基于BP神经网络的PID控制器设计6.16.doc
- 文档编号:1031200
- 上传时间:2022-10-15
- 格式:DOC
- 页数:45
- 大小:514KB
基于BP神经网络的PID控制器设计6.16.doc
《基于BP神经网络的PID控制器设计6.16.doc》由会员分享,可在线阅读,更多相关《基于BP神经网络的PID控制器设计6.16.doc(45页珍藏版)》请在冰豆网上搜索。
基于BP神经网络的PID控制器设计
中文摘要
经典PID控制算法作为一般工业过程控制方法应用范围相当广泛,原则上讲它并不依赖于被控对象的具体数学模型,但算法参数的整定却是一件很困难的工作,更为重要的是即使参数整定完成,由于参数不具有自适应能力,因环境的变化,PID控制对系统偏差的响应变差,参数需重新整定。
针对上述问题,人们一直采用模糊、神经网络等各种调整PID参数的自适应方法,力图克服这一难题。
一般情况下,一个自适应控制系统能够运行,其相应的参数要适应现场状况的变化,因此就必须根据现场的数据对相应的参数进行在线辨识或估计。
对非时变参数可以通过一段时间的在线辨识确定下来,但对时变参数系统,必须将这个过程不断进行下去,因此要求辨识速度快或参数变化速度相对较慢,极大地限制了自适应技术的应用。
为克服这种限制,本文利用文献[1]的思想,将神经网络的技术应用于参数辨识过程,结合经典的PID控制算法,形成一种基于BP神经网络的自适应PID控制算法。
这一算法的本质是应用神经网络建立系统参数模型,将时变参数系统的参数变化规律转化为神经网络参数模型,反映了参数随状态而变的规律,即当系统变化后,可直接由模型得到系统的时变参数,而无需辨识过程。
在神经网络参数模型的基础上,结合文献[1]已知系统模型下PID控制参数的计算,推导出一种自适应PID控制算法。
通过在计算机上对线性和非线性系统仿真,结果表明了这种自适应PID控制算法的有效性。
关键词自适应PID控制算法,PID控制器,参数模型,神经网络,BP算法
-I-
Abstract
ClassicalPIDcontrolalgorithm,asageneralmethodofindustrialprocesscontrol,applicationscopeisbroad-ranged.Inprinciple,itdoesnotdependonthespecificmathematicalmodelofthecontrolledplant,buttuningalgorithmparametersisaverydifficulttask.Tomoreimportant,eveniftuningtheparameteriscompleted,asparametersdonothaveadaptivecapacity,duetoachangeinenvironment,PIDcontroloftheresponseofthesystemdeviationgetworse,parametersneedtobere-tumed.Inresponsetotheseproblems,peoplehavebeenusingtheadaptivemethodoffuzzy,neuralnetworkstoadjustPIDparameters,tryhardtoovercomethisproblem.Undernormalcircumstances,anadaptivecontrolsystemcanbecapableofrunning,andthecorrespondingparametersshouldadapttotllechangeinstatusofthescene,sothecorrespondingparametersmustbebasedonthedataofthescenetoconductonlineidentificationorestimated.Non-time—varyingparameterscanbeconfirmedforaperiodofon-lineidentification,butthetime-varyingparameterssystemwillbenecessarytocontinuethisongoingprocess,sotherequirementoffastidentificationortherelativeslowpaceofchangeofparameters,greatlylimitstheapplicationofadaptivetechnology.Toovercomethislimitation,thispaperusestheideologyofliterature[1],thetechnologyofneuralnetworkwillbeusedintheprocessofparameteridentification,combiningclassicalPIDcontrolalgorithm,formsanadaptivePlDcontrolalgorithmbasedonBPneuralnetwork.Theessenceofthisalgorithmappliesneuralnetworktobuildthemodelofsystemparameters,changethechangelawoftheparametersoftime-varyingparameterssystemsintotheParametricmodelofneuralnetwork,reflectingthelawthattheparameterschangewiththestate,thatis,whenthesystemchanges,itcangetthetime-varyingparametersofsystemfromthemodeldirectly,withouttheprocessofidentification.Onthebasisofmeparametersmodelofneuralnetwork,combiningthecomputationofPIDcontroIparametersintheknownsystemmodelofliterature[1],derivedanadaptivePIDcontrolalgorithm.Throughthesimulationoflinearandnon-1inearsystemsinthecomputer,theresultindicatesthatthisadaptivePIDcontrolalgorithmiseffective.
KeyWordAdaptivePIDcontrolalgorithm,PIDcontroller,Modelofparameter,Neuralnetwork,BPalgorithm
39
--
目录
中文摘要 I
Abstract II
1绪论 1
1.1课题研究背景及意义 1
1.2神经网络的发展 2
1.3课题研究现状 3
1.4论文组织结构 4
2PID 6
2.1PID简述 6
2.2PID控制原理 6
2.3PID控制方法概述 7
2.4常规PID控制算法的理论基础 9
2.4.1模拟PID控制算法 9
2.4.2数字PID控制算法 10
2.4.3对PID控制算法中积分环节改进 12
2.4.4对PID控制算法中微分环节改进 13
2.4.5常规PID控制的局限 15
2.5本章小结 17
3人工神经网络 18
3.1人工神经网络构成的基本原理 18
3.2人工神经网络的类型 18
3.3神经网络的特点 18
3.4对BP神经网络设计与分析 20
3.5典型的多层前向网络——BP网络的结构及算法 21
3.5.1BP神经网络概述 21
3.5.2BP神经网络的前向计算 22
3.5.3BP神经网络的误差反向传播和加权系数的调整 23
3.6本章小结 25
4仿真程序智能分析 26
4.1仿真过程 26
4.2本章小结 30
结论与展望 30
致谢 31
参考文献 32
A1附录 33
A2附录 36
1绪论
1.1课题研究背景及意义
按比例、积分和微分进行控制的调节器(简称为PID控制器)[2],是最早发展起来的应用经典控制理论的控制策略之一,是工业过程控制中应用最广泛,历史最悠久,生命力最强的控制方式,在目前的工业生产中,90%以上的控制器为PID控制器。
它采用基于对象数学模型的方法,优点是算法简单、鲁棒性好和可靠性高,控制效果良好,因此被广泛应用于工业控制过程,尤其适用于可建立精确数学模型的确定性控制系统。
对于传统PID控制器,在把其投入运行之前,要想得到较理想的控制效果,必须先整定好三个参数:
即比例系数Kp、积分系数Ki、微分系数Kd。
这是因为生产部门中有各种各样的被控对象,它们对控制器的特性会有不同的要求,整定的目的就是设法使控制器的特性能够和被控对象配合好,以便得到最佳控制效果,如果控制器参数整定不好,即使控制器本身很先进,其控制效果也会很差。
随着工业的发展,控制对象的复杂程度也在不断加深,许多大滞后、时变的、非线性的复杂系统,如温度控制系统,被控过程机理复杂,具有高阶非线性、慢时变、纯滞后等特点,常规PID控制显得无能为力;另外,实际生产过程中存在着许多不确定因素,如在噪声、负载振动和其他一些环境条件下,过程参数甚至模型结果都会发生变化,如变结构、变参数、非线性、时变等,不仅难以建立受控对象精确的数学模型,而且PID控制器的控制参数具有固定形式,不易在线调整,难以适应外界环境的变化,这些使得PID控制器在实际应用中不能达到理想的效果,越来越受到限制和挑战。
因此,如何使PID控制器具有在线自整定其参数的功能,是自从使用PID控制以来人们始终关注的重要问题。
并且,随着相关领域技术的不断发展,对控制系统的指标要求也越来越高。
人们一直在寻求PID控制器参数的自适应技术[3],以适应复杂系统的控制要求,神经网络理论的发展使这种设想成为可能。
人工神经网络是由大量简单的基本神经元相互连接而构成的自适应非线性动态系统。
神经网络控制能够充分任意地逼近任何复杂的非线性关系,具有很强的信息综合能力,能够学习和适应严重不确定系统的动态特性,故有很强的鲁棒性和容错性,可以处理那些难以用模型和规则描述的过程,在一些不确定系统的控制中已成功应用。
误差反向传播神经网络(简称BP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具有最佳组合的PID控制。
基于BP神经网络的PID控制器由经典的PID控制器和BP神经网络组成,其基本思想是利用神经网络的自学习功能和非线性函数的表示能力,遵从一定的最优指标,在线调整PID控制器的参数,使之适应被控对象参数以及结构的变化和输入参考信号的变化,并能够抵御外来扰动的影响,达到具有良好的鲁棒性的目标。
虽然BP神经网络的理论依据坚实,推导过程严谨,通用性强,在控制领域对复杂的多变量系统的控制有很大的优势,但是由于其算法是基于最陡梯度下降算法、以误差平方为目标函数的,所以其不可避免地存在着易陷入局部极小、收敛速度慢等缺陷。
并且,神经网络的初始权值的选取直接影响着控制器的性能,采用反复试验初始权值的方法很难得
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 BP 神经网络 PID 控制器 设计 6.16