huán)節(jié)增加系統(tǒng)的型數(shù)，把穩(wěn)態(tài)誤差從無窮變?yōu)槌Ｖ担瓉矸€(wěn)態(tài)誤差為常值的變?yōu)榱?。微分環(huán)節(jié)作用：在系統(tǒng)中加入偏差信號的微分，由于微分信號的預測作用是系統(tǒng)在誤差增大之前提前修正，從而提高系統(tǒng)的性能指標。具體的說，PID控制器有這些特點：結構和原理都很簡單，使用面廣，魯棒性好。缺點也是很明顯的，PID控制受制于系統(tǒng)的數(shù)學模型，復雜的系統(tǒng)一般很難找到精確的數(shù)學模型所以此法便失效了。PID控制系統(tǒng)結構如圖2-1所示：圖2-1PID控制器方框圖2.2.1模擬PID控制器PID控制器的傳遞函數(shù)為（連續(xù)系統(tǒng)）(2-1)如圖2.1顯示其主要主要結構由PID控制器、一個反饋環(huán)節(jié)所、被控對象組其中P、I、D則分別代表比例、積分、微分環(huán)節(jié)。(2-2)在（2-2）中，——比例系數(shù)，——積分時間常數(shù)，——微分時間常數(shù)，——控制器的輸入，——PID控制器的輸出。由上面兩個公式可以發(fā)現(xiàn)，我們可以調(diào)整控制器的結構，以滿足相應的控制要求，如P控制器，PI控制器，PD控制器等，這些都是PID控制器的變形。2.2.2數(shù)字PID控制算法數(shù)字PID控制算法分為位置式PID控制算法和增量式控制算法兩種，常應用與計算機系統(tǒng)中。1．位置式PID控制算法我們知道計算機控制是一種采樣控制，它根據(jù)采樣時刻的偏差值來計算控制量?！?】故需要對被控系統(tǒng)的傳遞函數(shù)進行離散化處理。按算式(2-1)，則可以作下面的近似變換（2-3）（2-4）（2-5）（2-6）式中，T為采樣周期；K為采樣序號，k=0，1，2……，j，……，k。這樣的變換其實是將算式（2-1）連續(xù)時間t換成采樣時刻kt，積分替換相加，微分替換增。，將式（2-6）代入式（2-5）中，有：（2-7）式中，是數(shù)字PID控制器的輸入。為第個采樣時刻的偏差值。u(k)是第k個采樣時刻數(shù)字PID控制器的輸出。為積分系數(shù)。為微分系數(shù)。由式（2-7）可知，輸出值與執(zhí)行層的位置對號入座，這便是位置式數(shù)字PID控制算法。2增量式PID控制算法有時候控制系統(tǒng)要對控制量的增量進行處理，則要采用增量PID控制算法。由式(2-10)導出并根據(jù)遞推原理可得：(2-8)用式（2.10）減去式（2.11），可得（2-9）式中：式(2-9)稱為增量式PID控制算法。相比較而言，我們發(fā)現(xiàn)增量式控制算法與前面介紹的算法區(qū)別不大但優(yōu)勢明顯：（1）位置式算法會有累積計算誤差。而增量式消除了積分飽和因為它沒有積分項，誤差對系統(tǒng)的控制效果影響小。（2）增量式算法是與閥門位置一一對應的，與原來的位置無關。手動到自動的無擾動切換方便。（3）執(zhí)行器一般具有保持功能，不會因計算機的突然故障而影響到控制系統(tǒng)的結果。PID控制器在工業(yè)生產(chǎn)中存在很大的局限：首先受制于控制系統(tǒng)的元器件物理特征，使PID控制器獲得的初始信息偏離了現(xiàn)實，于是產(chǎn)生的控制效果偏離預期值；誤差信號差分或超前網(wǎng)絡近似實現(xiàn)誤差微分信號的提取，但會導致信號噪聲增大，影響控制效果。常規(guī)PD控制器依賴于被控系統(tǒng)的數(shù)學模型，但是復雜的非線性、時變的、不確定性、強干擾等特性的系統(tǒng)根本找不到精確的數(shù)學模型，于是此法失效。將PID控制器與其他的算法相結合，便可以解決問題。常規(guī)的PID無法同時滿足穩(wěn)態(tài)精度和動態(tài)穩(wěn)定性、平穩(wěn)性和快速性的要求，因為它只是將偏差e(t)按比例、積分、微分處理后進行線性組合，所以控制效果一般。因此設計系統(tǒng)和整定參數(shù)時，必須同時保證動態(tài)和穩(wěn)態(tài)性能的，魚和熊掌不可兼得，折中的方案必將無法提升系統(tǒng)的性能。2.2.4改進型PID控制器工業(yè)生產(chǎn)中遇到的往往都是非線性、時變的復雜系統(tǒng)，常規(guī)的PID控制基本失效。隨著計算機技術的發(fā)展和相關領域的研究的深入，為復雜的無規(guī)則系統(tǒng)如何科學有效的控制拓寬了思路。在這些改進型的控制系統(tǒng)中，主要有：模糊PID控制系統(tǒng)、專家PID控制系統(tǒng)以及神經(jīng)網(wǎng)絡PID控制系統(tǒng)等。(1)模糊PID控制器模糊控制是基于模糊數(shù)學和邏輯學的知識創(chuàng)立起來的新的控制方法，它把被控系統(tǒng)看成“黑箱子”，把工程技術人員對“黑箱子”的操作經(jīng)驗用自然語言表述成“模糊規(guī)則”，然后讓機器根據(jù)這些規(guī)則來執(zhí)行控制操作。這種控制技術和專家系統(tǒng)一樣依靠工程技術人員的經(jīng)驗和知識而不是被控系統(tǒng)的數(shù)學模型，并且它是用自然語言描述，很容易被操作人員接受。這個概念是由美國加利福尼亞大學自動化系教授查德(LA．Zadeh)于上世紀60年代提出的。它的原理是把偏差e和偏差變化率ec一起輸入到F控制器中，而F控制器由三個分模糊控制器組成，分別對kp、ki、kd進行調(diào)節(jié)，然后進行模糊化、近似推理、清晰化，然后把獲得的P、I、D參數(shù)輸入到PID控制器中，實時修正。調(diào)節(jié)參數(shù)的話是要設置模糊規(guī)則，工程技術人員根據(jù)知識和經(jīng)驗并結合理論分析出偏差e和偏差變化率跟三個參數(shù)之間的關系如下：當e(t)較大，kp值要取大一點，但不能大到使系統(tǒng)不穩(wěn)定。取較小的KD可加快響應速度。若去點積分環(huán)節(jié)即KI取零可防止呈現(xiàn)大的超調(diào)。當e(t)中等大小，KP值要取小一點，此時KD的值一定要選取適當否則影響到系統(tǒng)的響應速度，KI可以適當取大一點。當e(t)較小，KI和KP的值都要選取的大一些，KD的值應選取適當才可防止出現(xiàn)平衡點震蕩。誤差e、誤差變化率ec，以及?K的模糊子集均為{NB,NM,NS,ZO,PS,PM,PB}，分別代表{負大、負中、負小、零、正小、正中、正大}。表2-1：模糊控制規(guī)則表kp的模糊控制規(guī)則表?KpecNBNMNSZOPSPMPBeNBZOZONMNMNMNBNBNMPSZONSNMNMNMNBNSPSPSZONSNSNMNMZOPMPMPSZONSNMNMPSPMPMPMPSZONSNSPMPBPBPMPSPSZONSPBPBPBPMPMPSZOZOki的模糊控制規(guī)則表?KiecNBNMNSZOPSPMPBeNBNBNBNMNMNSZOZONMNBNBNMNSNSZOZONSNBNMNSNSZOPSPSZONMNMNSZOPSPMPMPSNMNSZOPSPSPMPBPMZOZOPSPSPMPBPBPBZOZOPSPMPMPBPBkd的模糊控制規(guī)則表?KdecNBNMNSZOPSPMPBeNBPBPMPMPMPSPSPBNMPBNSPSPSPSPSPBNSZOZOZOZOZOZOZOZOZONSNSNSNSNSZOPSZONSNMNMNSNSZOPMPSNSNBNMNMNSZOPBPSNSNBNBNBNMPS圖2-1模糊PID控制器結構圖（2）專家系統(tǒng)PID控制器專家系統(tǒng)其實是一種智能計算機程序，他具有知識和推理功能，把某個行業(yè)的專家級的經(jīng)驗和知識用計算機語言表述出來，然后用計算機代替人去解決相應的問題。專家系統(tǒng)可以直接影響控制過程，也可以在系統(tǒng)外環(huán)中間接的影響控制過程。專家系統(tǒng)是將技術人員的知識和經(jīng)驗收集到專家知識庫中，里面包含了不同的控制系統(tǒng)在不同情況下為滿足不同要求所需要設置的PID參數(shù)，并把這些數(shù)據(jù)都記錄在專門的PID參數(shù)設置手冊中。在實際的過程控制中，執(zhí)行機構根據(jù)系統(tǒng)輸入和輸出以及給定的信號同專家知識庫中的數(shù)據(jù)進行比對、分析、推理，從而得出最合適的PID參數(shù)。(3）神經(jīng)網(wǎng)絡PID控制器人工神經(jīng)網(wǎng)絡模擬人腦的結構和功能而形成的信息處理系統(tǒng)，是一門十分前沿高度綜合的交叉學科，并廣泛應用于工程領域。神經(jīng)網(wǎng)絡控制是把自動控制理論同他模仿人腦工作機制的數(shù)學模型結合起來，并擁有自學習能力，能夠從輸入—輸出數(shù)據(jù)中總結規(guī)律，智能的處理數(shù)據(jù)。神經(jīng)網(wǎng)絡PID控制是將人工神經(jīng)網(wǎng)絡理論與傳統(tǒng)的PID控制相結合所產(chǎn)生的新型的先進的控制方法。由神經(jīng)網(wǎng)絡模型確定其完整性因子來控制，并且神經(jīng)網(wǎng)絡的完整性決定因素由以下三方面來控制：(1)神經(jīng)元的特性；(2)神經(jīng)元相互連接的拓撲結構；(3)如何改善性能去適應環(huán)境的學習規(guī)則。但神經(jīng)網(wǎng)絡的研究還不夠成熟，一方面它推理不夠精確導致計算精度無法滿足要求。另一方面研究人員對于神經(jīng)網(wǎng)絡的工作機理還無法做出詳細合理并使人信服的解釋，還有待進一步研究。第三章人工神經(jīng)網(wǎng)絡3.1人工神經(jīng)網(wǎng)絡的原理人工神經(jīng)網(wǎng)絡模擬人腦的結構和功能而形成的信息處理系統(tǒng)，是一門十分前沿高度綜合的交叉學科，并廣泛應用于工程領域。神經(jīng)網(wǎng)絡控制是把自動控制理論同他模仿人腦工作機制的數(shù)學模型結合起來，并擁有自學習能力，能夠從輸入—輸出數(shù)據(jù)中總結規(guī)律，智能的處理數(shù)據(jù)。其數(shù)學形式為f：Y=F（X），其中x、Y是輸入和輸出向量，對于具有m個輸入節(jié)點和Z輸出節(jié)點的神經(jīng)網(wǎng)絡，從m維歐幾里得空間模型映射到n維歐幾里得空間是他的輸出關系。它由簡單信息處理單元相互連接而成的網(wǎng)絡，其信息處理也是由神經(jīng)元相互作用來實現(xiàn)。神經(jīng)網(wǎng)絡系統(tǒng)具有非線性的特性，大量神經(jīng)元相互連接相互作用構成的系統(tǒng)能夠?qū)崿F(xiàn)多種多樣的功能。神經(jīng)網(wǎng)絡工作機制分為學習期和工作期兩個階段：在學習期中神經(jīng)網(wǎng)絡系統(tǒng)根據(jù)原先設置好多學習規(guī)則去調(diào)整神經(jīng)元之間的連接權值，從而提升系統(tǒng)的性能；在工作期，神經(jīng)元間的連接權值保持不變，由輸入得到輸出。神經(jīng)網(wǎng)絡的學習方式也是多種多樣的，具體有：無導師的學習，有導師的學習，強化學習。無導師的學習是指沒有期望輸出作為導師信號，網(wǎng)絡系統(tǒng)根據(jù)自身的結構和學習規(guī)則自行調(diào)整；有導師的學習便是有期望輸出，網(wǎng)絡系統(tǒng)根據(jù)期望輸出和實際的輸出進行比對、分析、推理，然后相應的調(diào)整連接權值；強化學習是指系統(tǒng)先產(chǎn)生一個試探性的輸出到環(huán)境中，然后觀察環(huán)境發(fā)生了怎樣的變化，再把這些變化的環(huán)境數(shù)據(jù)反饋到系統(tǒng)中，并分析下一步該如何調(diào)整以適應環(huán)境的變化。將神經(jīng)網(wǎng)絡與PID控制器結合，可以彌補傳統(tǒng)PID控制器依賴被控對象的數(shù)學模型的這一缺陷，同時繼承了傳統(tǒng)PID控制器結構簡單，魯棒性好，易于實現(xiàn)的優(yōu)點，更加智能化，對于復雜無規(guī)則的系統(tǒng)不再像傳統(tǒng)PID控制器那樣乏力。神經(jīng)網(wǎng)絡PID控制是將人工神經(jīng)網(wǎng)絡理論與傳統(tǒng)的PID控制相結合所產(chǎn)生的新型的先進的控制方法。傳統(tǒng)的PID控制器算式如下：（3-1）對應的離散算式為：（3-2）在（3-2）中分別為比例、積分、微分系數(shù)，為第k次采樣的輸入偏差值，為第k次采樣時刻的輸出值。而它的增量式PID控制算法為：（3-3）根據(jù)（3-1）（3-2）式，用單神經(jīng)元組成一個PID控制器，如圖3.1所示：圖3-1神經(jīng)網(wǎng)絡PID控制器其網(wǎng)絡的輸入為：=（3-4）網(wǎng)絡的輸出為：上式中，{}為控制器的加權系數(shù)，它相當于PID控制器中的三個參數(shù)——。參數(shù){}是可以修正的。不斷調(diào)整{}達到最優(yōu)值{}，便可以提升系統(tǒng)的總體性能。3.2.2單神經(jīng)元自適應控制器單神經(jīng)元自適應PID控制器具有自適應，自組織的功能。它的權系數(shù)的自動調(diào)整是按照Hebb學習規(guī)則來實現(xiàn)的，這是種有監(jiān)督的學習規(guī)則。單神經(jīng)元自適應PID控制器結構框圖如圖3-2所示圖3-2單神經(jīng)元PID控制器結構框圖上圖中的狀態(tài)轉(zhuǎn)換器的輸入一方面控制設定的狀態(tài)而另一方面是過程控制的反饋輸入，兩者相加而得；轉(zhuǎn)換器的輸出x1,x2,x3都是神經(jīng)元在學習規(guī)則的指導下學習過程中所要求的狀態(tài)量，輸入為一般是預先設置好的給定值，為系統(tǒng)控制過程中的輸出值。這里：對應于PID控制器的積分項對應于PID控制器的比例項對應于PID控制器的微分項是一個導師信號；為對應于的加權系數(shù)；為神經(jīng)元的比例系數(shù)，為大于0的數(shù)。那么有：（3-5）即有：=（3-6）我們比較算式（3-4）與算式（3-6）便可以看出PID參數(shù)分別為，，。該神經(jīng)元控制器實質(zhì)上是一種需要通過工程技術人員設定好的學習規(guī)則不斷整定上面所推導的的加權系數(shù)的一種智能PID控制器，該調(diào)節(jié)器在擁有傳統(tǒng)PID控制器的特征的同時還具有學習能力和自適應、自組織的能力，而控制系統(tǒng)的性能優(yōu)異與否取決于學習規(guī)則和學習算法的收斂性和自學能力，這是該控制算法的核心與難點。本文中采用Delta學習規(guī)則。（3-7）（3-8）式中，——學習信號，它控制過程的持續(xù)而衰減?！獙W習速率，。此學習規(guī)則表示的是控制系統(tǒng)在一個狀態(tài)不確定的外界環(huán)境中在強化信號作用下進行學習，自適應神經(jīng)元會發(fā)出一個試探性的輸出到環(huán)境中，然后把環(huán)境狀態(tài)的變化后的數(shù)據(jù)反饋到系統(tǒng)中進行分析和再學習，實現(xiàn)對環(huán)境狀態(tài)的自適應。系統(tǒng)的無靜差就是這樣通過關聯(lián)搜索來實現(xiàn)的，而學習算法的收斂性是控制過程的關鍵，它關系到神經(jīng)網(wǎng)絡控制系統(tǒng)的無靜差和快速響應效果，同時影響到控制系統(tǒng)的學習速率。影響系統(tǒng)的另一個關鍵因素是神經(jīng)元的權系數(shù)，它是在系統(tǒng)的自學習過程中時刻變化著的，雖然不能完全消除系統(tǒng)跟蹤過程的誤差，但通過自學習自適應調(diào)整權值可以使誤差以最快的速度趨于零，從而提升系統(tǒng)的性能。一般在控制過程中，我們希望控制系統(tǒng)的學習速率盡量快一些，同時還要保證學習規(guī)則的收斂性，所以學習速率的取值就很關鍵了，通常要適當大一些，同時對算法進行規(guī)范性處理：=式中，為積分環(huán)節(jié)、比例環(huán)節(jié)、微分環(huán)節(jié)的學習速率；====它們各自的權值有時需要根據(jù)環(huán)境狀態(tài)的改變或者導師信號的變化進行自適應調(diào)整，于是對積分環(huán)節(jié)、比例環(huán)節(jié)、微分環(huán)節(jié)需要采用不同的學習速率，以防止這些環(huán)節(jié)因速率相差太大而被忽略，一般學習速率選取的規(guī)則：（1）在調(diào)整初期，取值要小，適當調(diào)整，和的取值，當控制系統(tǒng)的控制效果比較滿意時，這時開始增大，并保持其他參數(shù)不變，這樣控制系統(tǒng)的輸出就不會出現(xiàn)波紋現(xiàn)象。（2）輸入階躍信號后，系統(tǒng)的輸出結果出現(xiàn)正弦衰減現(xiàn)象，則要減少，別的參數(shù)保持不變。（3）如果控制系統(tǒng)的響應結果的出現(xiàn)上升時間短、超調(diào)過大，則要減少，別的參數(shù)保持不變。（4）若控制系統(tǒng)的響應結果出現(xiàn)上升時間過長，增大可能會使超調(diào)增大大，這時可以適當增加的取值，別的參數(shù)保持不變。（5）輸入階躍信號后，控制系統(tǒng)的響應結果出現(xiàn)了過大的超調(diào)，且出現(xiàn)正弦衰減現(xiàn)象，可以考慮保持不變的同時適當減小的取值即可。若控制系統(tǒng)的響應結果出現(xiàn)上升時間過長，沒有超調(diào)，應增大的取值，保持參數(shù)不變。（6）改變的值其實就是同時改變了三項的取值，可以在第一步先整定的取值，然后根據(jù)“②～⑤”項調(diào)整。3.3BP神經(jīng)網(wǎng)絡參數(shù)自學習的PID控制器控制器中比例、積分和微分三個環(huán)節(jié)形成相互連接又相互制約的關系，并通過這些環(huán)節(jié)的非線性組合來尋求最佳的關系，去完成相應的控制任務，提升PID控制器的性能。神經(jīng)網(wǎng)絡具有出色的非線性描述能力，而且還可以通過自學習自適應來實現(xiàn)三個環(huán)節(jié)的最優(yōu)非線性組合。圖3-3基于BP神經(jīng)網(wǎng)絡的PID控制系統(tǒng)結構BP神經(jīng)網(wǎng)絡結構簡單，算法清晰，能夠逼近任意非線性函數(shù)，因此常采用BP網(wǎng)絡結構來設計控制器，通過BP神經(jīng)網(wǎng)絡對環(huán)境狀態(tài)以及引導信號的不斷的學習，找到合適的參數(shù)以尋求最優(yōu)控制。如圖3-3所示，基于BP神經(jīng)網(wǎng)絡的PID控制系統(tǒng)結構分為：（1）經(jīng)典的控制器：直接采用閉環(huán)控制，并且在線整定；（2）神經(jīng)網(wǎng)絡NN：與控制系統(tǒng)的控制器的三個參數(shù)相對應，通過神經(jīng)網(wǎng)絡的自學習能力去調(diào)整權系數(shù)，從而使PID控制器參數(shù)能完成控制系統(tǒng)的優(yōu)化，達到所要求的的穩(wěn)定性。PID的控制算式為：（3-9）式中，分別為比例、積分、微分系數(shù)。將為可調(diào)系數(shù)時，可將(3-9)式描述為：（2-10）式中是與等有關的非線性函數(shù)，BP神經(jīng)網(wǎng)絡NN通過自學習可以滿足預先設定的最優(yōu)控制律的要求。三層BP網(wǎng)絡的神經(jīng)網(wǎng)絡系統(tǒng)的結構如圖3-4所示，有M個輸入節(jié)點、Q個隱層節(jié)點、3個輸出節(jié)點，輸出節(jié)點分別對應控制器的三個參數(shù)，其激發(fā)函數(shù)為非負的Sigmoid函數(shù)，而隱含層的激發(fā)函數(shù)可取正負對稱的Sigmoid函數(shù)。圖3-4BP神經(jīng)網(wǎng)絡結構圖神經(jīng)網(wǎng)絡的前向算法：若PID神經(jīng)網(wǎng)絡有M個輸入，3個輸出()，上面標注的(1)(2)(3)分別代表輸入層、隱含層和輸出層，該PID神經(jīng)網(wǎng)絡在任意采樣時刻k的前向計算公式如下所述：網(wǎng)絡輸入層的輸入：=,(,;網(wǎng)絡隱含層的輸入、輸出算法如式(3-14)所示：（3-11）式(3-11）中表示隱含層第個神經(jīng)元到第個神經(jīng)元的加權系數(shù)，隱含層的神經(jīng)元的活化函數(shù)取正負對稱的Sigmoid函數(shù)：（3-12）網(wǎng)絡輸出層的輸入、輸出算法如式(3-13）所示：(3-13)式中為隱含層到輸出層加權系數(shù)，輸出層的神經(jīng)元的活化函數(shù)取非負Sigmoid函數(shù)：(=)性能指標函數(shù):用最速下降法修正神經(jīng)網(wǎng)絡PID控制器的加權系數(shù)，并考慮到慣性項可以加快收斂速度，則有：式中為學習速率；為慣性系數(shù)。=(3-14)由于式(3-14)中的未知，所以可以近似用符號函數(shù)取代。由數(shù)字PID控制律式(2)可以求得：再令：=，可得BP神經(jīng)網(wǎng)絡的輸出層的加權系數(shù)公式：同理隱含層加權系數(shù)公式：其中=，基于BP神經(jīng)網(wǎng)絡PID控制算法可以歸納為：①選定輸入層節(jié)點數(shù)M和隱含層節(jié)點數(shù)Q，設置各層加權系數(shù)的初值，根據(jù)選定學習速率和慣性系數(shù)；②采樣得到和，計算；③對進行歸一化處理，輸入到BPNN中；④計算BPNN的各層神經(jīng)元的輸入和輸出，輸出就是PID控制器的3個參數(shù)；⑤計算PID控制器的輸出，加入控制和計算；⑥計算修正輸出層的加權系數(shù)；⑦計算修正隱含層的加權系數(shù)：⑧置．返回②。第四章MATAB仿真4.1仿真過程所采用的控制對象是：Y(k)=0.378y(k-1)+0.27y(k-2)+0.12u(k-1)+0.623u(k-2)控制算法為：u(k)=u(k-1)+wi(k)xi(k)Wi(k)=Wj(k)/|Wj(k)|W1(k)=W1(k-1)+ηIz(k)u(k)(e(k)+△e(k))W2(k)=W2(k-1)+ηPz(k)u(k)(e(k)+△e(k))W3(k)=W3(k-1)+ηDz(k)u(k)(e(k)+△e(k))式中，△e(k)=△e(k)-△e(k-1)，z(k)=e(k)。ηI，ηP，ηDyd(k)=1.0和正弦信號yd(k)=sin(2πt)。采樣時間是1ms。分別采用無監(jiān)督和無監(jiān)督的Hebb學習規(guī)則進行仿真并比較結果。其實就控制算法而言，有監(jiān)督和無監(jiān)督的兩種學習規(guī)則唯一的區(qū)別是在整定PID參數(shù)時有沒有考慮誤差信號的影響。觀察附錄1中的仿真程序可以發(fā)現(xiàn)無監(jiān)督的Hebb學習規(guī)則整定PID的參數(shù)的算式為：wkp(k)=wkp_1+xiteP*u_1*x(1);wki(k)=wki_1+xiteI*u_1*x(2);wkd(k)=wkd_1+xiteD*u_1*x(3);而有監(jiān)督的Hebb學習規(guī)則的整定PID控制器參數(shù)的算式為：wkp(k)=wkp_1+xiteP*error(k)*u_1*x(1);wki(k)=wki_1+xiteI*error(k)*u_1*x(2);wkd(k)=wkd_1+xiteD*error(k)*u_1*x(3);這是有監(jiān)督和無監(jiān)督最主要的區(qū)別。當輸入是yd(k)=1.0時，其跟蹤結果如下圖所示：圖4-1基于無監(jiān)督Hebb學習規(guī)則的階躍響應的位置跟蹤圖4-2基于有監(jiān)督Hebb學習規(guī)則的階躍響應的位置跟蹤分析：基于有監(jiān)督Hebb學習規(guī)則的階躍響應速度要比無監(jiān)督的Hebb學習規(guī)則的階躍響應稍微快一點。圖4-3基于無監(jiān)督Hebb學習規(guī)則的自適應整定曲線圖4-4基于有監(jiān)督Hebb學習規(guī)則的自適應整定曲線分析：通過比較發(fā)現(xiàn)有監(jiān)督的Hebb學習規(guī)則的PID參數(shù)的自適應整定速度更快。圖4-5基于無監(jiān)督Hebb學習規(guī)則的跟蹤誤差曲線圖4-6基于有監(jiān)督Hebb學習規(guī)則的跟蹤誤差曲線分析：通過比較可以發(fā)現(xiàn)基于有監(jiān)督Hebb學習規(guī)則的跟蹤誤差曲線要比無監(jiān)督Hebb學習規(guī)則的跟蹤誤差曲線的下降的更快。當輸入是yd(k)=sin(2πt)時，跟蹤結果如下：圖4-7基于無監(jiān)督Hebb學習規(guī)則的正弦跟蹤曲線圖4-8基于有監(jiān)督Hebb學習規(guī)則的正弦跟蹤曲線圖4-9基于無監(jiān)督Hebb學習規(guī)則的自適應整定曲線圖4-10基于有監(jiān)督Hebb學習規(guī)則的自適應整定曲線分析：通過比較發(fā)現(xiàn)，有監(jiān)督Hebb學習規(guī)則的自適應整定曲線更加平穩(wěn)，波動較小，能更快靠近穩(wěn)定值。圖4-11基于無監(jiān)督Hebb學習規(guī)則的跟蹤誤差曲線圖4-12基于有監(jiān)督Hebb學習規(guī)則的跟蹤誤差曲線分析：無監(jiān)督Hebb學習規(guī)則的跟蹤誤差曲線更加平穩(wěn)些，而有監(jiān)督Hebb學習規(guī)則的跟蹤誤差曲線下降更快更深。本章小結:通過以上仿真結果的比較，我們可以發(fā)現(xiàn)基于有監(jiān)督Hebb學習規(guī)則的PID控制器相比較無監(jiān)督Hebb學習規(guī)則的控制器有一下幾個優(yōu)點：基于有監(jiān)督Hebb學習規(guī)則的PID控制器響應速度更快；參數(shù)自適應整定的速度也更快更平穩(wěn)。在仿真過程中也發(fā)現(xiàn)權系數(shù)的初始值對于仿真結果的影響非常大，而初始值如何設定也是依靠人工經(jīng)驗。第五章結論與展望人工神經(jīng)網(wǎng)絡是非常有前景的前沿技術，是對人的大腦結構和功能進行科學模擬研究的研究成果。人工神經(jīng)網(wǎng)絡具有很多優(yōu)異的性能，比如自學習能力、自適應能力、容錯能力、信息處理能力等等，這些能力在面對工業(yè)生產(chǎn)中遇到的復雜系統(tǒng)面前擁有傳統(tǒng)PID控制器無法比擬的優(yōu)勢，因而受到廣大工程技術人員的追捧，在工業(yè)控制領域也是大放異彩，得到廣泛的應用。傳統(tǒng)的PID控制器算法清晰，結構簡單，魯棒性好，但依賴被控對象的數(shù)學模型，無法解決非線性、時變的復雜系統(tǒng)，而將PID控制器與人工神經(jīng)網(wǎng)絡結合起來則能解決很多復雜問題。本文首先介紹了傳統(tǒng)PID控制器的缺陷以及改進方法，然后介紹了智能控制領域的另外兩個重要分支專家系統(tǒng)和模糊控制，最后重點闡述了神經(jīng)網(wǎng)絡控制的基本原理和常見的幾種控制算法，比如神經(jīng)元PID控制、基于BP網(wǎng)絡的神經(jīng)PID控制等等。仿真這塊，我主要針對基于無監(jiān)督Hebb學習規(guī)則的PID控制器和基于有監(jiān)督Hebb學習規(guī)則的PID控制做了matlab仿真，并分別輸入階躍信號和正弦信號，比較兩種控制算法的響應曲線、誤差曲線、自適應整定曲線，可以很直觀明顯的得出兩種控制效果的差別。相比較之下，基于有監(jiān)督Hebb學習規(guī)則的PID控制器響應速度更快，PID參數(shù)自適應整定的速度也更快。在仿真過程中也發(fā)現(xiàn)權系數(shù)的初始值對于仿真結果的影響非常大，而初始值如何設定也是依靠人工經(jīng)驗。對于PID三個環(huán)節(jié)的學習速率應當有所區(qū)別，這樣有利于對不同的權系數(shù)分別調(diào)整。但至今對于人工神經(jīng)網(wǎng)絡的研究還不夠成熟，人們對其工作機理依然無法做出嚴格的讓人信服的解釋，有待深入的探討。展望未來，人工神經(jīng)網(wǎng)絡還需要從一下幾點尋找突破口：將研究的模型應用到實踐中，并通過實踐來改造優(yōu)化原先的控制算法；尋求新的理論，開發(fā)新的模型；對生物神經(jīng)網(wǎng)絡進行深入的研究，學習人腦的結構和工作原理。不可否認人工神經(jīng)網(wǎng)絡的未來一定是前途光明的，它將會是人們的工業(yè)控制技術更上一層樓！致謝在占自才老師的指導下，我順利的完成了論文《基于MATLAB的智能PID控制器的設計與仿真》，本人謹向占自才老師表示誠摯的敬意和衷心的感謝。在過去的幾個月里，占老師在論文的選題、仿真過程的構思以及論文的撰寫方面為我們提供了細心的指導和講解。不僅在專業(yè)知識方面給與鼓勵和幫助，還在生活上給與悉心的照顧，教育我們?nèi)绾螢槿颂幨?，收益匪淺。能有占老師這樣的好老師做指導是我們這組學生的驕傲和榮幸。沒有占老師的幫助，我們無法這么順利的完成論文，也學不到這么多知識，無論是學術上還是在做人方面，都感悟頗深，在此，我衷心對占老師說一聲：“謝謝!”。最后向所有曾給予本人幫助、支持和鼓勵的其他老師、同學們表示最衷心的感謝!感謝各位老師百忙之中對本文的審閱和提出的寶貴意見!參考文獻[1]劉金琨．先進PID控制MATLAB仿真．北京：電子工業(yè)出版社，2011[2]楊平等編著．自動控制原理．北京：中國電力出版社，2006[3]舒懷林編著．PID神經(jīng)元網(wǎng)絡及其控制系統(tǒng)．北京：國防工業(yè)出版社，2006[4]王樹青．先進控制技術及應用.北京：化學工業(yè)出版社，2001[5]張德江等編著.計算機控制系統(tǒng).北京：機械工業(yè)出版社，2008[6]IsidroSanchez，JulioRBanga,AntonioAAlonso．Temperaturecontrolinmicrowavecombinationovens．JournalofFoodEngineering，2000，46：21～29[7]黃金燕．基于BP神經(jīng)網(wǎng)絡的PID控制方法的研究．微計算機信息，2006，22(9)：278～280[8]Martin．T．Hagan，Howard．B．Demuch，Mark．H．Beale．NeuralNetworkDesign，1992，8(50)：327～334[9]陶永華．新型PID控制及其應用.北京：機械工業(yè)出版社2002，4～7[10]何玉彬，李新忠．神經(jīng)網(wǎng)絡控制技術及其應用．北京：科學出版社，2000[11]李奇，李世華．一類神經(jīng)網(wǎng)絡智能PID控制算法的分析與改進田．控制與決策，1999，13(4)：311～315[12]w．S．Mclulloch，W．Pitts．ALogicalCalculusoftheIdeasImmanentinNerVorsActiVity．BulletinofMathematicalBiophysics，1943，5：115～133[13]龍曉林，徐金方．基于優(yōu)化BP神經(jīng)網(wǎng)絡的PID控制器研究明．計算機測量與控制，2003，l1(2)：106～108[14]沈永福，吳少軍．智能PID控制綜述．工業(yè)儀表與自動化裝置，2002，6：11～13[15]H．Du，H．Shao，P．Yao．Adaptiveneuralnetworkcontrolforaclassoflow-triangular-structurednonlinearsystems．IEEETram．NeuralNetwork．2006，17(2)：509～514[16]P．CominosandN．Munro．PIDcontr01lers：recenttuningmethodsanddesigntospecification．IEEProc—Contr01Theory，2002，14(1)：46～53[17]朱海峰，李偉，張林．基于BP神經(jīng)網(wǎng)絡整定的PID控制．動力學與控制學報，2005，3(4)：93～96[18]ZhongTanwei．MultidimensionalMPmodelinmeuralnetwork．JournalofSouthChinaAgriculturalUniversity，2004，25(2)[19]牛建軍，吳偉．基于神經(jīng)網(wǎng)絡自整定PID控制策略及其仿真．系統(tǒng)仿真學報，2005，17(6)：1425～1427[20]黃友銳，曲立國著.PID控制器參數(shù)整定與實現(xiàn).北京：科學出版社，2010附錄APIDcontrollerAproportional–integral–derivativecontroller(PIDcontroller)isageneric.controlloopfeedbackmechanismwidelyusedinindustrialcontrolsystems.APIDcontrollerattemptstocorrecttheerrorbetweenameasuredprocessvariableandadesiredsetpointbycalculatingandthenoutputtingacorrectiveactionthatcanadjusttheprocessaccordingly.ThePIDcontrollercalculation(algorithm)involvesthreeseparateparameters;theProportional,theIntegralandDerivativevalues.TheProportionalvaluedeterminesthereactiontothecurrenterror,theIntegraldeterminesthereactionbasedonthesumofrecenterrorsandtheDerivativedeterminesthereactiontotherateatwhichtheerrorhasbeenchanging.Theweightedsumofthesethreeactionsisusedtoadjusttheprocessviaacontrolelementsuchasthepositionofacontrolvalveorthepowersupplyofaheatingelement.By"tuning"thethreeconstantsinthePIDcontrolleralgorithmthePIDcanprovidecontrolactiondesignedforspecificprocessrequirements.Theresponseofthecontrollercanbedescribedintermsoftheresponsivenessofthecontrollertoanerror,thedegreetowhichthecontrollerovershootsthesetpointandthedegreeofsystemoscillation.NotethattheuseofthePIDalgorithmforcontroldoesnotguaranteeoptimalcontrolofthesystemorsystemstability.Someapplicationsmayrequireusingonlyoneortwomodestoprovidetheappropriatesystemcontrol.Thisisachievedbysettingthegainofundesiredcontroloutputstozero.APIDcontrollerwillbecalledaPI,PD,PorIcontrollerintheabsenceoftherespectivecontrolactions.PIcontrollersareparticularlycommon,sincederivativeactionisverysensitivetomeasurementnoise,andtheabsenceofanintegralvaluemaypreventthesystemfromreachingitstargetvalueduetothecontrolaction.Afamiliarexampleofacontrolloopistheactiontakentokeepone'sshowerwaterattheidealtemperature,whichtypicallyinvolvesthemixingoftwoprocessstreams,coldandhotwater.Thepersonfeelsthewatertoestimateitstemperature.Basedonthismeasurementtheyperformacontrolaction:usethecoldwatertaptoadjusttheprocess.Thepersonwouldrepeatthisinput-outputcontrolloop,adjustingthehotwaterflowuntiltheprocesstemperaturestabilizedatthedesiredvalue.Feelingthewatertemperatureistakingameasurementoftheprocessvalueorprocessvariable(PV).Thedesiredtemperatureiscalledthesetpoint(SP).Theoutputfromthecontrollerandinputtotheprocess(thetapposition)iscalledthemanipulatedvariable(MV).Thedifferencebetweenthemeasurementandthesetpointistheerror(e),toohotortoocoldandbyhowmuch.Asacontroller,onedecidesroughlyhowmuchtochangethetapposition(MV)afteronedeterminesthetemperature(PV),andthereforetheerror.ThisfirstestimateistheequivalentoftheproportionalactionofaPIDcontroller.TheintegralactionofaPIDcontrollercanbethoughtofasgraduallyadjustingthetemperaturewhenitisalmostright.Derivativeactioncanbethoughtofasnoticingthewatertemperatureisgettinghotterorcolder,andhowfast,andtakingthatintoaccountwhendecidinghowtoadjustthetap.Makingachangethatistoolargewhentheerrorissmallisequivalenttoahighgaincontrollerandwillleadtoovershoot.Ifthecontrollerweretorepeatedlymakechangesthatweretoolargeandrepeatedlyovershootthetarget,thiscontrolloopwouldbetermedunstableandtheoutputwouldoscillatearoundthesetpointineitheraconstant,growing,ordecayingsinusoid.Ahumanwouldnotdothisbecauseweareadaptivecontrollers,learningfromtheprocesshistory,butPIDcontrollersdonothavetheabilitytolearnandmustbesetupcorrectly.Selectingthecorrect