基于bp神经网络自整定pid控制仿真.pdfVIP

实验二 基于 BP 神经网络自整定 PID 控制仿真 一、实验目的 熟悉神经网络的特征、结构以及学习算法，通过实验掌握神经网络自整 PID 的工作 原理。了解神经网络的结构对控制效果的影响，掌握用 MATLAB 实现神经网络控制系统仿真 的方法。 二、实验原理 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 BP 网络的 PID 控制器结构 网络学习过程由正向和反向传播两部分组成。在正向传播过程中，每一层神经单元的状 态只影响下一层神经网络。如果输出层不能得到期望输出，也就是实际输出与期望输出有误 差，那么转入反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权 值，逐次向输入层传播，去进行计算，再经过正向传播过程，这样经过两个过程的反复作用， 使得误差信号最小。实际上，当误差达到人们所希望的要求时，网络的学习过程就结束了。 图 2 BP 网络结构 三、实验内容 （1） 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    0.1k  式中，系数 a(k)是慢时变的，a k  1.2 1 0.8e 。 (2)   (3)   （2） 如图 2 确 BP 网络的结构，选 4-5-3 ，各层加权系数的初值 wj i 0 , wil 0 ， 取区间 [-0.5, 0.5] 上的随机数，选定学习速率η=0.25 和惯性系数α=0.05 (3) 在 MATLAB 下依据整定原理编写仿真程序并调试。 (4) 给定输入为阶跃信号，运行程序，记录实验数据和控制曲线。 (5) 修改神经网络参数如学习速率，隐含层神经元个数等，重复步骤 (4), (6)分析数据和控制曲线。 四、具体操作 在 MATLAB 工具条最左边打开一个新的工作空间，把控制程序 copy 进去，运行，就可得 出仿真结果。然后按实验要求完成实验。 新建工作空间 程序 S=1 的运行结果如下 S=2 是运行结果