基于神经网络的PID参数自整定与实时控制

《基于神经网络的PID参数自整定与实时控制》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第30卷第10期　　　华　中　科　技　大　学　学　报(自然科学版)Vol.30No.102002年　10月　　J.HuazhongUniv.ofSci.&Tech.(NatureScienceEdition)Oct.2002基于神经网络的PID参数自整定与实时控制龚　菲　王永骥(华中科技大学控制科学与工程系)摘要:将Bang2Bang控制与神经网络自适应控制相结合,利用神经元的学习功能构成了一种自适应PID控制器.控制器在Bang2Bang控制阶段进行系统辨识,利用系统参数整定PID控制参数,作为神经网

2、络权系数的初值,其结构简单,工作稳定、鲁棒性强.实时控制结果表明,这类神经网络自适应控制器可有效地用于一类电加热炉系统的温度控制,使得系统具有快速响应性和良好的抗干扰性.关　键　词:Bang2Bang控制;系统辨识;PID参数自整定;神经网络自适应控制器;电加热炉系统中图分类号:TP183　　文献标识码:A　　文章编号:167124512(2002)1020069203　　在工业控制中,传统的PID控制至今仍处于参数优化组合值(PID参数基本值).当偏差较小主导地位.其缺点主要是PID参数一般由人工整定

3、,且一次性整定得到的PID参数很难保证其控制效果始终处于最佳状态.本文针对典型的可等效为“一阶惯性加纯滞后”系统的工业过程,提出将Bang2Bang控制与神经网络自适应PID控制相图1　控制原理图结合,推导出系统模型在线辨识的算法,以及PID时,采用神经网络自适应PID算法,它根据对象的参数自整定公式.在控制的初期阶段,采用Bang2动态响应过程,通过改变神经网络权系数的大小Bang控制[1]作为引导控制,根据在该阶段得到的实现对被控对象的有效控制.当t

4、辨识.在该阶段结束时,利用辨R-y=e识出的模型参数整定出PID控制参数,作为神经当t≥tc时,神经网络自适应控制,网络权系数初值,并动作控制开关,投入神经网络式中,R为对象的设定输入;y为对象的实际输自适应PID控制,实现对被控对象的有效控制.出;e为控制偏差;t为时间;tc为由Bang2Bang控制到神经网络自适应PID控制的切换时间,且1　控制方案设计y(tc)=0.95R.1.2　控制对象模型的在线辨识[1]1.1　控制原理对象在Bang2Bang控制下,输出为:“一阶惯性加纯滞后”系统的传递函

5、数的形式0(0≤t≤τ);y(t)=-τs-(t-τ)/T为G(s)=Ke/(Tps+1),式中,τ为等效纯滞KUmax(1-ep)(τ

6、y(t)=0且0≤t≤t.c大时,对象由Bang2Bang控制,依据对象的输出响　　若

7、设yi=y(τ+ti),tB=tc-τ,则根据式应,可在线获取对象“一阶惯性加纯滞后”模型的(1)设特性参量,进而自整定出采用常规PID调节时的收稿日期:2002203225.作者简介:龚　菲(19772),女,硕士研究生;武汉,华中科技大学控制科学与工程系(430074).基金项目:国家自然科学基金资助项目(69974017);国家自然科学基金两个基地国际合作项目(6010720098);广西自然科学基金资助项目(0135065);高等学校骨干教师资助计划项目.©1995-2004TsinghuaTo

8、ngfangOpticalDiscCo.,Ltd.Allrightsreserved.　　　　　　　　　　　　　　华　中　科　技　大　学　学　报70(自然科学版)　　　　　　　　　　　第30卷τ+tiTi/Tp=0.2226+0.8388(τ/Tp-0.1);Si=∫y(t)dt=UmaxtiK-yiTp0(5)(0≤ti≤tB;i=1,2,⋯,n).Td/Tp=0.0147+0.3317(τ/Tp-0.1),写成矩阵形式为BX=S,式中,(6)TUmaxt1Umaxt2⋯Umaxtn式(4)～(6)也

9、可由图2表示.B=;-y1-y2⋯-ynTTX=[KTp];S=[S1S2　⋯　Sn].矩阵X的最小二乘估计解为T-1TX=(BB)BS.(2)文献[1]提出以积分处理方法求得K和Tp,但不易于用单片机汇编语言实现.为了实现被控对象模型的在线辨识,对式(2)进一步推导.设Q=TTBB,W=BS,将B和S表达式代入式(2)并化图2PID控制器整定参数与被控简,可得过程τ/Tp之间的关系dn-bn-1X=QW=·-bnan2　神经网络自适应PI