《基于BP神经网络的PID控制器及仿真.docx》由会员分享，可在线阅读，更多相关《基于BP神经网络的PID控制器及仿真.docx（7页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、基于BP神经网络的PID控制器及仿真limin导语：本文主要介绍了神经网络PID控制器的设计，利用神经网络的非线性逼近才能和自学习才能对PID参数进展在线整定，并进展了仿真研究。1.引言PID比例-积分-微分控制器作为最早实用化的控制器已有50多年历史，因其具有算法简单、鲁棒性好、可靠性高、直观性好等优点被广泛的应用于工业经过控制及运动控制中1。常规PID控制效果的优劣，不仅仅取决于控制系统模型的准确程度，还必须调整好三个参数的关系，而这种关系不一定是简单的线性组合。实际的工业经过及运动经过往往具有时变性、变参数、变构造等不确定性及很强的非线性，准确的数学模型难以建立，此外，常规PID还有实如
2、今线调整困难，参数间互相影响，参数整定时间长等缺点，难以获得理想的控制效果。随着控制理论的开展，将应用广泛的PID控制器与智能控制理论相结合2成为智能控制研究的新方向，神经网络算法具有逼近任意非线性表达才能，很强的自学习才能和概括推广才能，在解决高度非线性和不确定系统方面有很大的的潜能，应用神经网络，可以从复杂的PID三个参数组合中寻求最正确的线性组合，使神经网络和PID本质结合。进而使得控制用具有较好的自适应性，实现参数的自动实时调节，适应经过的变化，进步系统了的鲁棒性和可靠性。2.BP神经网络2.1BP神经网络的构成及设计3BP神经网络是一种具有三层或者三层以上的神经网络，包括输入层、隐含
3、层、输出层，上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供应网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目的输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法即BP算法。随着这种误差逆的传播修正不断进展，网络对输入形式响应的正确率也不断上升。1输入输出层的设计输入层的设计可以根据需要求解的问题和数据表示方式确定，假设输入信号为模拟波形，那么输入层可以根据波形的采样点数目撅腚输入单元的维数，也可以用一个单元输入，这是输入样本为采样的时间序列。输出层的维数可以根据使用者的要求确定。
4、假如BP网络用作分类器，种别形式一共有m个，那么输出层神经元的个数为m或。2隐层的设计隐层单元的数目与问题的要求、输入/输出单元的数目都有直接的关系，隐单元的数目过多会导致学习时间过长、误差不一定最正确，也会导致容错性差、不能识别以前没有的样本等等，因此，一定存在一个最正确的隐单元数，通常用以下三个公式来选择最正确隐单元数：1，其中k为样本数，n为输入单元数。2，其中m为输出神经元数，n为输入单元数，a为1,10之间的常数。3，其中n为输入单元数。2.2典型神经网络构造一个典型的三层神经网络构造如下列图所示：图1BP神经网络构造图其中：、为BP网络的输入；、为BP网络的输出，对应PID控制器的
5、三个参数；为输层到隐含层的连接权值；为隐含层到输出层的连接权值。通过神经网络的自学习、加权系数的调整，使神经网络输出对应于某种最优控制规律下的PID控制器参数。图一中各参数之间的关系4如下：输入层：隐含层：输出层：取性能指标为：，按照梯度下降法修正网络的权值，使最小，修正方法如下：隐含层：输出层：3.神经网络PID控制器及控制算法1、BP神经网络PID控制器构造如下列图所示：图2神经网络控制器构造图由图可知：控制器由两局部组成，分别为常规PID控制和神经网络，其中，常规PID直接对被控对象进展闭环控制，并且其控制参数Kp、Ki、Kd为在线调整方式；神经网络，根据系统的运行状态，调节PID控制器
6、的参数，以期到达某种性能指标的最优化，使输出层神经元的输出对应于PID控制器的三个可调参数。通过神经网络的自学习、加权系数的调整，使神经网络输出对应于某种最优控制规律下的PID控制器参数。2、控制算法神经网络PID的控制算法5如下：(1).确定神经网络的构造，即确定输入节点数和隐含层节点数,并给出各层加权系数的初值和，并选定学习速率和惯性系数，令k=1；(2).采样得到r(k)和y(k)，计算当前时刻误差error(k)=r(k)-y(k)；(3).计算各神经网络的输入、输出，其输出层的输出即为PID控制器的三个控制参数Kp、Ki、Kd；(4).计算PID控制器的输出；(5).进展神经网络学习
7、，在线调整加权系数，实现PID控制参数的自适应调整；(6).令k=k+1，返回第(1)步。4.仿真实例4.1被控对象设被控对象的近似数学模型为：，所选的输入信号为一时变信号：神经网络的构造选择4-5-3，学习速率为0.55，惯性系数为0.04，加权系数初始值为区间-0.5，0.5上的随机数，采样频率为1000Hz。Matlab仿真结果如图三所示：图3-1输入输出曲线图3-2误差曲线4.2仿真结果分析由仿真曲线可以看出，神经网络PID稳态误差小，解决了常规PID超调，抖动等问题，控制精度高，实现了对控制信号几乎一样的跟踪，具有较好的快速性和适应性。5.结语神经网络PID控制器实现了两种算法本质的
8、结合，借助于神经网络的自学习，自组织才能，可实现PID参数的在线调整，控制器自适应性好；该算法不要求被控对象有准确的数学模型，扩大了应用范围，控制效果良好；在公道选择神经网络的构造的情况下，该算法有很强的泛化才能。基于以上优点，神经网络PID控制用具有很好的开展应用前景。参考文献1温良,付兴武.神经网络PID在温度控制系统中的研究与仿真J.微计算机信息,2004(7):3-4.2易继锴.智能控制技术M.北京:北京工业大学出版社,1999:95-1383神经网络理论与MATLAB7实现M.北京:电子工业出版社.20054吴伟，晏梦云，魏航信.基于神经网络的PID控制及其仿真，当代电子技术,20205刘金琨.先进PID控制及其MATLAB仿真M.北京:电子工业出版社,2003.0