BP神经网络PID气动位置控制系统研究.docVIP

BP神经网络PID气动位置控制系统研究 　　[摘 要]本文提出了一种将常规PID控制与BP神经网络相结合的自适应PID控制器,该控制器运用神经网络和BP算法实现了对PID参数的在线调整,利用变步长法和引入动量项来改进BP神经网络学习算法,有效减小了学习过程的振荡趋势,改善了收敛性,避免了学习过程陷入某些局部最小值,并将其用于在线调整气动位置伺服控制系统的PID参数,实现具有最佳组合的PID控制。MATLAB仿真表明,本文控制算法的静态特性、动态品质良好,鲁棒性强。 　　[关键词]BP神经网络 PID控制 气动位置 在线整定 MATLAB仿真 　　[中图分类号]TP273 [文献标识码]A [文章编号]1007-9416(2009)12-0054-02 　　 　　1 引言 　　 　　气动系统由于具有成本低廉、安全可靠、无污染等优点,目前已广泛地应用于工业上的各个邻域。但是,由于空气可压缩性大等因素的存在,导致了气动位置伺服系统的非线性强,这使得使用传统的线性控制理论的方法很难获得满意的动态响应性能和稳态精度。在工业控制中,由于常规PID控制器结构简单、可靠易实现,得到了广泛的应用。但是,当被控过程具有非线性、时变不确定性,难以建立精确的数学模型时,应用常规的PID控制器不能达到理想的控制效果,为此,参数自适应整定的PID控制被广泛研究和应用。而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,不依赖于被控对象的模型,通过神经网络自身的学习,可以找到某一最优控制律下的PID参数。为了提高神经网络的收敛速度,避免产生振荡,控制器采用了自适应改变BP网络学习步长和添加惯性项的方法。仿真试验结果证明了该控制器应用于气动位置伺服控制系统的有效性和可操作性。 　　 　　2 BP神经网络的PID控制器的设计 　　 　　2.1 前向计算(见图1) 　　经典增量式数字PID的控制算法为: 　　 (1) 　　式中,,,分别为比例、积分、微分系数。采用三层BP网络,其结构如图2所示。 　　网络输入层的输入为: 　　(2) 　　式中,输入变量的个数M取决于被控系统的复杂程度。 　　网络隐含层的输入、输出为: 　　(3) 　　 (4) 　　式中,是隐层加权系数;上角标1、2、3分别代表输入层、隐含层和输出层。 　　隐含层神经元的激活函数取为正负对称的Sigmoid函数: 　　 (5) 　　网络输出层输入输出为: 　　(6) 　　(7) 　　,, (8) 　　输出层输出节点分别对应三个可调参数,,。由于,,不能为负值,所以输出层神经元激活函数取非负的Sigmoid函数: 　　 (9) 　　2.2 反向计算 　　BP神经网络模型反向学习过程利用BP学习算法来修正权值和阈值。取性能指标函数为: 　　(10) 　　按照梯度下降法修正网络的权系数,即按对加权系统的负梯度方向搜索调整,并附加一个使搜索快速收敛全局极小的惯性项。 　　 (11) 　　式中,,分别为学习速率和惯性系数。而 　　 (12) 　　在12式中: 　　 　　 (13) 　　由差差商近似,即 　　 (14) 　　由(7)式可得: 　　(15) 　　由(6)式可得: 　　(16) 　　同时由(1)和(8)可得: 　　(17) 　　 (18) 　　(19) 　　由(11)到(19)可得BP网络输出层权值的学习算法为: 　　 (20) 　　其中: 　　(21) 　　同理有隐层权值的学习算法: 　　 (22) 　　其中: 　　 (23) 　　式中: 　　2.3 算法流程 　　按照BP算法的权值调整规则进行训练,收敛到全局极小。 　　(1)确定BP网络的结构,并给出各层权值的初始值,选定学习速率η和动量因子α,此时k=1; 　　(2)采样得到和,计算该时刻误差; 　　(3)计算神经网络NN各层神经元的输入、输出,NN输出层的输出即为PID控制器的三个可调参数,,;根据式(1)计算PID控制器的输出; 　　(4)反向计算,修正输出层和隐含层的权值,在线调整加权系数,实现PID控制参数的自适应调整; 　　(5)置,返回到(1)。 　　 　　3 仿真研究 　　 　　气动位置伺服控制系统的开环传递函数为: 　　(24) 　　在仿真研究中,采用了MATLAB中的SIMULINK工具并辅助神经网络工具箱和编程形式,对系统进行仿真。仿真如图3 　　所示。 　　 　　4 结语 　　 　　仿真表明,与传统的PID相比较,BP神经网络的PID方法,稳态精度高、过度过程短、抗干扰性好、鲁棒性强、结构简单、适应性强、易于实时控制,应用价值较高。