基于BP神经网络整定的PID控制研究与仿真.doc

基于BP神经网络整定的PID控制研究与仿真 曹梦龙，刘川来 （青岛科技大学信息与控制工程学院，山东 青岛 266042） 摘　要：PID控制要取得较好的控制效果，就必须通过调整好比例、积分和微分三种控制作用，形成控制量中既相互配合又相互制约的关系，这种关系往往是非线性的，而神经网络具有任意非线性的表达能力，可以通过对系统性能的学习来实现具有参数最佳组合的PID控制。BP(Back propagation)神经网络是一种前向神经元网络,将其隐含层单元分别作为比例(Ｐ)、积分(Ｉ)、微分(Ｄ)单元,可以建立参数自学习的PID控制器。仿真结果表明基于BP神经网络整定的PID控制器具有较好的自学习和自适应性。 关键词：PID控制;BP神经网络;计算机仿真　　 中图分类号:ＴＰ18　 文献标识码Ａ　 The Study and Simulation of PID Control Based on BP Neural Network CaoMeng-long，LiuChuan-Lai (College of Information and Control Engineering,Qingdao University of Science and Technology,Qingdao 266042,China) Abstract:The best effect of PID control based on the best adjustment of the proportion, integral and differential parameter.BP neural network has the capability of expression nonlinearity and also has the self study and adaptive function,and thus, it can realize the best parameter combination of PID control. The computer simulation shows its advantage in self study and adaptability. Key Words:PID Control;BP Neural Network; Computer Simulation 引　言　ＰＩＤ控制器具有结构简单,各参数物理意义明确,对模型依赖程度小和工程上易于实现等优点,使得常规ＰＩＤ控制器,即使在新控制理论不断涌现的今天,仍是工业过程控制中最常用的方法,占据着重要的地位。但是,ＰＩＤ控制器主要的局限性在于它对被控制对象的依赖性。由于对控制器品质的要求越来越高,控制对象也越来越复杂(可能是大滞后、时变、非线性复杂系统),单纯采用常规的ＰＩＤ控制器,很难满足系统要求。近年来,随着神经网络理论的发展,将应用最广泛的ＰＩＤ控制器与具有自学习功能的神经网络相结合,已成为智能控制研究的一个新方向。其主要的结合方式有两类：一类是单神经元控制,即神经元输入权值一一对应ＰＩＤ参数,神经元输入值为经过比例、积分、微分处理的偏差值,其主要局限性在于单神经元结构无任意函数逼近能力。另一类是在常规ＰＩＤ控制器的基础上增加一个神经网络模块,利用神经网络来在线调节ＰＩＤ参数,其缺点是结构较复杂。BP网络相对来说结构简单，但能够实现神经网络和ＰＩＤ控制规律的本质结合。经典的PID控制器直接对被控对象进行闭环控制，并且三个参数为在线调整方式。BP神经网络根据系统的运行状态，不断调节PID控制器的三个参数，以期达到某种性能指标的最优化，使输出神经元的输出状态对应于PID控制器的三个可调参数并通过神经网络的自学习、加权系数自调整使神经网络的输出对应于某种最优规律下的PID控制器参数。 BP神经网络的参数调整算法 BP神经网络结构图如图1所示 图1 BP网络结构 Fig.1 frame of BP neural network 网络隐含层的输入、输出为 （i=1,…Q） 式中，为隐含层的加权系数，上角标（1）、（2）、（3）分别代表输入层、隐含层、和输出层。隐含层的活化函数取正负对称的函数 网络输出层的输入、输出为 () 输出层的输出节点分别对应三个可调参数，由于不能为负值，所以输出层神经元的活化函数取非负的函数 取性能指标为 按照梯度下降法修正网络的权系数，即按照对加权系数的负梯度方向搜索调整，附加使搜索快速收敛到全局极少的惯性项。 式中，为学习速率，为惯性系数。 = 由于未知，所以近似用符号函数取代。由此带来的计算不精确影响可以通过调整学习速率来补偿。 易求