基于BP神经网络的PID控制器设计616文档格式.docx

基于BP神经网络的PID控制器设计616文档格式.docx

《基于BP神经网络的PID控制器设计616文档格式.docx》由会员分享，可在线阅读，更多相关《基于BP神经网络的PID控制器设计616文档格式.docx（41页珍藏版）》请在冰豆网上搜索。

一般情况下，一个自适应控制系统能够运行，其相应的参数要适应现场状况的变化，因此就必须根据现场的数据对相应的参数进行在线辨识或估计。

对非时变参数可以通过一段时间的在线辨识确定下来，但对时变参数系统，必须将这个过程不断进行下去，因此要求辨识速度快或参数变化速度相对较慢，极大地限制了自适应技术的应用。

为克服这种限制，本文利用文献[1]的思想，将神经网络的技术应用于参数辨识过程，结合经典的PID控制算法，形成一种基于BP神经网络的自适应PID控制算法。

这一算法的本质是应用神经网络建立系统参数模型，将时变参数系统的参数变化规律转化为神经网络参数模型，反映了参数随状态而变的规律，即当系统变化后，可直接由模型得到系统的时变参数，而无需辨识过程。

在神经网络参数模型的基础上，结合文献[1]已知系统模型下PID控制参数的计算，推导出一种自适应PID控制算法。

通过在计算机上对线性和非线性系统仿真，结果表明了这种自适应PID控制算法的有效性。

关键词自适应PID控制算法，PID控制器，参数模型，神经网络，BP算法

Abstract

ClassicalPIDcontrolalgorithm，asageneralmethodofindustrialprocesscontrol，applicationscopeisbroad-ranged．Inprinciple，itdoesnotdependonthespecificmathematicalmodelofthecontrolledplant，buttuningalgorithmparametersisaverydifficulttask．Tomoreimportant，eveniftuningtheparameteriscompleted，asparametersdonothaveadaptivecapacity，duetoachangeinenvironment，PIDcontroloftheresponseofthesystemdeviationgetworse，parametersneedtobere-tumed．Inresponsetotheseproblems,peoplehavebeenusingtheadaptivemethodoffuzzy，neuralnetworkstoadjustPIDparameters，tryhardtoovercomethisproblem．Undernormalcircumstances，anadaptivecontrolsystemcanbecapableofrunning，andthecorrespondingparametersshouldadapttotllechangeinstatusofthescene，sothecorrespondingparametersmustbebasedonthedataofthescenetoconductonlineidentificationorestimated．Non-time—varyingparameterscanbeconfirmedforaperiodofon-lineidentification，butthetime-varyingparameterssystemwillbenecessarytocontinuethisongoingprocess，sotherequirementoffastidentificationortherelativeslowpaceofchangeofparameters，greatlylimitstheapplicationofadaptivetechnology．Toovercomethislimitation，thispaperusestheideologyofliterature[1]，thetechnologyofneuralnetworkwillbeusedintheprocessofparameteridentification,combiningclassicalPIDcontrolalgorithm，formsanadaptivePlDcontrolalgorithmbasedonBPneuralnetwork．Theessenceofthisalgorithmappliesneuralnetworktobuildthemodelofsystemparameters，changethechangelawoftheparametersoftime-varyingparameterssystemsintotheParametricmodelofneuralnetwork，reflectingthelawthattheparameterschangewiththestate，thatis，whenthesystemchanges,itcangetthetime-varyingparametersofsystemfromthemodeldirectly，withouttheprocessofidentification．Onthebasisofmeparametersmodelofneuralnetwork，combiningthecomputationofPIDcontroIparametersintheknownsystemmodelofliterature[1]，derivedanadaptivePIDcontrolalgorithm．Throughthesimulationoflinearandnon-1inearsystemsinthecomputer，theresultindicatesthatthisadaptivePIDcontrolalgorithmiseffective．

KeyWordAdaptivePIDcontrolalgorithm，PIDcontroller，Modelofparameter，Neuralnetwork，BPalgorithm

1绪论

1.1课题研究背景及意义

按比例、积分和微分进行控制的调节器（简称为PID控制器）[2]，是最早发展起来的应用经典控制理论的控制策略之一，是工业过程控制中应用最广泛，历史最悠久，生命力最强的控制方式，在目前的工业生产中，90％以上的控制器为PID控制器。

它采用基于对象数学模型的方法，优点是算法简单、鲁棒性好和可靠性高，控制效果良好，因此被广泛应用于工业控制过程，尤其适用于可建立精确数学模型的确定性控制系统。

对于传统PID控制器，在把其投入运行之前，要想得到较理想的控制效果，必须先整定好三个参数：

即比例系数Kp、积分系数Ki、微分系数Kd。

这是因为生产部门中有各种各样的被控对象，它们对控制器的特性会有不同的要求，整定的目的就是设法使控制器的特性能够和被控对象配合好，以便得到最佳控制效果，如果控制器参数整定不好，即使控制器本身很先进，其控制效果也会很差。

随着工业的发展，控制对象的复杂程度也在不断加深，许多大滞后、时变的、非线性的复杂系统，如温度控制系统，被控过程机理复杂，具有高阶非线性、慢时变、纯滞后等特点，常规PID控制显得无能为力；

另外，实际生产过程中存在着许多不确定因素，如在噪声、负载振动和其他一些环境条件下，过程参数甚至模型结果都会发生变化，如变结构、变参数、非线性、时变等，不仅难以建立受控对象精确的数学模型，而且PID控制器的控制参数具有固定形式，不易在线调整，难以适应外界环境的变化，这些使得PID控制器在实际应用中不能达到理想的效果，越来越受到限制和挑战。

因此，如何使PID控制器具有在线自整定其参数的功能，是自从使用PID控制以来人们始终关注的重要问题。

并且，随着相关领域技术的不断发展，对控制系统的指标要求也越来越高。

人们一直在寻求PID控制器参数的自适应技术[3]，以适应复杂系统的控制要求，神经网络理论的发展使这种设想成为可能。

人工神经网络是由大量简单的基本神经元相互连接而构成的自适应非线性动态系统。

神经网络控制能够充分任意地逼近任何复杂的非线性关系，具有很强的信息综合能力，能够学习和适应严重不确定系统的动态特性，故有很强的鲁棒性和容错性，可以处理那些难以用模型和规则描述的过程，在一些不确定系统的控制中已成功应用。

误差反向传播神经网络（简称BP网络），所具有的任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。

基于BP神经网络的PID控制器由经典的PID控制器和BP神经网络组成，其基本思想是利用神经网络的自学习功能和非线性函数的表示能力，遵从一定的最优指标，在线调整PID控制器的参数，使之适应被控对象参数以及结构的变化和输入参考信号的变化，并能够抵御外来扰动的影响，达到具有良好的鲁棒性的目标。

虽然BP神经网络的理论依据坚实，推导过程严谨，通用性强，在控制领域对复杂的多变量系统的控制有很大的优势，但是由于其算法是基于最陡梯度下降算法、以误差平方为目标函数的，所以其不可避免地存在着易陷入局部极小、收敛速度慢等缺陷。

并且，神经网络的初始权值的选取直接影响着控制器的性能，采用反复试验初始权值的方法很难得到最优参数的控制器。

因此，需要一种算法解决神经网络权值优化的问题。

控制学术界广泛采用的算法是学习算法、遗传算法等等[4]。

学习算法，它的收敛速度很慢，一个简单的问题的求解，其训练次数也要几千代，甚至上万代。

而且它对网络的初始权值、自身的学习速率和动量等参数极为敏感，稍小的变动就会引起网络震荡。

正是这些原因使其训练速度和精度不是很理想。

而用遗传算优化神经网络权值，无论精度和速度上都有了很大的提高。

但是作为一种仿生算法，虽然可以用来解决各类复杂问题，但是难以克服过早收敛的缺点和控制参数过多，尤其在优化神经网络时候，优化过程总是难以控制。

因此，为神经网络的优化寻求更简单更有效的全局优化算法，是优化领域的一个研究热点。

微粒群优化（ParticleSwarmOptimizationPSO）的出现为神经网络权值训练提供了一个新的研究方向。

微粒群算法[6]是由Kennedy和Eberhart等于1995年提出的。

它通过简单的社会模型的模拟，将需寻优的参数组合成群体，用每个微粒表示被优化问题的一个解，通过粒子间的相互作用，使群体中的个体向目标区域移动，从而发现复杂搜索空间的最优区域。

其不采用遗传算法的交叉和变异等算子，各个微粒根据自己的位置和速度来搜索，整个搜索和更新过程是跟随当前最优解来进行的。

因此，算法能够更快的寻找最优解，避免使网络陷入局部极小。

1.2神经网络的发展

早在20世纪初，人们就已经发现人脑的工作方式与现在的计算机是不同的。

人脑是由极大量基本单元（称之为神经元