基于_BP_神经网络自整定_PID_控制仿真.docVIP

实验二 基于 BP 神经网络自整定 PID 控制仿真 一、实验目的 熟悉神经网络的特征、结构以及学习算法，通过实验掌握神经网络自整定 PID 的工作原理。了解神经网络的结构对控制效果的影响，掌握用 MATLAB 实现神经网络控制系统仿真的方法。 二、实验原理 在工业控制中，PID 控制是工业控制中最常用的方法。这是因为 PID 控制器结构简单、实现简单，控制效果良好，已得到广泛应用。但是，PID具有一定的局限性：被控制对象参数随时间变化时，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，可以采用神经网络控制的方法。利用人工神经网络的自学习这一特性，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。 基于BP神经网络的PID控制器结构如图1所示。控制器由两部分组成：一是常规PID控制器，用以直接对对象进行闭环控制，且三个参数在线整定；二是神经网络NN，根据系统的运行状态，学习调整权系数，从而调整PID参数，达到某种性能指标的最优化。 图 1 基于 BP 网络的 PID 控制器结构 网络学习过程由正向和反向传播两部分组成。在正向传播过程中，每一层神经单元的状态只影响下一层神经网络。如果输出层不能得到期望输出，也就是实际输出与期望输出有误差，那么转入反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次向输入层传播，去进行计算，再经过正向传播过程，这样经过两个过程的反复作用，使得误差信号最小。实际上，当误差达到人们所希望的要求时，网络的学习过程就结束了。 图2 BP 网络结构 三、实验内容 （1） 被控对象为一时变非线性对象，数学模型可表示为： 式中，系数a(k)是慢时变的，。 （2） 如图 2 确定BP网络的结构，选 4-5-3 ，各层加权系数的初值 ，取区间 [-0.5, 0.5] 上的随机数，选定学习速率η=0.25和惯性系数α=0.05 (3) 在 MATLAB 下依据整定原理编写仿真程序并调试。 (4) 给定输入为阶跃信号，运行程序，记录实验数据和控制曲线。 (5) 修改神经网络参数如学习速率，隐含层神经元个数等，重复步骤(4), (6)分析数据和控制曲线。 四、具体操作 在MATLAB工具条最左边打开一个新的工作空间，把控制程序copy进去，运行，就可得出仿真结果。然后按实验要求完成实验。 新建工作空间 程序 S=1的运行结果如下 S=2是运行结果