BP神经网络在PID控制器参数整定中的应用

合集下载

bp神经网络在pid控制器参数整定中的应用

bp神经网络在pid控制器参数整定中的应用PID控制器（PID， Proportional-Integral-Derivative）是近几十年来应用最为广泛，最成功的控制系统之一，用于正确、稳定地控制各种过程，是目前工业过程控制领域的主要技术。

目前，PID控制器的参数设置方法以人工方法为主，但由于人工方法的受限性，一般只能获得较为粗糙的参数。

在这种情况下，基于神经网络的自动参数整定方法以其快速和准确的特点得到了广泛的应用。

其中，bp神经网络是一种具有广泛应用前景的神经网络模型，它具有自适应特性，可以用于PID控制器参数整定。

首先，利用bp神经网络对过程模型进行研究，根据实际情况确定合理的PID参数，然后利用bp神经网络进行参数自动整定，构建出较为精确的控制系统，用以让过程回路的稳定性和控制精度达到最优。

此外，bp神经网络还可以应用于复杂的线性和非线性双向控制系统，如液位控制、温度控制等，增强了系统的可控性，并大大提高了控制性能和控制质量。

利用bp神经网络实现PID控制器参数自动整定，可以有效提高控制器在不同情况下的精度和可靠性，解决人工方法难以满足的实际控制需求，具有广泛的应用前景。

同时，bp模型本身也有一定的缺陷，例如计算时间长，精度不够等，因此今后有必要进行深入的研究，以发展更先进的控制方法，使之能够更全面地运用于工业过程中。

综上所述，基于bp神经网络的PID控制器参数整定技术是当今应用技术中的一个热点，具有巨大的应用潜力。

它可以有效改善PID 控制系统的性能，并且能够满足不同应用场合的需求，为工业过程控制技术的发展提供了有力的支持。

未来，将继续围绕bp神经网络模型，进行系统的性能分析及参数设计，以更好地服务工业过程控制的发展。

BP神经网络在PID参数自整定中的应用

摘要摘要PID控制方法是经典控制算法中的典型代表，并在多种控制场合取得了很好的效果，但随着生产工艺的日益复杂和人们对工业过程总体性能要求的不断提高，被控对象越来越复杂，大量非线性控制对象的出现，传统的PID控制方法往往难以满足闭环优化控制的要求。

而神经网络作为现代信息处理技术的一种，正在很多应用中显示了它的优越性，神经网络PID控制技术在其中扮演了十分重要的角色，并且仍将成为未来研究与应用的重点技术之一。

本文阐述了神经网络PID控制算法的基本原理，并对几种典型的神经网络PID控制器的控制性能进行了分析。

关键词：神经网络；PID控制；Matlab仿真；梯度搜索算法；BP算法IABSTRACTABSTRACTThe PID control method is one of the traditional eontrol methods and gets good effects under many application situation.But with the increase in complexity of manufacture technics and demands of industrial process performance,the conventional PID control can not meet the requirement of closed loop optimized control.Neural network,as one of modern information proeess technologies,has some advantages in many application.Neural network PID control teehnology in which Plays a very imPortant role,and will become one of the focus of the research and application of teehnology.In this paper ,we describes the basic principles of neural network PID control arithmetic, and form the simulinks of Neural network PID controller,analyse their differences.Keywords：Neural Networks；PID Control；Matlab Simulation；Gradient Search Arithmetic；BP ArithmeticII目录第一章引言 (1)1.1神经网络PID控制器研究现状及发展态势 (1)1.2选题依据及意义 (1)1.3课题研究内容 (2)1.4课题的目标与拟解决的问题 (2)第二章人工神经网络 (3)2.1 人工神经网络的发展 (3)2.2 生物神经元 (4)2.3 人工神经网络的结构 (5)2.3.1人工神经元及其激活函数 (6)2.3.2 神经网络的拓扑结构 (8)2.4 神经网络的学习 (10)2.4.1 神经网络的学习方式 (10)2.4.2 神经网络学习算法 (11)2.5神经网络的特点及其应用 (13)2.5.1 神经网络的特点 (13)2.5.2 神经网络的应用 (13)第三章传统PID控制 (14)3.1 传统PID控制简介 (14)3.2 数字PID控制算法 (15)3.3 PID控制的参数及其整定 (15)3.3.1 PID控制参数对性能的影响 (15)3.3.2 PID控制参数的整定 (16)3.4 传统PID控制的难题 (17)第四章BP神经网络PID控制器 (19)4.1 神经网络用于控制领域 (19)4.2 神经网络PID控制研究的意义与现状 (19)4.3 BP神经网络 (20)4.4 BP神经网络参数自整定PID控制器 (22)4.5 BP神经网络近似PID控制器 (26)III第五章BP神经网络PID控制器的编程与仿真 (29)5.1 编程语言Matlab语言简介 (29)5.2 BP神经网络自整定PID控制器的编程实现 (30)5.2.1参数初始化核心代码 (30)5.2.2 前馈计算核心代码 (30)5.2.3 误差反传核心代码 (31)5.3 BP神经网络自整定PID控制器的仿真 (32)5.4 BP神经网络近似PID控制器的编程实现 (38)5.5 BP神经网络近似PID控制器的仿真测试 (39)5.6 本章小结 (41)结束语 (42)参考文献 (43)致谢 (44)附录一：神经自整定PID控制器的M程序 (45)附录二：神经近似PID控制器的M程序 (48)外文资料原文 (51)外文资料译文 (54)IV第一章引言第一章引言1.1神经网络PID控制器研究现状及发展态势PID控制器从问世至今已经几十年了，成为工业过程控制中主要技术成功应用于机械冶金电力和轻工等工业过程控制领域中[1]，对于PID控制器来说，要想得到较理想的控制效果，必须先对其三个参数：即比例系数( Kp )，微分系数( Ki )，微分系数( Kd )进行优化。

BP神经网络在PID控制中的应用

BP神经网络在PID控制中的应用作者：杜金明姜旭日王传俊吴双佚来源：《科学与财富》2019年第11期摘要：系统控制是吸引工程学界关注的领域之一。

当系统有时间延迟并需要精确控制时。

控制设计是一项艰巨的任务，需要先进的控制理论。

在许多控制方案中，PID控制广泛用于工程系统，但调整PID参数的方法通常需要时间和精力才能实现精确控制。

BP神经网络可以用于设计神经网络系统。

一个神经网络模型（NNM）用于工厂识别，另一个神经网络控制器（NNC）可以相应地调整PID参数。

通过NNM在线学习和修复，可以预测工厂产量。

此外，该技术用于识别工厂的模型。

通过模拟实验和实际测试将结果与现有方法的结果进行比较。

验证显示了改进的有效性和稳健性。

关键词：PID控制；神经网络；数学模型一、介绍作为今天的世界，随着技术的进步，人们每天都在创造各种高科技产品。

飞机，远程手术机器和工业机器人等产品使人们的生活变得更加便利。

但是，需要精确控制高科技产品以执行所需的位置。

例如人们使用遥控器向飞机发送请求，以便它可以飞到所需的位置。

医生应该以非常准确的方式控制医疗机器进行远程手术，否则患者可能会受伤。

为了使控制目标更加准确和快速，应设计并实现PID控制方法。

PID控制器可以优化系统响应，这种控制器广泛用于机械和工业系统。

开发一种优化PID 控制器的方法在系统控制领域至关重要。

但是，调整PID控制器并非易事。

通常它需要大量耗尽的实验并且需要大量的时间和精力。

此外，还有过程中的干扰。

最常见的是时间延迟问题。

它可能会使系统产量不确定。

大的时间延迟可能导致系统不稳定。

受这些问题的驱使，需要使用先进的技术，例如使用神经网络来设计PID控制器。

二、PID控制器在系统控制过程中，一些变量如加速度，速度，振幅通常需要保持在一定范围内，或者可以根据原理进行改变。

并且为了接近控制過程要求，PID控制器基于PID控制算法调整控制系统的偏差。

这样工厂的实际产值就可以达到我们想要的值。

(完整word版)基于BP神经网络的自整定PID控制仿真

基于BP神经网络的自整定PID控制仿真一、实验目的1.熟悉神经网络的特征、结构及学习算法。

2.通过实验掌握神经网络自整定PID的工作原理。

3.了解神经网络的结构对控制效果的影响。

4. 掌握用Matlab实现神经网络控制系统仿真的方法。

二、实验设备及条件1.计算机系统2.Matlab仿真软件三、实验原理在工业控制中，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。

但是，PID具有一定的局限性：被控制对象参数随时间变化时，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。

基于BP神经网络的PID控制器结构如图4所示。

控制器由两部分组成：一是常规PID控制器，用以直接对对象进行闭环控制，且3个参数在线整定；二是神经网络NN，根据系统的运行状态，学习调整权系数，从而调整PID参数，达到某种性能指标的最优化。

图4中神经网络采用结构为4-5-3型的BP网络。

BP网络是一种单向传播的多层前向网络。

输入节点对应系统的运行状态量，如系统的偏差与偏差变化率，必要时要进行归一化处理。

输入变量的个数取决于被控系统的复杂程度，输出节点对应的是PID的3个可调参数。

由于输出不能为负，所以输出层活化函数取2()(1)()(1)1(1)a k y k y k u k y k -=+-+-非负的Sigmoid 函数，隐含层取正负对称的Sigmoid 函数。

本系统选取的BP 网络结构如图5所示。

网络的学习过程由正向和反向传播两部分组成。

如果输出层不能得到期望输出，那么转入反向传播过程，通过修改各层神经元的权值，使得误差信号最小。

输出层节点分别对应3个可调参数K p 、K i 、K d 。

基于BP神经网络PID整定原理和算法步骤

基于BP神经网络PID整定原理和算法步骤BP神经网络是一种常用的非线性拟合和模式识别方法，可以在一定程度上应用于PID整定中，提高调节器的自适应性。

下面将详细介绍基于BP神经网络的PID整定原理和算法步骤。

一、基本原理：BP神经网络是一种具有反馈连接的前向人工神经网络，通过训练样本的输入和输出数据，通过调整神经元之间的连接权重来模拟输入和输出之间的映射关系。

在PID整定中，可以将PID控制器的参数作为网络的输入，将控制效果指标作为网络的输出，通过训练网络来获取最优的PID参数。

二、算法步骤：1.确定训练数据集：选择一组适当的PID参数和相应的控制效果指标作为训练数据集，包括输入和输出数据。

2.构建BP神经网络模型：确定输入层、隐藏层和输出层的神经元数量，并随机初始化神经元之间的连接权重。

3.设置训练参数：设置学习速率、误差收敛条件和训练迭代次数等训练参数。

4.前向传播计算输出：将训练数据集的输入作为网络的输入，通过前向传播计算得到网络的输出。

5.反向传播更新权重：根据输出与期望输出之间的误差，利用误差反向传播算法来调整网络的连接权重，使误差逐渐减小。

6.判断是否达到收敛条件：判断网络的训练误差是否满足收敛条件，如果满足则跳转到第8步，否则继续迭代。

7.更新训练参数：根据训练误差的变化情况，动态调整学习速率等训练参数。

8.输出最优PID参数：将BP神经网络训练得到的最优权重作为PID 控制器的参数。

9.测试PID控制器：将最优PID参数应用于实际控制系统中，观察控制效果并进行评估。

10.调整PID参数：根据实际控制效果，对PID参数进行微调，以进一步优化控制性能。

三、应用注意事项：1.训练数据集的选择应尽量全面、充分，覆盖各种不同工况和负载情况。

2.隐藏层神经元数量的选择应根据实际情况进行合理调整，避免过拟合或欠拟合现象。

3.学习速率和训练迭代次数的设置应根据系统复杂度和训练误差的变化情况进行调整。

基于BP_神经网络的PID_控制算法参数优化

- 22 -高新技术从本质上来看，PID 控制算法就是对比例、积分和比例微分间的关系进行控制的一种算法。

PID 控制调节器具有适应性强、鲁棒性良好的特征，因此被广泛应用于工业控制领域。

但是，随着科学技术、控制理论发展，在工业生产中被控对象逐渐向复杂化和抽象化的趋势发展，并呈现滞后性、时变性和非线性的特征，这使传统PID 控制器难以精准调控这种较复杂的控制系统。

为了解决该问题，研究人员将控制理论与其他先进的算法相结合，形成全新的控制理论，包括神经网络控制、遗传算法以及模糊控制等。

对神经网络算法来说，由于其具有较高的鲁棒性和容错性，因此适用于复杂的非线性控制系统中，并且具有广阔的应用前景和较大的发展潜力。

1 BP 神经网络结构及算法BP 神经网络将网络视为一个连续域，在这个网络中，输入层和输出层都是任意时刻、任意数目的样本值，网络输出层值与输入层值间也可以具有任意关系，这个学习过程就称为BP 神经网络学习过程。

作为一种被广泛应用的神经网络模型，BP 神经网络由输入层、输出层和隐含层组成：1）输入层。

从第i 个输入向量中产生相应的输出值。

2）输出层。

在输出值的作用下将其转换为输入数据。

3）隐含层。

在输出值的作用下对数据进行隐含处理，将处理后的结果反馈给输入层，3个输入层构成1个BP 神经网络。

当输入数据在时间域内经过多次的误差传播时，最后被一个误差源作为输出信号，即经过输入单元和输出组的中间信息。

如果该误差源的误差小于输出单元和输出组中各单元间的误差，那么这些单元在计算输出时就会有很大的变化；如果超过了期望值，那么这一单元被认为是输入量存在误差（也就是输入信号存在误差），将不再使用该单元；如果仍然超过期望值，那么输出量又会存在误差[1]。

通过分析输入与输出量间的关系可以得出BP 网络中各个隐藏层上节点数与该输出量间的关系。

BP 神经网络的拓扑结构如图1所示。

为了对BP 神经网络进行运算和优化，该文设定了中间层的加权和结点临界，以便将全部采样的真实输出量与预期的输出量的偏差控制在一个很低的区间，并且通过调节这个区间来保证它的稳定性。

bp神经网络在pid控制器参数整定中的应用

bp神经网络在pid控制器参数整定中的应用
BP神经网络在控制器参数整定中的应用越来越广泛。

BP神经网
络是一种人工神经网络，可以模拟人类神经系统的信息处理功能，用
于复杂系统建模和控制，在PID控制器参数整定中得到了广泛的应用。

一般来说，PID控制器由三部分组成：比例、积分和微分。

根据常
规PID控制调节策略，需要经过多次实验调整参数，以获得最佳控制
效果。

然而，传统的参数调整方法难以满足快速改变的系统和复杂的
控制系统的变化需求，因此，BP神经网络的出现为PID控制参数整定
提供了一种新的思路和手段。

BP神经网络可以用于自动调整PID参数，具有更高的效率和更好
的精度。

通过将系统模型形式化为BP神经网络，可实现基于模型的
PID调节策略，使得调节参数直接从系统模型获得，从而极大地减少参
数的调节时间。

此外，BP神经网络还可以用于故障诊断，如特征提取、特征识别和故障诊断。

可以说，BP神经网络的出现，大大提高了控制
器参数的整定效率和精度。

因此，BP神经网络已成为PID控制器参数整定的重要工具。

它不
仅可以大大提高控制参数调整效率，而且还可以更准确地预测控制系
统的行为。

同时，BP神经网络也可以用于诊断和保护，以确保系统更
加稳定和可靠。

因此，BP神经网络在PID控制器参数整定中应用广泛。

基于BP神经网络PID整定原理和算法步骤

基于BP神经网络PID整定原理和算法步骤PID（比例、积分、微分）控制是一种常用的控制算法，用于调节系统的输出使其接近期望值。

BP（Back Propagation）神经网络是一种具有强大机器学习能力的神经网络模型。

基于BP神经网络的PID整定方法结合了PID控制算法和神经网络的优点，通过神经网络的学习能力优化PID 参数的选择，提高了控制系统的鲁棒性和适应性。

以下是基于BP神经网络的PID整定原理和算法步骤：一、原理：1.神经网络模型：建立一个具有输入层、隐藏层和输出层的BP神经网络模型，其中输入层接收系统的输入信号，输出层输出控制信号的PID 参数，隐藏层的神经元通过学习调整连接权重以优化参数选择。

2.参数训练：基于反向传播算法，通过输入输出样本对神经网络进行训练，使其学习输入输出之间的映射关系。

训练过程是一个迭代过程，通过不断调整连接权重和偏置，使神经网络的输出结果逼近期望值。

3.PID原理：PID控制算法根据系统当前误差，通过比例、积分和微分项生成控制信号。

调节PID参数可以改变控制信号的响应特性，使其更好地适应控制对象的动态特性。

二、算法步骤：1.数据采集：收集系统的输入输出数据，用于训练神经网络模型。

2.数据预处理：对采集到的数据进行预处理，包括去除噪声、归一化等处理，以提高神经网络的训练效果。

3.网络构建：根据需要构建BP神经网络模型，包括输入层、隐藏层和输出层。

隐藏层的神经元数量和层数可以根据实际情况进行选择。

4.神经网络训练：将预处理后的数据输入到神经网络中，利用反向传播算法对神经网络进行训练。

根据实际需求设置训练的轮数和学习率等参数。

5.训练结果评估：通过评估神经网络的训练结果，包括误差曲线、训练时间等指标，来判断训练是否达到预期效果。

6.PID参数优化：根据神经网络的输出结果调整PID的比例、积分和微分参数。

可以通过试错法或者自适应控制方法对参数进行调整。

7.控制性能评估：利用调整后的PID参数进行控制，通过评估系统的性能指标，例如超调量、调整时间等，来判断PID参数的选择是否合理。

基于BP神经网络的PID控制器设计【范本模板】

1.2
早在20世纪初,人们就已经发现人脑的工作方式与现在的计算机是不同的.人脑是由极大量基本单元(称之为神经元）经过复杂的相互连接而成的一种高度复杂的、非线性的、并行处理的信息处理系统。人工神经网络，是借鉴人脑的结构和特点，通过大量简单处理单元(神经元或节点）互连组成的大规模并行分布式信息处理和非线性动力学系统。它具有巨量并行性、结构可变性、高度非线性、自学习性和自组织性等特点.因此，它能解决常规信息处理方法难以解决或无法解决的问题，尤其是那些属于思维(形象思维)、推理及意识方面的问题从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的过程，即人工神经网络的研究,自20世纪40年代以来，它的发展经历了一条由兴起、萧条和兴盛三个阶段构成的曲折道路。早在1943年精神病学家和神经解剖学家McCulloch与数学家Pitts在数学生物物理学会刊（(Bulletin ofMathematical Biophysics))上发表文章,总结了生物神经元的一些基本生理特征，提出了形式神经元的数学描述与结构，即MP模型。他们的神经元模型假定遵循一种所谓“有或无"规则。如果如此简单的神经元数目足够多和适当设置突触连接并且同步操作,McCulloch和Pitts证明这样构成的网络原则上可以计算任何可计算函数。这是一个有重大意义的结果，有了它就标志着神经网络和人工智能学科的诞生。1958年，计算机科学家Rosenblatt提出感知机(Perceptron），首次把神经网络理论付诸工程实现。这是一种学习和自组织的心理学模型，它基本上符合神经生物学的知识,模型的学习环境是有噪声的，网络构造中存在随机连接,这是符合动物学习的自然环境。当时，人们对神经网络的研究过于乐观,认为只要将这种神经元互连成一个网络，就可以解决人脑思维的模型问题。但是，随之而来的Minsky和Papert(1969）所著的《Percepen》一书，利用数学证明单层感知器所能计算的根本局限，提出感知器的处理能力有限，甚至连XOR这样的问题也不能解决，并在多层感知器的总结章中，论述了单层感知器的所有局限性在多层感知器中是不可能被全部克服的。使人们降低了对神经网络研究的热情,从而使神经网络进入萧条时期[7］。但在其间，一些人工神经网络的先驱仍然致力于这一研究，美国波士顿大学的Crrossberg提出了自适应共谐振理论（ART网），芬兰的Kohonen提出了自组织映射（SOM)，Amari致力于神经网络数学理论的研究，这些都为神经网络的进一步研究与发展奠定了基础.1986年Remelhart和Mcllelland等人提出了并行分布处理的理论，同时,Werbos和Parker独立发展了多层网络的BP算法,这是目前最普遍的网络，广泛用于实际问题求解。如今，神经网络的应用,已渗透到模式识别、图像处理、非线性优化、语音处理、自然语言理解、自动目标识别、机器人、专家系统等各个领域，并取得了令人瞩目的成果。从众多应用研究领域取得的丰硕成果来看，人工神经网络的发展具有强大的生命力。当前存在的问题是智能水平还不高，许多应用方面的要求还不能得到很好的满足：网络分析与综合的一些理论性问题（如稳定性、收敛性的分析，网络的结构综合等)还未得到很好的解决.随着人们对大脑信息处理机理认知的深化，以及人工神经网络智能水平的提高，人工神经网络必将在科学技术领域发挥更大的作用。

BP神经网络算法的改进及其在PID控制中的应用研究共3篇

BP神经网络算法的改进及其在PID控制中的应用研究共3篇BP神经网络算法的改进及其在PID控制中的应用研究1随着工业自动化的不断推进和智能化的不断发展，控制理论和算法变得越来越重要。

PID控制算法已成为现代控制中最常用的算法之一。

然而，传统的PID控制算法在某些情况下会出现一些问题，这些问题需要新的解决方案。

因此，本文将探讨BP神经网络算法的改进及其在PID控制中的应用研究。

BP神经网络是一种前向反馈神经网络，它通过反复迭代调整参数来学习训练数据，从而实现分类和回归等任务。

BP神经网络作为一种非线性动态系统，具有自适应性、非线性和强泛化能力等特点。

在控制系统中，BP神经网络可以用于模型预测、模型识别和模型控制等方面。

在控制系统中，PID控制是一种常规的线性控制技术。

然而，传统的PID控制算法存在一些问题，如难以解决非线性系统、难以控制多变量系统等。

为了解决这些问题，人们开始探索将BP神经网络用于控制系统。

BP神经网络可以通过学习训练数据来逼近未知非线性系统，从而实现对系统的控制。

在使用BP神经网络控制系统时，需要进行参数调整来保证网络的准确性和控制效果。

对于传统的BP神经网络，训练过程需要耗费大量的计算时间和计算资源。

因此，人们提出了一些改进的BP神经网络算法，如逆传播算法、快速BP算法和LM算法等。

逆传播算法是一种基于梯度下降的BP神经网络算法，该算法通过不断地调整权重和偏置来实现网络的训练。

快速BP算法是一种改进的逆传播算法，它增加了一些优化步骤，使训练过程更快速和高效。

LM算法是一种基于牛顿法的BP神经网络算法，在训练过程中可以自动调整学习率，从而提高训练的速度和准确性。

在控制系统中，BP神经网络可以用于模型预测、模型识别和模型控制等。

例如，在模型控制方面，可以使用BP神经网络来进行预测，并根据预测结果来调整控制参数，从而实现对系统的更加有效的控制。

此外，在模型识别方面，人们也可以使用BP神经网络精确地识别复杂的非线性系统，实现对系统的更加准确的控制。

基于BP神经网络的PID参数智能整定

电子技术与软件工程 Electronic Technology & Software Engineering
基于 B P 神经网络的P ID 参数智能整定
李博 ( 西安工程大学陕西省西安市 710048 )
自动化控制 Automatic Control
摘要：本文将性能指标和参数的单次调整量作为神经网络的输入层和输出层，训练数据是人工整定PID参数的过程中收集的，等同于让神经网络跟随工程人员学习PID调试的规则以及人工调试的经验。这样训练完成的网络，不再受到控制模型的约束，适用的范围大幅增加，当稳定性不达标时，投入到整定 PID参数的过程中，实现控制系统的智能化。
燕山大学学报，2017, 41 (03):51-55+80. [4] 胡林文 . 神经网络 PID控制器的研究及解耦应用 [D] . 泉州：
华价大学，2011.
作者简介李博（1 9 9 2 - ) ，男，陕西省西安市人。研究生。研究方向为电气与智能控制。
110
3 数据收集与网络训练
为了能够让神经网络能够学习P丨D 参数调试的策略，就需要用能够表现出性能指标与参数之间动态关系的数据来训练网络。这就需要在 PID控制器从初始参数调试到最佳参数组合的过程中，收集训练数据。表 2 为收集到的部分数据。
随机选取数据的 7 0 % 作为训练集，剩余 3 0 % 作为测试集。训
参考文献 [1] 谢炜 . 基于 BP神经网络 PID算法的多电机同步控制研究 [D].
沈阳：沈阳工业大学，2017. [2] 黄剑平 . 基于 BP神经网络的 PID控制研究 [J] . 计算机仿

基于BP神经网络PID整定原理和算法步骤-精品

神经网络是一个由大量简单的处理单元广泛连接组成的系统，用来模拟人脑神经系统的结构和功能。它从开始研究到发展并不是一帆风顺的，经历了兴起到低潮，再转入新的高潮的曲折发展道路。20世纪80年代中期以来，在美国、日本等一些西方工业发达国家里，掀起了一股竞相研究、开发神经网络的热潮。近十多年来人工神经网络的发展也表明了，这是一项有着广泛的应用前景的新型学科，它的发展对目前和未来科学技术水平的提高将有重要影响。
KEY WORDS:BP algorithm,PID control,self-tuning
第1章绪论
1.1
在计算机技术没有发展的条件下,大量需求的控制对象是一些较为简单的单输入单输出线性系统,而且对这些对象的自动控制要求是保持输出变量为要求的恒值,消除或减少输出变量与给定值之误差、误差速度等。而PID控制的结构,正是适合于这种对象的控制要求。因此PID控制是最早发展起来的控制策略之一，由于其算法简单，鲁棒性好和可靠性高，被广泛应用于过程控制中，尤其适用于可建立精确数学模型的确定性控制系统。然而实际工业生产过程往往具有非线性，时变不确定性，难以建立精确地数学模型，应用常规PID控制器不能达到理想的控制效果，而且在实际生产现场中，由于受到参数整定方法繁杂的困扰，常规PID控制器往往整定不良，性能欠佳，对运行工况的适应性很差。所以人们从工业生产过程需要出发,基于常规PID控制器的基本原理,对其进行了各种各样的改进，形成所谓智能PID控制[1]。而其中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。
本文以BP神经网络作为研究对象。研究的内容主要有：首先介绍了神经网络的概念、控制结构，学习方式等。其次，介绍了人工神经元模型，并对BP神经网络的基本原理及推导过程进行详细阐述。再次将BP神经网络的算法应用于PID中，介绍了基于BP神经网络PID整定原理和算法步骤。最后利用MATLAB/Simulink对BP神经网络PID控制系统进行仿真，得出BP神经网络的控制效果明显好，它具有很强的自整定，自适应功能。

基于BP网络的PID控制器参数整定法研究

深圳职业技术学院学报ｋａ．因为ｋｐ，ｋ和ｋ必须是非负值，所以节点ｉｄ的激励函数只能取Ｓ型对数函数才能满足要求．
第１卷１
）
ＷＯ）ｊ（ｉｆ１（
２
，…
，ｑ
（４）
Ｄ）ｆｎ￣尼＝（ｔ（）ｅ）
中图分类号：Ｔ２３Ｐ７文献标志码：Ａ文章编号：１７— ３８（０２５０３～３６２０１２１）０ — ０９０
１ＢＰ神经网络
Ｂ网络包含输入层，隐含层和输出层３Ｐ
层ｌ．其中，隐含层可以为一层，也可以为多ｌＪ
深圳职业技术学院学报２１０２年第５期
ＪｕｒａｆＳｅｚｅｌｔｃｉｏｎｌｏｈｎｈｎＰｏｙｅｈｎｃＮＯ．２２５．０ｌ
基于ＢＰ网络的ＰＤ控制器参数整定法研究Ｉ
同高峰
（商丘师范学院物理与电气信息学院，河南商丘４６０）７００
第二步：将前向网络计算得到的输出和期望值比较，如果存在误差，使此误差经隐含层逐层反向传播，并根据误差修正各节点间的连接权值，
这是误差的反向传播．
忆系统的状态，进行权值调整，并迅速给出适合目前过程状况的ＰＤ参数，从而及时有效地对过程进Ｉ
行实时控制．
重复进行上述２个步骤，对权值不断进行修正直至误差减小到要求的精度范围内．据大［４０２］－的工业控

神经网络算法在自整定PID控制中的运用

：
∑ 薯一
ｉ＝１
…
ＬｌＪ
３基于神经网络的非线性自整定ＰＩＤ控制
ＰＩＤ控制是发展最早的经典控制算法之
一
我们知道，ｕ（ｋ１的求出需要ｕ（ｋ．１），
ｅ（ｋ），ｅ（ｋ．１），ｅ（ｋ．２）四个数据，神经网络的作
基本结构的的Ｅｌｍａｎ神经网络是阶层结构，类似于一般的多层前馈神经网络，也有输入层，隐含层和输出层。但除此之外，Ｅｌｍａｎ
将神经网络应用于ＰＩＤ参数的自整定方
案设计如图２所示。
而且ＰＩＤ控制器一直是控制领域的基本控
制方式，其算法简单，可靠性高，利用系统的
偏差，基于比例（Ｐ）、积分（Ｉ）、微分（Ｄ）来进行控制。
２基于神经网络的辨识
系统辨识（ＳｙｓｍｍＩｄｅｎｔｉｉｆｅ￣ｉｏｎ）是现代控制理论中一个很重要的组成部分。在现代的控制过程中，由于系统越来越复杂，被控对象
算机中，组成计算机控制系统，能够完成更多
型构建
通过训练与学习，建立一个模型，使其能表达更复杂的计算与控制。由于计算机处理的是数ＩＤ控制算法数字化。系统的正向动力学特性。另外还有一种逆模型，字量，故需将Ｐ
前提是其拟辨识的非线性系统可逆，因为并不
型应用较多。
图１：ＰＩＤ控制系统原理图

基于BP神经网络整定的PID控制策略研究

基于BP神经网络整定的PID控制策略研究摘要:PID控制在工业生产中广泛应用,在反馈控制系统中经常会遇到稳定性和准确性的冲突,神经网络技术的发展为此提供了新的解决问题的途径,本文将BP神经网络模型与PID参数整定结合,探讨了基于BP神经网络整定的PID控制策略。

关键词:BP神经网络参数整定PID控制1 PID控制概述在工业生产过程中,生产装置的温度、压力、流量等参数要求维持在一定的数值上或按某种规律变化以满足生产要求。

PID控制PID(proportional integral differential)系统通过对生产系统偏差进行调节,促使被控变量的实际值与工艺要求值一致,从而满足工业生产的要求,PID控制器原理简单、易实现、控制性好且具有鲁棒性强的特点,在工业生产中得以广泛应用。

传统的PID控制器是一种线性控制器,依据给定值r(t)和输出值y(t)计算控制偏差error(t),实现纠错控制,纠错控制环节包括比例单元(P)、积分单元(I)、微分单元(D)三个部分,可根据历史数据和差别出现率调整新的输入值,在其控制方法导致系统有稳定性误差或过程反复的情况下,PID控制系统可以保持系统的稳定性。

其原理图如图1。

在PID控制系统中,P、I、D为待定参数,若控制系统中的微分增益(D)为零,则相应的控制器为PI控制器,同理可以定义PD、ID控制器,在工业生产中以PI和PDI应用最为广泛。

近年来,PID控制有较快的发展,对PID控制的稳定性问题研究不断深入。

当使用反馈控制时,闭环系统有可能不稳定,此外当被控对象的结构和参数不能完全掌握时,系统控制器的结构和参数也依赖于经验和现场调试,因此稳定性是反馈控制考虑的首要问题。

许多学者对PID参数整定方法进行了研究,迄今为止已有几十年的历史。

如Ziegler和Nichols(1942)提出整定经验公式、Cohen-Coon 整定公式、内模PID控制法(IMC-PID)和Nyquist图等方法。

SIMULINK仿真BP神经网络整定的PID控制

SIMULINK仿真BP神经网络整定的PID控制随着智能化、自动化技术的不断发展，控制系统在各个领域的应用也越来越广泛，PID控制器是目前工业控制系统中应用最广泛的控制算法之一。

然而，在一些复杂的控制系统中，PID 控制器往往不能够满足精度和稳定性的要求。

此时，BP神经网络整定的PID控制算法就显得非常重要了。

而在这个过程中，SIMULINK作为一个工程仿真软件，也非常重要。

BP神经网络整定的PID 控制算法即是将BP神经网络算法与PID控制算法结合起来，将神经网络算法用于计算PID控制器的三个参数Kp、Ki、Kd。

显然，这种整定方法能够有效改善传统PID控制器在一些系统中出现的稳定性差、响应速度慢等问题。

而针对这个方法的仿真实现，SIMULINK是一个非常重要的工具。

使用SIMULINK可以方便地实现BP神经网络整定的PID控制算法，具体步骤如下：1. 在Simulink模型中添加BP神经网络模块，这个模块可以通过Matlab自动调整PID控制器的参数。

2. 设置模型的输入和输出信号，输入信号一般是被控对象的状态或者环境的参数，输出信号是PID控制器的输出。

3. 进行仿真，并根据仿真结果反馈调整BP神经网络的参数。

以上步骤是SIMULINK仿真BP神经网络整定的PID控制算法的基本实现过程。

通过这个算法，控制系统的精度和稳定性都能得以提高，效果明显。

需要注意的是，整定参数时需要考虑到被控对象的动态特性，避免超调和不稳定等问题。

总之，对于一些复杂的控制系统，使用SIMULINK仿真BP神经网络整定的PID控制算法是非常必要的。

通过这种方法能够提高控制系统的效率和稳定性，为工业控制提供更可靠的保障。

BP神经网络在PID调节器设计中的应用

BP神经网络在PID调节器设计中的应用【摘要】本文首先简单介绍了传统PID控制器的原理、结构及优缺点和BP 神经网络的原理与特点，然后介绍了基于BP神经网络的数字式PID控制器的搭建的一种方法。

【关键词】PID；数字式；BP神经网络1.PID控制器的原理及结构PID控制器就是基于偏差的比例（Proportional）、积分（Integral）和微分（Derivative）的控制器，是工业过程控制中历史最悠久而且生命力最强的控制方式。

由于PID控制器的算法相对简单，鲁棒性强，因此PID控制应用很广泛。

根据国外相关机构的统计得知，实际应用中约有90%的控制回路采用PID控制器实现。

随着现代控制理论的发展，业界不断涌现更新的控制方案，但至今PID 仍是最重要的控制方式。

下面简要介绍PID控制的结构及优缺点。

（1）比例环节对控制系统性能的影响。

比例环节的增益系数Kp可以即时的反映控制系统的偏差信号e（t），一旦偏差产生，则比例环节可以立即产生调节作用。

由于一般系统均为负反馈，因此系统偏差将逐渐减小。

Kp的大小决定了比例环节作用的强弱。

当Kp较大时，比例环节作用强，系统的偏差减小快。

当Kp小时，则比例环节的作用较小。

但是当Kp过大时，系统将逐渐趋于不稳定，出现超调过大、系统震荡甚至发散的现象。

以机电系统为例，一般超调量应控制在10%～20%，否则机械系统将受到不可逆的损坏。

（2）积分环节对控制系统性能的影响。

积分环节的作用是用来消除系统的稳态误差，提高系统的稳态无差度，从而实现系统对给定信号的无静差跟踪。

积分环节反映了对偏差的历史值的积分，只要偏差存在且不为零，则积分值就会持续变化。

当偏差为零后，积分值不再变化，此时积分调节的输出为恒值，系统亦达到稳态。

根据表达式易知，积分环节的作用强弱取决于时间常数Ti和Kp。

此处可认为Kp为定值，则积分环节的作用强弱仅与Ti有关。

Ti越小，则积分环节的作用越强；Ti越大，则积分环节的作用越弱。

基于BP神经网络PID参数自整定的研究_廖芳芳

表示隐含层节点 x 1j 的闽值，此层神经元的输出函数一般 θ1 j 采用非线性函数，常采用 S 函数，用 f ( x ) 表示输入层到隐含层的传递函数；用 θ s2 表示输出层节点 x s2 的闽值，此层神经元输出特性函数一般由输入输出函数关系决定是采用非线性的还是线性的，用 g(x) 表示隐含层到输出层的传递函数。故上图各参数之间的关系为：输入层: x i = x i0 隐含层： θ 1 j = 输出层： θ 2 = w2 x ∑ sj j s
Abstract: PID controllers are used in a large number of industries, particularly in process industries. However, up to now, there are no satisfactory solutions about the tuning of PID parameters. NN (Neural Network) technique was used in PID control because it couldchange parameters itself on line. In this way, a NN PID controller of self-tuning could be construted. The simulation experiments prove it satisfactory. Key words: PID(Proportional Integral Derivative); self-tuning; Back Propagation Neural Network; simulation
由于控制器网络的输出 u(k)的变化是使评价函数 E 0 最小，故