基于对角递归神经网络的PID控制系统的研究-智能与网络化系统研究所.doc

基于对角递归神经网络的PID控制系统的研究 摘要：本文提出了一种新基于对角递归神经网络（DRNN）优化PID控制器参数的方法。PID控制器的参数能实现在线调整，同时还给出了神经网络的学习算法。利用DRNN和递归预测误差算法（RPE）来辨识被控制对象，仿真结果表明系统的可靠性、自适应性、快速性和鲁棒性。 关键字：对角递归神经网络、PID控制、自适应神经PID控制 1.介绍 经典的PID控制器由于其单一结构的优势已经广泛的应用在工业控制过程中，然而，通过理论分析和实现可知PID控制器有它的局限性。对于非线性时变系统的PID控制参数的调整是非常困难的，为了完善调节效果，在文献[1][2][3][4]中提出了许多不同的调节方法。在本文中，提出了一种新型控制器，一种基于对象递归神经网络的自适应神经PID控制器。这种控制器不仅具有传统PID控制器的优势，还具有更好的稳定性、鲁棒性和快速收敛的特性。与神经网络控制器相比，它克服了如慢收敛的弱点[5]。仿真结果表明了这种方法不仅更精确、更可靠、自适应性、鲁棒性，而且还改善了收敛速度。 2. DRNN PID控制系统的结构特征 一个复杂的控制对象往往是非线性、时变、大惯性的，应用传统的定参数的PID控制器很难达到控制目的，因此，我们用变参数PID控制器来实现参数的调整。自适应神经PID控制器包括了神经网络辨识器(NNI)、神经网络控制器(NNC)、训练算法和控制象对，如图1所示。 NNI是用DRNN来辨识系统的，NNI的输出是NNC的预测值，设定值与NNC的预测值的误差作为NNC的输入，这个输入是PID控制器的三个参数。目标函数J是误差的平方，因此通过调整连接权值来自动修正PID控制器的三个参数。具体的优化过程将在后面描述。 2.1 NNI的原理 我们利用DRNN和递归预测误差算法（RPE）来实现对控制对象的辨识。首先，我们介绍一下DRNN的原理，它与BP结构不同，能够很大程度提高系统的扩展性[7][8]。以三层神经网络为例，每层的神经元个数分别为：m,n,1，则DRNN为： 其中Xi（k）为DRNN的输入，i=1,2….m。y（k）为输出，Sj（k），Oj（k）为中间层的输入与输出，j=1,2….n。表示隐层第j个神经元到输入层第i个神经元的连接权值，Vj为输出层到到第j个隐层神经元的连接权值。为递归神经元的连接权值，分别为输入与输出的偏置。为激活函数。 DRNN是通过递归预测误差算法使预测误差达到最小从而获得待估参数，这个方法在文献[6]中有具体描述。目标函数为： 其中N为数据长度，为基准向量，为预测误差向量。是由下式来修正的： 其中表示学习速率，为基于高斯-牛顿法的搜索方向，可表示如下： 其中为的梯度，是关于的矩阵，它们满足如下方程： 其中是一阶预测值关于的微分。 从上面的方程中可以得出PRE的算法为： 其中P（k）可以写成如下形式： 初始值：。从方程（3）可以看出，利用了一个遗忘因子来实现自适应的能力。我们将遗忘因子的初始值设定为：，当k趋于无穷时，也趋于1，因此遗忘因子可表示如下： 其中初始值可根据实际需要而设定。上面的参数y（t）可从DRNN方程中得到。RPE算法是用来训练参数，即通过上述的最小化目标函数来优化权值和偏置。通过选择适当的，可以训练上述方程中的样本，或者不断地调整来达到收敛性。 2.2神经PID控制 DRNN提供了自适应神经PID控制器的预测输出值，从而我们可以得到设定值r和预测值的误差，并把这个误差的平方作为目标函数，然后再用梯度法获得PID控制器的三个参数。相关的方程与BP神经网络类似，我们采用三层神经网络NN结构，包括三个输入神经元三个输出神经元。NN的输入为实时误差（）、第k-1刻的误差信号e（k-1）和k-2刻的误差信号为e（k-2）。自适应神经PID控制器的输出就是这三个参数，其式可表示如下： 公式3中PID控制器的参数Kp、Ki和Kd是比例增量、积分增量和微分增量。U（k）是控制器的输出，r（k）是设定值。 神经网络的结构如图有所示： 网络的方程描述如下： 其中Wji为第j个隐层神经元到第i个输入神经元的连接权值，Wlj为第l个输出神经元到第j个隐层神经元的连接权值。为隐层神经元的输出，为控制器的输出，为隐层神经元的激活函数：。因为Kp，Ki，Kd均为正，所以为正的S型函数：，控制器的输出如下所示： 目标函数为： 应用梯度下降法： 其中为学习速率，为惯性因子，它们的值的取值范围均为0到1. 从方程（7）和（8）可以得出下式： 计算方程（1）可以得到，其中方程（1）中的是方程（6）中的u（k）。从方程（6）又可以得到下式： 其中为NNC的输出，k=1，2，3 根据函数g（