基于神经网络的PID控制.doc

《基于神经网络的PID控制.doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于神经网络的PID控制课程名称：智能控制任课教师：学生姓名：学号：年月日摘要：本文基于BP神经网络的PID控制方法设计控制器，通过BP神经网络与PID的控制相结合的神经网络控制基本原理和设计来自适应的功能调节PID的的三个参数，并根据被控对象的近似数学模型来输出输入与输出并分析BP神经网络学习速率η，隐层节点数的选择原则及PID参数对控制效果的影响。计算机的仿真结果表示，基于BP神经网络的PID控制较常规的PID控制具有更好的自适应性，能取得良好的的控制结果。关键字：BP算法神经网络PID控制A

2、bstract：Inthispaper,basedonBPneuralnetworkPIDcontrolmethoddesignedcontroller,throughtheBPneuralnetworkPIDcontrolwithacombinationofneuralnetworkcontrolbasicprinciplesanddesignfeaturesadaptivelyadjustingthePIDofthethreeparameters,andbasedonthecontrolled

3、objectapproximatemathematicalmodeltoanalyzetheoutputandtheinputandoutputBPneuralnetworklearningrateη,hiddenlayernodesandPIDparameterselectionprincipleeffectofthecontrol.ComputersimulationresultsindicatedthatbasedonBPneuralnetworkPIDcontrolcomparedwith

4、conventionalPIDcontrolhasbetteradaptability,canachievegoodcontrolresults.Keyword:BPalgorithmsneuralnetworksPIDcontrol1引言PID控制是最早发展起来的应用经典控制理论的控制策略之一，由于算法简单，鲁棒性好和可靠性高，被广泛应用于工业过程并取得了良好的控制效果。随着工业的发展，对象的复杂程度不断加深，尤其对于大滞后、时变的、非线性的复杂系统，常规PID控制显得无能为力。因此常规PID控

5、制的应用受到很大的限制和挑战。神经网络在控制系统中的应用提高了整个系统的信息系统处理能力和适应能力，提高了系统的智能水平。此外，神经网络具有逼近任意连续有界非线性函数的能力，对于非线性系统和不确定性系统，无疑是一种解决问题的有效途径。本文将常规PID控制与神经网络控制相结合，发挥各自的优势，形成所谓的智能PID控制。采用BP神经网络方法设计的控制系统具有更快的速度（实时性）、更强的适应性和更好的鲁棒性。2基于BP神经网络的PID控制PID控制要取得较好的控制结果，必须通过调整好比例、积分和微分三种

6、控制作用，形成控制量中既要相互配合又相互制约的关系。神经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最佳组合的PID控制。采用BP网络，可以建立参数Kp、Ki、Kd自学习的PID控制器。基于BP神经网络的PID控制系统结构由常规的PID控制器和神经网络两个部分构成。2.1常规的PID控制器PID控制器由比例（P）、积分（I）、微分（D）3个部分组成，直接对被控对象进行闭环控制，并且三个参数Kp、Ki、Kd为在线调整方式。2.2神经网络根据系统的运行状态，调节PID控制器的参数，以

7、期达到某种性能指标的最优化，使输出层神经元的输出状态对应于PID控制器的三个可调参数Kp、Ki、Kd通过神经网络的自学习、加权系数调整，使神经网络输出对应于某种最优控制规律下的PID控制器的参数。2.3基于BP算法的三层前向网络的PID控制方案本文用来控制对象的神经网络模型采用3层BP网络，其结构如图2.3所示图2.3.1控制对象的神经网络模型经典增量式数字PID的控制算法为式中，kp,ki,kd分别为比例、积分、微分系数。网络输入层的输入为Oj(1)=x(j)j=1,2,...M（1）式中，输入

8、变量的个数M取决于被控系统的复杂程度。网络隐含层的输入、输出为neti(2)(k)=wij(2)Oj(1),（2）Oi(2)(k)=f(neti(2)(k))(i=1,...Q)，（3）式中，wij(2)-隐含层加权系数；上角标（1）、（2）、（3）分别代表输入层、隐含层和输出层。隐层神经元的活化函数取正负对称的Sigmoid函数f(x)=tanh(x)=（4）neti(3)(k)=wij(3)Oi(2)(k),（5）Ol(3)(k)=g(netl3(k))(l=1,2,3)（6）