神经网络PID控制
神经网络PID控制
NNI
十
十
x₁(k)=e(k)x₂(k)=△e(k)=e(k)-e(k-1)x₃(k)=△²e(k)=e(k)-2e (k-1)+e(k-2)e(k)=r(k)-y(k)NNC 的输出为：△u(k)=k₁x₁(k)+k₂x₂(k)+k₃x₃(k)式中，}i=1,2,3 为权系数，△u(k) 为输入信号的加权和。由此可见，NNC 具有增量D 控制的结构
i=1,2,…,Q-1
BP网络的输入层节点的输为
网络的隐含层输入、输为
·神经网络PID控制 20
o(k)=1
(13)
(14)
式中o 为输出层权系数 阈值，
网络的输出层的输入输出为
·神经网络PID控制 21
图二 神经网络PID控制系统结构图
·神经网络PID控制 17
二、方案二
被控对象
u
个
经典PID控制算式为u(k)=u(k-1)+Kp[e(k)-e(k-1)]+K,e(k)+K,[e(k)-2e(k-1) + e(k-2)1
7.由(20)式，计算修正输出层敝系数。(k);8.由(21)式，计算修正隐含层敝系数。)(k);9.置k=k+1, 返回到“3”,直到性能指标J 满足要求。
·神经网络PID控制 26
系数a(k)是慢时变的，a(k)=1.2(1-0.8e -01k),神经网络结构为4—5—3,输入层的个神经元分别为模型翰入r(k)、 输 出(k)、误 差(k)和常量。学习速率=0.25,动量系数=0.05,加权系数初始值取随[=0.50.5]上的随机数。当输入信号为幅值是的正弦信号(t)sin(2πt)时，取采样时间为.001s,仿真结果如图所示。·神经网络PID控制 27
基于BP神经网络的PID控制系统设计
基于BP神经网络的PID控制系统设计一、引言PID（Proportional-Integral-Derivative）控制器是一种常用的自动控制器，其通过测量系统的输出偏差，根据比例、积分和微分三个因素来控制系统的输出。
然而，传统的PID控制器难以适应复杂、非线性和时变的系统，对于这类系统的控制，神经网络已经被证明是一种有效的方法。
本文将介绍基于BP神经网络的PID控制系统设计。
二、BP神经网络简介BP神经网络（Backpropagation Neural Network）是一种常用的前向反馈型人工神经网络，其通过反向传播算法来训练网络参数，从而实现对输入数据的学习和预测。
BP神经网络拥有多层神经元，每个神经元都与下一层神经元相连，并通过权重和阈值来传递和处理输入信息。
三、PID控制器简介PID控制器由比例（Proportional）、积分（Integral）和微分（Derivative）三个部分组成，其控制输出的公式为：u(t) = Kp * e(t) + Ki * ∑e(t)dt + Kd * de(t)/dt其中，u(t)为控制器的输出，Kp、Ki、Kd为控制器的三个参数，e(t)为系统的输出偏差，∑e(t)dt为偏差的积分项，de(t)/dt为偏差的微分项。
1.数据采集和预处理：首先需要采集系统的输入和输出数据，并对其进行预处理，包括数据归一化和滤波处理等。
2.神经网络设计和训练：根据系统的输入和输出数据，设计BP神经网络的结构，并使用反向传播算法来训练网络参数。
在训练过程中，根据系统的输出偏差来调整比例、积分和微分三个参数。
3.PID控制器实现：根据训练得到的神经网络参数，实现PID控制器的功能。
在每个控制周期内，根据系统的输出偏差来计算PID控制器的输出，将其作为控制信号发送给被控制系统。
4.参数调优和性能评估：根据控制系统的实际情况，对PID控制器的参数进行调优，以提高系统的控制性能。
基于BP神经网络的PID控制器设计
基于BP神经网络的PID控制器设计PID控制器是一种常用的控制器，可以通过根据系统的误差、历史误差和误差的变化率来计算控制信号，从而实现对系统的控制。
传统的PID控制器可以通过调节PID参数来实现对系统动态特性的控制，但是参数调节过程往往需要经验和反复试验，而且很难实现对非线性系统的精确控制。
近年来，基于BP神经网络的PID控制器设计方法得到了广泛的关注。
BP神经网络是一种常用的人工神经网络模型，可以通过训练得到输入与输出之间的映射关系。
在PID控制器设计中，可以将误差、历史误差和误差的变化率作为BP神经网络的输入，将控制信号作为输出，通过训练神经网络来实现对控制信号的合理生成。
1.数据预处理：首先需要采集系统的输入输出数据，包括系统的误差、历史误差和误差的变化率以及相应的控制信号。
对这些数据进行归一化处理，以便神经网络能够更好地学习和训练。
2.网络结构设计：根据系统的特性和要求，设计BP神经网络的输入层、隐藏层和输出层的神经元数量。
通常情况下，隐藏层的神经元数量可以根据经验设置为输入层和输出层神经元数量的平均值。
3.训练网络：采用反向传播算法对神经网络进行训练，以获得输入和输出之间的映射关系。
在训练过程中，需要设置学习率和动量系数，并且根据训练误差的变化情况来确定训练的终止条件。
4.参数调整：将训练得到的神经网络与PID控制器相结合，根据神经网络的输出和系统的误差、历史误差和误差的变化率来计算控制信号，并通过对PID参数的调整来实现对系统的控制。
1.适应能力强：BP神经网络能够通过训练来学习系统的动态特性，从而实现对非线性系统的精确控制。
2.自适应性高：BP神经网络能够根据实时的系统状态来实时调整控制信号，从而实现对系统动态特性的自适应控制。
3.参数调节方便：通过BP神经网络的训练过程，可以直接得到系统的输入和输出之间的映射关系，从而减少了传统PID控制器中参数调节的工作量。
4.系统稳定性好：基于BP神经网络的PID控制器能够根据系统状态及时调整控制信号，从而提高了系统的稳定性和鲁棒性。
神经网络及其PID控制
神经⽹络及其PID控制⼀、⼈⼯神经元模型1、突触权值（连接权）每⼀个突触都由其权值作为特征表征，各个神经元之间的连接强度由突触权值来表⽰。
与神经元相连的突触上，连接的输⼊信号通过权值的加权进⼊神经元的求和单元。
2、求和单元求和单元⽤于求取各输⼊信号的突触加权和，这个操作构成⼀个线性组合器。
3、激活函数激活函数起⾮线性映射的作⽤，并⽤来限制神经元输出振幅。
激活函数也称限制函数，或传输函数。
通常⼀个神经元输出的正常范围在[0, 1]区间或[−1, 1]区间。
4、外部偏置此外，神经元模型还包括⼀个外部偏置，或外部偏置称为阀值，偏置的作⽤是根据其为正或负，相应的增加或者降低激活函数的⽹络输⼊。
5、⼀对⽅程描述神经元6、激活函数（1）阶跃函数（2）分段线性函数（3）Sigmoid函数（4）双曲正切函数：⼆、神经⽹络的结构1、前馈型⽹络这类⽹络将每⼀层的神经元串联起来，⼀层的输出是下⼀层的输⼊，⽹络中没有反馈连接（1）节点分类节点有输⼊单元、计算单元和输出单元三类（2）层级分类输⼊层：源节点构成输⼊层，输⼊层没有计算，直接将输⼊信号传递到下⼀层的计算单元可见层：输⼊、输出节点直接与外界相连，可直接受外界环境影响隐含层：中间层与外界⽆直接联系，所以称为隐含层（3）前馈型⽹络常常可以有多个隐含层，从⽽构成多层前馈⽹络，图中是⼀个n-p-q的三层前馈⽹络前馈型⽹络是⼀类静态⾮线性映射，通过简单⾮线性处理的复合映射可获得复杂的⾮线性处理能⼒。
但是，从计算的观点看，前馈型⽹络并⾮是⼀种强有⼒的计算系统，不具备丰富的动⼒学⾏为2、反馈型⽹络在反馈型⽹络中，输⼊信号决定反馈系统的初始状态，然后系统经过⼀系列状态转移后，逐渐收敛于平衡状态，这样的平衡状态就是反馈型⽹络经计算后输出的结果，需要注意的是通常有多个平衡态。
因此，稳定性是反馈⽹络最重要的问题之⼀。
如果能找到⽹络的李雅普诺夫（Lyapunov）函数，就能保证⽹络从任意初始状态都能收敛到局部最⼩点，即求得局域最优解。
基于BP神经网络的PID控制系统设计
基于BP神经网络的PID控制系统设计一、引言PID控制系统是目前工业控制中广泛应用的一种基本控制方法，它通过测量控制系统的偏差来调节系统的输出，以实现对控制对象的稳定控制。
然而，传统的PID控制器需要事先对系统建模，并进行参数调整，工作效果受到控制对象模型的准确性和外部干扰的影响。
而BP神经网络具有非线性映射、自适应性强、鲁棒性好等优点，可以有效地克服传统PID控制器的缺点。
因此，基于BP神经网络的PID控制系统设计成为当前研究的热点之一二、基于BP神经网络的PID控制系统设计理论1.PID控制器设计原理PID控制器是由比例环节（Proportional）、积分环节（Integral）和微分环节（Derivative）组成的控制器，其输出信号可以表示为：u(t) = Kp*e(t) + Ki*∫e(t)dt + Kd*(de(t)/dt)，其中e(t)为控制系统的输入偏差，t为时间，Kp、Ki和Kd分别为比例系数、积分系数和微分系数。
2.BP神经网络理论BP神经网络是一种前馈型神经网络，通过反向传播算法对输入信号进行学习和训练，从而得到最优的网络结构和参数。
BP神经网络由输入层、隐层和输出层组成，其中每个神经元与上、下相邻层之间的神经元互相连接，并具有非线性的激活函数。
3.基于BP神经网络的PID控制系统设计理论基于BP神经网络的PID控制系统设计的核心思想是将BP神经网络作为PID控制器的自适应调节器，根据控制对象的输入信号和输出信号之间的误差进行训练和学习，通过调整BP神经网络的权重和阈值来实现PID 控制器的参数调节，从而提高控制系统的稳定性和鲁棒性。
三、基于BP神经网络的PID控制系统设计步骤1.系统建模首先，需要对待控制对象进行建模，获取其数学模型。
对于一些复杂的非线性系统，可以采用黑箱建模的方法，利用系统的输入和输出数据进行数据拟合，获取系统的数学模型。
2.BP神经网络训练将系统的数学模型作为BP神经网络的训练集，通过反向传播算法对BP神经网络进行训练，得到最优的网络结构和参数。
神经网络PID控制系统的研究
神经网络PID控制系统的研究一、本文概述随着科技的发展，控制理论在各个领域的应用越来越广泛，其中，PID（比例-积分-微分）控制算法以其简单、稳定、有效的特性，被广泛应用于工业控制系统中。
然而，传统的PID控制算法在面对非线性、时变、不确定性等复杂系统时，其性能往往会受到限制。
近年来，神经网络作为一种强大的非线性映射工具，其强大的自学习和自适应能力为解决这些问题提供了新的思路。
本文将研究神经网络与PID控制算法的结合，构建一种神经网络PID控制系统。
我们将概述神经网络和PID控制算法的基本原理和特点，然后分析神经网络PID控制系统的基本结构和运行机制。
接着，我们将通过仿真实验和实际应用案例，研究神经网络PID控制系统在不同场景下的性能表现，并探讨其优点和可能存在的问题。
我们将对神经网络PID控制系统的未来发展进行展望，以期能为控制理论的发展和应用提供新的启示和参考。
二、神经网络PID控制系统的基本原理神经网络PID控制系统是一种结合了神经网络与传统PID控制算法的先进控制系统。
这种系统的基本原理在于利用神经网络的强大学习和自适应能力，优化和改进传统的PID控制算法，从而提高系统的控制精度和稳定性。
PID（比例-积分-微分）控制器是一种广泛使用的线性控制器，它通过计算误差的比例、积分和微分来调整系统的输出，以实现对目标值的精确追踪。
然而，传统的PID控制器在处理非线性、时变和不确定性的系统时，其性能可能会受到限制。
神经网络作为一种模拟人脑神经元网络工作的计算模型，具有很强的学习和适应能力。
通过训练，神经网络可以逼近任意的非线性函数，这使得它成为处理复杂、非线性系统问题的有力工具。
在神经网络PID控制系统中，神经网络被用来模拟和优化PID控制器的参数调整过程。
具体来说，神经网络的输入可以是系统的误差、误差的变化率等，输出则是PID控制器的比例、积分和微分系数。
通过训练神经网络，可以找到最优的PID参数组合，从而实现更好的控制效果。
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。
神经网络PID控制
[
]
(10) 7. 采样得 (k + 1)、r(k + 1)。（仿真计算时由对象 y 。（仿真计算时由对象 y 数学模型计算 (k + 1))
12
NNC的权值进行修正。 8. 用 11)式及 10)式对 ( ( 的权值进行修正。 ∂Jc ∂Jc ∂y(k + 1) ∂u(k) ∆ki (k) = −λ = −λ ∂ki (k) ∂y(k + 1) ∂u(k) ∂ki (k) ˆ ∂y(k + 1) xi (k) = λ[r(k + 1) − y(k + 1)] ∂u(k) 0 < λ < 1 , i = 1,2,3 (11)
4.3.4 神经网络 神经网络PID控制 控制
一、方案一
图一
神经网络PID控制系统结构图 控制系统结构图 神经网络
1
x1(k) = e(k)
x2 (k) = ∆e(k) = e(k) − e(k −1)
x3 (k) = ∆2e(k) = e(k) − 2e(k − 1) + e(k − 2)
e(k) = r(k) − y(k)
13
9. 用下列各式对 的权值进行修正。 NNI的权值进行修正 的权值进行修正。
ˆ ∆ωi(3) (k) = η[ y(k + 1) − y(k + 1)]Oi(2) (k) +α∆ωi(3) (k −1)
( ˆ ∆ωij2) (k) = η[ y(k + 1) − y(k + 1)]ωi(3) (k) f ′ neti(2) (k) O(j1) (k) ( +α∆ωij2) (k −1)
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。
基于神经网络的PID控制算法研究
基于神经网络的PID控制算法研究近年来，随着机器学习和人工智能技术的不断发展，神经网络在控制领域的应用也逐渐得到了广泛关注。
其中，基于神经网络的PID控制算法作为一种新型的控制方法，已经被证明具有极高的控制精度和适应性。
由于传统的PID控制算法存在着超调、稳态误差等问题，因此在实际工程中往往需要进行各种手动调参。
而基于神经网络的PID控制算法则可以通过学习数据来自适应地优化控制参数，从而在不同工况下都能够实现优秀的控制效果。
同时，神经网络还可以实现非线性控制和逆模型控制等高级控制策略，更加符合实际应用的需求。
基于神经网络的PID控制算法的基本思路是，将神经网络与PID控制器结合起来，构建一个新的混合型学习控制器。
具体而言，首先需要建立一个基于神经网络的模型来描述被控对象的动态特性，然后利用该模型对PID控制器进行参数的自适应优化，最终实现目标系统的控制。
一般来讲，神经网络PID控制算法的实现过程包括以下几个步骤：首先，需要选择合适的神经网络模型和控制器结构。
然后，利用样本数据对神经网络进行训练，得到一个有效的模型。
接着，将训练好的神经网络模型与PID控制器进行耦合，形成一个混合型控制器。
最后，通过仿真或者实际测试来验证控制器的性能。
在具体实现神经网络PID控制算法时，需要注意以下几个关键问题：一是神经网络的选择和搭建，不同的应用需要选择不同的网络结构和训练算法；二是神经网络模型的准确性，神经网络需要能够准确地描述被控对象的动态特性；三是控制器的参数优化，需要避免过度学习和过拟合等问题。
目前，神经网络PID控制算法已经成功应用于许多领域，例如机械控制、电力系统控制、化工过程控制等。
实际应用结果显示，基于神经网络的PID控制算法相比传统PID控制算法，在控制精度、抗干扰能力、稳定性等方面都具有显著的优势，是一种极具应用前景的控制策略。
总的来说，基于神经网络的PID控制算法是一种结合了神经网络与PID控制器的混合型学习控制策略，具有优秀的控制精度和适应性。
基于BP神经网络的PID控制器的设计
基于BP神经网络的PID控制器的设计简介：PID控制器是一种常用的控制方法，可以使控制系统快速、稳定地对目标进行调节。
然而，传统的PID控制器需要依赖经验的设置参数，很难适用于非线性复杂的系统。
为了改善这一问题，本文提出了一种基于BP神经网络的PID控制器的设计方法。
一、神经网络介绍BP神经网络是一种常用的人工神经网络，通过反向传播算法进行学习和适应。
它可以用来建模非线性关系、解决分类和回归问题等。
BP神经网络由输入层、隐藏层和输出层构成，通过调整权重和偏置项，使得网络的输出接近于期望输出。
二、PID控制器的基本原理PID控制器是由比例（P）、积分（I）和微分（D）三个部分组成的，它们分别对应了系统的比例性能、整定性能和微分性能。
PID控制器的输出是由目标值与实际值之间的误差来决定的。
比例作用是根据误差的大小进行调节，积分作用是根据误差的积分值进行调节，微分作用是根据误差的变化率进行调节。
三、BP神经网络的PID控制器设计1.建立神经网络模型：确定输入层节点数、隐藏层节点数和输出层节点数。
2.确定权重和偏置项的初始值：可以使用随机数进行初始化。
3.设置训练样本集：训练样本集包括输入和输出的数据，可以根据实际情况进行设置。
4.确定学习率和训练次数：学习率决定了网络的更新速度，训练次数决定了网络的学习程度。
5.神经网络训练：使用BP算法对神经网络进行训练，通过反向传播算法调整权重和偏置项。
6.测试神经网络性能：使用测试数据对神经网络进行测试，评估其性能是否满足要求。
7.参数调整：根据测试结果对PID控制器的参数进行调整，使得神经网络对系统的控制更加精确。
四、实验结果分析通过对比传统的PID控制器和基于BP神经网络的PID控制器，可以发现基于BP神经网络的PID控制器具有更好的系统控制性能。
因为BP神经网络能够自适应地调整参数，适应非线性复杂系统的控制要求。
总结：基于BP神经网络的PID控制器是一种有效的控制方法，可以提高系统控制的精度和稳定性。
神经网络PID控制器的设计与仿真
神经网络PID控制器的设计与仿真首先，我们需要了解PID控制器的基本原理。
PID控制器由比例、积分和微分三部分组成，通过计算控制量与目标值之间的误差，并根据误差的大小来调整控制量，从而实现系统稳定控制。
然而，传统的PID控制器需要事先知道系统的数学模型和参数，对于复杂的系统来说往往比较困难。
1.数据采集：首先，需要采集系统的输入和输出数据，包括输入信号和对应的输出响应。
这些数据将被用来训练神经网络模型。
2.网络结构设计：根据系统的特点和需求设计神经网络的结构。
一般来说，神经网络PID控制器采用三层结构，包括输入层、隐藏层和输出层。
其中，输入层接收输入信号，隐藏层进行神经网络的非线性变换，输出层输出控制量。
3.网络训练：利用采集的数据对神经网络进行训练。
训练的目标是使神经网络的输出与期望输出之间的误差最小化。
一般采用反向传播算法进行网络训练。
4. 参数调整：在网络训练完成后，需要对PID控制器的参数进行调整。
一般来说，比例系数Kp可以通过经验法则或试验法调整，积分系数Ki可以通过Ziegler-Nichols方法或试验法进行调整，微分系数Kd可以通过试验法或根据系统的特性进行调整。
5.系统仿真：将设计好的神经网络PID控制器和调整后的参数应用于系统仿真。
通过对仿真结果的分析，得出控制效果，并进一步调整参数，直到满足控制要求。
在设计和仿真过程中，需要注意以下几点：1.数据的准确性和充分性：采集的数据需要准确反映实际系统的动态特性，且要充分多样化，以覆盖系统在不同工况下的响应情况。
2.神经网络的训练时间和精度：神经网络的训练时间和精度会直接影响到控制器的性能。
需要根据实际需求进行权衡，选择合适的网络结构和训练算法。
3.参数调整的迭代过程：参数调整是一个迭代的过程，需要通过与仿真结果的对比来逐步优化参数，直到达到满意的控制效果为止。
4.系统模型的确定性：神经网络PID控制器需要基于一个确定的系统模型进行设计和仿真。
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。
基于神经网络的自适应PID控制策略研究
基于神经网络的自适应PID控制策略研究近年来，神经网络技术逐渐成为控制领域中的热点研究方向之一。
在控制领域中，PID控制器是最常用的一种控制器，但是，在复杂的非线性系统中，PID控制器可能会失效，因此需要一种更为智能化的自适应控制策略。
本文将着重研究基于神经网络的自适应PID控制策略的原理和应用。
一、神经网络控制简介神经网络控制是一种使用神经网络技术实现控制的控制方法。
神经网络具有自学习和自适应能力，能够适应未知的非线性因素，因此能够有效地提高控制精度。
在神经网络控制中，通常使用BP神经网络进行训练，将网络的输入与输出之间的关系建模，进而得到控制器。
二、PID控制器PID控制器是最常用的一种控制器，它由比例项、积分项和微分项组成。
其中，比例项控制系统的静态误差，积分项控制系统的稳态误差，微分项控制系统的动态响应。
经过调整PID参数，可以实现对系统的稳态和动态性能的优化。
三、传统PID控制器的缺点通过传统PID控制器的参数调整，可以得到较好的控制效果。
但是，在非线性系统控制中，PID控制器的参数调整会变得更加困难，可能会导致系统不稳定或控制精度不高。
这是因为传统PID控制器中的参数是固定的，无法根据系统的变化进行自适应调整。
因此，需要一种更为灵活、智能的自适应控制方式。
四、基于神经网络的自适应PID控制策略与传统PID控制器不同，基于神经网络的自适应PID控制器能够在实时控制过程中不断调整控制器参数，以应对不同的情况。
它能够根据系统的输入和输出实时调整控制器的权值，从而实现对非线性系统的自适应控制。
基于神经网络的自适应PID控制策略的实现方法，一般是将系统的输入和输出作为训练数据，通过训练得到神经网络的权值。
在控制器实时控制过程中，根据系统输出实时调整神经网络的权值，从而实现自适应控制。
五、应用实例基于神经网络的自适应PID控制策略在实际应用中，可以针对不同的场景进行多样化应用。
下面以一个灯光控制系统为例来进行说明。
基于BP神经网络的自适应PID控制器设计
基于BP神经网络的自适应PID控制器设计自适应PID控制器是一种基于BP神经网络的控制器设计方法，它结合了传统的PID控制器与神经网络的优势，可以适应系统参数变化、非线性和模型误差的情况。
本文将详细介绍基于BP神经网络的自适应PID控制器的设计原理和实现步骤。
1.简介PID控制器是一种经典的控制方法，通过计算误差的比例、积分和微分部分，调节输出控制量来实现对系统的控制。
然而，传统的PID控制器无法处理非线性和参数变化的系统，容易产生较大的误差。
而BP神经网络则具有非线性映射和自适应学习的能力，可以对非线性系统进行建模和控制。
2.BP神经网络的建模BP神经网络是一种前馈神经网络，具有输入层、隐含层和输出层。
输入层接收系统的输入量，输出层输出控制量，隐含层则通过一系列的神经元进行信息传递和处理。
BP神经网络通过训练集的样本进行学习，调整网络的权值和偏置，使得网络的输出与期望输出尽可能一致。
3.PID控制器的设计PID控制器由比例、积分和微分三个部分组成。
比例部分通过调节误差的大小来控制输出，积分部分可以控制持续的误差，微分部分则可以控制误差的变化率，提高系统的响应速度。
PID控制器的参数可以根据系统的特性进行调整。
4.自适应PID控制器的设计a.构建BP神经网络模型，通过训练集对模型进行学习，得到网络的权值和偏置。
b.使用PID控制器的比例、积分和微分部分计算出控制量，并将控制量作为输入量输入到BP神经网络中。
c.根据神经网络的输出，计算系统的输出，将其与期望输出进行比较，得到误差。
d.根据误差的大小，调整PID控制器的参数。
e.重复步骤b-d，直到系统达到期望输出。
5.应用实例自适应PID控制器可以应用于各种系统的控制中，如温度控制、位置控制等。
以温度控制为例，系统输入为温度传感器的读数，输出为控制器输出的控制量。
通过采集训练集数据和期望温度值，利用BP神经网络对系统进行建模和学习，然后根据PID控制器的参数计算出控制量，进而控制温度的变化。
基于深度神经网络的自适应PID控制
基于深度神经网络的自适应PID控制自适应 PID 控制是现代控制理论中的一种重要方法，它通过不断地对实际控制系统的反馈信息进行分析，来实现对系统参数的自适应优化，从而达到更优的控制效果。
在传统的控制方法中，PID 控制器是最常见的一种控制器，它通过改变比例、积分、微分三个参数来控制系统的输出行为。
虽然 PID 控制的思想简单而直观，但它往往需要通过人工调整控制器参数才能达到最佳的控制效果，这使得传统的PID 控制方法在复杂的工业控制系统中应用受到了很大的限制。
近年来，随着深度学习技术的快速发展，越来越多的控制问题开始通过深度神经网络来解决。
深度神经网络通过多层的非线性映射来实现复杂的数据处理和表达，具有非常强的模型适应力和自适应能力，并且能够从大量的数据中学习到系统的隐含规律，从而提高控制性能。
基于深度神经网络的自适应 PID 控制是一个典型的应用场景。
它通过将深度神经网络嵌入到PID 控制器中，实现对系统参数的自适应学习，从而优化控制效果。
具体实现上，基于深度神经网络的自适应PID 控制可以分为以下两个步骤：首先，通过采集真实系统的数据，训练一个深度神经网络，用来对系统的动态特性进行建模和预测。
其次，在 PID 控制器中将这个深度神经网络作为预估器，根据预测误差来自适应调整 PID 控制器的参数，从而达到更优的控制效果。
在实际应用中，基于深度神经网络的自适应 PID 控制已经得到了广泛的应用。
例如在工业自动化领域，它可以通过对温度、压力等参数的自适应调整来实现对化工过程的控制；在机器人控制中，它可以实现对机械臂的精确控制和路径规划；在无人驾驶汽车中，它可以通过对车速、转向等参数的自适应调整来实现对车辆的自动驾驶。
总之，基于深度神经网络的自适应 PID 控制是现代控制理论中的一种重要方法，它能够实现对复杂工业系统的自适应优化。
随着深度学习技术的发展，我们相信基于深度神经网络的自适应 PID 控制将会在更多的领域得到应用，并取得更加突出的成果。
基于BP神经网络PID整定原理和算法步骤_精品
基于BP神经网络PID整定原理和算法步骤_精品1.基本原理PID控制器是一种经典的闭环控制算法，由比例项、积分项和微分项组成。
BP神经网络是一种具有自适应性的模型，可以根据输入和输出之间的关系来自动调整权重和偏置。
2.算法步骤2.1样本数据的采集在PID控制系统中，需要采集一些样本数据来训练神经网络。
可以通过试验或仿真的方式，对控制系统进行加扰动或变动目标值的操作，得到系统的输入与输出数据。
2.2数据的预处理对采集到的数据进行预处理，主要包括去除噪声、标准化等操作，使得数据更加准确和可靠。
2.3神经网络的构建根据PID控制器的结构，构建对应的BP神经网络模型。
一般来说，BP神经网络由输入层、隐含层和输出层组成。
输入层接收系统的输入数据，隐含层进行特征提取和非线性变换，输出层得到控制系统的输出。
2.4神经网络的训练将预处理后的样本数据输入到神经网络中进行训练。
训练过程中，通过调整网络的权重和偏置，使得网络的输出与期望的输出之间的误差最小化。
2.5PID参数的优化在神经网络训练完成后，可以得到最优的网络结构和权重。
根据神经网络的输出，可以得到相应的PID参数。
一般来说，比例项的参数可直接取输出层的权重，积分项和微分项的参数则可以根据网络的偏置来计算。
2.6控制系统的实时调整将优化得到的PID参数应用到实际的控制系统中。
在控制过程中，根据系统的实时反馈信号，可以通过PID控制器进行实时的调整，使得系统的响应特性达到最佳。
总结：基于BP神经网络的PID整定，通过训练神经网络来寻找最佳的PID 参数，以达到控制系统的最优响应特性。
该方法可以应用于各种复杂的控制系统中，具有很好的适应性和鲁棒性。
但需要注意的是，BP神经网络的训练过程需要较长的时间和大量的样本数据，因此在实际应用中需要进行一定的优化和加速。
神经网络PID控制系统的研究
神经网络PID控制系统的研究神经网络PID控制系统是一种将神经网络与PID控制策略相结合的控制方法。
这种控制系统在处理具有非线性、不确定性和时变性等特性的系统时具有显著的优势。
随着人工智能和自动化技术的不断发展，神经网络PID控制在工业过程控制、航空航天、机器人等领域的应用越来越广泛。
本文将介绍神经网络PID控制系统的研究背景、意义和现状，分析相关文献，并探讨未来的研究方向。
神经网络PID控制系统的研究始于20世纪90年代。
自那时以来，许多学者致力于研究神经网络PID控制系统的理论和实践。
其中，最具代表性的工作是利用神经网络对PID控制器的参数进行自适应调整。
例如，王占林等（2005）提出了一种基于神经网络的PID参数自适应控制器，用于解决传统PID控制器难以适应被控对象变化的问题。
该方法通过神经网络学习和调整PID控制器的参数，以提高控制系统的性能。
然而，他们的方法未能在复杂的实际应用场景中进行验证。
在另一方面，一些研究者于利用神经网络对PID控制器进行改进。
例如，赵春娜等（2007）提出了一种基于RBF神经网络的PID控制器，以解决传统PID控制器在处理非线性系统时的不足。
RBF神经网络具有较好的逼近能力和较低的计算复杂度，可以用于非线性系统的建模和控制。
然而，他们的方法需要选择适当的RBF神经网络结构和参数，这在实际应用中可能具有一定的挑战性。
本文提出了一种基于深度学习的神经网络PID控制系统。
我们通过数据采集和预处理，建立了被控系统的模型。
我们使用加速度传感器和角度传感器对机器人手臂进行了数据采集，包括位置、速度和加速度等参数。
然后，我们利用这些数据训练了一个深度神经网络模型，以实现对机器人手臂的高效控制。
在神经网络模型建立后，我们通过调整PID控制器的参数，实现了对传统PID控制器的优化。
具体地，我们利用神经网络的自适应学习能力，动态地调整PID控制器的Kp、Ki和Kd等参数。
这样，PID控制器可以根据实时数据自动调整其参数，以适应不同的运行条件和环境。
基于BP神经网络的PID控制器设计
基于BP神经网络的PID控制器设计1.引言在工业控制系统中，PID（比例、积分、微分）控制器被广泛应用于各种自动控制任务。
然而，传统的PID控制器在处理非线性、时变以及多输入多输出（MIMO）系统时存在一些固有的局限性。
为了克服这些问题，本文提出了基于BP神经网络的PID控制器设计方法。
2.BP神经网络BP神经网络是一种前向反馈的人工神经网络，具有强大的非线性建模能力和自适应性能。
它由输入层、隐藏层和输出层组成，每个神经元与前一层的所有神经元和后一层的所有神经元连接。
BP神经网络通过反向传播算法来训练权重和偏置，实现输入与输出之间的映射关系。
3.PID控制器PID控制器由比例项、积分项和微分项组成，具有良好的稳定性和抗干扰能力。
比例项根据控制误差与参考值的比例进行调整，积分项根据控制误差与时间的积分进行调整，微分项根据控制误差的变化率进行调整。
4.BP神经网络与PID控制器结合将BP神经网络与PID控制器相结合，可以克服传统PID控制器在处理非线性、时变和MIMO系统时的局限性。
具体而言，可以使用BP神经网络来精确建模控制对象的非线性行为，并将其应用于PID控制器中，实现自适应调节。
在实际应用中，可以按照以下步骤进行基于BP神经网络的PID控制器设计：（1）收集系统输入输出数据，并进行预处理，例如归一化处理。
（2）使用BP神经网络对控制对象进行建模。
选择适当的网络结构、激活函数和误差函数，并使用反向传播算法进行网络训练。
（3）设计PID控制器，确定比例项、积分项和微分项的权重。
（4）将BP神经网络的输出作为PID控制器的输入，进行控制操作。
根据控制误差和调节参数，调整PID控制器的输出。
（5）反复迭代并调整BP神经网络和PID控制器的参数，使系统能够快速、准确地响应控制需求。
5.实验验证为了验证基于BP神经网络的PID控制器的有效性，可以选择一个具有非线性、时变特性的控制对象进行实验。
在实验中，可以使用MATLAB或其他神经网络工具箱来实现BP神经网络，并结合传统PID控制器进行控制。
PID神经网络控制
R
Ｄ
x'
（4）在线训练控制器，准则函数有所不同。
x q NNC
图 4 -7-1 PID 神经网络单变量控制结构
2. 控制器的学习算法
PID 神 经 网 络 控 制 器 与 对 象 一 起 作 为 广 义 网 络 ， 采 用 反 向 传 播 （ BP） 学 习
算法，在线训练，准则函数：
E (k ) 1 r (k ) y (k )2 1 e 2 (k )
当对象特性变化（k 40)时，由
于PID神经网络控制器权系值的不断调整，使控制量u(k)变化，从而系统的输出经过一段时间，
仍能跟踪输入。
图4-7-4 例4-7-2控制过程
演示
• 例4-7-2 用PID神经网络进行时变单变量非线性系统的控制
手控
例4-7-3 用PID神经网络进行2变量强耦合非线性系统的控制。
时变对象模型：
y(k1)0.8siny((k))1.2u(k), k 40 y(k1)sin0(.4y(k))1.2u(k), k 40 系统输入： r(k) 1(k)
控制结构见图4-7-1。控制器输出计算及权系训练与例4-7-１同，取1 2 0.08。
控制过程见图4-7-4： 图（a）～（d）中符号意义与图4-7-3相同。
由 图 （ a ） 可 见 ： 当 k 4 ， y 1 ( k ) 0 r 1 ( k ) 0 ； 当 k 2 ， y 2 ( k ) 3 r 2 ( k ) 1 ( k ) ， 实 现 了 解 耦 控 制 。
图 （ c ） 准 则 函 数 E 1 ( k ) 1 2 [ r 1 ( k ) y 1 ( k ) 2 、 ] E 2 ( k ) 1 2 [ r 2 ( k ) y 2 ( k ) 2 ； ]
- 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)。
基于神经网络PID控制算法在多缸电液伺服系统同步控制中的仿真研究丁曙光，刘勇合肥工业大学,合肥,230009摘要：本文介绍了神经网络控制原理，提出了神经网络PID算法，通过选定三层神经网络作为调节函数，经过Simulink仿真确定了神经网络PID控制器的参数，设计了神经网络PID控制器。
推导出多缸液压同步控制系统在各种工况下的传递函数，并把该控制器应用到多缸液压同步控制系统中。
经过仿真研究表明该控制器控制效果良好，能满足多缸液压同步的控制要求。
关键词：多缸同步；PID算法；仿真；神经网络Study on the simulation and appllication of hydraulic servo system of straihtening machine based onImmune Neural network PID control alorithmDING Shu-guang, GUI Gui-sheng,ZHAI HuaHefei University of Technology, Hefei 23009Abstract:The principle of immune feedback and immune-neural network PID algorithm was respectively.An immune-neural network PID controller was designed by which an adaline neural network was selected as antibody stay function and parameters of the immune-neural network PID controller were determined by simulation.The transfer function of the hydraulic servo system of crankshaft straightenin on were introduced in different working conditions.The immune-neural network PID controller was applied to hydraulic system of crankshaft straightenin.The simulation and equipment were done,and results show that its control effectiveness is better and can meet the needs of he hydraulic servo-system of crankshaft straightening hydraulic press.Key words:straightening machine; Immune control arithmetic; simulation;neural network0引言精密校直液压机（精校机）液压伺服系统是精校机的执行环节，高精度液压位置伺服控制是精校机的关键技术之一，它保证了液压伺服控制系统的控制精度、稳定性和快速性，是完成校直工艺的必要条件。
因此，精校机液压伺服控制系统的研究，为精校机产品的设计和制造提供了理论依据，对校直技术和成套设备的开发具有重大的意义[1]。
精校机液压位置伺服系统是一个复杂的系统，具有如下特点：精确模型难建立，要求位置控制精度高、超调量小、响应快、参数易变且难以确定[1]。
因此该系统的控制有较大的难度。
传统的PID控制虽然简单易行，但参数调整困难，具有明显的滞后特性，PID 控制很难一直保证系统的控制精度，Smith预估补偿国家重大科技专项资助（项目编号：2009ZX04004-021）安徽省自然科学基金资助（项目编号：090414155）和安徽省科技攻关项目资助（项目编号：06012019A）制方法从理论上为解决时滞系统的控制问题提供了一种有效的方法，但是Smith预估器控制的鲁棒性差，系统性能过分依赖补偿模型的准确性，限制了它在实际过程中的应用[1～5]。
近年来，人们开始将生物系统的许多有益特性应用于各种控制中[1～5]，取得了一定成果。
自然免疫系统使生物体的一个高度进化、复杂的功能系统，它能自适应地识别和排除侵入肌体的抗原性异物，并且具有学习、记忆和自适应调节功能，以维护肌体内环境的稳定。
自然免疫系统非常复杂，但其抵御抗原（antigen）的自适应能力十分显著。
生物信息的这种智能特性启发人们利用它来解决一些工程难题，这就引起多种免疫方法的出现。
人工免疫系统就是借鉴自然免疫系统自适应、自组织的特性而发展起来的一种智能计算技术。
该算法在大量的干扰和不确定环境中都具很强的鲁棒性和自适应性，在控制、优化、模式识别、分类等领域有了初步的研究成果。
为了提高精校机液压位置伺服系统控制的精度和鲁棒性，本文基于免疫系统的反馈原理，并和神经网络相结合，提出了免疫神经网络PID的控制算法，将其应用到精校机液压位置伺服系统中，仿真和实验结果表明应用了免疫神经网络PID控制器的液压伺服系统在不同的负载和不同的环境中仍然能取得较为满意的控制效果，满足精校机的滑块位置控制要求。
1精校机液压位置伺服系统YH40-160曲轴校直机的液压位置系统由比例伺服阀、液压缸、位移传感器、滑块等组成，通过D/A 转换器采用闭环控制。
系统构成如图1所示其主要参数见下表1：表1 YH40-160型曲轴校直机主要参数名称参数公称力/kN 1600最大液压力/MPa 25滑块行程/mm 350滑块下平面距工作台上平面的距离/mm 470油缸直径/mm 280油缸杆径/mm 260泵排量/ml 63滑块及活塞杆质量/kg 338最大上模质量/kg 35工作台尺寸/mm 左右7600 前后525滑块速度/mm/s 快下20～100 工作0～25 回程20～100利用表一可以推导出YH40-160曲轴校直机的的传递函数[1]。
实际分析可知ωr很小远远小于ωh，所以在负载为惯性负载和外力负载和负载为惯性力负载+弹性负载+外负载力两种工况下系统的数学模型都可看成一个积分环节串接一个二阶环节组成。
负载为惯性负载和外力负载是的传递函数为[1]：22()2(1)vh hKW SSS Sξωω=⨯++（1）理论上可以根据稳定性要求选择稳态速度误差系数Kv就可以得到比较理想的静动态特性。
但本系统为一个Ⅰ型系统由于穿越频率较低，影响了系统的快速性，且系统参数在不同的工况、不同的环境下是有较大的变化，所以仅仅靠静态选择系统的误差系数Kv、利用传统的PID控制要实现高的静动态性能是很困难的，需要设计高性能的控制器来实现之。
2免疫反馈控制原理[5～6]当外来物侵入机体时，免疫系统就会起作用。
免疫系统启动免役机制进行免疫应答。
免疫系统具有大量的称为淋巴的免疫细胞，主要包括两类：T细胞和B细胞。
B细胞的主要功能是产生抗体，执行获得性免役功能；而T细胞分为辅助T细胞Th、抑制T 细胞Ts。
免疫调节的过程为当外界抗原进入生物体内，被抗原呈递细胞消化后会产生细胞介素激活免疫反应，当抗原呈递细胞（APC）把抗原呈给T细胞时，通常首先激活辅助性T细胞（Th），活化并释放淋巴因子，进而激活B细胞产生抗体。
APC递呈细胞的抗原还能缓慢激活抑制T细胞（Ts）。
活化的Ts细胞反过来对Th细胞或B细胞发挥抑制作用。
图2为免疫系统反馈原理图。
3免疫神经网络PID控制器设计传统的PID控制器由比例、积分和微分环节构成，经过离散处理的传统PID控制算法为抑制抗原APC抗原加工Ts细胞Th细胞B细胞抗体激活消灭图2 免疫系统反馈原理图S I 图1 精校机液压系统)())1(11()(11k e Z T ZT K k u D I P ---+-+= （2）在免疫应答反馈调节过程中，人体内最终的抗体数量由激活的B 细胞数量决定，而B 细胞的激活数量又受到Th 和Ts 细胞的共同约束一个来自起促进作用的Th 细胞，另一个来自起抑制作用的Ts 细胞，第k 代B 细胞浓度可表示为)()()(k S k S k U s h -= （3）以抗原数量作为偏差e(k)，刺激总量U(k)作为控制输入量u(k))()(1k e K k U h = (4) )())(()(2k e k u K k U S ∆=φ (5))()))((1()(k e k u K k u ∆-=ηφ (6)式中))((,*,21k u K K K K ∆==φη为与抗体量变速度相关的一个非线性函数，即抗体抑制调节函数。
基于免疫反馈原理的免疫控制器是一个与偏差呈非线性关系的P 控制器，将PID 控制算法（2）与（6）结合构造的免疫PID 控制器为：))1(11()(11---+-+=ZT ZT K k u D I P)))((1()(k u K k e ∆-⨯ηφ （7）设计免疫PID 控制器的一个关键是构造出合适的抗体抑制调节函数，本文采用单层Adaline 网络来构造抗体抑制调节函数——非线性函数))((k u ∆φ，其结构图如图3。
以u 和u ∆作为网路的输入，网路的输出为))((k u ∆φ。
网路的阈值函数为Sigmoid 函数，通过最小二乘（LMS ）学习来逼近Adaline 网络的权值，网路的权值逼近公式为：)()()()1(k X k e k W k W μ+=+ （8）式中X(k)为神经网路的输入变量，W(k)为神经网 络的第k 次修正权值，e(k)为Y Y s 与的差值，μ为步长系数。
⎥⎦⎤⎢⎣⎡∆=u u X （9） ⎥⎦⎤⎢⎣⎡=21W W W (10)把该抗体抑制调节函数代入到免疫PID 控制器中就得到了免疫神经网络PID 控制器，整个系统的方框图见图4。
4免疫神经PID 算法仿真研究被控对象的传递函数选负载为惯性负载和外力负载时的传递函数即[1]：)12()(22+⨯+=S SS KS W hhvωξω （11）把表1所列的参数代入相关的公式可以得到系统的,7.829=h ωKv =100。
但随着工作环境和负载的不同，系统的阻尼比ζ的变化比较大，本系统为从0.15到0.35，因而增加了控制的难度。
利用Matlab 中的Simulink [7]对曲轴校直机进行建模和对设计的免疫神经网络控制器进行仿真研究并与传统的PID 控制器进行比较。
首先利用扩充临界比例度法对传统PID 的参数进行整定,得到各个如下参数:K P 为2.614，K I 为2.614，K P 为0.00377, K D 为0.0011,而免疫神经网络PID 的η选为0.5，u 为0.4，K 为1，仿真结果见图5和图6。