基于BP神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)設(shè)計(jì).doc

《基于BP神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)設(shè)計(jì).doc》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、基于BP神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)設(shè)計(jì)摘要本文主要研究一個(gè)基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID控制系統(tǒng)的設(shè)計(jì)方法，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)被控對(duì)象進(jìn)行在線辨識(shí)和控制?；贐P神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法設(shè)計(jì)出兩個(gè)神經(jīng)網(wǎng)絡(luò)模型：一個(gè)利用神經(jīng)網(wǎng)絡(luò)（NNM）對(duì)非線性映射的逼近能力，對(duì)被控對(duì)象進(jìn)行辨識(shí)，另一個(gè)構(gòu)成具有PID結(jié)構(gòu)的控制器（NNC）。通過(guò)神經(jīng)網(wǎng)絡(luò)NNM的在線學(xué)習(xí)和修正，產(chǎn)生對(duì)被控對(duì)象輸出的預(yù)測(cè)作用，然后由網(wǎng)絡(luò)NNC實(shí)施控制作用，從而實(shí)現(xiàn)對(duì)辨識(shí)對(duì)象的PID控制。在利用神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)進(jìn)行辨識(shí)時(shí)，選用白噪聲信號(hào)作為系統(tǒng)的輸入信號(hào)，以提高系統(tǒng)的辨識(shí)精度；另外，為了得到神經(jīng)網(wǎng)

2、絡(luò)控制器的初始化權(quán)值，本文在自整定過(guò)程中采用常規(guī)PID控制器整定方法之一的穩(wěn)定邊界法。在設(shè)計(jì)過(guò)程中運(yùn)用MATLAB語(yǔ)言工具箱進(jìn)行編程，并通過(guò)SIMULINK動(dòng)態(tài)仿真工具對(duì)一階非線性對(duì)象進(jìn)行了仿真。仿真結(jié)果表明了利用神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)進(jìn)行辨識(shí)的有效性，并用經(jīng)辨識(shí)所得到的輸出值取代系統(tǒng)的實(shí)際輸出值，利用神經(jīng)網(wǎng)絡(luò)NNC對(duì)系統(tǒng)進(jìn)行控制，獲得了滿意的控制效果。關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)，BP學(xué)習(xí)算法，自適應(yīng)，參數(shù)優(yōu)化，辨識(shí)1綜述PID調(diào)節(jié)器從問(wèn)世至今已歷經(jīng)了半個(gè)多世紀(jì)，在這幾十年中，人們?yōu)樗陌l(fā)展和推廣做出了巨大的努力，使之成為工業(yè)過(guò)程控制中主要的和可靠的技術(shù)工具

3、。近幾十年來(lái)，現(xiàn)代控制理論迅速發(fā)展，出現(xiàn)了許多先進(jìn)的控制算法，但到目前為止，即使在微處理技術(shù)迅速發(fā)展的今天，過(guò)程控制中大部分控制規(guī)律都未能離開(kāi)PID，這充分說(shuō)明PID控制仍具有很強(qiáng)的生命力。過(guò)程工業(yè)控制中實(shí)際應(yīng)用最多的仍是常規(guī)的PID控制算法，這是因?yàn)镻ID控制具有結(jié)構(gòu)簡(jiǎn)單、容易實(shí)現(xiàn)、控制效果好和魯棒性強(qiáng)等特點(diǎn)，且PID算法原理簡(jiǎn)明，參數(shù)物理意義明確，理論分析體系完整，為廣大控制工程師所熟悉。但在生產(chǎn)現(xiàn)場(chǎng)往往由于參數(shù)整定不好而使PID控制器控制效果欠佳，整定的好壞不但會(huì)影響到控制質(zhì)量，而且還會(huì)影響到控制器的性能。PID控制中一個(gè)至關(guān)重要的問(wèn)

4、題，就是控制器三參數(shù)(比例系數(shù)、積分時(shí)間、微分時(shí)間)的整定。在工業(yè)控制中，傳統(tǒng)的PID控制至今仍處于主導(dǎo)地位，尤其適用于能建立數(shù)學(xué)模型的確定性控制系統(tǒng)，然而大量的工業(yè)過(guò)程往往具有非線性、時(shí)變不確定性等因素，難以建立其精確的數(shù)學(xué)模型，而且，在實(shí)際生產(chǎn)現(xiàn)場(chǎng)，由于條件常常受到限制，比如缺乏有關(guān)儀器、不允許附加擾動(dòng)和調(diào)試時(shí)間短等，因此，PID參數(shù)的整定往往難以達(dá)到最優(yōu)狀態(tài)。并且即使針對(duì)某一工作點(diǎn)獲得了PID控制的最優(yōu)參數(shù)，由于工業(yè)過(guò)程對(duì)象一般具有時(shí)變性，仍存在整個(gè)工作范圍和保持長(zhǎng)期工作最優(yōu)的問(wèn)題。PID控制是工業(yè)控制中最常用的方法，但用其對(duì)具有復(fù)雜

5、非線性特性的對(duì)象或過(guò)程進(jìn)行控制難以達(dá)到滿意的效果。針對(duì)上述問(wèn)題，已提出過(guò)多種自適應(yīng)PID控制方法，但由于自適應(yīng)控制是在被控對(duì)象為線性對(duì)象的前提下進(jìn)行研究的，面對(duì)工業(yè)過(guò)程的非線性對(duì)象，仍存在不盡人意之處。由于神經(jīng)網(wǎng)絡(luò)可在一定條件下逼近非線性，人們自然地將神經(jīng)網(wǎng)絡(luò)的方法與PID控制的結(jié)構(gòu)相結(jié)合，產(chǎn)生了基于神經(jīng)網(wǎng)絡(luò)的PID控制方法。人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork—ANN)是近十幾年來(lái)迅速地發(fā)展起來(lái)的一門(mén)新興交叉學(xué)科[1]。所謂“人工神經(jīng)網(wǎng)絡(luò)”實(shí)際上是以一種簡(jiǎn)單計(jì)算—處理單元（即神經(jīng)元）為節(jié)點(diǎn)，采用某種網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)構(gòu)成

6、的活性網(wǎng)絡(luò)，可以用來(lái)描述幾乎任意的非線性系統(tǒng)；不僅如此，ANN還具有學(xué)習(xí)能力、記憶能力、計(jì)算能力以及各種智能處理能力，在不同程度和層次上模仿人腦神經(jīng)系統(tǒng)的信息處理、存儲(chǔ)和檢索的功能。神經(jīng)網(wǎng)絡(luò)具有許多優(yōu)異的性能，它的可塑性、自適應(yīng)性和自組織性使它具有很強(qiáng)的學(xué)習(xí)能力；它的并行處理機(jī)制使它求解問(wèn)題的時(shí)間很短，具有滿足實(shí)時(shí)性要求的潛力；它的分布存儲(chǔ)方式使它的魯棒性和容錯(cuò)性都相當(dāng)好。不同領(lǐng)域的科學(xué)家，對(duì)ANN有著不同的理解、不同的研究?jī)?nèi)容，并且采用不同的研究方法。對(duì)于控制領(lǐng)域的研究工作者來(lái)說(shuō)，ANN的魅力在于：1、能夠充分逼近任意復(fù)雜的非線性關(guān)系，從

7、而形成非線性動(dòng)力學(xué)系統(tǒng)，以表示某些被控對(duì)象的模型或控制器模型；2、能夠?qū)W習(xí)和適應(yīng)不確定性系統(tǒng)的動(dòng)態(tài)特性；3、所有定量或定性的信息都分布存儲(chǔ)于網(wǎng)絡(luò)內(nèi)的各神經(jīng)單元，從而具有很強(qiáng)的容錯(cuò)性和魯棒性；4、采用信息的分布式并行處理,可以進(jìn)行快速大量計(jì)算。神經(jīng)網(wǎng)絡(luò)能夠充分逼近任意復(fù)雜的非線性關(guān)系，具有高度的自適應(yīng)和自組織性，能夠?qū)W習(xí)和適應(yīng)嚴(yán)重不確定性系統(tǒng)的動(dòng)態(tài)特性，在解決高度非線性和嚴(yán)重不確定系統(tǒng)的控制方面具有巨大的潛力。正因?yàn)槿绱?，近年?lái)在控制理論的所有分支幾乎都能看到ANN的引入及應(yīng)用，對(duì)于傳統(tǒng)的PID控制當(dāng)然也不例外，以各種方式應(yīng)用于PID控制的新

8、算法大量涌現(xiàn)，其中有一些取得了明顯的效果。系統(tǒng)建模與辨識(shí)是進(jìn)行控制系統(tǒng)設(shè)計(jì)的基本前提[2]，傳統(tǒng)的系統(tǒng)建模方法是在理論分析的基礎(chǔ)上，建立對(duì)象的機(jī)理模型，而對(duì)復(fù)雜系統(tǒng)，要得到這樣的