PID神经网络改进研究.pdfVIP

工业 PID神经网络改进研究 翟尧杰，舒怀林，熊胜祖 (广州大学机电学院， 广东广州 510006) 算法．克服权重初值取随机数带来的问题。 中图分类号：TP183 文献标识码：A 文章编号 1009-9492(201 o)08—0039—03 PID控制器一直以来以其结构简单、稳定性好、工作 可靠、调整方便而成为工业控制的主要技术之一，目前运 行的控制回路中，90％以上使用传统的PID控制方式。但 是。当被控对象具有不确定性和非线性时，传统的PID控 制无法达到满意的控制效果。近年来。随着神经网络理论 的发展．将PID控制器与具有自学习功能的神经网络相结 合。已成为智能控制研究的一个新方向。PIDNN将神经网 络和PID控制规律相结合，已经取得了一些成效，文献 o [2] [4]中分别利用PIDNN对不同的控制系统进行了实 验．’并取得了较好的效果。PIDNN能够在很大程度上克服 一 般神经网络收敛速度慢和陷入局部最小的问题，这是由 于它能够利用现有的PID控制规律确定初始网络权值，达 图1 SPIDNN的控制系统结构 到初始稳定，并通过学习收敛到最小值点，达到全局稳 定。但是。对于无PID控制先验知识的系统，PIDNN网络 差反向传播算法。 初始权值只能选取随机数或者一些较小的数。这时系统的 2．1 SPIDNN的前向算法 初始状态将是不确定的．系统学习过程中就可能会陷入局 SPIDNN的前向算法是根据网络的两个输入值，按照 部最小，而且收敛速度也会变慢。本文针对这种状况，通 网络当前权重值和各层状态函数以及输出函数形成网络的 过对单变量PID神经网络 (SPIDNN)控制系统的分析，提 输出。 出增加动量项的改进算法。 2．1．1输入层 1 SPIDNN结构及其控制系统 SPIDNN的输入层有两个神经元，负责接受外部输入 单变量PID神经网络 (SPIDNN)的基本形式为2x3xl 信息。在构成控制系统的时候，分别输入系统被调量的给 的结构．共6个神经元。其中每个神经元又由三个部分组 定值r和实际值Y。神经元的状态函数 等于输入net。各 成。分别为神经元的输入、神经元的状态函数和神经元的 层神经元输出函数均为比例阈值函数。 输出。SPIDNN的控制系统结构如图 l所示。 2．1．2隐含层 2 SPIDNN的控制算法 隐含层有3个神经元，分别为比例元、积分元和微分 SPIDNN的算法由两部分组成。分别是前向算法和误 元。完成对应的比例、积分以及微分运算。各自的输人均 收稿日期：2010—02—22 控制 为输入层至隐含层的加权求和。比例元的状态函数为： 的定义有： u l(k)=net 1(k) (1) Onetj，L 垡 i 2二 i = 2 netj(k)一凡e￡ (k-1) (10) 积分元的状态函数为：