基于神经网络PID的液动调节阀控制研究.pdf

《基于神经网络PID的液动调节阀控制研究.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、基于神经网络PlD的液动调节阀控制研究口周培口顾寄南江苏大学制造业信息化研究中心江苏镇江212013摘要：液动调节阀的快速精确定位在工业生产中十分重要。将传统PID算法与BP神经网络算法相结合，设计出具有自适应能力的智能PID控制系统，并应用在阀门控制器中。仿真结果表明，基于BP神经网络的PID控制算法，控制效果明显，优于普通PID控制系统。关键词：液动调节阀阀门控制器神经网络PlD中图分类号：TH137．5；TP183文献标识码：A文章编号：1000—4998f2015)06-0037-02液动调节阀在石油、化工和船舶等行业

2、中的地位从而达到性能指标的最优化．使输出层神经元的输出十分重要，它能够对温度、流量、压力等被控变量进行状态对应于PID控制器的三个参数、i、kd，通过神经控制。而阀门控制器作为其重要附件之一．可以改善阀网络的自学习和加权系数调整。使神经网络输出对应门特性，提高控制精度和速度，增加控制的灵活性。传于某种最优控制规律下的PID控制参数。统阀门定位器采用常规PID控制。控制算法简单。容易实现。但由于液压系统所处环境极其复杂．有许多不确定因素。难以建立精确的数学模型。因此传统PID已经难以满足控制要求。为了提高液压控制系统的稳定性，克

3、服传统PID的缺点，本文引入BP神经网络，设计出具有自适应能力的智能PID控制系统。1液动调节阀控制原理液动调节阀控制原理如图1所示。被控对象是液经典增量式数字PID的控制算法为：动调节阀。将输入控制信号r(4～20mA电流信号)与U()=(k-1)+。[e()-e(一1)]+后

4、e()通过传感器测到的角度反馈值Y进行比较，当偏差为+d[e()一2e(后一1)+e(k-2)](1)e时，通过D信号转换。输出信号来调节阀的转式中：k。、ki、kd分别表示比例、积分、微分系数。动，最终准确达到阀芯所需要的位置。2_2BP神经网络结

5、构本文采用三层BP神经网络，其结构如图3所示。2基于BP神经网络整定的PlD控制2．1BP神经网络PID控制系统结构基于BP网络的PID控制系统结构如图2所示。控制器由两部分构成：经典的PID控制器和BP神经网络学习算法。前者直接对被控对象进行闭环控制，后者是根据系统的运行状态，调整PID控制器的参数，网络输入层的输入为：收稿日期：2014年12月‘=xq)j=l，2⋯．，(2)机械制造53卷第610期2015／6回式中：U)为给定网络输入；为输入层节点数，根据被控对象的复杂程度，选取M值为4。网络隐含层的输入为：M㈤()=∑

6、W㈩(3)』=0隐含层的输出为：。()=j~netl(2)()]i=1，⋯，Q(4)式中：W(为隐含层的加权系数，上角标(1)、(2)分别代表输入层、隐含层。隐含层神经元的活化函数取正负对称的sigmoid函数：八)=(5)网络输出层的输入为：0netz㈣()=∑W“㈣o㈤()(6)i=0输出层的输出为：D()=g[nett‘()]／=1，2，3(7)(s)=而1而丽(10)式中：。为输出层加权系数，上角标(3)代表输出层。输出层的3个输出分别对应PID控制器的3个参通过MATLAB／Simulink对常规PID仿真．结果如数

7、，即：图4所示。针对神经网络PID，本文选用3层网络，网01‘。()=络结构为4-5-3，学习速率为0．28，惯性系数为0．04，O2‘()=i加权系数区间为[一0．5-0．5]之间的随机数，编写神经D3‘()=d网络程序后，输入阶跃响应信号，其阶跃响应曲线如图因为PID控制器的3个参数均不能取负数，所以5所示，参数自适应曲线如图6所示。输出层神经元活化函数为非负的sigmoid函数，即：由图4和图5对比可知．常规PID出现了较大的g()ex(8)波动。而且趋向稳定的时间较长。BP神经网络PID儿乎没有超调量，而且很快达到稳定

8、状态。取性能指标函数为：4结束语E()=}[(

9、lc)一y。后)](9)本文针对液动调节阀的液压伺服控制系统分别设3系统仿真计了常规PID控制器和BP神经网络的PID控制器，通过MATLAB仿真表明，BP神经网络控制器的控制液动调节阀采用闭环液压伺服控制，根据已知参效果比普通PID的控制效果更优．而且具有超调量小、数及液压系统的特点，推导出闭环传递函数为：鲁棒性强等特点。参考文献[1]薄永军．温室温度控制系统神经网络PID控制算法研究[J]．安徽农业科学，2014，42(13)：4102～4104．[2]丁曙光，吴卫平，桂贵生

10、．基于神经网络PID的液压位置例服控制的研究[J]．组合机床与自动化加工技术，2009(3)：49-51．[3]刘金琨．先进PID控制及其MATLAB仿真[M]．北京：电子工业出版社，20o3．[4]刘曙光．液压伺服系统神经网络PID控制[D]．南京：南京理工大学，2004．