基于PID神经元网络的智能控制器地研究.pdfVIP

2002中国控制与央幕学术年会论文橐 基于PID神经元网络的智能控制器的研究 江善和，中东日，陈义俊 (抚顺石油学院信息工程分院．辽宁抚煨l】3001) 摘要：提出～种PID神经元嗣络，它属于新型多层前向抻照网，蝽，其博古届单元分别为吃捌、 积舟、微分单元，各层神经元个数、连接权初值是按PID规律的基丰厚划确定的．培出了智能 PID拉制嚣的具悻结持形式和学习算法，并通过计算札仿真，证明智能PID控制器具有臣好的 自学习和自适应性。 关键词：PID拉制；神妊网络；BP算法；自适应控制 1引 言 FID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，是目前工业过程中应用最广泛的一种控制器。当被控对象具有非线性、时变不确定、滞后 特性时，单一的常规PID控制很难满足系统的品质要求，人们自然地寻求更好的控制方法。近 年来，随着神经网络理论的发展和基于神经网络的控制方法的深入研究，将神经网络与传统控 制理论相结合已日盏引起人们的重视，并在工业应用中取得重大进展。这主要是由于BP网络 在理论上已证明可以表示任意非线性函数，并具有自适应、自学习、并行处理和较强的鲁棒性 及容错性等特点。 本文提出的智能PID控制器是将PID控伟j规律融进神经网络，实现PID控制规律和神经 网络的本质结合。PID神经元网络属于多层前向神经网络的范畴，但它与一般多层前向神经网 络有所不同，一般多层前向神经网络中的输入一输出特性都是相同和静态的，而PID神经元的 输人一输出特性体现了比例(P)、积分(I)、微分(D)的控制规律，是一种动态前向网络，使得智 能PID控制器既具有传统PID控制的优点，又具有神经网络的并行结构和自学习及逼近任意 函数的能力。一般多层前向神经网络的跨层种经元个数、连接权初值是随机确定的，而PID神 经元网络各层神经元个数、连接权初值是按PID控制规律的基本原则和经验确定的，保证了 系统的稳定和快速收敛。 由于被控对象的未知性+使得训练网络反传算法中变量础／缸(_为对象输出，“为控制量) 难以求得。文献[1]用sign(砂／施)代替ay／a。，但sign(动／缸)显得过于粗糙，学习精度较差，很 难适应以边学习边控制的方式对系统实施动态控制。为此，采用非线性预测神经网络模型的输 出j关于“的灵敏度砂／越来近似砂，7m，构成一类具有自适应控制的智能PID控制器。 2 智能PID控制系统结构及其算法 采用PID神经元网络的智能控制系统结构如图1所示。其中网络NNC是PID神经元网 络，用来完成PID控制规律的学习和综台功能；另一个网络NNM实现被控对象的在线辫识， 建立对象特性的神经网络预测模型。 536 圈1 PID智能控制系统结构 2．1 PID神经元网络的结构和算法 PID神经元网络是三层前向网络，其结构为2-3—1。输入层为两个神经元，分别为系统的给 定值和对象的输出值；隐含层有3个神经元，各神经元的输出函数各不相同，分别对应于比例 (P)、积分(I)、微分(D)三部分；输出层神经元完成PID控制规律的综合功能。 前向计算过程为输人层 工{”一，(是)，z{”一y(^) (1) 隐含层各神经元的输人函数 z5。(^)一∑w。，zl(k)，j=1，2，3 (2) 隐含层的输出函数分别为比例、积分、微分函数。考虑到实际系统中控制器输出为有限值，因此 对PID神经元输出进行上下限幅。比例元的输出为 ，1， z{2’(^)l 一l≤zP(量)≤1 (3) ：f：’(矗)一{丁产(五)， 【一1， 。；z’(^)一1 积分元的输出为 z{”(^)1