基于bp神经网络的pid参数自整定的船舶操纵控制器研究8gbjrugb.docVIP

基于BP神经网络的PID参数自整定的船舶操纵控制器研究 (BI 基于BP神经网络的PID参数自整定的船舶 操纵控制器研究U66L}.g \～廷星望刘甚塑.王志宏孙干超 关键调羹纵动舵神经网络PID.t~参数整定BfVS尊关键调苎神经网络—— 圭燮f吖iJ 一 ,引言 船舶操纵的模型参数具有非线性,慢时变特性.传统的PID自动舵操舵频繁,操舵幅度 大,舵机损耗大,参数整定困难,缺乏对船舶动态变化及海况变化的自适应能力;常规的自适应 自动舵算法繁琐,实现成本高,加上船舶的非线性特性,控制效果和稳定性难以保证;一般的模 糊控制自动舵是一种基于模糊规则的控制系统,由于受控制过程的非线性,时变性及随机干扰 等因素的影响,造成模糊控制规则不适合和不完整,影响控制效果. 由于神经网络能以期望的精度逼近任何非线性函数,并且它具有自学习,自组织,自适应, 并行处理和容错等功能,因而获得广泛的应用_].针对目前大多数船上都装备了PID自动舵 的情况,本文讨论一种应用BP神经网络实现PID参数K,KK.自整定的控制器. 二,控制器结构 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.通过神经网络自身 的学习,可以哉到某一最优控制窜下的P,I,D参 数.基于BP神经网络的PID控制系统结构如图1 所示.控制器由两个部分组成:①经典的PID控制 器,直接对被控对象过程闭环控制,并且三个参数 K,KKn为在线整定式;②神经网络NN:根据系 r. l=]=I卜llj 溢匝 图1基于BP神经网络的PID 控制系统结构 统的运行状盔,调节PID控制器的参效,以期达到某种性能指标的最优化.即使输出层神经元 的输出状态对应于PID控制器l韵三个可调参数K,KKn,通过神经网络的自身学习,加权系 ①江苏睿跨世纪学科带头^科研基金厦江苏省计算机信息妊理技术重点实验室开放课题基金项目 数调整,从而使其稳定状态对应于某种最优控制律下的PID控制器参数 经典增量式数字PID的控制算式为 tl(k)=u(k一1)+KPEe(k)一e(k一1)]+Kle(k)+K.t-e(k)一2e(k一1)+e(k一2)](1) 式中,Kr,K,,Ko分别为比例,积分和微分系数. 将K,KI,KD视为依赖于系统运行状态的可调系数时,可将式(1)描述为 tl(k)=f[u(k一1),KP,KI,KD,e(k),e(k一1),e(k一2)](2) 式中,f(?)是与Kr,K-,Ko,u(k一1),Y(k)等有关的非线性函数,可以用BP神经网络NN通 过训练和学习来找到这样一个最佳控制规律. 三,网络结构及前向计算 设BP神经网络NN是一个三层BP网络,其结 构如图2所示,有M个输入节点,Q个隐层节点,3 个输出节点.输入节点对应所选的系统运行状态量, 如系统不同时刻的输入量和输出量等,必要时要进-一- 行归一化处理.输出节点分别对应PID控制器的三 个可调参数Kp,K】,Ko.由于K,Kt,Ko不能为负-_ 值,所以输出层神经元的活化函数取非负的Sig— moid函数,而隐含层神经元的活化函数可取正负对 称的Sigmoid函数.图2NN—BP网络结构 由图可见,BP神经网络NN的输入为 O}一xk—J=e(k--D(j—o,1,…,M一1)1 Oh--=1 式中,输入变量的个数M取决于被控系统的复杂程度.网络的隐含层输入输出为 neff(k)=∑w5Oj(k)Jzo O(k)一f[net}(k)](i=O,1,…,Q一1) O~(k)--=l KD (4) 式中:w为隐含层加权系数;w为周值,w一o,dE?]为活化函数,f[?]一tanh(x);上角标1, 2,3分别代表输入层,隐含层,输出层. 最后,网络的输出层的输入输出为 一 O neti(k)=∑w~Oi2(k)i--O O}(k)一g[net{(k)](1—0,1,2) 0;(k)=KP 0i(k)=K1 O;(k)=KD 式中:w{为输出层加权系数;w为阅值,wL—;g[?]为活化函数,g[?]=(1/2)E1十tanh 2 (x)] 四,反向计算 取性能指标函数为 J1=去[t(k+1)--y(k十1)]一{z(k+1)(6) 依最速下降法修正网络的加权系统,即按J对加权系数的负梯度方向搜索调整,并附加一使搜 索快速收敛全局极小的惯性项,则有 △wa(k+1)一1+a△wi(k)(7) 式中a分别为学习速率,惯性系数. = Zy1j???0net?㈦i(k+)(k)}(k)(k)… 由于却(k+1)/(k)未知,所以近似用符号函数sgn(3y(k+1)/(k))取代,由此带来的计算 不精确的影响可以通过调整学习速率来补偿. 由式(1)可以求得 一e(k)一e(k—1)一L)一L一) _e(k)(9) j=e