基于BP神经网络PID控制器设计.docVIP

基于BP神经网络的PID控制器设计 班级： 21班 学号：2014561 姓名： 常临妍 摘 要 常规PID控制技术是结构简单、控制效果良好但局限性当控制对象不同，控制器的参数难以自动调整以适应外界环境的变化。为了使控制器具有较好的自适应性，实现控制器参数的自动调整，可以神经网络控制的方法。利用人工神经网络的，并结合传统的PID控制理论，构造神经网络PID控制器，实现控制器参数的自动调整。了基于神经网络的PID控制，利用神经网络的能力进行在线参数整定PID控制 BP神经网络　①能逼近任意L2上的非线性函数；②信息的并行分布式处理与存储；③可以多输入、多输出；④便于用超大规模集成电路或光学集成电路系统实现，或用现有的计算机技术实现；⑤能进行学习，以适应环境的变化。 人工神经网络还有以下优越性： 具有自学习功能。实现图像识别时，先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提 供经济预测、市场预测、效益预测，其应用前途是很远大的。  二、具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。  三、具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型 人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。 图1-1神经网络基本模型 二．基于BP神经网络PID控制器的设计 PID 控制要取得良好的控制效果，必须对比例、积分和微分三种控制作用进行调整以形成相互配合又相互制约的关系。这种关系不一定是简单的“线性组合”，可从变化无穷的非线性组合中找出最佳的关系。神经网络所具有的任意非线性表示能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。 采用BP神经网络，利用其具有逼近任意非线性函数的能力，且结构和学习算法简单明确的优点，建立参数自学习的PID控制器。 通过神经网络自身的学习，可以找到某一最优控制下的P、I、D参数。基于BP神经网络的PID控制系统结构如图2-1所示，控制器由两个部分组成： ⑴经典的PID控制器：直接对被控对象过程闭环控制，并且三个参数为在线整定式； ⑵神经网络NN：根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化。即使神经网络的输出层神经元的输出状态对应于PID控制器的三个可调参数，通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。 图2-1基于BP神经网络的PID控制系统结构 经典增量式数字PID的控制算法式为 式中——比例、积分、微分系数。 将视为依赖于系统运行状态的可调系数时，可将式描述为 上式中，是与等有关的非线性函数，可用BP神经网络NN通过训练和学习来找到这样的一个最佳的控制规律。 在这里设计的BP网络采用结构简单的三层BP神经网络，其结构如图所示，有M个输入节点、Q个隐含层节点、3个输出节点。输入节点对应所选的系统运行状态量，如系统不同时刻的输入量和输出量等，必要时要进行归一化处理。输出节点分别对应PID控制器的三个可调参数。 由于不能为负值，所以输出层神经元的激发函数取非负对称的Sigmoid函数，而隐含层神经元的激发函数可取正负对称的Sigmoid函数。 图2-2 NN-BP网络结构 由图可见，BP神经网络NN的输入为 式中，输入变量的个数M取决于被控系统的复杂程度。网络的隐含层输入输出为 式中 ——隐含层加权系数； ——阈值，=； ——激发函数，； 上角标（1）、（2）、（3）——输入层、隐含层、输出层。 最后，网络的输出层的输入输出为 式中 ——输出层加权系数； ——阈值，=； ——激发函数，。 取性能指标函数为 依最速下降法修正网络的加权系数，即按J对加权系数的负梯度方向搜索调整，并附加一使搜索快速收敛全局极小的惯性项，则有 式中 ——学习速率； ——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的影响可以通过调整学习速率来补偿。 由式可以求得 因此可得BP神经网络NN输出层的加权系数计算公式为下式 依据上述推算办法，可得隐含层加权系数的计算公式为 式中 ；。 基于BP神经网络的PID控制算法可归纳如下： ⑴事先选定BP神经网络（NN