基于RBF的单神经元自适应PID控制在单螺杆挤出机中的应用

合集下载

基于RBF神经网络在线辨识的永磁同步电机单神经元PID矢量控制

ｃｎｒｌｉｅａａｔｅｓｇｅｒＩｄｓｒａｄＲＦｎｕａｎｔｏｋｃｍｂｎｎ．Ｓｍｌｔｎｒ。ｏｔｔｔｄｐｖｉｌｎｕｏＰＤａｊｔｎＢｅｒｅｒｏｉｉｇｉｕａｉｏｗｈｈｉｎｅｎｕｏｌｗｏｅ
维普资讯
第２卷第２２期
２００７年６月
电力科学与技术学报
ＪＯＵＲＮＡＬＯＦＥＣＴＲＩＰＯＷＥＲＣＩＥＩＣＳ２１２
Ｎｏ２．
Ｊ．２０ｕｎ０７
摘要：提出一种基于ＲＦＢ神经网络在线辨识的永磁同步电机单神经元ＰＤ矢量控制新方法，Ｉ该方法针对传统的
Ｐ调节器固定参数所造成的不足，１利用具有自适应能力的单神经元ＰＤ调节器和ＲＦ神经网络相结合，ＩＢ实现了参数在线辨识，转速在线控制．仿真结果表明该方法控制精度高，动态特性好，适合于永磁同步电机的速度控制．
关
键
词：永磁同步电机；矢量控制；单神经元；ＩＰＤ调节器；Ｂ神经网络；ＲＦ在线辨识
中图分类号：Ｍ３５Ｔ２３Ｔ１；Ｐ７
文献标识码：Ａ
文章编号：６３９４（０７０－４－１７－１２０）２０８５０００
ＡｏｅｅｈｄｏｉｇｅｎｕｒｎＤｅｔｒｃｎｒｌｆｒｐｅｍａｎａｎｔｎｖｌｍｔｏｆｓｎｌｅｏＰＩｖｃｏｏｔｏｏｒｎｅｔｍｇｅ
ｓｎｃｒｎｕｏｏｓｄｏｙｈｏｏｓｍｔｒｂａｅｎＲＢＦｕａｅｗｏｋｏｌｄｎｉｃｔｏｎｅｒｌｎｔｒｎ－ｉｉｅｔｆａｉｎｎｅｉ

基于RBF神经网络辨识的单神经元PID模型参考自适应控制

基于RBF神经网络辨识的单神经元PID模型参考自适应控制
作者：郑晋平
来源：《电子技术与软件工程》2015年第19期
摘要本论文提出了PID自适应在线识别神经单元基于径向基函数神经网络。

单神经元自适应控制器是由单神经元构成，它有自适应和学习的相关能力，其优点为适应性强、结构简单。

为获得更好的控制效果，我们可以建立RBF对系统在线进行辨识，通过控制器自学习随时对参数进行调整。

【关键词】RBF神经网络单神经元 PID控制在线辨识
1 引言
在当下，常规的PID凭借自身良好的可靠性，稳定的结构性以及便于使用的优点而被广泛使用。

而PID控制的效果是与系统的参数变化有很大关系的，如果参数没有较大的变化，则其控制效果较好，如果其存在较大的干扰，此时单单依靠PID控制是达不到要求的。

所以对应系统不同的结构参数，应该使用不同的控制方式，而参数不变的PID控制的控制结果并不理想。

针对其不足，现在有变结构和自调节等很多与PID相结合在一起的综合的控制方式，同时还有神经网络控制。

随着人工神经网络的不断发展，它的优点在智能控制之中得到了充分的展现，人们十分关注并且对其在各种特定系统的控制做了广泛的实践，进而对于PID和神经网络的共同控制进行了深入的研究探索。

本文就上述情况对应提出单神经元PID自适应控制，通过单神经元形成控制器。

并且这是基于RBF的在线辨识实现的，这种方法的优点在于其有着简单的结构和很强的适应能力，拥有自我的学习能力。

为了达到面对系统的时刻变化采集、传达更多的控制信息，在线辨识是我们做的较好的一步。

经过大量的实验证明，这种办法在动态特性与控制方面更加突出。

PID算法-从单级PID到单神经元自适应PID控制器

PID算法-从单级PID到单神经元⾃适应PID控制器⽬录0.0 写在前⾯的话这是⼀篇我在学习PID控制算法的过程中的学习记录。

在⼀开始学习PID的时候，我也看了市⾯上许多的资料，好的资料固然有，但是更多的是不知所云。

（有的是写的太过深奥，有的则是照搬挪⽤，对原理则⼀问三不知）这⼀直让我对PID摸不着头脑。

所以我打算从0开始去⼀层层学习它，直到⾃⼰掌握它的精髓。

我不认为我有多聪明，所以相当多的部分我都写的很详细，觉得过于冗余的⼩伙伴可以跳着看。

我并不是计算机科学\电控类专业的学⽣，所以对知识的理解可能有不到位的地⽅，还请⼤家指正。

最后，希望这篇长⽂对⼤家有所帮助，这也是我完成它的⽬标之⼀。

1.0 单级PID控制1.1 单级PID的原理理解单级PID也就是只使⽤⼀个PID控制块。

⼀般讲到PID，⼤家都喜欢⽤调节洗澡⽔的⽔温来举例：Kp（⽐例项），即希望调节到的温度与现在的温度差的越⼤，我们拧动加热旋钮的幅度就越⼤，这个差值越⼩，我们拧动加热旋钮的幅度就越⼩；Ki（积分项），即P⽐例调节控制了⼀段时间之后，发现实际值与期望值还是有误差，那就继续拧懂加热旋钮，这是⼀个在时间上不断累积的过程，故为积分项；Kd（微分项），当实际值与期望值的误差的导数，也就是⽔温变化的速度，这⼀项即控制达到期望值，即控制当前⽔温到达⽬标⽔温的速度。

然后将上⾯三项相加，就得到了基本的PID控制：\[Output=K_{P}*e+K_{I}*\int edt+K_{D}\frac{de}{dt} \]即下图谈谈我对于PID控制的⼀些理解：1. ⾸先⾯对⼀个需要PID的控制系统的时候，增⼤P（⽐例控制系数）可以使得系统的反应灵敏，但是相应地会⽆法避免地产⽣稳态误差并且单纯使⽤⽐例控制的系统⽆法消除这种误差；2. 在得到⼀个较为灵敏同时拥有较⼩的稳态误差的系统时，这时引⼊I（积分控制项），积分控制可以有效地消除稳态误差，但是会使得系统达到稳态的时间延长，也是就是出现了震荡；3. 在PI控制完成之后，⼀般来说对于⼀些对时间不是很敏感的系统都已经拥有较好的控制表现了，对于时间要求苛刻的系统就需要引⼊D（微分控制项）来进⼀步缩短系统达到稳态的时间（减少震荡）；4. D项的⼀个很不友好的特性就是对环境噪声极其敏感，引⼊D之后很容易就会使得先前已经稳定的系统突然变混乱起来，所以通常也需要较多的时间类来获取试验D的取值。

基于RBF神经网络在线辨识的永磁无刷直流电机单神经元PID模型参考自适应控制

第 20 卷第 11 期夏长亮等基于 RBF 神经网络在线辨识的永磁无刷直流电机单神经元 PID 模型参考自适应控制 67
图 2 RBF 神经网络在线辨识的单神经元 PID 模型参考自适应控制系统结构图
Fig.2 The structure of single neuron adaptive PID control system based on RBF neural network on-line identification
66
电工技术学报
2005 年 11 月
径向基函数（RBF）人工神经网络作为智能控制的一种途径，具有收敛速度快、全局逼近能力强等优点，在解决非线性和不确定系统的控制方面应用广泛并且性能优良[6～10]。单神经元自适应智能控制器是传统 PID 控制器的改进形式，具有自学习、自适应的能力，结构简单并且能适应环境变化，有较强的鲁棒性，能克服常规控制器在控制非线性系统时随动性差的缺点[11～13]。因此，将 RBF 神经网络与单神经元自适应智能 PID 控制器相结合用于无刷直流电机的控制有着实际的研究意义。
（天津大学电气与自动化工程学院天津 300072）
摘要永磁无刷直流电机控制系统是多变量和非线性的。针对传统 PID 控制方法的不足，提出一种基于径向基函数神经网络在线辨识的单神经元 PID 模型参考自适应控制方法，并用于永磁无刷直流电机的控制中。该方法构造了一个径向基函数神经网络对系统进行在线辨识，建立其在线参考模型，由单神经元控制器完成控制器参数的自学习，并在数字信号处理器中实现控制参数的在线调节。系统较好地实现了给定速度参考模型的自适应跟踪，结构简单，能适应环境变化，具有较强的鲁棒性。
输出。
RBF 神经网络的输出为隐层节点输出的线性组

基于RBF神经网络PID参数的自调节及仿真

科技与创新┃Science and Technology &Innovation·64·2017年第16期文章编号：2095－6835（2017）16－0064－03基于RBF 神经网络PID 参数的自调节及仿真史磊，王蔚（长春工业大学，吉林长春130012）摘要：鉴于传统PID 控制器不能够对参数进行严格整定的问题，提出了RBF 神经网络与传统PID 控制器相结合而进行参数自调节的一种控制算法。

该控制算法能够充分使用RBF 神经网络的自适应、自学习能力来调整系统的控制参数。

在仿真软件MATLAB2010a 上对所提出的控制算法进行了仿真研究，仿真结果表明，所提出的基于RBF 神经网络的PID 参数自校正控制算法是可行的和有效的，与传统PID 控制器相比具有更强的适应性、鲁棒性，能够达到令人满意的控制效果。

仿真结果充分说明了RBF 神经网络自适应PID 控制算法在总体上优于传统的PID 控制算法，为今后对风力发电并网逆变器的研究提供了理论和实验基础。

关键词：MATLAB2010a ；并网逆变器；PID 控制；RBF 神经网络中图分类号：TP273文献标识码：ADOI ：10.15913/ki.kjycx.2017.16.064对于传统的PID 控制器来说，它的特点是结构比较简单，应用性和适应性较其他控制均较广，可是单一的PID 控制在很多地方不能满足控制要求，校正好的控制器在一段时间之后就会出现偏差，满足不了工业控制生产要求，比如在时变对象和非线性系统领域就不能够满足工业生产要求。

此文就在原控制器基础之上提出了将RBF 神经网络和PID 控制技术相结合。

对于非线性系统来说，把两者相结合的控制系统不但能克服PID 控制原有的缺陷，而且自学习能力和适应性都显著增强，解决了PID 参数难以整定的问题，具有良好的控制效果。

1传统PID 控制器PID 控制之所以在以前的工业控制中能够被广泛应用，就是因为它的算法简单、鲁棒性好、可靠性高等优点，是发展最快的控制策略之一[1-3]。

基于RBF神经网络的TCSC自适应PID控制

（１．ＷｕｈａｎＰｏｗｅｒＳｕｐｐｌｙｏｍｐＣａｎｙｏｆＨｕｂｅｉＥｌｅｃｔｒｉｃａｌＰｏｗｅｒｏｒＣｐｏｒａｔｉｏｎ，Ｗｕｈａｎ４３００１３）（２．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｄｖａｎｃｅｄＥｌｅｃｔｒｏｍａｇｎｅｔｉｃＥｎｇｉｎｅｅｒｉｎｇａｎｄＴｅｃｈｎｏｌｏｇｙ（ＨｕａｚｈｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ），Ｗｕｈａｎ４３００７４）
１引言
随着“ 西电东送、南北互供、全国联网” 电力发展战略的实施，远距离、超高压、大容量跨区域的交流输电在我国将会越来越普遍，然而远距离交流输电的容量常常受到稳定
极限的制约｜】］。可控串联电容补偿（Ｔｈｙｒｉｓｔｏｒｃｏｎｔｒｏｌｌｅｄｓｅｒｉｅｓｃａｐａｃｉｔｏｒ，ＴＣＳＣ）技术是一种提高远距离交流输电系
随着国内外学者对ＴＣＳＣ控制策略研究的不断深入，控制理论中的各种最新成果都在ＴＣＳＣ的控制中得到了广
泛的研究ｌｇ。文献［９］采用基于微分几何理论的反馈线性化理论设计了ＴＣＳＣ控制器，文献［１Ｏ］基于非线性最优预测控制理论设计ＴＣＳＣ控制，都取得不错的控制效果，但

基于RBF神经网络整定的PID控制器设计及仿真_毕业设计(论文)

华北电力大学毕业设计(论文)题目基于RBF神经网络整定的PID控制器设计及仿真基于RBF神经网络整定的PID控制器设计及仿真摘要目前，因为PID控制具有简单的控制结构，可通过调节比例积分和微分取得基本满意的控制性能，在实际应用中又较易于整定，所以广泛应用于过程控制和运动控制中，尤其在可建立精确模型的确定性控制系统中应用比较多。

然而随着现代工业过程的日益复杂，对控制要求的逐步增高（如稳定性、准确性、快速性等），经典控制理论面临着严重的挑战。

对工业控制领域中非线性系统，采用传统PID 控制不能获得满意的控制效果。

采用基于梯度下降算法优化RBF神经网络，它将神经网络和PID控制技术融为一体，既具有常规PID控制器结构简单、物理意义明确的优点，同时又具有神经网络自学习、自适应的功能。

因此，本文通过对RBF神经网络的结构和计算方法的学习，设计一个基于RBF神经网络整定的PID控制器，构建其模型，进而编写M语言程序。

运用MATLAB软件对所设计的RBF神经网络整定的PID控制算法进行仿真研究。

然后再进一步通过仿真实验数据，研究本控制系统的稳定性，鲁棒性，抗干扰能力等。

关键词：PID；RBF神经网络；参数整定SETTING OF THE PID CONTROLLER BASED ON RBF NEURAL NETWORK DESIGN AND SIMULATIONAbstractAt present, because the PID control has a simple control structure, through adjusting the proportional integral and differential gain basic satisfactory control performance, and is relatively easy to setting in practical application, so widely used in process control and motion control, especially in the accurate model can be built more deterministic control system application. With the increasingly complex of the modern industrial process, however, increased step by step to control requirements (e.g., stability, accuracy and quickness, etc.), classical control theory is faced with severe challenges. Non-linear systems in industrial control field, using the traditional PID control can not obtain satisfactory control effect. Optimized RBF neural network based on gradient descent algorithm, it will be integrated neural network and PID control technology, with a conventional PID controller has simple structure, physical meaning is clear advantages, at the same time with neural network self-learning, adaptive function. Therefore, this article through to the RBF neural network structure and the calculation method of learning, to design a setting of the PID controller based on RBF neural network, constructs its model, and then write M language program. Using the MATLAB software to design the RBF neural network setting of PID control algorithm simulation research. Data and then further through simulation experiment, the control system stability, robustness, anti-interference ability, etc.Keywords: PID; RBF neural network; Parameter setting目录摘要 (Ⅰ)Abstract (Ⅱ)1 绪论 (1)1.1 课题研究背景及意义 (1)1.2神经网络的发展历史 (3)2 神经网络 (6)2.1神经网络的基本概念和特点 (6)2.2人工神经网络构成的基本原理 (7)2.3神经网络的结构 (8)2.3.1前馈网络 (8)2.3.2 反馈网络 (8)2.4神经网络的学习方式 (9)2.4.1监督学习(有教师学习) (9)2.4.2非监督学习(无教师学习) (9)2.4.3再励学习(强化学习) (9)2.5 RBF神经网络 (10)2.5.1 RBF神经网络的发展简史 (10)2.5.2 RBF的数学模型 (10)2.5.3被控对象Jacobian信息的辨识算法 (11)2.5.4 RBF神经网络的学习算法 (12)2.6 本章小结 (14)3 PID控制器 (14)3.1 PID控制器简介 (14)3.2 经典PID控制原理 (14)3.3 现有PID控制器参数整定方法 (16)3.4 PID控制的局限 (17)3.5本章小结 (17)4 基于RBF神经网络整定的PID控制器设计 (17)4.1 RBF神经网络的PID整定原理 (17)4.2 神经网络PID控制器的设计 (18)4.3 本章小结 (19)5 仿真分析 (19)5.1 系统的稳定性分析 (19)5.2 系统抗干扰能力分析 (21)5.3 系统鲁棒性分析 (22)5.4 本章小结 (24)结论 (25)参考文献 (26)致谢 (27)附录仿真程序 (28)1 绪论1.1 课题研究背景及意义PID控制器（按比例、积分和微分进行控制的调节器）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。

基于RBF神经网络的参数自适应PID变桨控制器的设计

电力系统及其自动化学报Proceedings of the CSU-EPSA Vol.32No.5 May2020第32卷第5期2020年5月基于RBF神经网络的参数自适应PID变桨控制器的设计张真源1，刘国荣1，杨小亮2，刘科正1，邓争3（1.湖南工程学院风电装备与电能变换协同创新中心，湘潭411104；2.湖南大学电气与信息工程学院，长沙410082；3.湘潭大学信息工程学院，湘潭411101）摘要：自然界风速的多变性与风机变桨系统的迟缓性会导致风机输出功率的不稳定。

为了改善风机输出功率的稳定，首先基于RBF神经网络RBFNN（radial basis function neural network），以功率差作为信号来源，设计了RBF-PID自适应变桨控制器，建立了风力机及变桨距机构仿真模型。

其次，建立了2种风况模型，较好地模拟了自然界基本风况。

仿真表明：在不同风况下对比常规模糊控制与PID控制，RBF-PID参数自适应方法在风速波动较大的情况下能够更好地稳定输出功率，且减小了变桨的幅值与频率，增加了风机的寿命。

关键词：径向基神经网络；变桨距；参数自适应；功率稳定中图分类号：TP277文献标志码：A文章编号：1003-8930（2020）05-0016-08DOI：10.19635/ki.csu-epsa.000296Design of RBF Neural Network Based Parameter Adaptive PID Pitch Controller ZHANG Zhenyuan1，LIU Guorong1，YANG Xiaoliang2，LIU Kezheng1，DENG Zheng3（1.Wind Power Equipment and Power Conversion Collaborative Innovation Center，Hunan Institute of Engineering，Xiangtan411104，China；2.College of Electrical and Information Engineering，Hunan University，Changsha410082，China；3.College of Information Engineering，Xiangtan University，Xiangtan411101，China）Abstract:The variability of natural wind speed and the sluggishness of a wind turbine pitch-regulated system lead to the instability of wind turbine output power.To solve this problem，based on a radial basis function neural network（RB⁃FNN），an RBF-PID adaptive pitch controller is designed with power differences as the signal source，and a simulation model of wind turbine and pitch-regulated mechanism is established.Then，two kinds of wind speed models are estab⁃lished，which can better simulate the basic wind conditions in nature.Simulation results show that compared with the conventional fuzzy control and PID control，the RBF-PID parameter adaptive method can better stabilize the output pow⁃er and reduce the amplitude and frequency of pitch under larger fluctuations of wind speed，thereby improving the ser⁃vice life of the wind turbine.Keywords:radial basis function neural network（RBFNN）；variable pitch；parameter adaptive；power stability随着技术的不断发展，风电渗透水平在不断提高，大规模的风电并网严重考验大电网的稳定性。

单神经元自适应PID控制器的应用

i
e( k), 改进后的算法变得更简单,
示。图中转换器的输入反映被控过程及控制设定的状态, 设 r (k )为设定值, y( k )为输出值, 经转换器转换成为单神经元学习控制所需要的状态量 x 1 ( k ), x2 ( k ), x 3 ( k ); x 1 (k ) = e ( k), x 2 (k ) = e ( k) - e( k - 1 ), x 3 ( k ) = e ( k) - 2e ( k - 1) + e ( k - 2 ); 关联搜索来产生控制信号, 即
式中: K = 1; != 50 s ; T 1 = 10 s; T 2 = 20 s , 当采样周期 T= 1 s 时, 其离散形式为: y (k ) = 1 856y (k - 1) - 0 860 6y ( k - 2) + 0 004 64u (k - 51) 进的算法时: 通过 M atlab 编 m 文件, K 取 0 05 ;
D
( 9) , ,
x 1 (k) = e(k ) x 2 (k) = e(k ) - e (k - 1) x 3 (k) = e(k ) - 2e(k - 1) + e (k - 2) z (k) = e(k ) 1. 3 PID 控制器学习算法的改进
[ 3]
∃ 当采用本文所提的神经元自适应 P I D 控制改
[2]
( 3) KP ; KD Ti
众所周知, 连续 P I D 控制器的算式为:
修改稿收到日期 : 2006- 02- 08 。第一作者易以锋 , 男 , 1977 年生 , 现为武汉科技大学信息科学与工程学院控制理论与控制工程专业在读硕士研究生 ; 主要研究方向为计算机控制、智能控制。

基于RBF神经网络的PID控制系统优化控制研究

1 引言
泄洪系统的控制技术虽然有了较好发展，但在复杂的工作环境条件下，控制系统的控制性能还需要进一步提升，主要表现在控制的灵敏度，故障处理不及时则会对泄洪系统产生严重的影响。因此泄洪系统的对控制系统的稳定性、可靠性要求比较高。经实践研究，PID 控制能够较精确和快速的实现对闸门液压启闭机的控制，使闸门控制系统稳定运行。但是由于液压启闭机具有非线性特性，在不同的阶段模型是变化的，所以 PID 参数无法较好的实现系统在整个运行过程中的精确控制，输出响应存在一些波动，且在某些运行区域很难达到良好的控制效果。为解决该问题，本文采用 RBF 神经网络进行 PID 参数优化来实现对液压启闭机的优化控制。
息之间的灵敏度变化情况：
（3-7）
式中
。
结合 RBF 分析的数据，PID 控制系统能够实时的调整学
习到的控制参量，自动实现对 PID 参量的调整和矫正，从而
达到较高的控制水平，并且能够满足控制要求。通过采用数
字 PID 控制算法（增量式）进行控制误差 e 计算，计算如下：
（3-8）
48 CWT 中国水运 2019·09
DOI 编码：10.13646/ki.42-1395/u.2019.09.018
基于 RBF 神经网络的 PID 控制系统优化控制研究
张强 1，安小刚 2 （1. 黑龙江水运建设发展有限公司，黑龙江哈尔滨 150020；2. 交通运输部水运科学研究院，北京 100088）
摘要：液压启闭机运行工况复杂、本身具有非线性特性，普通 PID 参数无法较好地实现系统在整个运行过程中的精
1.4
Input
1.2
PID Control RBF PID
1
Output

基于RBF辨识的单神经元PID调速器设计

ｂｅｔｒｒｂｔｓ．ｔｅｏｕｓｎｅｓ
Ｋｅｙｗｏｄ：ｅｔｒｃｎｒｌＲＢＦＮｅｒｎＨｅｂｒｌ；Ｄｒｓｖｃｏｏｔｏ；；ｕｏ；ｂｕｅＰＩ
１引言
在感应电动机高性能驱动中应用最为普遍的是磁场定向控制技术，它的应用使感应电动机的控制性能有了很大的提高…。但磁场定向控制技术对系统和电机参数的依赖性强，行过程中参数的变化，运外部扰动将使系统的动，静态性能变坏。传统的ＰＩ控制器却不能Ｄ
Ａｂｓｒｃ：ｉａｒｐｅｅｔｅｒｎＰＩｓｅｅｕａｏａｅｎＲＢＦｉｅｔｉａｉｎｆｒｖｃｏｏｔｏｆａｎｕｔｎｍｏｏ．ｔａｔＴｈｓｐｐｅｒｓｎｓａｎｕｏＤｐｅｄｒｇｌｔｒｂｓｄｏｄｎｉｃｔｏｏｅｔｒｃｎｒｌｎｉｄｃｉｔｒｆｏｏＴｈｅｒｏｎｒｌｅｓｔｅｎｕｏｏｎｒｌｒｉｓｄｏｎｔｕｒｉｅｅｂｓｕｙｒｌｎｈｄｎｉｉａｉｎｅｎｕｏｎｃｔｏｌｒｉｈｅｒｎｃｔｏｌｅＳｂａｅｈｅｓｐｅｖｓｄＨｂｔｄｕｅａｄｔｅｉｅｔｆｃｔｏ
ｅｕｐｎＢＦｔｅｔｙｔｅＪｃｂａｆｒｔｎｏｅｃｎｒｌｄｏｊｃ．ｅｓｍｕａｉｎｒｓｌｈｗｔａｅｑｉｍｅｔｓＲｉｎｉａｏｉｎｉｏｍａｉｆｈｏｔｌｂｅｔＴｈｉｌｔｅｕｔｓｏｔｈｉｏｄｆｈｎｏｔｏｅｏｉｅｅｔｉｖｓｃＤｒ

基于RBF神经网络的智能PID控制算法

ｉｔｏｕｅｎｏｔｅｃｎｅｔｏａＤｏｔｏｌｒｎｏｄｒｔｉｅｃｍｐｎａｉｎｆｒｔｅｃａａｔｒｓｉｓｗｈｃｒｄｃｄｂｈｎｒｄｃｄｉｔｈｏｖｎｉｎｌＰＩｃｎｒｌ，ｉｒｅＯｇｖｏｅｓｔｏｈｈｒｃｅｉｔｃｉｈｐｏｕｅｙｔｅｅｏ
琳” 张文涛。 ’
３１０）浙江外国语学院杭州３０１）１３０（ ’ １０２
摘
要
针对工业中的纯滞后现象提出一种智能控制方法，常规的ＰＤ控制器中引入Ｓｔ估器，纯滞后时间在Ｉｍｉｈ预对
ｔｅａａａｅｅ，ｗｈｌｓｆＲＢｅｒｌｅｗｏｋｔｄｕｔｈＩｐｒｍｅｅｓｏｌｅｏａｃｒａｎｅｔｎ，ｅｈｎｅｉｄｌｙｐｒｍｔｒｒｍｅｉｕｅｏＦｎｕａｔｒｏａｊｓｓｔｅＰＤａａｔｒｎｌ，ｔｅｔｉｘｅｔｎａｃｅｎｎ
函数。此网络可
等特点，以仍广泛应用于工业过程控制中。但所是，当工业对象存在时变性、线性和不确定性时，非
常规ＰＤ控制器往往不能保证良好的控制特性，Ｉ对
于大惯性、时滞的对象其效果也不能令人满意。大神经网络的智能控制系统作为一个新兴领域，之所以能引起控制界的兴趣，于它神经网络具有在逼近任何非线性函数的能力而且具有自学习和自适应的特性。本文利用ＲＢＦ神经网络来在线整定ＰＤ控制器的参数，以增加系统的鲁棒性，现Ｉ可实

基于RBF网络的自整定PID控制

1 PID控制原理
• PID控制系统框图如图1所示。
常规PID控制系统原理框图图1 常规控制系统原理框图
1 PID控制原理
• PID控制器是一种线性控制器，它根据给定值与实际值的偏差构成控制量。常规PID控制离散算法为：
1 PID控制原理
• 对于实际的工业生产过程来说，往往具有非线性、时变不确定性等，应用常规的PID 控制便不能达到理想的控制效果;而且PID控制器由于参数整定困难，在实际应用中往往参数整定不良、性能欠佳，对于运行的工况适应性很差。这样，人们就一直在寻求PID控制器参数的自动整定技术，以便适应复杂的工况和高指标的控制要求。
3 RBF神经网络PID整定原理
• 增量式PIபைடு நூலகம்控制算法
• PID三项输入为
3 RBF神经网络PID整定原理
• 神经网络整定指标为
• 参数调整使用梯度下降法
4 仿真实例——
基于RBF神经网络辨识的单神经元PID模型参考自适应控制
• 被控对象为：
• 采样时间为1ms，参考模型指令信号为： 1ms
4 仿真实例——
基于RBF神经网络辨识的单神经元PID模型参考自适应控制
• 建立3-6-1的RBF神经网络
图4参考模型辨识结果参考模型辨识结果
4 仿真实例——
基于RBF神经网络辨识的单神经元PID模型参考自适应控制
图5 Jacobian信息辨识结果信息辨识结果
4 仿真实例——
基于RBF神经网络辨识的单神经元PID模型参考自适应控制
2 RBF神经网络模型
• RBF网络结构如图2所示。
图2 RBF网络结构图网络结构图
2 RBF神经网络模型

基于RBF在线辨识的AGV转向单神经元PID控制

识，获得ＰＤ参数在线调整信息，由单神经元ＰＤ控制器完成控制器参数的在线自整定，现系统的智能控制。实验结果表Ｉ并Ｉ实
明，与常规的ＰＤ控制方法相比，Ｉ该方法具有较高的控制精度、较强的自适应性和鲁棒性，完全可适用于ＡＶ转向系统的控制。Ｇ关键词：ＢＲＦ神经网络性控制；转向系统ＰＤ）
ｉｅｔｃｔｎ，ｗｈｃｄｎｉｅｈａｏｉｎｍａｒｆｔｅｎｙｔｍｙｍｅｎｆＲＢｅｒｌｎｔｒｄｎｉｅｎｄｎｉａｉｉｆｏｉｈｉｅｔｉｓｔｅＪｃｂａｔｘｏｅｒｇｓｓｅｂａｓｏＦｎｕａｅｗｏｋｉｅｔｒａｄｆｉｓｉｉｆ
ｔｅｓｎｌｅｏｏｔｏｌｒｎｈｎｅｌｇｎｏｒｌｏｈｙｔｍｓａｈｉｖｄ．Ｅｘｅｍｅｔｒｓｈｎｄｃｔｓｔａｈｉｇｅｎｕｒｎｃｎｒｌｅ，ａｄｔｅｉｔｌｉｅｔｃｎｔｏｆｔｅｓｓｅｉｃｅｅｐｒｎｅｕｉｉａｅｈｔｉｃｍｐｒｄｗｉｈｃｎｅｉｎｌＰＩｃｎｒｌｍｅｈｄ，ｔｅｐｏｓｄｃｎｒｌｓｓｅｐｓｅｓｓｔｅａｖｎａｅｆｈｇｒｃ — ｏａｅｔｏｖｎｔａＤｏｔｏｔｏｏｈｒｐｏｅｏｔｏｙｔｍｏｓｓｅｈｄａｔｇｓｏｉｈｐｅｉ
中图分类号：４１Ｔ１Ｕ６Ｐ８文献标识码：Ａ国家标准学科分类代码：１．００５０８５
ＳｎｌｅｒｎＰＩｃｎｒｌｏｉｇｅｎｕｏＤｏｔｏｆＡＧＶｔｅｉｇｓｓｅｂｓｄｏｓｅｒｎｙｔｍａｅｎ

基于RBF神经网络的隧道掘进机推进自适应PID控制

基于RBF神经网络的隧道掘进机推进自适应PID控制宋立业;万应才【摘要】针对全断面隧道掘进机的推进压力和推进速度的匹配问题,应用RBF神经网络算法设计了使推进压力和推进速度匹配且推进速度能快速跟随设定目标的自适应控制器.先在MATLAB中建立推进控制系统仿真模型,分析控制器自适应控制效果,然后在AMESim中建立推进系统液压控制模型,并与MATLAB联合仿真.联合仿真验证该控制器能在刀盘负载压力波动突变的情况下,使刀盘推进速度和推进压力跟随设定目标.试验证明,该控制器对负载大范围扰动有很好的抑制能力,能明显提高推进速度和推进压力耦合度并减小两者的波动范围.%The matching problems for full cross section TBM thrust pressures and thrust speeds, the applications of RBF neural network algorithm were designed to make the thrust pressures and the thrust speeds matching and speed adaptive controller might quickly follow the set goals.The control-ler was simulated by MATLAB,and the hydraulic control model of propulsion systems was estab-lished in AMESim and co-simulation with MATLAB.By j oint simulation,the controller might make the cutter driving speeds and thrust pressures follow the set target when the cutter load pressures were abrupt.Experiments show that the controller has a good ability to suppress the load disturb-ances,and may improve the propulsion speeds obviously and push the pressure coupling degrees and reduce the fluctuation ranges of the both.【期刊名称】《中国机械工程》【年(卷),期】2017(028)014【总页数】7页(P1676-1682)【关键词】全断面隧道掘进机;液压控制;自适应控制;大扰动【作者】宋立业;万应才【作者单位】辽宁工程技术大学电气与控制工程学院,葫芦岛,125105;辽宁工程技术大学电气与控制工程学院,葫芦岛,125105【正文语种】中文【中图分类】TH137隧道掘进机(tunnel boring machine，TBM)利用旋转刀盘的滚刀挤压剪切破岩，通过旋转刀盘铲斗收集石渣，并由皮带运输到洞外。

基于RBF神经网络电液伺服系统智能控制的在线辨识与PID参数自适应整定34页PPT

① 当 e k 0 ,e k e k 1 ，本次误差小于上次误差，说明搜索方向正确，此时应增大步长。
② 当 e k 0 ,e k e k 1 ，本次误差大于上次误差，此时应减少步长，放慢搜索速度。
神经网络辨识技术
神经网络系统辨识实质上是选择一个适当的神经网络模型来逼近实际系统的数学模型。
本课题，首先建立单通道电液位置伺服控制系统的数学模型，然后根据该模型获取被控系统的输入输出数据。
在实际生产过程中，对象的特性和模型随时都在变化，只不过变化比较缓慢而已。整定和优化好的PID，在一段时间后，就可能不再有很好的控制效果。
为了使生产过程始终保持良好的控制效果，就要对PID 控制器的参数进行在线调整和优化。
分析。
➢ RBF神经网络学习算法
① 确定隐层个数L，m个径向基函数的中心向量c，基函数宽度b，从隐层到输出层的各连接权w。
② 根据经验选取中心，L个中心应具有“代表性”。
③ 采用梯度下降法确定RBFNN的输出权w，节点中心c及节点基宽度b，选取算法如下：
w j k w j k 1 y k y m k h j w j k 1 w j k 2
系统辨识的原理就是通过调整辨 u
RBF在线辨识与PID参数自适应整定
RBF神经网络结构及其学习算法
➢ RBF神经网络隐层节点函数的选择高斯函数： fxex p x 2 b c 2 j 2 ,j 1 ,2 ,3 ...,m
函数优点： ① 表示形式简单，即是对于多变量输入也不增加太多的复
杂性； ② 竞相对称； ③ 光滑型号，任一阶导数均存在； ④ 由于该基函数表示简单其解析性好，因而便于进行理论
基于RBF神经网络电液伺服系统智能控制的在线辨识与PID参数自适应整定

基于RBF神经网络的PID控制在变风量空调系统中的应用

基于RBF神经网络的PID控制在变风量空调系统中的应用瞿睿;李界家【摘要】The RBF neural network in PID control was introduced,a three-layer neural network model was established,the online identification of RBF neural network to online adjust three parameters of PID control was used to improve the control effect of this system.The simulation results showed that compared PID control based on RBF neural network with traditional PID control,the former has stronger robustness and adaptive ability,high control precision,better and reliable control effect and other advantages.%将RBF神经网络引入PID控制中,建立了一个三层神经网络模型。

通过RBF神经网络的在线辨识对PID控制的三个参数进行在线调整,从而改善系统的控制效果。

仿真结果表明：基于RBF神经网络的PID控制与传统PID控制相比,具有较强的鲁棒性和自适应能力,控制精度高,效果好,安全可靠。

【期刊名称】《现代建筑电气》【年(卷),期】2012(000)002【总页数】4页(P10-13)【关键词】变风量空调系统;RBF神经网络;PID控制【作者】瞿睿;李界家【作者单位】沈阳建筑大学信息与控制工程学院,辽宁沈阳110168;沈阳建筑大学信息与控制工程学院,辽宁沈阳110168【正文语种】中文【中图分类】TU8550 引言变风量空调(Variable Air Volume，VAV)系统是一种节能效果显著的全空气系统。

基于RBF神经网络整定的调距桨PID控制

基于RBF神经网络整定的调距桨PID控制
储海平;李彦;曾峥
【期刊名称】《科学技术与工程》
【年(卷),期】2009(009)018
【摘要】针对可调螺距螺旋桨采用的传统PID控制具有超调大、调节时间长等缺点,提出了一种基于RBF神经网络整定的PID控制算法.这种算法采用3输入、单输出的RBF神经网络对系统性能学习以找出最佳的PID组合,实现对调距桨螺距角的控制.仿真试验表明,基于RBF神经网络整定的PID控制效果明显优于传统的PID 控制.
【总页数】4页(P5415-5418)
【作者】储海平;李彦;曾峥
【作者单位】江苏科技大学电子信息学院,镇江,212003;江苏科技大学电子信息学院,镇江,212003;江苏科技大学电子信息学院,镇江,212003
【正文语种】中文
【中图分类】U664.33
【相关文献】
1.超磁致伸缩致动器的基于RBF神经网络整定PID控制 [J], 王丽梅;董桉吉
2.基于RBF神经网络整定的PID控制器设计 [J], 李小凡
3.基于RBF神经网络整定的经纱张力PID控制系统 [J], 刘官正;张森林
4.基于RBF神经网络的PID控制参数整定 [J], 李俊杰
5.基于RBF神经网络的PID控制整定 [J], 许笑梅;赵东亚;曹磊
因版权原因，仅展示原文概要，查看原文内容请购买。