基于RBF神经网络整定的PID控制器设计及仿真设计
基于RBF神经网络整定的高速公路匝道PID控制器_曾爱国(1)
２００７，４３（３６）１引言社会经济的发展导致了交通量的急剧增长，并进而加剧了交通拥挤与阻塞的严重程度，如何避免阻塞，最大限度地提高高速公路的运行效率，成了学者们研究的热点。
入口匝道控制被认为是高速公路交通控制的一种有效的方法，通过入口匝道控制阻止瓶颈的出现可使高速公路交通更顺畅，从而提高主线的通行能力，改善交通安全，减少燃油消耗和空气污染［１－３］。
文献［１］将常规的ＰＩ控制方法应用到高速公路入口匝道控制中，取得了较好的控制效果，且具有一定的鲁棒性，然而参数不能在线调整，神经网络具有表示任意非线性关系和学习的能力，给解决这类问题提供了新的思想和方法。
本文用ＲＢＦ神经网络整定ＰＩＤ的控制参数，并设计了高速公路入口匝道控制器，取得了良好的控制效果。
２入口匝道控制原理入口匝道控制是控制高速公路的交通需求，它以高速公路主线交通流为控制对象，以匝道入口流量为系统的输入控制量，通过计算匝道上游交通需求与下游道路容量差额来获取最佳入口匝道流量控制，从而使高速公路主线交通流处于最佳状态。
入口匝道控制包括匝道调节和匝道关闭两种方式。
在进行入口匝道控制时，必须保持整个交通需求量小于高速公路的交通容量，所以匝道调节率ｒ的计算应立足于匝道上游交通需求ｑｄ、匝道下游交通容量Ｃａ和匝道处期望进入高速公路的交通流量ｑｒ三者之间的关系上。
当Ｃａ≥ｑｄ＋ｑｒ时，不需要进行调节，因为不会发生交通拥挤；当ｑｄ＞Ｃａ时，进行匝道调节也无法消除拥挤，可暂时关闭匝道，并设法使上游入口匝道减少调节率，减少上游交通需求；当ｑｄ＜Ｃａ＜ｑｄ＋ｑｒ时，可进行匝道调节，匝道调节率的计算公式为ｒ＝Ｃａ－ｑｄ，进行匝道调节后可以进入高速公路的调节率为ｒ，而ｑｒ－ｒ的流量只能利用路网中的其它道路来分流。
基于ＲＢＦ神经网络整定的高速公路匝道ＰＩＤ控制器曾爱国１，梁新荣１，２，韦彦秀１ＺＥＮＧＡｉ－ｇｕｏ１，ＬＩＡＮＧＸｉｎ－ｒｏｎｇ１，２，ＷＥＩＹａｎ－ｘｉｕ１１．五邑大学信息学院，广东江门５２９０２０２．华南理工大学自动化学院，广州５１０６４０１．ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎ，ＷｕｙｉＵｎｉｖｅｒｓｉｔｙ，Ｊｉａｎｇｍｅｎ，Ｇｕａｎｇｄｏｎｇ５２９０２０，Ｃｈｉｎａ２．ＣｏｌｌｅｇｅｏｆＡｕｔｏｍａｔｉｏｎ，ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ５１０６４０，ＣｈｉｎａＥ－ｍａｉｌ：ｊｏｓｅｗｙｕ＠１２６．ｃｏｍＺＥＮＧＡｉ－ｇｕｏ，ＬＩＡＮＧＸｉｎ－ｒｏｎｇ，ＷＥＩＹａｎ－ｘｉｕ．ＦｒｅｅｗａｙｒａｍｐＰＩＤｃｏｎｔｒｏｌｌｅｒｒｅｇｕｌａｔｅｄｂｙＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００７，４３（３６）：１８９－１９１．Ａｂｓｔｒａｃｔ：ＡｐａｒａｍｅｔｅｒａｄｊｕｓｔｍｅｎｔｍｅｔｈｏｄｏｆｔｈｅＰＩＤｃｏｎｔｒｏｌｌｅｒｗｉｔｈＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｄｅｖｅｌｏｐｅｄａｎｄａｐｐｌｉｅｄｔｏｆｒｅｅｗａｙｏｎ－ｒａｍｐｍｅｔｅｒｉｎｇ．Ｔｈｅｃｏｎｔｒｏｌｐｒｉｎｃｉｐｌｅｏｆａｒａｍｐｉｓｆｉｒｓｔｌｙｆｏｒｍｕｌａｔｅｄ，ｔｈｅｎａｆｒｅｅｗａｙｔｒａｆｆｉｃｆｌｏｗｍｏｄｅｌｉｓｂｕｉｌｔ，ａｎｄｔｈｅＰＩＤｒａｍｐｃｏｎｔｒｏｌｌｅｒｒｅｇｕｌａｔｅｄｂｙＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｄｅｓｉｇｎｅｄ．ＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｉｄｅｎｔｉｆｉｅｓｔｈｅＪａｃｏｂｉａｎｍａｔｒｉｘｏｆｔｈｅｃｏｎｔｒｏｌｐｌａｎｔａｎｄｔｈｅｎａｄｊｕｓｔｓｔｈｅｐａｒａｍｅｔｅｒｓｏｆＰＩＤｃｏｎｔｒｏｌｌｅｒｄｙｎａｍｉｃａｌｌｙ．Ｆｉｎａｌｌｙ，ｔｈｅｃｏｎｔｒｏｌｌｅｒｉｓｓｉｍｕｌａｔｅｄｉｎＭＡＴＬＡＢｓｏｆｔｗａｒｅ．Ｓｉｍｕ－ｌａｔｉｏｎｒｅｓｕｌｔｓｈｏｗｓｔｈａｔｔｈｅｃｏｎｔｒｏｌｌｅｒｈａｓｇｏｏｄｄｙｎａｍｉｃａｎｄｓｔｅａｄｙ－ｓｔａｔｅｐｅｒｆｏｒｍａｎｃｅ．Ｉｔｉｓｖｅｒｙｅｆｆｅｃｔｉｖｅｔｏｆｒｅｅｗａｙｏｎ－ｒａｍｐｍｅ－ｔｅｒｉｎｇ．Ｋｅｙｗｏｒｄｓ：ｆｒｅｅｗａｙ；ｒａｍｐｍｅｔｅｒｉｎｇ；ｔｒａｆｆｉｃｆｌｏｗｍｏｄｅｌ；ＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ；ＰＩＤｐａｒａｍｅｔｅｒａｄｊｕｓｔｍｅｎｔ摘要：研究ＲＢＦ神经网络整定ＰＩＤ控制器的参数，并应用到高速公路入口匝道控制中。
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神经网络整定的Smith-PID控制及其应用
∆ki
= −η ∂E ∂ki
= −η ∂E ∂y
∂y ∂u
∂u ∂ki
=
ηe2
(k)
∂y ∂u
xc(2)
∆k d
= −η ∂E ∂k d
= −η ∂E ∂y ∂u ∂y ∂u ∂kd
=
ηe 2
(k)
∂y ∂u
xc(3)
式中， ∂y 为被控对象的 Jacobian 信息，可通过神经网络的辨识而得。 ∂u
LIU Yong, ZHAO Zi-xian (College of Sciences and Technology, Inner Mongolia University Hohhot 010021, Inner Mongolia. ) Abstract: Aiming at the big delayed time, big burthen fluctuating and mutable characteristic of the controlled object, combining Smith compensated theory with self-adaptive tuning method of PID parameter, the RBF neural network tuning Smith-PID controlling policy is presented，that is in the Smith estimator control, makes use of RBF NN self-learning tuning the PID parameter on line, achieving optimal non-linear fabrication and overcoming the defect of conventional Smith-PID controller. The results of simulation and actual application indicate the algorithm has a strong robustness and better controlling character. Keywords: RBF NN; Smith-PID; two-volumes water tank liquid 1 引言 在工业过程（如热工、化工）控制中，由于物料或能量的传输延迟，许多被控对象具有 纯滞后性质，针对大时滞时变对象的控制，把Smith预估补偿控制原理和PID调节控制方法结 合起来，提出了基于RBF网络整定Smith-PID控制算法，即在Smith补偿控制系统中，运用RBF 神经网络在线自学习整定PID参数，使既相互配合又相互制约的比例、积分和微分控制作用， 实现最佳的非线性组合，以期适应对象特性的变化。文献[1]提出了基于BP算法整定的基于 Smith-PID控制算法，但是BP网络用于函数逼近时，权值的调节采用的是负梯度下降法，这 种调节权值的方法有它的局限性，即存在着收敛速度慢和易陷入局部极小值。而径向基函数 网络无论在逼近能力、分类能力和学习速度等方面均优于BP网络[2]，因此本文采用RBF网络。 2 施密斯（Smith）预估控制原理[3] 施密斯预估控制原理是：与 D(s)并接一补偿环节，用来补偿被控制对象中的纯滞后部
神经网络PID控制器的设计与仿真
*******大学毕业设计(论文) 题目神经网络PID控制器的设计与仿真院系专业班级学生指导教师二○○八年六月神经网络PID控制器的设计与仿真摘要PID控制技术是一种应用很普遍的控制技术,目前在很多方面都有广泛的应用. 在工业控制中，PID控制是工业控制中最常用的方法。
这是因为PID控制器结构简单、实现简单，控制效果良好，已得到广泛应用。
据统计，在目前的控制系统中，PID控制占了绝大多数。
但是，他具有一定的局限性：当控制对象不同时，控制器的参数难以自动调整以适应外界环境的变化。
为了使控制器具有较好的自适应性，实现控制器参数的自动调整，可以采用神经网络控制的方法。
利用人工神经网络的自学习这一特性，并结合传统的PID控制理论，构造神经网络PID控制器，实现控制器参数的自动调整。
本论文讨论了基于神经网络的PID控制，利用神经网络的自学习能力进行在线参数整定，并利用Matlab软件进行仿真。
通过仿真实现可以看出它具有自学习、自适应性等特点，网络的收敛速度快，能够对非线性对象有很好的控制，系统的跟踪性能很好．其参数设定无需知道被控对象的具体参数及其数学模型，对不同的对象具有适应性．关键词：PID控制神经网络Matlab 仿真The design and simulation of the neural network PID controllerABSTRACTPID control technology is a very common control technology in many aspects of a wide range of applications. In industrial control, PID control is the most commonly used in industrial control methods. This is because the PID controller simple structure, to achieve a simple, effective control, has been widely used. According to statistics, PID control is the vast majority in the present control system. However, he has certain limitations: When the control object is not at the same time, the controller parameters to automatically adjust to the changes in the external environment. In order to make the controller has good adaptability, and Controller Parameters of automatic adjustments can be used neural network control method. Using artificial neural network learning oneself, combined with the traditional PID control theory Structure of neural networks PID controller, and implementate the automatic adjustment of controller parameters. The thesis discussed according to the neural network PID controller，and control，make use of the neural network from the study ability to proceed its function to on-line parameter amend，and make use ofthe Matlab software proceeds to imitatereally．By the simulation can see that it is to achieve self-learning, adaptability, and other characteristics ，network convergence speed, can have a good control on non-linear object ,and tracking of system performance very good. Its parameters need to know the object of the specific parameters and itsmathematical model,and adapt different objects.KEY WORDS：PID control Neural network Matlab Simulation目录摘要 (I)ABSTRACT (II)1 绪论 (1)1.1 前言 (1)1.2 神经元网络PID的发展历程 (1)1.3 神经网络的特点 (2)1.4 神经网络的主要研究方向 (2)1.5 神经网络PID的发展现状和前景展望 (3)1.6 课题研究方法和容 (3)2 神经网络控制理论 (4)2.1 神经网络的简介 (4)2.2 神经网络的基本概念 (4)2.3 神经网络控制的基本原理 (4)2.4 神经网络结构的分类 (5)2.5 神经网络的学习 (6)2.5.1 学习方式 (6)2.5.2 网络模型及其学习算法 (6)2.6 神经网络的训练 (7)3 应用MATLAB设计神经网络PID控制系统 (8)3.1 MATLAB、SIMULINK、神经网络工具箱简介 (8)3.2 神经网络工具箱与人工神经元网络设计 (9)3.3 PID控制器 (10)3.3.1 PID控制器简介 (10)3.3.2 PID控制的局限 (12)3.4 神经网络PID 控制器的设计 (12)4 神经网络PID控制器的设计 (14)4.1 单神经元自适应PID控制器及其学习算法 (14)4.1.1 采用有监督Hebb学习算法的单神经元自适应PID控制器 (15)4.1.2 单神经元自适应PID控制器学习算法可调参数的选取规律 (16)4.1.3 单神经元自适应PID仿真 (17)4.2 基于BP神经网络PID控制器的设计 (19)4.3 小结 (23)5 结束语 (23)参考文献 (24)致谢 (25)1 绪论1.1 前言计算机技术的迅速发展，为计算机控制的发展和应用奠定了坚实的基础，过程计算机控制以自动控制理论和计算机技术为基础，实现了现代化生产过程的综合自动化，可使生产过程保持最佳运行状态，从而提高安全性、经济性和运行水平。
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神经网络的开关磁阻电机单神经元PID控制
第25卷第15期中国电机工程学报V ol.25 No.15 Aug. 2005 2005年8月Proceedings of the CSEE ©2005 Chin.Soc.for Elec.Eng.文章编号：0258-8013（2005）15-0161-05 中图分类号：TM352 文献标识码：A 学科分类号：470⋅40基于RBF神经网络的开关磁阻电机单神经元PID控制夏长亮，王明超（天津大学电气与自动化工程学院，天津市南开区300072）SINGLE NEURON PID CONTROL FOR SWITCHED RELUCTANCE MOTORS BASEDON RBF NEURAL NETWORKXIA Chang-liang, WANG Ming-chao（School of Electrical Engineering and Automation, Tianjin University, Nankai District, Tianjin 300072, China）ABSTRACT: This paper presents an novel approach of single neuron adaptive control for switched reluctance motors (SRM) based on radial basis function (RBF) neural network on-line identification. The method uses single neuron to construct the adaptive controller of SRM, and has the advantages of simple construction, adaptability and robustness. A RBF network is built to identify the system on-line, and then constructs the on-line reference model, implements self-learning of controller parameters by single neuron controller, thus achieve on-line regulation of controller’s parameters. The experimental result shows that the method given in this paper can construct processing model through on-line identification and then give gradient information to neuron controller, it can achieve on-line identification and on-line control with high control accuracy and good dynamic characteristics.KEY WORDS:Electric machinery; Radial basis function neural network; Switched reluctance motor; Single neuron; PID control; On-line identification摘要：论文提出了一种基于径向基函数（radial basis function）神经网络在线辨识的开关磁阻电机（SRM）单神经元PID自适应控制新方法。
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。
基于RBF模糊神经网络控制器的设计及仿真
基于RBF模糊神经网络控制器的设计及仿真
基于RBF模糊神经网络控制器的设计及仿真摘要:本文结合模糊控制和神经网络控制各自的特点,设计了RBF 模糊神经网络控制器,并应用到洗衣机的控制中。
最后,在MATLAB中实现了仿真达到了预期的误差精度要求。
关键词:模糊神经网络RBF神经网络仿真
本文将神经网络与模糊控制相结合,为模糊控制器提供了良好的学习功能,并自动生成模糊控制规则。
通过神经网络实现的模糊控制,对于知识的表达是隐含地分布到整个网络中。
在控制应用时,不必进行复杂的规则搜索和推理,只需要通过高速并行的分布计算就可以输出结果。
1 神经网络的选择及简介
目前,在人工神经网络的实际应用中,绝大部分的神经网络模型都采用BP网络及其变化形式,它也是前向网络的核心部分,体现了人工神经网络的精华。
众所周知,BP网络权值的调整采用的是负梯度下降法,这种调节权值的方法有其局限性,即收敛速度慢和局部极小等。
本文将采用逼近能力、分类能力、学习速度和不存在局部极小等方面均优于BP网络的另一种网络——径向基函数网络(Radial Basis Funtion,RBF),来实现与模糊控制的融合。
2 基于模糊神经网络控制器的设计实例。
基于模糊RBF神经网络的智能PID控制_胥良
图2
模糊 ＲBF 神经网络 PID 控制结构图
2． 2
控制器的工作原理 根据图 2 所示的控制器结构图对模糊 PID 控制
方法和网络辨识学习算法进行设计 ， 如图 3 所示。
。
该文针对此问题设计一种控制参数可以在线变 化的智能 PID 控制器。利用神经网络的学习功能和 模糊理论的推理功能进行在线调整， 以达到最佳控 制效果。前者完成辨识学习与在线对 PID 控制参数 进行整定的任务； 后者主要完成对系统的输出误差 和误差变化率进行模糊控制的任务 。
= e（ k ） = ec（ k）
（ 3）
j） = I（ i） （ i = 1 ， 2； j = 1， 2， ．．．， n） 输出 F1 （ i， （ 4） n 为模糊子集个数。 利用高斯函数充当隶属度 第 2 层为模糊化层， 函数， 具体如下： j） = 输入 I2 （ i，
2 [ F1 ( i， j ) － c ij ]
ω ij 是模糊推理层到输出层的权值系数， 输出为 PID 的 3 个参数：
{
{
F4 （ 1 ） = Δk p F4 （ 2 ） = Δk i F4 （ 3 ） = Δk d （ 12 ） （ 13 ） （ 11 ）
即： 设计使用增量式 PID 控制算法， u（ k ） = u（ k － 1 ） + Δu（ k ） Δu（ k） = k p xc（ 1 ） + k i xc（ 2 ） + k d xc（ 3 ） 其中 xc（ 1 ） = e（ k） － e（ k － 1 ） xc（ 2 ） = e（ k）
n2 2
（ 5） （ 6）
b ij 定义为隶属 c ij 定义为隶属度函数的中心值，
（ 7） （ 8）
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神经网络整定的经纱张力PID控制系统
织
学
报
Ｖｏ ．９ Ｎｏ． ２ １２ １ Ｄｅ ｃ． ２ ０ ０８
２０ 年 １ ０８ ２月
Ｊ ｕ ｌ ｆ ｅ ｔ ｅ Ｒ ｓ ａｃ ｍａ ｘｉ ｅ ｅ ｒ ｈ ｏＴ ｌ
文 章 编 号 ： ５—７ １２０ ２０９．５ ０ ３９２ （０８ ． ６０ ２ Ｊ ０ １
织 机张 力控 制 系统 是 快速 非 线 性 系统 ， 张 力 对 控制 的快速 性 和平 稳 性要 求 很 高 。 目前 ， 内大 多 国 数织 机 的经 纱张力 控制 采用机 械控 制或传 统 ＰＤ控 Ｉ 制 ， 效 果 不太 理 想 ， 致 纺 织 品 产 量低 、 量 差 。 其 导 质 合理 的张力 控制 方法 将 减 小 张力 的波 动 ， 经纱 承 使 受 的瞬 时张力减 小 ， 而 减小 断 经 率 等 ， 从 因此 ， 开发 高精 度 的张力控 制系统 是提 升织机 质量档 次 的关 键 所在 。本文 设计 了一 种 基 于 Ｒ Ｆ径 向神 经 网络 整 Ｂ 定 的经纱 张力 ＰＤ控制方 法 ， Ｉ 并采 用 Ｋ ｍ ｎ滤 波器 ｌ ａ ａ 进行 滤波 。结果 表 明 ， 于 Ｒ Ｆ径 向神经 网络 整定 基 Ｂ 的经纱 张 力 ＰＤ控 制策 略 适用 于 高档 织 机 ， 以提 Ｉ 可
效 果 的 缺 陷 ， 出 了一 种 基 于 Ｋ ｌａ 波 器 的 Ｒ Ｆ径 向神 经 网络 整 定 的 ＰＤ控 制 算 法 。这 种 控 制 算 法 采 用 ３输 提 ａ ｎ滤 ｍ Ｂ Ｉ
入 、 输 出的 Ｒ Ｆ 向神 经 网络 对 系 统性 能学 习 以 寻找 出最 佳 的 ＰＤ组 合 ， ａ ａ 波 器 有 效 地 滤 掉 了 织 机 中 的 单 Ｂ径 Ｉ Ｋ ｌ ｎ滤 ｍ 各 种 噪声 ， 现 经 纱 张 力值 的恒 定 。仿 真 实 验 结 果表 明 ， 于 神 经 网 络 整 定 的经 纱 张 力 控 制 系 统 的 控 制 效 果 和 动 实 基
基于RBF神经网络的PID控制整定
基于RBF神经网络的PID控制整定作者：许笑梅赵东亚曹磊来源：《科技创新与应用》2019年第13期摘 ;要：基于RBF神经网络的PID控制整定分析，通过MATLAB构建CSTR对象模型，综合生产环境与各种干扰性因素，利用整定PID参数的方式进行控制分析，效果显著。
基于此，文章主要对基于RBF神经网络的PID控制整定的相关内容进行了简单的分析论述。
关键词：RBF神经网络;PID控制整定;CSTR中图分类号：TP273 ; ; ; ;文献标志码：A ; ; ; ; 文章编号：2095-2945（2019）13-0032-02Abstract： The PID control setting analysis based on RBF neural network， the CSTR object model is constructed by MATLAB， the production environment and various interference factors are integrated. The control analysis is carried out by setting PID parameters， and the effect is remarkable. Based on this， this paper mainly analyzes and discusses the related contents of PID control setting based on RBF neural network.Keywords： RBF neural network; PID control setting; CSTR1 基于RBF神经网络分析1.1 神经元基础模型分析单神经元主要就是模仿生物神经元的具体结构、功能，在数学角度对其进行描述的一种基本单位模式，通过人脑神经元进行抽象简化获得。
基于RBF神经网络的智能PID控制算法
ｉｔｏ ｕ ｅ ｎ ｏ ｔ ｅｃ ｎ ｅ ｔｏ ａ Ｄ ｏ ｔｏ ｌｒ ｎｏ ｄ ｒｔ ｉｅｃ ｍ ｐ ｎ ａ ｉｎ ｆ ｒｔ ｅｃ ａ ａ ｔｒｓｉｓｗｈｃ ｒ ｄ ｃ ｄ ｂ ｈ ｎ ｒｄ ｃｄ ｉｔ ｈ ｏ ｖ ｎ ｉｎ ｌ ＰＩ ｃ ｎ ｒ ｌ ，ｉ ｒ ｅ Ｏ ｇｖ ｏ ｅ ｓ ｔ ｏ ｈ ｈ ｒｃｅｉｔｃ ｉｈ ｐ ｏ ｕ ｅ ｙ ｔ ｅ ｅ ｏ
琳” 张 文涛。 ’
３ １０ ） 浙 江外 国 语 学 院 杭 州 ３ ０ １） １３０ （ ’ １ ０ ２
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 Ｐ Ｄ控 制 器 中引 入 Ｓ ｔ 估 器 ， 纯 滞 后 时 间 在 Ｉ ｍｉ ｈ预 对
ｔ ｅａ ａ ａ ｅｅ ，ｗｈｌ ｓ ｆＲＢ ｅ ｒｌ ｅｗｏ ｋｔ ｄｕ ｔ ｈ Ｉ ｐ ｒｍ ｅｅｓｏ ｌｅ ｏａｃ ｒａｎ ｅ ｔｎ ，ｅ ｈ ｎ ｅ ｉ ｄ ｌｙｐ ｒｍ ｔｒｒ ｍｅ ｉ ｕ ｅｏ Ｆ ｎ ｕ ａ ｔ ｒ ｏ ａｊ ｓｓｔ ｅＰ Ｄ ａ ａ ｔ ｒ ｎｌ ，ｔ ｅｔｉ ｘｅ ｔ ｎ ａ ｃ ｅ ｎ ｎ
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 Ｐ Ｄ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 ＲＢ Ｆ神经 网络来 在 线 整定 Ｐ Ｄ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神经网络整定的高速公路匝道PID控制器
摘
要 ： 究 Ｒ Ｆ神经网络整定 ＰＤ控制器的参数 ， 研 Ｂ Ｉ 并应用到 高速公路入 口匝道控制 中。首先 阐述 了入 口匝道控制原理 ， 然后建
立 了 高速 公路 交 通 流模 型 ，并 设 计 了 Ｒ Ｆ神 经 网络 整 定 的 高速 公 路 匝道 ＰＤ控 制 器 ， Ｂ Ｂ Ｉ Ｒ Ｆ神 经 网络 通 过 对 被 控 对 象 Ｊｃｂａ ａｏ ｉ ｎ信
ｒ ｍｐ ｃ ｎｒ ｌ ｒ ｒ ｇ ｌ ｔｄ ｙ ａ ｏ ｔ ｌ ｅ ｕ ａｅ ｂ ＲＢ ｅ ｒ ｌ ｅｗｏ ｋ ｉ ｄ ｓｇ ｅ ． Ｆ ｅ ｒ ｌ ｅ ｗ ｒ ｉ ｅ ｔ ｅ ｔｅ ａ ｏ ｉｎ ｏｅ Ｆ ｎ ｕ ａ ｎ ｔ ｒ ｓ ｅ ｉ ｎ ｄ ＲＢ ｎ ｕ ａ ｎ ｔ ｏ ｋ ｄ ｎ ｉ ｓ ｈ Ｊ ｃ ｂ ａ ｍａ ｒ ｏ ｈ ｃ ｎ ｒ ｌ ｉ ｆ ｔ ｘ ｆ ｔ ｅ ｏ ｔｏ ｉ
ｔ ｒｎ ｅｉ ｇ．
Ｋ ｙ ｗ ｒ ｓ ｒｅ ａ ； ｍ ｅｅ ｎ ；ａ ｃ ｆｗ ｍ ｄｌＲ Ｆ ｎｕ￣ ｎ ｔｏｋＰＤ ｐｒｍ ｔｒａｊｓ ｅ ｔ ｅ ｏ ｄ ：ｆ ｗ ｙ ｒ ｐ ｍ ｔｒ ｇ ｔ ｆ ｏ ｏｅ； Ｂ ｅ ｒ ｅ ｒ；Ｉ ａａ ｅ ｄｕｔ ｎ ｅ ａ ｉ ｒｆ ｌ ｉ ｗ ｅ ｍ
１ ｃ ｏ ｌ ｏ ｎｏ ｍａ ｉｎ， ｕ ｉ Ｕｎ ｖ ｒｉ ， ｉｎ ｍｅ Ｇｕ ｎ ｄ ｎ ２ ０ ０， ｈ ｎ ． ｈ ｏ ｆＩ ｆｒ ｔ Ｓ ｏ Ｗ ｙ ｉ ｅ ｓ ｙ Ｊａ ｇ ｎ， ａ ｇ ｏ ｇ ５ ９ ２ Ｃ ｉ ａ ｔ
２Ｃｏ ｌｇ ｆ Ａｕ ｏ ｔｏ Ｓ ｕｔ Ｃｈｉ Ｕｎｉｅ ｓｔ ｏ ｃ ｏｏ ｙ， ａ ｇｚ ｏ ５１ ４０， ｉ ａ ． ｌｅ ｅ ｏ ｔ ｍａｉ ｎ， ｏ ｈ ｎａ ｖ ｒｉｙ ｆ Ｔｅ ｈｎ ｌｇ Ｇｕ ｎ ｈ ｕ ０６ ａａ ｔ ｓｏ Ｉ ｏｔ ｌ ｒｄ ｎｍ ｃｌ ． ｎｌ ， ｅｃｎｒｌ ｒｉ ｓ ｕａ ｄ ｉ Ｔ Ａ ｏｔａ ． ｍ ～ ｌ ｄ ｔｅ ｄｕｔ ｔ ｐｒｍｅ ｒ ｆＰＤ ｃｎｒ ｌ ｙａ ｉａｙＦ ａｌ ｔ ｏ ｔ ｌ ｓ ｉ ｌｔ ｎ ＭＡ Ｌ Ｂ ｓｆ ｒ Ｓ ｕ ｎａ ｓ ｅ ｅ ｏｅ ｌ ｉ ｙｈ ｏｅ ｍ ｅ ｗ ｅｉ
基于RBF神经网络PID参数的自调节及仿真
基于RBF神经网络PID参数的自调节及仿真
史磊;王蔚
【期刊名称】《科技与创新》
【年(卷),期】2017(000)016
【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。
【总页数】3页(P64-66)
【作者】史磊;王蔚
【作者单位】[1]长春工业大学,吉林长春130012;;[1]长春工业大学,吉林长春130012
【正文语种】中文
【中图分类】TP273
【相关文献】
1.车辆ABS参数自调节模糊PID控制仿真
2.基于误差的PID参数自调节控制技术研究
3.基于RBF神经网络PID参数的自调节及仿真
4.基于参数自调节模糊-PID的PMSM矢量控制系统仿真
5.基于RBF神经网络的参数自适应PID变桨控制器的设计
因版权原因，仅展示原文概要，查看原文内容请购买。
基于RBF神经网络与Smith预估补偿的智能PID控制
基于RBF神经网络与Smith预估补偿的智能PID控制王菲菲;陈玮【期刊名称】《计算机工程与应用》【年(卷),期】2012(048)016【摘要】Aiming at the phenomena of big time delay are normally exist in industry control, this paper proposes an intelligent RBF-Smith-PID control based on RBF neural network algorithm and Smith predictive compensation algorithm and traditional PID controller. This method uses the ability of online-study, a self-turning control strategy of RBF neural network, and better control of Smith predictive compensation to deal with the big time delay, overcome the limitation of traditional PID control effectively, improve the system's robustness and self-adaptability, get satisfactory control to deal with the big time delay system.%针对工业控制中普遍存在的大滞后现象,提出了一种将RBF神经网络算法和Smith预估补偿算法与传统的PID控制器相结合的智能RBF-Smith-PID控制策略.该方法利用RBF神经网络的在线学习、控制参数自整定能力,和Smith预估补偿对纯滞后系统的良好控制,有效地克服了常规PID控制的缺陷,提高了系统的鲁棒性和自适应性,对纯滞后系统起到了良好的控制.【总页数】4页(P233-236)【作者】王菲菲;陈玮【作者单位】上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093【正文语种】中文【中图分类】TP13【相关文献】1.基于Smith预估补偿与RBF神经网络的PID控制在工业平缝机脚踏板调速模块中的应用 [J], 何臻祥;肖忠2.基于Smith预估补偿与RBF神经网络的改进PID控制 [J], 王宝忠;宋冬锋;刘卫法3.基于Smith预估补偿的RBF神经网络的锅炉燃烧系统解耦控制 [J], 高锦;李勇;周燕弟;章家岩4.基于两级Smith预估补偿的加热炉温度串级控制 [J], 李康康5.一种基于模糊RBF神经网络的Smith预估器 [J], 沈洁;刘贺平;许鸣珠因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于RBF神经网络整定的PID控制器设计及仿真设计华北电力大学毕业设计(论文)系年月题目基于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 willbe 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 (2)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 (6)2.3神经网络的结构 (7)2.3.1前馈网络 (7)2.3.2 反馈网络 (7)2.4神经网络的学习方式 (8)2.4.1监督学习(有教师学习) (8)2.4.2非监督学习(无教师学习) (8)2.4.3再励学习(强化学习) (9)2.5 RBF神经网络 (9)2.5.1 RBF神经网络的发展简史 (9)2.5.2 RBF的数学模型 (9)2.5.3被控对象Jacobian信息的辨识算法 (10)2.5.4 RBF神经网络的学习算法 (11)2.6 本章小结 (12)3 PID控制器 (13)3.1 PID控制器简介 (13)3.2 经典PID控制原理 (13)3.3 现有PID控制器参数整定方法 (15)3.4 PID控制的局限 (15)3.5本章小结 (15)4 基于RBF神经网络整定的PID控制器设计 (16)4.1 RBF神经网络的PID整定原理 (16)4.2 神经网络PID控制器的设计 (16)4.3 本章小结 (17)5 仿真分析 (18)5.1 系统的稳定性分析 (18)5.2 系统抗干扰能力分析 (19)5.3 系统鲁棒性分析 (20)5.4 本章小结 (22)结论 (23)参考文献 (24)致谢 (25)附录仿真程序 (26)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。
PID控制器算法简单、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中，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。
但是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]9[。
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，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；神经网络所具有的大规模的并行处理和分布式的信息存储；极强的自学、联想额容错能力；良好的自适应和自组织性；多输入、多输出的非线性系统都基本符合工程的要求。
人工神经网络作为生物控制论的一个成果，其触角几乎延伸到各个工程领域，并且在这些领域中形成新的生长点。
径向基神经网络(简称RBF网络)，是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。
同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。
基于RBF神经网络的PID控制器由经典的PID控制器和RBF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。
神经网络应用时不需考虑过程或现象的内在机理，一些高度非线性和高度复杂的问题能较好地得到处理，因此神经网络在控制领域取得了较大的发展，特别在模型辨识、控制器设计、优化操作、故障分析与诊断等领域迅速得到应用。
神经网络控制作为二十一世纪的自动化控制技术，国内外理论与实践均充分证明，其在工业复杂过程控制方面大有用武之地。
而工业现场需要先进的控制方法，迫切需要工程化实用化的神经网络控制方法，所以研究神经网络在控制中的应用，对提高我国的自动化水平和企业的经济效益具有重大意义。
神经网络具有很强的非线性逼近能力和自学习能力，所以将RBF神经网络算法与PID控制相结合产生的间接自校正控制策略，能自动整定控制器的参数，使系统在较好的性能下运行。
虽然人工神经网络存在着以上的许多优点及广泛的应用，但同时也存在着一些不足，由于神经网络的不足阻碍了神经网络的发展，在现实应用中RBF神经网络是最为广泛的神经网络模型之一，RBF神经网络是在1988年被Moody和Darken提出的一种神经网络结构，它从根本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。