PID神经元网络自学习解耦温度控制系统研究.pdfVIP

计算技术与自动化 1998年 7月 COMPUTINGTECHNOLOGYANDAUTOMATION Jul.1998 PID神经元网络自学习解藕温度控舒系玩 舒怀林 七理广加 (广州大学维修工程技术学部 51009t) 摘 要:PI。神经元网络(propomona1一intergal一derivativenewsInetnvdc)是由本文作者提出的一种断的神经 元网络。它具有较好的自学习功能，适合于复杂系统的控制。本文分析了传统神经元网络控制的 局限性，介绍了PID神经元网络的结构和计算方法，并给出了其用于强扭合多变盘退度系统控制 的结果。 关健词:PID神经元网络 解辐控制 自学习控制 温度控制器 0 引言 神经元网络是以大脑生理研究成果为基础，模拟大脑的某些机理与机制，由人工建立的以有向图为拓扑 结构的网络，它通过对连续或断续的输人作状态响应而进行信息处理神经元网络是本质性的并行结构，并且 可以用硬件实现 ，它在处理对实时性要求很高的自动控制问题显示出很大的优越性。神经元网络是本质性的 非线性系统，多层神经元网络具有通近任意函数能力，它给非线性系统的描述带来了统一的模型。神经元网 络具有很强的信息综合能力，它能同时处理大量不同类型的输人信息，能很好解决输人信息之间的冗余问 题，能恰当地协调互相矛盾的输人信息，可以处理那些难以用模型或规则描述的系统信息。神经元网络在复 杂系统的控制方面具有明显的优势，神经元网络控制和辨识的研究已经成为智能控制研究的主流U〕一4[[1 但是，传统神经元网络存在着一些弱点，制约了其在控制系统中的广泛应用。例如，传统神经元网络的 收敛速度很慢，训练和学习时间很长，这是大多数控制系统所不能接受的;在构成控制器时，传统神经元网 络的结构选取，特别是隐含层单元个数的选取尚无定则 ，还需通过反复试验才能确定，这给实际应用带来 困 难;传统神经元网络连接权初值多被取为随机数，存在陷人局部极小值的可能，使控制性能难以达到预期效 果;由于连接权初值的随机性，很难保证控制系统初始运行的稳定性。传统神经元网络的结构、参数和机 能，难以与控制系统所要求的响应快、超调小、无舒差等动态和静态性能指标相联系。传统神经元网络在构 成控制器时，为了满足系统性能要求，需大量增加隐含层神经元个数，网络的计算盆很大，使在当前的技术 水平下很难保证控制的实时性甚具有任意函数通近能力的多层前向神经元网络是应用最多的一种神经元 网 络，但传统的多层前向神经元网络的神经元仅具有静态输人一输出特性，在用它构成控制系统时必须附加其 它动态部件。 神经元网络和PID控制相结合，可以构成新的控制系统。通常是在传统的PID控制器的基础上附加一个 或多个神经元网络，利用神经元网络的学习功能确定和调整PM参数。[5〕一[10]这种方法的缺点之一是 它的结构比较传统Pm控制器要复杂的多，实现的难度和代价较大;缺点之二是其不能避免一般神经元网络 的弱点，如收敛速度慢、易陷人局部最小点、隐层单元个数和连接权初值难以确定，等等，而且仅能用于单 变盘系统的控制。 本文所介绍的PID神经元网络 (proportional一intergal一derivativeneuralnetwork),简称为PIDNN，不是PID 控制器和神经元网络的简单组合，它是将PID控制规律融合进神经元壁之中，使神经元网络的隐含层单元 分别具有比例、积分、微分功能，从而构成的一种新的多层前向神经元网络。PIDNN具有较好的自学习控制 功能，特别是它为多变量强揭合系统的解帆控制提供了一个新的途径。 1 Pro神经元网络控制系统结构和计算方法 1.1 PID神经元网络控制系统结构形式 PIDNN的结构形式与一般多层前向神经元网络类似，它与一般多层前向神经元网络主要不同之处在隐含 层。一般多层前向神经元网络中的全部神经元的输人一输出特性都是相同的和静态的，而PII)NN的隐含层是 介， 计算技术与自动化 由比例元、积分元和微分元组成的，这些神经元