基于bp神经网络的自整定pid控制仿真).pdfVIP

基于 BP神经网络的自整定 PID 控制仿真 一、目的 1. 熟悉神经网络的特征、结构以及学习算法 2. 掌握神经网络自整定 PID 的工作原理 3. 了解神经网络的结构对控制效果的影响 4. 掌握用 MATLAB实现神经网络控制系统仿真的方法。 二、设备及条件 计算机系统 Matlab 仿真软件 三、问题背景 在工业控制中， PID 控制是工业控制中最常用的方法。这是因为 PID 控制器 结构简单、实现简单，控制效果良好，已得到广泛应用。但是， PID 具有一定的局限 性：被控制对象参数随时间变化时，控制器的参数难以自动调整以适应外界环境的变 化。为了使控制器具有较好的自适应性，实现控制器参数的自动调整，可以采用神经 网络控制的方法。 利用人工神经网络的自学习这一特性， 并结合传统的 PID 控制理论， 构造神经网络 PID 控制器，实现控制器参数的自动调整。 基于 BP神经网络的 PID 控制器结构如图 1 所示。控制器由两部分组成： 一是 常规 PID 控制器，用以直接对对象进行闭环控制，且三个参数在线整定；二是神经网 络 NN，根据系统的运行状态，学习调整权系数，从而调整 PID 参数，达到某种性能指 标的最优化。 图 1 基于神经网络的 PID 控制器结构 四、基于 BP神经网络的 PID 设计 1 设计原理 神经网络采用结构为 4-5-3 型的 BP网络，如图 2 。 图 2 BP 网络结构 其中，输出层激励函数取非负的 Sigmoid 函数，隐层取正负对称的 Sigmoid 函数。 被控对象为一时变非线性对象，数学模型可表示为： a( k)y (k 1) y(k) 2 u(k 1) 1 y (k 1) 式中，系数 a(k) 是慢时变的， 。 为保证控制器有一定的动态跟踪能力，选定神经网络的输入层输入为 网络的学习过程由正向和反向传播两部分组成。如果输出层不能得到期望输出， 那么转入反向传播过程，通过修改各层神经元的权值，使得输出误差信号最小。 输出层节点分别对应三个可调参数 (3) O K 1 p (3) O2 K I (3) O3 K D