一种改进型DRNN神经网络自学习PID控制.docVIP

　　一种改进型DRNN神经网络自学习PID控制 摘 要： 本文针对多变量耦合系统，采用DRNN神经网络对PID控制器参数进行自学习，提出了将学习因子在学习过程中进行动态调整，与传统DRNN神经网络自学习PID控制整定结果进行比较，使用matlab进行仿真，仿真结果表明，学习因子动态调整后的参数结果在超调量、调节时间、稳态性能上明显优于传统DRNN算法。 中国 8/vie 　　关键词： DRNN；收敛；学习速率；matlab；仿真 　　中图分类号： TP183 文献标识码： A ： 2095-8153（2016）06-0104-04 　　在工业被控对象中，具有多变量强耦合特性的较多，对其进行控制必须采取一定的解耦措施，否则难以取得满意的控制效果，现代控制理论提供的一般方法是需要知道被控对象的相关参数，进行解耦再设计控制器[1][2]。其控制器设计方法较复杂，而且依赖被控对象精确的数学模型，在实际现场中很难获得。 　　本文采用一种优化学习速率的对角递归神经网?j（DRNN）对多变量耦合系统进行动态辨识，学习算法采用梯度下降法，在传统DRNN算法的网络学习过程中对学习速率？浊I、？浊D、？浊O进行动态调整，使得比传统算法具有更快的收敛速度。由DRNN获得敏感信息？坠y/？坠u可以在线调整PID控制器参数，从而利用传统的PID控制器输出控制量到被控对象，并完成系统的解耦与控制工作。使用matlab对其进行仿真，仿真结果表明对学习速率进行动态调整后PID参数调整时间有所降低，使系统的动态性能有所加强。 　　1 对角神经网络（DRNN）及其算法改进 　　1.1 DRNN基本结构 　　DRNN是在部分递归网络Elman网的基础上，将隐含层权值矩阵（k）=y（k）-O（k），其中y（k）为系统的实际输出，k为网络迭代步骤。辨识指标：Em（k）=■em（k）2 　　学习算法采用梯度下降法： 　　？驻（k）■=em（k）Xj（k）（2） 　　（k）■=em（k）■ ■=em（k）（k）■ ■=em（k）（k）的变化率的绝对值小于1，？浊I、？浊D、？浊O取一组较小值，反之取一组较大值。 　　2. DRNN神经网络参数自学习PID控制策略 　　本文的控制策略由DRNN作为辨识器，根据系统信息的变化，对权值进行自动调整，DRNN获得Jacobian信息进行在线调整PID控制器的比例、积分、微分系数[5]。系统仍由PID控制器控制，其结构如图2所示。 　　以控制器u1为例，控制算法如下： 　　u1（k）=kp1（k）x1（k）+ki1（k）x2（k）+kd1（k）x3（k）（8） 　　error1（k）=r1（k）-y1（k）（9） 　　且有：x1（k）=error1（k） 　　x2（k）=■（error1（k）×T） 　　x3（k）=■ 　　式中T为采样时间。PID三项系数kp1（k），ki1（k），kd1（k）采用神经网络进行整定。 　　定义如下指标： 　　E1（k）=■（r1（k）-y1（k））2（10） 　　kp1（k）=kp1（k-1）-？浊p■=kp1（k-1）+？浊p（r1（k）-y1（k））■ ■=kp1（k-1）+？浊p（r1（k）-y1（k））■x1（k） （11） 　　ki1（k）=ki1（k-1）-？浊i■=ki1（k-1）+？浊i（r1（k）-y1（k））■ ■=ki1（k-1）+？浊i（r1（k）-y1（k））■x2（k） （12）