基于神经PID的网络化控制系统的设计.pdf

《基于神经PID的网络化控制系统的设计.pdf》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、基金项目学术探讨l一——f基于神经PID的网络化控制系统的设计车高峰(三亚学院理工分院，海南三亚572022)[摘要]随着控制理论和通信技术的发展，网络化控制系统受到越来越多的关注。时滞采用传统的PID控制已不能获得满意的控制效果，并且网路引入控制系统，使得系统存在时延、数据包的丢失等问题。这些问题严重影响系统的性能。为了改善系统的控制性能，提出了基于单神经元的PID网络化控制系统模型。系统控制器结合了神经网络、PlD、Smith预估控制器的优点，并且具有较好的动态性能，与常规的PID控制器相比，过渡过程小，超调量小，输出平稳，并且对

2、信号和时延的变化具有较好的学习能力和自适应能力。[关键词]网络化控制系统；单神经元PID控制器；sth预估控制；网络诱导时延合表示为{bop“，Loop一，Loop)，控制回路Loop。主1．引言要为周期性控制任务。在网络化控制系统(Ne~orkedControlSystems，NCSs)中，当传感器、执行器和控制器等多个节点通过共享网络传送数据时，由于网络带宽有限且网络中的数据流量变化不规则，不可避免地造成网络诱导时延、数据包丢失等问题⋯。其中，网络诱导时延，尤其是时延大于系统的采样周期会造成系统控制质量降低、性能恶化、甚至会导致系

3、统的不稳定。许多有效的方法，例如随机控制方法_2]，模型参考预控制方法[3]，时滞相关方法等，是针对网络诱导时延提出的，并取得很好的效果。Lian等【5J讨论了令牌传递协议，这种协议消除了网络节点对共享网络资源的竞争，所以不存在数据的拥塞和碰图1网络化控制系统模型撞，然而却增加了数据的传输时延。Halefi等【6】研究了时钟2．2单神经元PID控制驱动的控制器，且系统通过增广状态向量来表示。状态向2．2．1单神经元PD控制算法量不仅包括控制器和被控对象当前的状态，同时还包括被离散的PID算法表达式：控对象输入和输出的过去值。这使得系统

4、分析变得复杂，rk计算数据量增加，也增加了时延。u(k)=Kp}Le(k)+．}I∑e(j)+孚(e(k)-e(k一1))11J=01随着神经网络在复杂系统辨识和自适应控制中得到越式中，T为采样周期，k为采样序号。来越多的应用，出现了许多基于神经网络的智能PID控制方法。单神经元作为构成神经网络的基本单元，具有自学习和自适应能力，而且结构简单，易于计算。而传统的PID控制器也具有结构简单、调整方便和参数整定与工程指标联系密切等特点。将两者结合起来，则可以在一定程度上解决传统PID控制器不易动态实时整定参数、难以对一些xc：控制器输入向

5、量复杂过程和参数慢时变系统进行有效控制的不足。we：权向量2．单神经元PID控制器设计图2单神经元PID模型2．1NCSs模型如图2所示，单神经元的输入向量为：NCSs的网络诱导时延主要包括控制回路中网络节点XCl：e(k)的计算时间和数据传输时间。网络诱导时延是NCSs所特XC2=(e(k)一e(k-1))／T有的，在这里讨论的是网络诱导时延大于系统采样周期。(2)k设一个NCSs是由n个控制回路构成的，则控制回路的集XC，=∑e(i)Ti=1作者简介：车高峰，男，山东烟台人，硕士，助教，研究方向：网络化控制系统，人工智能。基金项目

6、：三亚学院校级科研项目，项目编号：XYQN12—10。一33—单神经元PID控制器的输出为：制器中，使得控制器能够获得较好的控制效果，从而消除3时延对系统的不利影响。u(k)=∑WC。(k)xc(k)(3)I=l3．基于TRUETIME实验仿真单神经元PID控制器的学习算法采用delta学习规设被控对象传递函数为：则。12．2．2径向基函数网络辨识G(s)丽(7)径向基函数(RadialBasisFunction，RBF)网络是一种网络诱导时延，T为采样周期；控制回路参考输入rin局部逼近网络，它能够以任意精度逼近任何连续函数。为方波

7、；神经元权向量初始参数wc=[80，5，501。通过RBF神经网络的辨识来得到被控对象的RBF辨识网络中心矢量初始参数为：aUC=[一3．1829—0．52117．175411．663l一3．6992—Jacobian信息。10．9150：．3．89092．39995．17308．5871～11．3737—7．0179：一4．20182．67425．18288．5238～1．8936—6．1845]RBF辨识网络权向量初始参数为：w=【一0．5646；0．3937--0．5556；0．3981；0．4495；0．2565]RBF辨识网

8、络基宽向量初始参数为：b=【5．3074；1．4771；26．4114；22．1716：52．9082；5．6906】y：被控对象输出实验中对一般PID控制和神经PID控制分别进行了Ym：神经网络辨识输出仿真，仿真结果如