欢迎光临钟爱文库,如需获取更多资料请使用搜索功能。
钟爱文库
当前位置:首页 » 工程科技 » 信息与通信 » 正文

基于BP神经网络的PID控制器设计6.16

基于 BP 神经网络的 PID 控制器设计中文摘要经典PID控制算法作为一般工业过程控制方法应用范围相当广泛,原则上讲它并不依 赖于被控对象的具体数学模型,但算法参数的整定却是一件很困难的工作,更为重要的是 即使参数整定完成,由于参数不具有自适应能力,因环境的变化,PID控制对系统偏差的 响应变差,参数需重新整定。

针对上述问题,人们一直采用模糊、神经网络等各种调整PID 参数的自适应方法,力图克服这一难题。

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- I-

基于BP神经网络的PID控制器设计6.16

沈阳工程学院毕业设计(论文)AbstractClassical PID control algorithm,as a general method of industrial process control, application scope is broad-ranged. principle, it does not depend on the specific mathematical In model of the controlled plant,but tuning algorithm parameters is a very difficult task.To more important,even if tuning the parameter is completed,as parameters do not have adaptive capacity, to a change in environment, control of the response of the system deviation get due PID worse, parameters need to be re-tumed. response to these problems,people have been using the In adaptive method of fuzzy,neural networks to adjust PID parameters,try hard to overcome this problem.Under normal circumstances,an adaptive control system can be capable of running, and the corresponding parameters should adapt to tlle change in status of the scene,so the corresponding parameters must be based on the data of the scene to conduct online identification or estimated.Non-time—varying parameters can be confirmed for a period of on-line but identification, the time-varying parameters system will be necessary to continue this ongoing process,so the requirement of fast identification or the relative slow pace of change of parameters,greatly limits the application of adaptive technology.To overcome this limitation, this paper uses the ideology of literature[1],the technology of neural network will be used in the process of parameter identification,combining classical PID control algorithm, forms an adaptive PlD control algorithm based on BP neural network.The essence of this algorithm applies neural network to build the model of system parameters,change the change law of the parameters of time-varying parameters systems into the Parametric model of neural network, reflecting the law that the parameters change with the state,that is,when the system changes,it can get the time-varying parameters of system from the model directly,without the process of identification.On the basis of me parameters model of neural network,combining the computation of PID controI parameters in the known system model of literature[1],derived an adaptive PID control algorithm.Through the simulation of linear and non-1inear systems in the computer,the result indicates that this adaptive PID control algorithm is effective. Key Word Adaptive PID control algorithm, PID controller, Model of parameter,Neural network, BP algorithm- II -

基于BP神经网络的PID控制器设计6.16

目录中文摘要 ..........................................................................................................................................I Abstract .......................................................................................................................................... II 1 绪论 ............................................................................................................................................. 1 1.1 课题研究背景及意义 ....................................................................................................... 1 1.2 神经网络的发展 ............................................................................................................... 2 1.3 课题研究现状 ................................................................................................................... 3 1.4 论文组织结构 ................................................................................................................... 4 2 PID ............................................................................................................................................... 6 2.1 PID 简述 ............................................................................................................................ 6 2.2 PID 控制原理 .................................................................................................................... 6 2.3 PID 控制方法概述 ............................................................................................................ 7 2.4 常规 PID 控制算法的理论基础 ....................................................................................... 9 2.4.1 模拟 PID 控制算法 ................................................................................................ 9 2.4.2 数字 PID 控制算法 .............................................................................................. 10 2.4.3 对 PID 控制算法中积分环节改进 ...................................................................... 12 2.4.4 对 PID 控制算法中微分环节改进 ...................................................................... 13 2.4.5 常规 PID 控制的局限 .......................................................................................... 15 2.5 本章小结 ......................................................................................................................... 17 3 人工神经网络 ........................................................................................................................... 18 3.1 人工神经网络构成的基本原理 ..................................................................................... 18 3.2 人工神经网络的类型 ..................................................................................................... 18 3.3 神经网络的特点 ............................................................................................................. 18 3.4 对 BP 神经网络设计与分析 .......................................................................................... 20 3.5 典型的多层前向网络——BP 网络的结构及算法 ....................................................... 21 3.5.1 BP 神经网络概述 .................................................................................................. 21 3.5.2 BP 神经网络的前向计算 ...................................................................................... 22 3.5.3 BP 神经网络的误差反向传播和加权系数的调整 .............................................. 23 3.6 本章小结 ......................................................................................................................... 25 4 仿真程序智能分析 ................................................................................................................... 26 4.1 仿真过程 ......................................................................................................................... 26 4.2 本章小结 ......................................................................................................................... 30 结论与展望 ................................................................................................................................... 30 致谢 ............................................................................................................................................... 31 参考文献 ....................................................................................................................................... 32 A1 附录 ......................................................................................................................................... 33 A2 附录 ......................................................................................................................................... 36

基于BP神经网络的PID控制器设计6.16

基于BP神经网络的PID控制器设计6.16

基于 BP 神经网络的 PID 控制器设计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-1-

基于BP神经网络的PID控制器设计6.16

沈阳工程学院毕业设计(论文)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(Particle Swarm Optimization PSO)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)经过复杂的相互连接而成的一种高度复杂的、非线性的、 并行处理的信息处理系统。

人工神经网络,是借鉴人脑的结构和特点,通过大量简单处理 单元(神经元或节点)互连组成的大规模并行分布式信息处理和非线性动力学系统。

它具有 巨量并行性、结构可变性、高度非线性、自学习性和自组织性等特点。

因此,它能解决常 规信息处理方法难以解决或无法解决的问题,尤其是那些属于思维(形象思维)、推理及意 识方面的问题从人脑的生理结构出发来研究人的智能行为,模拟人脑信息处理的过程,即 人工神经网络的研究,自20世纪40年代以来,它的发展经历了一条由兴起、萧条和兴盛三 个阶段构成的曲折道路。

早在1943年精神病学家和神经解剖学家McCulloch与数学家Pitts 在数学生物物理学会刊((Bulletin of Mathematical Biophysics))上发表文章,总结了生物神经 元的一些基本生理特征,提出了形式神经元的数学描述与结构,即MP模型。

他们的神经元 模型假定遵循一种所谓“有或无”规则。

如果如此简单的神经元数目足够多和适当设置突触 连接并且同步操作,McCulloch和Pitts证明这样构成的网络原则上可以计算任何可计算函 数。

这是一个有重大意义的结果,有了它就标志着神经网络和人工智能学科的诞生。

1958 年,计算机科学家Rosenblatt提出感知机(Perceptron),首次把神经网络理论付诸工程实现。

这是一种学习和自组织的心理学模型,它基本上符合神经生物学的知识,模型的学习环境 是有噪声的,网络构造中存在随机连接,这是符合动物学习的自然环境。

当时,人们对神 经网络的研究过于乐观,认为只要将这种神经元互连成一个网络,就可以解决人脑思维的 模型问题。

但是,随之而来的Minsky和Papert(1969)所著的《Percepen》一书,利用数学证 明单层感知器所能计算的根本局限,提出感知器的处理能力有限,甚至连XOR这样的问题 也不能解决,并在多层感知器的总结章中,论述了单层感知器的所有局限性在多层感知器 中是不可能被全部克服的。

使人们降低了对神经网络研究的热情,从而使神经网络进入萧 条时期[7]。

但在其间,一些人工神经网络的先驱仍然致力于这一研究,美国波士顿大学的 Crrossberg提出了自适应共谐振理论(ART网),芬兰的Kohonen提出了自组织映射(SOM), Amari致力于神经网络数学理论的研究,这些都为神经网络的进一步研究与发展奠定了基-2-

基于BP神经网络的PID控制器设计6.16