基于神经网络的增量PID算法及仿真研究.docVIP

基于神经网络的增量PID算法及仿真研究 　　摘 要:为了解决传统PID控制器对时变系统控制能力不强的弱点。利用神经网络理论与传统PID控制理论相结合。设计了一种基于神经网络的增量PID控制器,实现PID参数的在线自整定。通过实例仿真试验比较,这种控制器比传统的PID具有较强的适应性,可以获得满意的控制效果。关键词:神经网络; PID; Matlab; 在线自整定 　　中图分类号:TN919-34; TP274 文献标识码:A 　　文章编号:1004-373X(2010)18-0121-03 　　 　　Research on Incremental PID Algorithm and Simulation Based on Neural Network 　　WANG Jun-qin 　　(Department of Mechanical and Electronic Engineering, Xi’an University of Arts and Science, Xi’an 710065, China) 　　Abstract: To resolve the shortages of traditional PID controller which is not strong enough to control the time-varying system, an incremental PID controller based on neural network is designed to realize the online self-tuning of PID parameters in combination with the neural network theory and traditional PID control theory. The result of experiment simulation shows that the controller has better adaptability than the traditional PID controller and can obtain the satisfactory control effect. Keywords: neural network; PID; Matlab; online self-tuning 　　 　　传统的PID 控制器算法简单,结构上易于实现,被广泛应用在工业过程控制领域[1],但是在实际应用中往往具有非线性、时变不确定性,导致PID控制参数难以整定以达到最佳控制要求。BP神经网络具有较好的在线检测能力[2],将PID控制和BP神经网络相结合通过加权系数调整,可以实现PID参数的自学习过程[3],从而达到满意的控制效果[4]。 　　1 基于神经网络的PID控制 　　PID控制要取得好的控制效果,就必须通过调整好比例、积分和微分三种控制作用的关系,这种关系不一定是简单的“线性组合”,而是从变化无穷的非线性组合中找出最佳的关系。BP神经网络具有逼近任意非线性函数的能力,而且结构和学习算法简单明确。通过网络自身的学习,可以找到某一最优控制规律下的PID参数[4]。 　　1.1 常规PID控制器 　　传统的PID控制器算式如下: 　　PID控制器的输入/输出关系式为: 　　u(t)=KPe(t)+1TI∫t0e(t)dt+TDde(t)/dt 　　式中:??u(t)为控制器的输出;e(t)为误差信号; KP为比例系数;TI为积分时间常数;TD为微分时间常数。 　　假设采样周期为TS,系统开始运行的时刻为t=0,用矩形积分来近似精确积分,用差分近似精确微分,将上式离散化,第k?Т尾裳?时控制器的输出为[5]: 　　u(k)=KPe(k)+KI∑nj=1e(j)+KD[e(k)-e(k-1)] 　　式中:??e(k-1)为第k-1次采样时的误差值;KI为积分系数;KD为微分系数。?? 　　1.2 单神经元的结构[6] 　　图1中输入层有??n个神经元节点,这些节点只负责引入外部信息,自身无信息处理能力,每个节点接收?┮桓霆?输入信号,n个输入信号构成输入列向量X。输出层有m个神经元节点,每个节点均具有信息处理能力,??m个??节点向外部处理信息。构成输出列向量O。两层之间的连接权值用权值列向量Wj表示,m个权向量构成单神经元的权值矩阵W。??3个列向量分别表示为: 　　O=(o1,o2,…,oi,…,om)T,X=(x1,x2,…,xi,…,xn)T 　　Wj=(w??1j??,w??2j??,…,w??ij??,…,w??nj??)T,j=1,2,…,m 　　由神经元数学模型