智能控制神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID控制器

1、用I泊大型控制器的設(shè)計學(xué)生姓名學(xué)生學(xué)號專業(yè)班級學(xué)院名稱2016年6月25日基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID控制器的設(shè)計摘要神經(jīng)網(wǎng)絡(luò)由于其固有的自學(xué)習(xí)、自適應(yīng)、自組織和大規(guī)模并行處理能力，已經(jīng)在控制及其優(yōu)化領(lǐng)域取得了廣泛的應(yīng)用。利用神經(jīng)網(wǎng)絡(luò)來可以處理控制系統(tǒng)的非線性、不確定性和逼近系統(tǒng)的辨識函數(shù)等問題并取得了大量研究成果。PID控制是最經(jīng)典的控制算法，其簡單、穩(wěn)定、高效的性能使其在工業(yè)控制領(lǐng)域具有絕對的統(tǒng)治地位。但是面對現(xiàn)代控制系統(tǒng)規(guī)模大，復(fù)雜度高的情況，單純使用傳統(tǒng)的PID控制已經(jīng)無法滿足要求。本文結(jié)合神經(jīng)網(wǎng)絡(luò)與PID兩者的優(yōu)勢，提出了一種基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID控制器的設(shè)計的方法。實驗證明該方法

2、具有一定的實際應(yīng)用價值。近年來，智能控制在工業(yè)領(lǐng)域的應(yīng)用受到了廣泛的關(guān)注，硬件性能的不斷提高與硬件成本的不斷降低起到了至關(guān)重要的作用。目前在工業(yè)中單純使用傳統(tǒng)的控制方法具有一定的局限性，在面對復(fù)雜系統(tǒng)與大規(guī)?？刂频那闆r下不能保證在任何時刻都提供準確無誤的控制信號，將傳統(tǒng)的PID控制方法結(jié)合智能控制中的神經(jīng)網(wǎng)絡(luò)控制可以克服信息的不完備性和不確定性，更加準確地控制被控對象，從而做出正確的判斷和決策。1 .神經(jīng)網(wǎng)絡(luò)控制神經(jīng)網(wǎng)絡(luò)用于控制系統(tǒng)設(shè)計主要是針對系統(tǒng)的非線性、不確定性和復(fù)雜性進行的。資料顯示，國內(nèi)外將神經(jīng)網(wǎng)絡(luò)用于控制系統(tǒng)設(shè)計的方式和結(jié)構(gòu)還未有一種統(tǒng)一的分類方法。目前,對神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)比較公認

3、地研究方向可以分為監(jiān)督控制、神經(jīng)自適應(yīng)控制、預(yù)測控制和逆控制，這時根據(jù)控制系統(tǒng)的結(jié)構(gòu)劃分的。本文利用到的就是神經(jīng)自適應(yīng)控制。本文結(jié)合神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制與PID控制，提出了一種有效的控制器設(shè)計方法，并在在MATLAB中進行控制系統(tǒng)仿真。2 .控制器原理根據(jù)當(dāng)前產(chǎn)生誤差的輸入和輸出數(shù)據(jù)，以及誤差的變化趨勢作為神經(jīng)網(wǎng)絡(luò)的輸入條件，神經(jīng)網(wǎng)絡(luò)將卞據(jù)當(dāng)前PID控制器的誤差情況以及過去所有進行的PID控制歷史數(shù)據(jù)，共同作為樣本數(shù)據(jù)，重新進行神經(jīng)網(wǎng)絡(luò)的參數(shù)的訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)內(nèi)部傳遞函數(shù)的新的表達式，之后PID參數(shù)調(diào)整將依據(jù)新的神經(jīng)網(wǎng)絡(luò)進行自動的控制和調(diào)整，從而以實現(xiàn)PID控制器具備自適應(yīng)調(diào)節(jié)的能力。圖2-1

4、單神經(jīng)元自適應(yīng)為此設(shè)計了 PID控制器實現(xiàn)原理圖，如圖 完成正常PID功能之外設(shè)計了基于神經(jīng)網(wǎng)絡(luò)的PID控制實現(xiàn)原理圖2-1所示。從圖2中可以看出PID控制器在PID參數(shù)調(diào)整模塊。模塊依照前期生成的神經(jīng)網(wǎng)絡(luò)對PID的控制參數(shù)進行自動化的調(diào)整，而在設(shè)計的神經(jīng)網(wǎng)絡(luò)也不是固定不變的，神經(jīng)網(wǎng)絡(luò)的一端將連接該PID過去一段時間內(nèi)的歷史累計控制數(shù)據(jù)，而且該歷史數(shù)據(jù)還將隨著PID控制器在新環(huán)境下的實際應(yīng)用不斷添加新的輸入和輸出的數(shù)據(jù)，從而確保歷史數(shù)據(jù)所保存的數(shù)據(jù)關(guān)系都是PID最近一段時間內(nèi)的輸入輸出關(guān)系數(shù)據(jù)，此后，神經(jīng)網(wǎng)絡(luò)每進行下一的PID參數(shù)調(diào)整之前都將啟用這一階段內(nèi)的所有歷史數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)的各個控制系數(shù)

5、進行重新訓(xùn)練，生成最符合當(dāng)前歷史數(shù)據(jù)規(guī)律的神經(jīng)網(wǎng)絡(luò)傳遞系數(shù)。由于設(shè)計的HD控制器其參數(shù)調(diào)整依賴的是神經(jīng)網(wǎng)絡(luò)，因此可確保對PID參數(shù)調(diào)整的準確性。而神經(jīng)網(wǎng)絡(luò)又是依賴于最近一段時間PID累計的歷史數(shù)據(jù)進行控制，因此確保了設(shè)計的PID控制器具有自適應(yīng)參數(shù)調(diào)節(jié)的能力。3 .控制器設(shè)計采用單神經(jīng)元自適應(yīng)PID控制。由具有自適應(yīng)和自學(xué)習(xí)能力的神經(jīng)元結(jié)構(gòu)構(gòu)成單神經(jīng)元自適應(yīng)智能PID控制器，結(jié)構(gòu)簡單，并且可以使用環(huán)境變化，具有較強的魯棒性。單神經(jīng)單元自適應(yīng)PID控制結(jié)構(gòu)圖如圖2-1所示。圖3-1單神經(jīng)元自適應(yīng)PID控制結(jié)構(gòu)圖圖3-1所示轉(zhuǎn)換器的輸入反映被控過程及控制設(shè)定狀態(tài)。設(shè)rin為設(shè)定值，yout為輸出值

6、，經(jīng)過轉(zhuǎn)換器后轉(zhuǎn)換為神經(jīng)元的輸入量，X1、x2、X3等分別為x1(k)=e(k);x2(k)=e(k);x3(k)=e(k)-2e(k-1)e(k-2);z(k)=y.(k)-y(k)=e(k);設(shè)ui(k)(i=1,2,3)為對應(yīng)于xi(k)輸入的加權(quán)系數(shù)，K為神經(jīng)元的比例系數(shù)，K0。單神經(jīng)元的自適應(yīng)PID控制算法為3u(k)=K二：uix(k)i1在神經(jīng)元學(xué)習(xí)過程中，權(quán)系數(shù)ui(k)正比于遞進信號ri(k),ri(k)隨過程進行緩慢衰減。權(quán)系數(shù)學(xué)習(xí)規(guī)則如下：Ui(k+1)=(1b)u(k)+“(k)(8-5)n(k)=z(k)v(k)Xi(k)(8-6)式中，b為常數(shù)，b0;九為學(xué)習(xí)速率，

7、兒0;z(k)為輸出誤差信號，是教師信號。z(k)=y.(k)y(k)(8-7)將式(8-6)帶入(8-7)后，有Au(k)=-bUi(k)-z(k)v(k)Xi(k)(8-8)b式子中：Lui(k)=5(k1)-ui(k)如果存在一個函數(shù)fiui(k),z(k),v(k),xi(k),則有f一=u(k)iz(k),v(k),xi(k)二uib則(8-8)可寫為.、ffiui(k)=_(8-9)二u(k)式(8-9)表明，ui(k)加權(quán)系數(shù)的修整按函數(shù)fi(，)對應(yīng)于ui(k)的負梯度方向進行搜索。應(yīng)用隨機逼近理論可以證明，當(dāng)c充分小時，使用上述算法，ui(k)可收斂到某一穩(wěn)定值，且其與期望值

8、的偏差在允許范圍內(nèi)。為了保證上述單神經(jīng)元自適應(yīng)PID控制學(xué)習(xí)算法的收斂性與魯棒性，可對學(xué)習(xí)算法進行如下規(guī)范化處理：3v(k)=v(k-1)Hui(k)x(k);i=1Ui (k)=Ui(k)3工Ui(k)i1Ui(k1)=Ui(k)iz(k)v(k)xi(k);U2(k1)=U2(k),pz(k)v(k)x2(k);U3(k1)-U3(k)Dz(k)v(k)x3(k);式中，%、%、加為積分、比例、微分的學(xué)習(xí)速率。2x1(k)=e(k);x2(k)=.e(k);x3(k)=.2(k)=e(k)-2e(k-1)e(k-2)單神經(jīng)元自適應(yīng)PID算法的運行效果與可調(diào)參數(shù)K、%、%、相的選取有關(guān)。4仿

9、真與測試為了能夠?qū)υO(shè)計的自適應(yīng)HD控制器的性能進行評估，通過Matlab仿真工具建立了PID控制器模擬仿真條件，并實現(xiàn)對神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程以及神經(jīng)網(wǎng)絡(luò)的控制的參數(shù)調(diào)整控制過程進行了模擬仿真，仿真過程中重點測試PID控制器對階躍信號的響應(yīng)能力，以及PID控制器自適應(yīng)的調(diào)整能力，測試結(jié)果如下所示：實驗1,當(dāng)參數(shù)設(shè)定為K=1.0,AP=200,%=0.35，九D=0.40時，系統(tǒng)階躍響應(yīng)如圖4-1所示，系統(tǒng)階躍誤差變化如圖4-2所示。圖4-1系統(tǒng)階躍響應(yīng)圖4-2系統(tǒng)階躍誤差變化實驗2,當(dāng)參數(shù)設(shè)定為K=1.0,九p=200,%=0.8，九d=0.40時，系統(tǒng)階躍響應(yīng)如圖4-3所示,系統(tǒng)階躍誤差變化如圖4

10、-4所示。圖4-3系統(tǒng)階躍響應(yīng)圖4-4系統(tǒng)階躍誤差變化可調(diào)參數(shù)K,%,3，兒d密切的影響著單神經(jīng)元PID學(xué)習(xí)算法的運行效果，在通過大量的實驗進行仿真分析后發(fā)現(xiàn)K是系統(tǒng)最敏感的參數(shù)。K值的變化，相當(dāng)于P、I、D這三項系數(shù)同時變化，實驗時候應(yīng)該謹慎選擇K的參數(shù)，若K過大，則會出現(xiàn)較大超調(diào)，且會出現(xiàn)多次正弦衰減現(xiàn)象，這時就應(yīng)首先減小K的值。對階躍輸入，若超調(diào)在允許范圍內(nèi)然而被控對象出現(xiàn)多次正弦衰減現(xiàn)象，則應(yīng)該減小P的值，其他參數(shù)不變。實驗3,當(dāng)參數(shù)設(shè)定為K=3.0,KP=200,兀=0.8,兒D=0.40時，系統(tǒng)階躍響應(yīng)如圖4-5所示，系統(tǒng)階躍誤差變化如圖4-6所示。5OD 10003000 掰M

11、3MD 35 DO W 口的 4.5OO 501n時間Mm5HD 140 30QD 方加 3M0 15Hl WM 450C0outRes=0;elseclearall;closeall;ts=1;sys=tf(10,37156.3,810.2,1);dsys=c2d(sys,ts,z);num,den=tfdata(dsys,v);x=0,0,0；xiteP=400;%PxiteI=0.8;%IxiteD=0.4;%Dwkp_1=0.10;wki_1=0.10;wkd_1=0.10;error_1=0;error_2=0;y_1=0;y_2=0;y_3=0;u_1=0;u_2=0;u_3=0;

12、ts=1;fork=1:1:5000time(k尸k*ts;rin(k)=1;yout(k尸-den(2)*y_1-den(3)*y_2+num(2)*u_1+num(3)*u_2;error(k)=rin(k)-yout(k);wkp(k尸wkp_1+xiteP*u_1;wki(k尸wki_1+xiteI*u_1;wkd(k尸wkd_1+xiteD*u_1;K=1;%K是系統(tǒng)最敏感的參數(shù)x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2;wadd(k尸abs(wkp(k)+abs(wki(k)+abs(wkd(k);w11(k尸wkp(k)/wadd(k);w22(k尸wki(k)/wadd(k);w33(k尸wkd(k)/wadd(k);w=w11(k),w22(k),w33(k);u(k尸u_1+K*w*x;ifu(k)Ku(k)=K;endifu(k)-Ku(k)=-K;enderror_2=error_1;error_1=error(k);u_3=u_2;u_2=u_1;u_1=u(k);y_3=y_2;y_2=y_1;y_1=yout(k);wkp_1=wkp(k)；wkd_1=wkd(k);wki