基于BP神经网络整定的PID控制研究与仿真

基于BP神经网络整定的PID控制研究与仿真曹梦龙，刘川来（青岛科技大学信息与控制工程学院，山东青岛266042）摘要：PID控制要取得较好的控制效果，就必须通过调整好比例、积分和微分三种控制作用，形成控制量中既相互配合又相互制约的关系，这种关系往往是非线性的，而神经网络具有任意非线性的表达能力，可以通过对系统性能的学习来实现具有参数最佳组合的PID控制。BP(Backpropagation)神经网络是一种前向神经元网络,将其隐含层单元分别作为比例(Ｐ)、积分(Ｉ)、微分(Ｄ)单元,可以建立参数自学习的PID控制器。仿真结果表明基于BP神经网络整定的PID控制器具有较好的自学习和自适应性。关键词：PID控制;BP神经网络;计算机仿真中图分类号:ＴＰ18文献标识码ＡTheStudyandSimulationofPIDControlBasedonBPNeuralNetworkCaoMeng-long，LiuChuan-Lai(CollegeofInformationandControlEngineering,QingdaoUniversityofScienceandTechnology,Qingdao266042,China)Abstract:ThebesteffectofPIDcontrolbasedonthebestadjustmentoftheproportion,integralanddifferentialparameter.BPneuralnetworkhasthecapabilityofexpressionnonlinearityandalsohastheselfstudyandadaptivefunction,andthus,itcanrealizethebestparametercombinationofPIDcontrol.Thecomputersimulationshowsitsadvantageinselfstudyandadaptability.KeyWords:PIDControl;BPNeuralNetwork;ComputerSimulation引言ＰＩＤ控制器具有结构简单,各参数物理意义明确,对模型依赖程度小和工程上易于实现等优点,使得常规ＰＩＤ控制器,即使在新控制理论不断涌现的今天,仍是工业过程控制中最常用的方法,占据着重要的地位。但是,ＰＩＤ控制器主要的局限性在于它对被控制对象的依赖性。由于对控制器品质的要求越来越高,控制对象也越来越复杂(可能是大滞后、时变、非线性复杂系统),单纯采用常规的ＰＩＤ控制器,很难满足系统要求。近年来,随着神经网络理论的发展,将应用最广泛的ＰＩＤ控制器与具有自学习功能的神经网络相结合,已成为智能控制研究的一个新方向。其主要的结合方式有两类：一类是单神经元控制,即神经元输入权值一一对应ＰＩＤ参数,神经元输入值为经过比例、积分、微分处理的偏差值,其主要局限性在于单神经元结构无任意函数逼近能力。另一类是在常规ＰＩＤ控制器的基础上增加一个神经网络模块,利用神经网络来在线调节ＰＩＤ参数,其缺点是结构较复杂。BP网络相对来说结构简单，但能够实现神经网络和ＰＩＤ控制规律的本质结合。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kkkdip,,为在线调整方式。BP神经网络根据系统的运行状态，不断调节PID控制器的三个参数，以期达到某种性能指标的最优化，使输出神经元的输出状态对应于PID控制器的三个可调参数kkkdip,,并通过神经网络的自学习、加权系数自调整使神经网络的输出对应于某种最优规律下的PID控制器参数。1、BP神经网络的参数调整算法BP神经网络结构图如图1所示图1BP网络结构Fig.1frameofBPneuralnetwork网络隐含层的输入、输出为ownetljMjijik)(022)())(()()2()2(kfknetoii（i=1,…Q）式中，wij2为隐含层的加权系数，上角标（1）、（2）、（3）分别代表输入层、隐含层、和输出层。隐含层的活化函数取正负对称的sigmoid函数eeeexxxxxxf)tanh()(网络输出层的输入、输出为(3,2,1l)输出层的输出节点分别对应三个可调参数kkkdip,,，由于kkkdip,,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eeexxxxxg))tanh(1(21)(取性能指标为2))()((21)(kkkEyroutin按照梯度下降法修正网络的权系数，即按照)(kE对加权系数的负梯度方向搜索调整，附加使搜索快速收敛到全局极少的惯性项。kokokonetoownetdiplliQililkkkkgkkk)()()())(()()()()3(3)3(2)3(13)3()2(0)3()3()1()()()3()3(3kkEk式中，为学习速率，为惯性系数。)()()()()()()()()()()()3()3()3()3()3()3(kkkkkkukukykykEkEwnetnetoowlillllli)()()3()3(kkwnetlil=)()2(koi由于)()(kuky未知，所以近似用符号函数))()(sgn(kuky取代。由此带来的计算不精确影响可以通过调整学习速率来补偿。易求得)1()()()()3(1kekekkuo)()()()3(2kekkuo)2()1(2)()()()3(3kekekekkuo由以上分析可得网络输出层权值的学习算法为))((')()())()(sgn()()()1()(3)3()3()2(3()3()3(kgkkukukykekkknetoowwlliillili）(3,2,1l)同理可得隐含层的加权系数的学习算法为)()1()()1(2()2()2(kkkowwjiijli）)())((')3(31)3()2()2(kkfwnetlillii(Qi,...2,1)式中，2/))(1()(')),(1)(()('2xffxgxgg2基于BP网络的PID控制器的控制算法基于BP网络的PID控制结构图如图2所示图2基于BP网络的PID控制结构图Fig.2FrameofPIDcontrolbasedonBPNN控制器的控制算法归纳如下：（1）确定BP网络的结构，即确定输入层节点数M和隐含层节点数Q,并给出各层加权系数的初值)0()0(21wwliij和，选定学习速率1k，此处和惯性系数。（2）采样得到)()(kkyroutin和，计算该时刻的误差。（3）计算神经网络的各层神经元的输入、输出，神经网络的输出层输出即为PID控制器三个可调参数kkkdip,,。（4）计算控制器的输出uK。（5）进行网络学习，在线调整加权系数，实现PID控制参数的自适应调整。（6）置1kk，返回（1）.3、仿真研究设被控对象的近似数学模型为)1()1(5.11)(2)(8.0)1(kukykukyky，神经网络的结构选4-5-3，学习速率,04.028.0和惯性系数加权系数的初值取区间[-0.5,0.5]上的随机数，输入信号取rin为方波信号，在MATLAB环境下进行仿真，得到阶跃响应曲线和参数自适应整定曲线，较之常规的PID控制系统，输出yout较好地跟踪了给定信号rin。BP网络整定的阶跃响应曲线见图3，参数自适应整定曲线见图4。图3BP网络整定的阶跃响应曲线Fig.3ThecurveofsteprespondadjustedbyBPNN图3参数自适应整定曲线Fig.3Thecurveofadaptiveadjustparameter结语：BP神经网络结构简单，能够以一定的精度逼近任意连续函数，将BP神经网络应用于PID控制器的设计，能在线调整PID的三个参数，形成kkkdip,,参数自学习的PID控制器。在MATLAB环境下仿真结果表明：BP神经网络整定的PID控制器控制效果较普通的PID控制器要好得多。参考文献：[1]沈瑛，张翠芳，基于BP神经网络的模型参考自适应，西南交通大学学报，2001，10，vol.36，no.5.[2]楚彦君、巨林仓、刘军辉，PID神经网络控制器的设计与仿真研究，工业仪表与自动化装置，2001，2[3]谭永红，基于BP神经网络的自适应控制，控制理论与应用，1994，2，vol.11,no.1[4]侯北平,卢佩,基于MATLAB的BP神经网络建模及系统仿真,控制系统[5]闻新.ＭＡＴＬＡＢ模糊逻辑工具箱的分析与应用[Ｍ].北京:科学出版社,2001.4[6]施阳.ＭＡＴＬＡＢ语言精要及动态仿真工具[Ｍ].西安:西北工业大学出版社,1997.6[7]楼顺添.基于ＭＡＴＬＡＢ的系统分析与设计—控制系统[Ｍ].西安:西安电子科技大学出版社,1998.9[8]孙增新，智能控制理论与技术，[M].北京，清华大学出版社,2002,2[9]闻新,MATLAB神经网络应用设计，[M].北京，科学出版社,2002,9