基于某BP神经网络地自适应PID控制器设计.docx
《基于某BP神经网络地自适应PID控制器设计.docx》由会员分享，可在线阅读，更多相关《基于某BP神经网络地自适应PID控制器设计.docx（11页珍藏版）》请在冰豆网上搜索。
基于某BP神经网络地自适应PID控制器设计
基于BP神经网络的自适应PID控制器设计
一．基于BP神经网络的自适应PID控制器的原理
PID控制是最早发展起来的、应用领域至今仍然广泛的控制策略之一，它是基于对象数学模型的方法，尤其适用于可建立精确数学模型的确定性控制系统。
其优点是算法简单、鲁棒性好和可靠性高。
但是，由于实际工业生产过程往往具有非线性，许多非线性系统难以确定精确的数学模型，常规的PID控制器就不能达到理想的控制效果，由于受到参数整定方法烦杂的困扰，参数往往整定不良、性能欠佳。
神经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网络的自适应PID控制器，通过BP神经网络调整自身权系数，对PID控制参数进行调节，以达到某种性能指标的最优。
二．基于BP神经网络的自适应PID控制器的控制器结构
i
基于BP神经网络的PID控制系统结构图如图1所示：
此控制器由两部分组成：
（1）经典的PID控制器，直接对被控对象进行闭环控制，并且三个参数
，
，
为在线调整方式；
（2）神经网路，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，是输出层神经元的输出状态对应于PID控制器的一个可调参数
，
，
。
通过神经网络的自学习、加权系数调整，使神经网络输出对应于某种最优控制率下的PID控制器参数。
基于BP神经网络的自适应PID控制器的控制器如图2所示：
该控制器的算法如下：
（1）确定BP神经网络的结构，即确定输入节点数M和隐含层节点数Q，并给各层加权系数的初值
和
，选定学习速率
和惯性系数
，此时k=1；
（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
，
，
；
（4）根据经典增量数字PID的控制算法（见下式）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
和
实现PID控制参数的自适应调整；
（6）置k=k+1，返回到
（1）。
三．仿真程序
%BPbasedPIDControl
clearall;
closeall;
xite=0.25;
alfa=0.05;
S=1;%Signaltype
IN=4;H=5;Out=3;%NNStructure
ifS==1%StepSignal
wi=[-0.6394-0.2696-0.3756-0.7023;
-0.8603-0.2013-0.5024-0.2596;
-1.07490.5543-1.6820-0.5437;
-0.3625-0.0724-0.6463-0.2859;
0.14250.0279-0.5406-0.7660];
%wi=0.50*rands（H,IN）;
wi_1=wi;wi_2=wi;wi_3=wi;
wo=[0.75760.26160.5820-0.1416-0.1325;
-0.11460.29490.83520.22050.4508;
0.72010.45660.76720.49620.3632];
%wo=0.50*rands（Out,H）;
wo_1=wo;wo_2=wo;wo_3=wo;
end
ifS==2%SineSignal
wi=[-0.28460.2193-0.5097-1.0668;
-0.7484-0.1210-0.47080.0988;
-0.71760.8297-1.60000.2049;
-0.08580.1925-0.63460.0347;
0.43580.2369-0.4564-0.1324];
%wi=0.50*rands（H,IN）;
wi_1=wi;wi_2=wi;wi_3=wi;
wo=[1.04380.54780.86820.14460.1537;
0.17160.58111.12140.50670.7370;
1.00630.74281.05340.78240.6494];
%wo=0.50*rands（Out,H）;
wo_1=wo;wo_2=wo;wo_3=wo;
end
x=[0,0,0];
u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;
y_1=0;y_2=0;y_3=0;
Oh=zeros（H,1）;%OutputfromNNmiddlelayer
I=Oh;%InputtoNNmiddlelayer
error_2=0;
error_1=0;
ts=0.001;
fork=1:
1:
6000
time（k）=k*ts;
ifS==1
rin（k）=1.0;
elseifS==2
rin（k）=sin（1*2*pi*k*ts）;
end
%Unlinearmodel
a（k）=1.2*（1-0.8*exp（-0.1*k））;
yout（k）=a（k）*y_1/（1+y_1^2）+u_1;
error（k）=rin（k）-yout（k）;
xi=[rin（k）,yout（k）,error（k）,1];
x
（1）=error（k）-error_1;
x
（2）=error（k）;
x（3）=error（k）-2*error_1+error_2;
epid=[x
（1）;x
（2）;x（3）];
I=xi*wi';
forj=1:
1:
H
Oh（j）=（exp（I（j））-exp（-I（j）））/（exp（I（j））+exp（-I（j）））;%MiddleLayer
end
K=wo*Oh;%OutputLayer
forl=1:
1:
Out
K（l）=exp（K（l））/（exp（K（l））+exp（-K（l）））;%Gettingkp,ki,kd
end
kp（k）=K
（1）;ki（k）=K
（2）;kd（k）=K（3）;
Kpid=[kp（k）,ki（k）,kd（k）];
du（k）=Kpid*epid;
u（k）=u_1+du（k）;
ifu（k）>=10%Restrictingtheoutputofcontroller
u（k）=10;
end
ifu（k）<=-10
u（k）=-10;
end
dyu（k）=sign（（yout（k）-y_1）/（u（k）-u_1+0.0000001））;
%Outputlayer
forj=1:
1:
Out
dK（j）=2/（exp（K（j））+exp（-K（j）））^2;
end
forl=1:
1:
Out
delta3（l）=error（k）*dyu（k）*epid（l）*dK（l）;
end
forl=1:
1:
Out
fori=1:
1:
H
d_wo=xite*delta3（l）*Oh（i）+alfa*（wo_1-wo_2）;
end
end
wo=wo_1+d_wo+alfa*（wo_1-wo_2）;
%Hiddenlayer
fori=1:
1:
H
dO（i）=4/（exp（I（i））+exp（-I（i）））^2;
end
segma=delta3*wo;
fori=1:
1:
H
delta2（i）=dO（i）*segma（i）;
end
d_wi=xite*delta2'*xi;
wi=wi_1+d_wi+alfa*（wi_1-wi_2）;
%ParametersUpdate
u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u（k）;
y_2=y_1;y_1=yout（k）;
wo_3=wo_2;
wo_2=wo_1;
wo_1=wo;
wi_3=wi_2;
wi_2=wi_1;
wi_1=wi;
error_2=error_1;
error_1=error（k）;
end
figure
（1）;
plot（time,rin,'r',time,yout,'b'）;
xlabel（'time（s）'）;ylabel（'rin,yout'）;
figure
（2）;
plot（time,error,'r'）;
xlabel（'time（s）'）;ylabel（'error'）;
figure（3）;
plot（time,u,'r'）;
xlabel（'time（s）'）;ylabel（'u'）;
figure（4）;
subplot（311）;
plot（time,kp,'r'）;
xlabel（'time（s）'）;ylabel（'kp'）;
subplot（312）;
plot（time,ki,'g'）;
xlabel（'time（s）'）;ylabel（'ki'）;
subplot（313）;
plot（time,kd,'b'）;
xlabel（'time（s）'）;ylabel（'kd'）;
四．运行结果
升级会员 