当前位置:首页 > 新闻中心 >  行业新闻  > 基于BP神经网络的PID控制器及仿真设计
基于BP神经网络的PID控制器及仿真设计
发布时间:2012.07.14  浏览次数:

1. 引言


      PID(比例-积分-微分)控制器作为最早实用化的控制器已有50多年历史,因其具有算法简单、鲁棒性好、可靠性高、直观性好等优点被广泛的应用于工业过程控制及运动控制中。常规PID控制效果的优劣,不仅仅取决于控制系统模型的精确程度,还必须调整好三个参数的关系,而这种关系不一定是简单的线性组合。实际的工业过程及运动过程往往具有时变性、变参数、变结构等不确定性及很强的非线性,精确的数学模型难以建立,此外,常规PID还有实现在线调整困难,参数间相互影响,参数整定时间长等缺点,难以取得理想的控制效果。
      随着控制理论的发展,将应用广泛的PID控制器与智能控制理论相结合成为智能控制研究的新方向,神经网络算法具有逼近任意非线性表达能力,很强的自学习能力和概括推广能力,在解决高度非线性和不确定系统方面有很大的的潜能,应用神经网络,可以从复杂的PID三个参数组合中寻求最佳的线性组合,使神经网络和 PID本质结合。从而使得控制器具有较好的自适应性,实现参数的自动实时调节,适应过程的变化,提高系统了的鲁棒性和可靠性。


2. BP神经网络


2.1 BP神经网络的构成及设计


      BP神经网络是一种具有三层或三层以上的神经网络,包括输入层、隐含层、输出层,上下层之间实现全连接,而每层神经元之间无连接。当一对学习样本提供给网络后,神经元的激活值从输入层经各中间层向输出层传播,在输出层的各神经元获得网络的输入响应。接下来,按照减少目标输出与实际误差的方向,从输出层经过各中间层逐层修正各连接权值,最后回到输入层,这种算法即BP算法。随着这种误差逆的传播修正不断进行,网络对输入模式响应的正确率也不断上升。

1、BP神经网络PID控制器结构如下图所示: 

 

\

图2 神经网络控制器结构图

      由图可知:控制器由两部分组成,分别为常规PID控制和神经网络,其中,常规PID直接对被控对象进行闭环控制,并且其控制参数Kp、Ki、Kd为在线调整方式;神经网络,根据系统的运行状态,调节PID控制器的参数,以期达到某种性能指标的最优化,使输出层神经元的输出对应于PID控制器的三个可调参数。通过神经网络的自学习、加权系数的调整,使神经网络输出对应于某种最优控制规律下的PID控制器参数。

2、控制算法
      神经网络PID的控制算法[5]如下:
      (1). 确定神经网络的结构,即确定输入节点数和隐含层节点数,并给出各层加权系数的初值和,并选定学习速率 和惯性系数 ,令k =1;
      (2). 采样得到r(k)和y(k),计算当前时刻误差error(k)= r(k)-y(k);
      (3). 计算各神经网络的输入、输出,其输出层的输出即为PID控制器的三个控制参数Kp、Ki、Kd;
      (4). 计算 PID控制器的输出;
      (5). 进行神经网络学习,在线调整加权系数,实现 PID控制参数的自适应调整;
      (6). 令k=k+1,返回第(1)步。

4. 仿真实例

4.1 被控对象
      设被控对象的近似数学模型为:,所选的输入信号为一时变信号:
神经网络的结构选择4-5-3,学习速率为0.55,惯性系数为0.04,加权系数初始值为区间[-0.5,0.5]上的随机数,采样频率为1000Hz。

4.2 仿真结果分析

      由仿真曲线可以看出,神经网络PID稳态误差小,解决了常规PID超调,抖动等问题,控制精度高,实现了对控制信号几乎相同的跟踪,具有较好的快速性和适应性。

5. 结语


      神经网络PID控制器实现了两种算法本质的结合,借助于神经网络的自学习,自组织能力,可实现PID参数的在线调整,控制器自适应性好;该算法不要求被控对象有精确的数学模型,扩大了应用范围,控制效果良好;在合理选择神经网络的结构的情况下,该算法有很强的泛化能力。基于以上优点,神经网络PID控制器具有很好的发展应用前景。