基于BP神经网络整定的PID控制资料下载.pdf

基于BP神经网络整定的PID控制资料下载.pdf

《基于BP神经网络整定的PID控制资料下载.pdf》由会员分享，可在线阅读，更多相关《基于BP神经网络整定的PID控制资料下载.pdf（2页珍藏版）》请在冰豆网上搜索。

图1三层BP神经网络结构网络输入层的输入为：

O

（1）jx（j）（j1，2，M）

（1）式中，输入变量的个数M取决于被控系统的复杂程度。

网络隐含层的输入、输出为：

net

（2）i（k）Mj0w

（2）ijO

（1）jO

（2）i（k）f（net

（2）i（k）（i1，2，Q）

（2）式中，w

（2）ij为隐含层加权系数；

上角标

（1）、

（2）、（3）分别代表输入层、隐含层和输出层。

隐层神经元的活化函数取正负对称的Sigmoid函数：

f（x）tanh（x）exexexex（3）网络输出层的输入输出为：

net（3）l（k）Qi0w（3）liO

（2）i（k）O（3）l（k）g（net3l（k）O（3）1（k）kpO（3）2（k）kiO（3）3（k）kd（4）输出层输出节点分别对应三个可调参数Kp，Ki，Kd。

由于Kp，Ki，Kd不能为负值，所以输出层神经元的活化函数取非负的Sigmoid函数：

g（x）12（1tanh（x）exexex（5）取性能指标函数为：

E（k）12（rin（k）yout（k）2（6）按照梯度下降法修正网络的权系数，即按E（k）对加权系数的负梯度方向搜索调整，并附加一个使搜索快速收敛全局极小的惯性项：

w（3）li（k）鄣E（k）鄣w（3）liw（3）li（k1）（7）式中，为学习速率；

为惯性系数。

经典增量式数字PID的控制算法为：

u（k）u（k1）u（k）u（k）kp（error（k）error（k1）kierror（k）kd（error（k）2error（k1）error（k2）（8）由（4）式和（8）式求得：

鄣u（k）鄣O（3）1（k）error（k）error（k1）鄣u（k）鄣O（3）2（k）error（k）鄣u（k）鄣O（3）3（k）error（k）2error（k1）error（k2）（9）上述分析可得网络输出层权的学习算法为：

w（3）li（k）w（3）li（k1）（3）lO

（2）i（k）（3）ierror（k）sgn（鄣y（k）鄣u（k）鄣u（k）鄣O（3）l（k）g（net（3）l（k）（l1，2，3）（10）隐含层加权系数的学习算法：

w

（2）ij（k）w

（2）ij（k1）

（2）iO

（1）j（k）

（2）if（net

（2）i（k）3l1（3）li（k）（i1，2，Q）（11）式中，g（）g（x）（1g（x），f（）（1f2（x）2。

2基于BP网络的PID控制器该控制器控制算法归纳如下：

1）确定BP网络的结构，即确定输入层节点数M和隐含层基于BP神经网络整定的PID控制王敬志任开春胡斌（重庆通信学院，重庆400035）摘要针对经典PID控制参数不能在线调整的缺陷，研究了一种基于BP神经网络的PID控制算法，利用BP神经网络具有的任意非线性表达能力，通过对系统性能的学习，实现具有最佳组合的PID控制。

关键词：

BP神经网络，PID控制AbstractAccordingtothedefectsthattheparametersofclassicalPIDcontrolcannotbeadjustedonline,aPIDcontrolbasedonBPneuralnetworkispresentedinthispaperThebestcombinationofPIDcontrolisrealizedbythearbitrarilynonlinearexpressingabilityofBPneuralnetworkandthestudyofsystempropertyKeywords:

BPneuralnetwork,PIDcontrol基于BP神经网络整定的PID控制72工业控制计算机2011年第24卷第3期（上接第93页）后与单片机的P1口相连，组成测量电路。

4软件系统设计系统利用89S52单片机片内丰富的资源来实现软件系统设计。

程序采用模块化的设计方法，分为系统初始化模块、数据采集模块、数据处理模块等。

主程序流程图如图2。

数据采集完成时，主程序调用数据处理模块计算速度，计算公式为：

n60fm14pfm2km1m2。

5结束语本文提出了一种数字式速度传感器设计方案，该方案结构简单，安装方便，有较高的精度，适于速度数据的测量和采集。

参考文献1何佳宁，刘强高精度圆感应同步角度测量系统J电子测试，2008（10）2王伯雄测试技术基础M北京：

清华大学出版社，20033费伟中，沈建新，周勇增量式光电编码器计数与接口电路的设计J微特电机，2007，35

（1）：

1718收稿日期：

2010113节点数Q，并给出各层加权系数的初值w

（1）ij（0）和w

（2）li（0），选定学习速率和惯性系数，此时k1；

2）采样得到rin（k）和yout（k），计算该时刻误差error（k）rin（k）yout（k）；

3）计算神经网络NN各层神经元的输入、输出，NN输出层的输出即为PID控制器的三个可调参数Kp，Ki，Kd；

4）根据（8）式计算PID控制器的输出u（k）；

5）进行神经网络学习，在线调整加权系数w

（1）ij（k）和w

（2）li（k），实现PID控制参数的自适应调整；

6、置kk1，返回到1。

3仿真实验设被控对象为非线性离散系统，其近似数学模型为：

yout（k）a（k）yout（k1）1yout2（k1）u（k1）式中，系数a（k）是慢时变的，a（k）12（108e01k）。

神经网络的结构选择453，学习速率028和惯性系数004，加权系数初始值取区间05，05上的随机数。

输入信号为rin（k）10。

图3阶跃跟踪曲线比较仿真图像中，

（1）为基于BP神经网络的PID控制，

（2）为经典PID控制。

仿真结果表明，本文算法在不增加算法复杂性的前提下提高了收敛速度，无需建立被控对象精确的数学模型，对控制参数实现在线整定，能够很好地近似非线性对象。

4结束语将改进的BP算法应用于PID控制中，实现PID控制参数的在线调整和优化，具有较强的适应性和鲁棒性，且该算法与改进前的PID控制相比较，效果更加明显。

参考文献1耿小庆，和金生，于宝庆几种改进BP算法及其在应用中的比较分析J计算机工程与应用，2007，43（33）：

2432452海金，叶世伟神经网络原理M北京：

机械工业出版社，2004：

122683孙小权，钱少明基于BP神经网络的料筒温度PID控制器J机电工程，2008，25（5）：

18204YoshihiroOhnishi,TalikKGravelAnewtypeneuralnetworkPIDcontrolfornonlinearplantscontrolIEEETransonNeuralNetworks,2003;

11（4）:

4955065夏玮，李朝辉MATLAB控制系统仿真与实例详解M北京：

人民邮电出版社，2008收稿日期：

20101019图4误差曲线比较图5控制器的输入曲线比较图2基于BP网络的PID控制器结构!

73