资源描述：
《基于神经网络pid智能复合控制方法研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、马玲玲等:基于神经网络PID智能复合控制方法研究17基于神经网络PID智能复合控制方法研究StudyofPIDCompositeIntelligentContriollerBasedonNeutralNetwork马玲玲郑宾马圆圆(中北大学电子测试技术国家重点实验室,山西太原030051)摘要:PID控制器被广泛应用在工业过程控制领域,但是在实际应用中往往具有非线性、时变不确定性,导致PID参数整定难以达到最佳控制要求。本文将神经网络技术应用于PID控制中,利用神经网络具有的非线性函数逼近能力,通过对
2、系统性能的学习来实现具有最佳组合的PID控制。本文采用了BP神经网络PID控制器,实现PID参数的在线自整定,通过仿真实验比较,BP神经网络PID控制比传统的PID控制和单神经元网络PID有好的控制效果。关键词:神经网络;PID;复合控制;MATLA仿真1引言件,具有自学习和自适应能力,且结构简单、算法计算量PID控制是最早发展起来的应用经典控制理论的控小,与传统PID控制器结合,能够在线整定、优化PID参制策略之一,由于算法简单,鲁棒性好和可靠性高,被广数,弥补传统PID控制器的不足。泛应用于工业过
3、程并取得了良好的控制效果。随着工业单自适应如图1所示。其中神经元输入的三个状态的发展,对象的复杂程度不断加深,尤其对于非线性的复量为:杂系统,常规PID控制显得无能为力。因此常规PID控制的应用受到很大的限制和挑战。神经网络在控制系统中的应用提高了整个系统的信息系统处理能力和适应能力,提高了系统的智能水平。此外,神经网络具有逼近任意连续有界非线性函数的能力,对于非线性系统和不确定性系统,无疑是一种解决问题的有效途径。本文将常图1单神经元自适应PID结构图规PID控制与神经网络控制相结合,发挥各自的优势
4、,x1(k)=e(k)形成所谓的智能PID控制。一般来说,基于神经网络的PID控制器的典型结构x2(k)=e(k)-e(k-1)主要有两种,单神经元网络PID控制器和神经网络PIDx3(k)=e(k)-2e(k-1)+e(k-2)控制器两种控制算法。设K为神经元控制器的比例系数,wi(k)为加权系2基于神经网络的PID控制数,则控制器的输出为:3PID控制要取得好的控制效果,就必须通过调整好u(k)=u(k-1)+K∑wi(k)xi(k)i=1比例、积分和微分三种控制作用在形成控制量中相互配由上式变形
5、得:合又相互制约的关系,这种关系不一定是简单的“线性组3合”,而是从变化无穷的非线性组合中找出最佳的关系。Δu(k)=K∑wi(k)xi(k)=K[w1(k)x1(k)+w2i=1BP神经网络具有逼近任意非线性函数的能力,而且结构(k)x2(k)+w3(k)x3(k)]和学习算法简单明确。通过网络自身的学习,可以找到从式中和PID相比较,可得对应关系某一最优控制规律下的P、I、D参数。Kw1(k)=kpKw2(k)=kiKw3(k)=kd211常规的PID控制器单神经元自适应控制器通过对加权系数的调整
6、来实通常,PID控制器由比例(P)、积分(I)、微(D)3个部现自适应、自学习功能,权系数调整是根据一些典型的学分组成,直接对被控对象进行闭环控制,并且三个参数习规则实现的。这些规则主要包括:无监督的Hebb学KP,KI,KD为在线调整方式。习规则、有监督的Delta学习规则、有监督的Hebb学习PID控制器的控制算式为:规则、基于二次性能指标的学习算法。tu(t)=Kpe(t)+Ki∫e(t)dt+Kdde(t)dt213基于BP网络的PID控制器0(1)BP网络的结构212单神经元网络PID控制器
7、设BP神经网络NN是一个采用三层BP结构,其结神经网络PID控制中,单神经元是最基本的控制部©18《计量与测试技术》2009年第36卷第3期(2)(2)构如图2所示,它有m个输入节点,q个隐含节点,3个Oi(k)=f(neti(k))(i=1,2,⋯Q)(2)输出节点。输入节点对应所选的系统运行状态量,如系统式中,w(ij)为隐含层加权系数,上标(1)、(2)、(3)分不同时刻的输入量和输出量等,必要时进行归一化处理。别代表输入层、隐含层、输出层f[x]为隐含层神经元活输出节点i分别对应PID控制器的
8、三个参数kp,ki,kd化函数,取正负对称的Sigmoid函数,f(x)=tanh(x)。Q(3)(3)(2)网络输出层的输入为:netl(k)=∑wljOi(k)i=0网络的输出层的输出为:(3)(3)Ql(k)=g(netl(k))(l=1,2,3)(3)(3)(3)O1(k)=kpO2(k)=kiO3(k)=kd将kp,ki,kd分别设定为输出值。由于输出值不能图2BP网络结构图为负值,所输出层神经元活化函数g[x]取非负的Sig2(2)基于BP网
