平面二自由度五杆机构BP神经网络整定PID控制
BP神经网络在PID控制器参数整定中的应用
Ｎｅ ｒ ｌＮ ｔ ｒ Ｉ ｏ ｔ ｌ ｒｈ ｓｓｒ ｎ ｅ ｄ ｐ ａ ｉ ｔ ｎ ｅ ｔｒｒ ｓ ｌｓ ｕ ａ ｅｗｏ ｋ Ｐ Ｄ ｃ ｎ ｒ ｌ ａ ｔ ｇ ｒａ ａ ｔ ｂ ｌ ｙ ａ ｄ ｂ ｔ ｅ ｕ ｔ． ｏｅ ｏ ｉ ｅ
Ｋ ＥＹＷ Ｏ ＲＤ Ｓ ：Ｎｅ ａ ｔ ｒ ＰＩ ； ｒ ｍｅｅ ｅｔｎｇ； ｉ ｕｒｌｎｅｗｏ ｋ； Ｄ Ｐａ ａ ｔｒ ｓ ｔｉ Ｓ ｍｕｌｔｏ ａｉ ｎ
仿真
中图 分 类 号 ：Ｐ ８ Ｔ １３ 文 献 标 识 码 ： Ｂ
Ｏｐｔｍ ｉ ａ ｉ ｎ Ｔｕｎ ｎｇ ｏ Ｄ ｒ ｍ ｅ ｅ ｓ ｉ ｚ ｔｏ ｉ ｆ ＰＩ Ｐａ ａ ｔｒ ａ ｕｔ ＰＩ Ｃｏ ｔ ｏ ｌ ｒ Ｂａ ｅ ｎ ＢＰ ｕ ａ ｔ ｒ ｂｏ Ｄ ｎ ｒ ｌ ｓ ｄ ｏ ｅ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ
线性 ， 给出系统所需 的控 制规律 ， 并 因此 由神 经 网络 构 成 的
１ 引 言
ＰＤ控制器 以其结构简单 ， Ｉ 对模型误 差具有 鲁棒性 及易
于操 作 等优 点被 广泛 应 用 于 冶 金 、 工 、 化 电力 、 工 和 机 械 等 轻
控制器具有很好 的调节能 力和鲁棒 性 。 目前 ， 采用 Ｂ Ｐ神
Ｂ Ｐ神经网络的 ＰＤ控制器参数整定方法。通过建立三层神经 网络模 型 ， Ｉ 在控制过程 中将神经网络 的隐含 层单元分别作 为
ＰＤ的 比例 （ 、 分 （ ） 微 分 （ 单元 ， 而构 造 参 数 自学 习 的 ＰＤ控 制 器 ， 控 制 过 程 中 动 态 调整 ＰＤ 的三 个 控 制 参 数 ， Ｉ Ｐ） 积 Ｉ、 Ｄ） 从 Ｉ 在 Ｉ 从 而 进 行 ＰＤ控 制 参 数 的在 线 整 定 。仿 真 结 果 表 明 ， 于 Ｂ Ｉ 基 Ｐ神 经 网络 的 ＰＤ控 制方 法 在 处 理 非 线 性 和 时 变 系 统 时 ， 高 了 Ｉ 提 实 时 性 能 ， 强 系 统 稳定 性 ， 获得 更 好 的控 制 效 果 。 增 并
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PID控制
BP 神经网络PID 控制BP 神经网络的原理不再赘述，采用BP 神经控制对PID 进行参数整定的原理框图如下：BP 神经网络可以根据系统运行的状态，对PID 参数Kp,Ki 和Kd 进行调节，使系统达到最优的控制状态。
经典的增量式数字PID 的控制算法为：()(1)()()(()(1))()(()2(1)(2))p I D u k u k u k u k K e k e k K e k K e k e k e k =-+∆⎧⎨∆=--++--+-⎩采用三层BP 神经网络结构。
输入层神经元个数可根据被控系统的复杂程度选取。
可从如下参数中选取，系统输入in r ，系统输出out y ，系统误差e ，和误差变量e ∆，可在系统误差e 的基础之上再加上其他参数输入，使BP 神经网络能够适应更为复杂的系统的PID 参数整定。
隐层神经元的个数视被控系统的复杂程度进行调整，一本系统复杂时，就需选用更多的隐层神经元。
输出层的神经元个数为3个，输出分别为Kp,Ki 和Kd 。
隐层神经元函数一般选取正负对称的sigmoid 函数：(2)()x xsx xe e fx e e ---=+由于Kp,Ki 和Kd 必须为正，则输出层神经元函数的输出值一般可以选取正的sigmoid 函数：(3)1()1s xf x e -=+系统性能指标取：1()(()())2in out E k r k y k =-采用梯度下降法对BP 神经网络的参数进行调整：设输入层的个数为N ，输出向量为(1)O ，隐层个数为H ，输入阵为(2)W ，为H ×N 维向量，输出层的个数为3，输入阵设为(3)W 。
令(1)(1)(1)(1)12[,,,]TN OO O O =设隐层的输入向量为(2)(1)hi W O =，hi 为列向量，第j 个隐层神经元的输入：(2)(1)1Nj ji ii hi w O ==∑，（1,2,j H =）第j 个神经元的输出为(2)()j s j ho f hi =； 输出层的输入(3)(3)I W ho =，输出为(3)(3)(3)()[,,]T s p I D Of I K K K ==按照梯度下降法修正网络权系数，按E(k)的负方向调整系统，并且加一个是搜索加快的收敛全局极小的惯性量：(3)(3)(3)()()(1)oj oj ojE k W k W k W ηα∂∆=-+∆-∂，其中η为学习速率，α为平滑因子； (3)(3)(3)(3)(3)(3)()()()()()()()()()()()oo oj o o oj O k I k E k E k y k u k W y k u k O k I k W k ∂∂∂∂∂∂∆=∂∂∂∆∂∂∂（1,2,3o =，1,2,j H =）其中(3)oj W 为(3)W 的第o 行和第j 列。
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。
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。
(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神经网络的PID控制器的研究与实现
第十六届电工理论学术研讨会论文集基于ＢＰ神经网络的ＰＩＤ控制器的研究与实现张建国．（漳州职业技术学院电于工程系福建漳州３６３０００）摘要：本文介绍基于ＢＰ神经网络的ＰＩＤ控制器的实现方法，可以在一定程度上解决传统ＰＩＤ调节器不易在线实时整定参数、难于对一些复杂过程和参数幔时变系统进行有效控制等问题。
一ｒ一关键词：ＰＩＤ控制；神经网络；研究Ｏ引言ＰＩＤ控制要取得好的控制效果，必须寻找比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，要在变化无穷的非线性组合中找出最佳的关系并非易事。
为此，本文试图利用神经网络所具有的：①能够充分逼近任意复杂的非线性关系，从而形成非线性动力学系统，以表示某种被控对象的模型或控制器模型；②能够学习和适应不确定性系统的动态特性；⑨所有定量或定性的信息都分布储存于网络内的各神经单元，从而具有很强的容错性和鲁棒性；④采用信息的分布式并行处理，可以进行快速大量运算等特点，把神经网络引入传统的ＰＩＤ控制，可以在一定程度上解决传统ＰＩＤ调节器不易在线实时整定参数、难于对一些复杂过程和参数慢时变系统进行有效控制等问题。
１基于ＢＰ神经网络的ＰＩＤ控制器ＢＰ神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。
通过神经网络自身的学习，可以找到某一最优控制律下的Ｐ、Ｉ、Ｄ参数。
基于ＢＰ神经网络的ＰＩＤ控制系统结构如图１所示。
控制器由两个部分组成：①经典的ＰＩＤ控制器：直接对被控对象过程闭环控制，并且三个参数ＫＰ、ＫＩ、ＫＤ为在线整定式；②神经网络ＮＮ：根据系统的运行状态，调节ＰＩＤ控制器的参数，以期达到某种性能指标的最优化。
即使输出层神经元的输出状态对应于ＰＩＤ控制器的三个可调参数ＫＰ、ＫＩ、ＫＤ，通过神经网络的自身学习，加权系数调接，从而使其稳定状态对应于最优控制律下的ＰＩＤ控制器参数。
经典增量式数字ＰＩＤ的控制算式为ｕ（ｋ）＝－ｕ（ｋ－１）＋ＫＰ［ｅ（ｋ）－ｅ（ｋ－１）】＋ｋＩｃ（ｋ）＋ｋＤＥｅ（ｋ）－２ｅ（ｋ－１．）＋ｅ（ｋ．２）】（１）式中ＫＰ、ＫＩ、Ｋｄ一比例、积分、微分系数。
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。
神经网络PID控制
动量系数＝0.05，加权系数初始值取区间－0.5 0.5
上的随机数。
当输入信号为幅值是1的正弦信号r(t )sin(2t)时，
取采样时间为0.001s, 仿真结果如图所示。
神经网络PID控制
27
神经网络PID控制
g
net
( l
3
)
(
k
)
l 1,2,3
(15)
O1(3) (k ) K P
O2(3) (k ) K I
O3(3) (k ) K D
式
中
(3 li
)为
输
出
层
权
系
数
，
(3) lQ
l为阈值，
g[] 1 [1 tanh( x)] 2
神经网络PID控制
21
取性能指标
J 1 r(k 1) y(k 1) 2 1 e2(k 1)
神经网络PID控制
25
7.
由(20)式
，
计
算
修
正
输
出
层
的权
系
数
(3) li
(
k
)；
8.
由(21)式
，
计
算
修
正
隐
含
层
的权
系
数
(2) ij
(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
仿真实例： 设被控对象的近似数学模型为
a(k) y(k 1) y(k) 1 y2 (k 1) u(k 1) 系数a(k )是慢时变的，a(k ) 1.2(1 0.8e0.1k ), 神经网络 结构为4－5－3，输入层的4个神经元分别为模型的输
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。
二自由度模型驱动PID控制系统参数整定方法及应用
二自由度模型驱动PID控制系统参数整定方法及应用张丽香;王晓伟;降爱琴【摘要】In order to improve the control performances of the large inertia with large time delay process and the unstable process,the two degree of freedom model driven PID control system are in-troduced. The actual controlled process can be changed into a first-order model with dead time by PD feedback compensator of the system. The time constant of the first-order model is much smaller than that in actual controlled process. Its structure design principle and the parameter tuning method are analyzed. It is applied to the main steam pressure controlled process with large inertia and large time delay of the circulating fluidized bed boiler. The research results show that the two degree of freedom model driven PID control system has better control performance than the conventional PID control system and the fuzzy auto tuning PID control system. It has the advantages of simple structure,good real-time performance,and its design and implementation are very convenient in the DCS system. So it is easy to be popularized and applied.%针对工业生产过程中存在的大迟延及大惯性特性，或者存在的开环系统不稳定特性的一类难控对象，为了提高其控制性能，使用一种二自由度模型驱动PID控制系统。
一种基于BP神经网络整定的PID控制器的算法改进
一种基于BP神经网络整定的PID控制器的算法改进在机器人足球比赛中,底层运动控制作为重要的一个部分,其控制器的设计,对机器人能否平稳、快速的到达指定点有着很大的意义。
BP神经网络算法,能以任意精度逼近任意非线性函数,且结构简单、逼近性能良好。
通过运用BP神经网络整定PID控制参数,介绍了其对中型组两轮驱动的足球机器人的底层运动控制器的算法进行设计并优化后达到的对机器人良好的运动控制效果。
标签：足球机器人;神经网络;PID;运动控制1 基于BP神经网络参数整定的PID控制器仿真仿真的一项重要内容就是神经网络初始权值的确定。
我们可知隐含层节点的输入为u i=∑4w ij x j在计算中常用两个矩阵来表示。
输入矩阵,输出矩阵,输入层至隐含层和隐含层至输出层权值矩阵。
初始权值矩阵选取是关键之一,其决定最终优化效果,但是权值初始化非常困难,一般采用的方法是随机生成初始权值矩阵,进行仿真,取仿真效果较好的几组随机初始矩阵值。
此法随机性较大,需要通过输入不同目标点进行检测,取得仿真效果较好(多数样本有效)的一组作为初始矩阵。
但此法还是有一定缺陷,只能局部目标点可以采用。
为了获得良好控制效果,这里对PID控制器进行简单改进。
将PID控制器的偏差量error(k),error(k-1)(上次误差),error(k-2)(前次误差)全部进行预处理,即同时除以第一次误差d1。
然后按神经网络输出的PID参数原值进行计算,得到输出。
2 基于BP神经网络参数整定的PID控制器设计改进通过研究,在能到达目标点的前提下,机器人的速度曲线理想情况下应该要使启动平稳,在增量PID中若初始压低输出(即经过一段距离后,控制器输出才到达最大值,距离长短由角度控制器决定),随时间累积到达一定值时被控对象输入为最大值,最大值持续输出一段距离后,被控对象输入开始下降,使被控对象输出下降到一定的可控范围内。
此时,PID控制器中随时间累积的项就是积分项。
基于BP算法的神经网络PID控制器设计及仿真
se s s G 5.01101)(−+=()(1)[(1)]()[()2(1)(2)]/p I D Iu k u k K e k K e k K e k e k e k T T =−+−++−−+−神经网络PID 控制器的设计及仿真一、传统PID 控制数字PID 控制算法分位置式和增量式两种，工程上常用的增量式PID 控制算法，其控制算式为：式中，pK 为比例系数，I K =p K /T T为积分系数，/D D K T T =为微分系数，T 为采样周期，IT 为积分时间，DT 为微分时间，()e k 为t kT =时刻的误差。
上述PID 控制算法易于用微机软件实现，PID 控制系统框图如图示。
现有一被控对象为：根据“稳定边界法”即临界比例度法，来整定调节器的参数，带入“稳定边界法整定参数计算表”得到，当采取P 调节时，KP=16，；当采取PI 调节时，KP=14.545，i T =1.7；当采取PID 调节时，KP=18.824，i T =1，d T =0.25。
通过Simulink 进行如下图所示的仿真：仿真结果如下图所示：二、基于BP算法的PID控制基于BP神经网络的PID控制系统结构如下图所示，控制器由两个部分组成：①经典的PID控制器：直接对被控对象进行闭环控制，并且KP,KI,KD三个参数为在线P,I,D整定；②神经网络NN：根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化。
即使神经网络的输出层神经元的输出状态对应于PID控制器的三个可调参数KP,KI,KD，通过神经网络的自学习、调整权系数，从而使其稳定P,I,D状态对应于某种最优控制规律下的PID控制器参数。
在这里设计的BP网络采用结构简单的三层BP神经网络，其结构如下图所示，有m个输入节点、Q个隐含层节点、3个输出节点。
输入节点对应所选的系统运行状态量，如系统不同时刻的输入量和输出量等，必要时要进行归一化K K K。
基于BP神经网络的PID控制算法的教学研究
基于BP 神经网络的PID 控制算法的教学研究作者 刘强 贾鸿莉 齐晶薇（1、2 哈尔滨石油学院 3 哈尔滨理工远东学院）项目编号：JG2012010387摘要：本文研究了一种基于BP 算法的PID 控制，利用BP 算法局部计算简单、非线性映射能力强的特点，实现对PID 控制参数的整定，并利用MATLAB 软件进行仿真。
首先简要介绍了PID 控制理论基础和神经网络的理论基础，并深入研究了BP 神经网络。
介绍了基于BP 神经网络的PID 控制原理及步骤。
关键词：PID ；神经网络；BP ；仿真；参数整定0 引言对于传统的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，必须先整定好其三个参数：比例系数、微分时间、积分时间。
在工业控制系统中总会存在着各种各样的不确定性，这些不确定性能造成模型参数变化甚至模型结构突变[2]，使得原先整定参数无法保证系统继续良好的工作，这时就要求PID 控制器具有在线自整定其参数的功能，这也是自从使用PID 控制以来人们始终关注的重要问题。
1 绪论1.1 PID 控制概述当今的自动控制技术都是基于反馈的概念。
反馈理论的要素包括三个部分：测量、比较和执行。
测量关心的变量，与期望值相比较，用这个误差纠正调节控制系统的响应。
1.2 神经网络概述神经网络（Neural Networks,简称NN ）是有大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。
一般来说，基于神经网络的PID 控制器由经典的PID 控制器和神经网络组成。
其中神经网络的输出状态对应于PID 控制器的三个可调参数d i p k k k ,,。
BP 神经网络是神经网络中比较重要的一种算法2 数字PID 控制在计算机控制系统中，使用的是数字PID 控制器，数字PID 控制算法通常又分为位置式PID控制算法和增量式控制算法。
2.1 位置式PID 控制算法由于计算机控制是一种采样控制，它只能根据采样时刻的偏差值计算控制量。
基于BP神经网络整定的PID控制
・
取 性 能指 标 函数 为 ： （ ） （ｎ ｋ － ｏ ｔ ） Ｅ 』 ＝ ｆ （ ） ｙ ｕ（ ） （ ｉ ｋ
（） ６
按 照 梯度 下 降法 修 正 网络 的 权 系 数 ， 按 Ｅ ｋ 对 加权 系数 即 （） 的 负 梯度 方 向搜 索 调整 ，并 附 加 一 个 使搜 索快 速 收 敛 全 局 极小
式 中 ， 入 变量 的个 数 Ｍ 取 决 于 被 控 系统 的 复杂 程 度 。 输 网络 隐 含层 的输 入 、 出 为 ： 输
Ｋｅ ｗｏｒ ： ｎ ｒ ｅｔ ｋ， Ｄ ｏｎｒ ｙ ｄｓＢＰ ｅｕａｌｎ ｗｏｒ ＰＩ ｃ ｔｏｌ
ＰＩ Ｄ控 制 适 用 于 可 建 立精 确 数 学 模 型 的 确 定性 系统 ，然 而
０ （（＝ ｎ 』 ｋ ）
实 际工 业生 产 过 程往 往 具 有 非 线 性 、 变 不 确定 性 ， 以 建 立精 时 难 确 的数 学模 型 ， 实 际 生 产 中 ， 在 常规 ＰＤ控 制 器 参 数 往 往 整定 不 Ｉ 良 、 能 欠 佳 ， 运行 工 况 的 适应 性 很 差 。 ＰＤ 控 制器 设 计 中 ， 性 对 在 Ｉ
ｇ（） （ ＋ａ ｈ ｘ ） ｘ： １ ｔｎ （ ） ＝
厶 ｅ ＋ｅ
（） ５
研 究 了基 于 神 经 网络 的 控制 器 结 构 和 算 法 的基 础上 ，用 改 进 共 扼 梯度 算 法 对神 经 网 络 控制 器 参 数 进 行 在 线整 定 。仿 真 结 果 表
明 ， 种改 进 方 案不 仅 能 够 提 高算 法 在 训 练 过 程 中 的 收敛 速 度 ， 这 而且 训 练后 的神 经 网 络具 有 较 强 的 自适 应 和 自学 习 能 力 ，对 控 制 器 参 数 实 现在 线 整 定 ， 从而 进 一 步 提 高 了控 制 器 的性 能 。
BP神经网络与PID控制的结合
BP神经网络
BP（Back Propagation）神经网络是1986年由 Rumelhart和McCelland为首的科学家小组提出，是 一种按误差逆传播算法训练的多层前馈网络，是目 前应用最广泛的神经网络模型之一。 BP网络能学习和存贮大量的输入-输出模式映射 关系，而无需事前揭示描述这种映射关系的数学方 程。它的学习规则是使用梯度下降法，通过反向传 播来不断调整网络的权值和阈值，使网络的误差平 方和最小。
人工神经网络（Artificial Neural Network， 即ANN ），是20世纪80年代以来人工智能领域兴起 的研究热点。它从信息处理角度对人脑神经元网络 进行抽象，建立某种简单模型，按不同的连接方式 组成不同的网络。所以它的技术原型就是自然神经 网络。在工程与学术界也常直接简称为神经网络或 类神经网络。人工神经网络是一种运算模型，由大 量的节点（或称神经元）之间相互联接构成。 最近主要应用于模式识别、智能机器人、自动 控制、预测估计、生物、医学、经济等领域，解决 了许多现代计算机难以解决的实际问题，表现出了 良好的智能特性。
BP神经网络与PID控 制的结合
神经网络
神经网络可以指向两种，一个是生物神经网络，一 个是人工神经网络。 生物神经网络主要是指人脑的神经网络。人脑是人 类思维的物质基础，思维的功能定位在大脑皮层， 后者含有大约1011个神经元，每个神经元又通过神 经突触与大约103个其它神经元相连，形成一个高度 复杂高度灵活的动态网络。作为一门学科，生物神 经网络主要研究人脑神经网络的结构、功能及其工 作机制，意在探索人脑思维和智能活动的规律。
调整权值，从而使其稳定状态对应于某种最优控制 规律下的PID控制参数。
学习算法
BPNN
Kp Ki Kd
PID神经网络控制-医学课件
r
Ｐ
v
（2） 经 k 步训练后，输入层至隐层 权值调整算法：
u
I
P
y
1 w ij
(k
1) 1w ij
(k )
1
E 1w ij
R
Ｄ
x'
x q NNC
1w ij ( k ) 1 i (k )r j ( k )
i ( k ) ' ( k )( 2 w i ) sgn
rn
2w P
u1
un
v1
y1
vn
yn
x'
R
xq
NNC
图 4-7-2 PID 神经网络多变量控制结构 6
q s2(k 1 ) x s2(k ), 1 q s2(k ) 1
q s2(k ) 1 ,
q s2 1
1 ,
q s2 1
x s3(k ) x s3(k 1 ), 1 q s3(k ) 1
控制器输出计算，见节 2-8，不同点：
（1）网络输入层输入输出相等
1W 2W
R(k ) [r1 (k ), r2 (k )] [r(k ), y(k )] ；
r
Ｐ
v
（2）输出层神经元用线性模型，输入=输出： u(k ) x' (k ) , u(k) ：控制量
u
I
P
y
（3）控制器与被控对象一起作为广义网络考虑；
q i (k ) q i (k 1) xi (k ) xi (k 1)
图 4 -7-1 PID 神经网络单变量控制结构
2
4-7-2 PID神经网络多变量控制
- 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)。
平 面 二 自 由度 五 杆 机构 Ｂ Ｐ神 经 网络 整 定 Ｐ 制 Ｉ Ｄ控
毛坤 朋 ， 敢为 ， 蔡 董 赞
（ 广硒大学 机械工程学院 ， 广西 南宁 ５ ００ ） ３０４
《 装备 制 造技 术 ）ｏ ｏ年第 ５期 ） ｌ ２
神经 网络采用 ４ ６ ３结构 的 ３层 Ｂ －— Ｐ网络 ， 包含 ４个 输 它 入节点 ， ６个隐层节点 ， ３个输 出节 点 ， 结构 如图 ３所示 。
算 ， 是通 过 Ｂ 它 Ｐ神 经 网 络 的辨 识 得 到 的 。
经典 增量式 ＰＤ的控 制算法为㈣ Ｉ
的 惯 性 项 以加 快 收 敛 速 度 。
图 １ 平面二 自由度机构示意 图
图 ２ 基于 Ｂ Ｐ神经 网络整定的 ＰＤ控 制系统框图 Ｉ
收稿 日期：０ ０－２ １ ２ １－ — ５ ０ 作者简介 ： 毛坤朋 （９ ３ ）男 ， １８ 一 ， 河南开封人 ， 广西大学硕士研究生 ， 研究方 向： 电系统动力学。 机
ｕ ｋ ＝ｕｋ １＋ Ｘ （ ） （ ） （一 ） Ｚｕ ｋ
／ｕ ｋ ＝ｋ（ｒ ｒ 一ｅｒｒｋ １ ） ｒ ｒｋ Ｘ （ ） ｐｅｒ （ ０ ） ｒ （一 ） ＋ｋ ｅ ｏ（ ） ｏ ｒ ＋ｋ（￣ ｒｋ 一２ｒ ｒｋ １ ＋ｅｒｒｋ ２ ） ｄｅ＇ （ ） ｅｒ （一 ） ｒ （－ ） ｏ ｏ ｏ （） ９
△ｗＣ 七 ＝ａ ． ） △ （ （一 ） １＋田 （） ｋ
图 ３ ＢＰ神 经 网 络 结 构 圈
网 络 输 人 层 输 人 为
的驱动控制力矩。
２ 基于 Ｂ Ｐ神经 网 络整 定 的 Ｐ Ｄ控制 器设 计 Ｉ
基于 Ｂ Ｐ神经 网络整定 的 ＰＤ控 制器 由两部分组成 ： Ｉ 经典
１ 平面二 自由度机构 动 力学 模型
平 面二 自由度机 构 的示 意图 如图 １所示 。 中 ， 其 下面加
横 线 者 为 主 动 关 节 ； Ａ Ｂ Ｃ Ｄ Ａ 的 长 度 分 别 为 杆 Ｂ、 Ｃ、 Ｄ、 Ｅ、 Ｅ （ ＝Ｉ５ ， 中 杆 如为 机 架 ， ｉ － ）其 质量 分 别 为 ｍ（ ＝Ｉ４ ， 转 角 － ）动
的 ＰＤ控制器 和 Ｂ Ｉ Ｐ神经 网络 。结构如图 ２所示。经典的 ＰＤ Ｉ
控制器 ， 直接对被控对 象进行 闭环控制 ， 并且 ３个参 数 ｋ， ｐｋ，
ｋ 为在线调整 方式。Ｂ Ｐ神经 网络根据 系统的运行状态 ， 调节 ＰＤ控制器 的参数 ， Ｉ 以期达 到所 取性能指标 的最优化 ， 使输 出 层 神经元 的输 出状态对 应 于 ＰＤ控制器 的三个 可调参数 ‰， Ｉ ｋ， ｉ 通过神经 网络 的自学 习、 ｋ 加权系数调整 ， 使神经 网络输 出
平 面二 自由度 五杆机构 动力学方程为
肘 ＋Ｃ ＋Ｇ ＝ Ｔ பைடு நூலகம்） １
式 中 Ｍ、 、 Ｃ Ｇ分别 为惯性力矩阵 、 向心力哥 氏力矩 阵和重
力矩阵 ，＝ 。 ］ 为主动杆 角速度矢 量 ， ＝ ， ［， ｒ ‘［ ‘ 为主动 ］
杆角加 速度矢 量 ， ， ， ］ Ｔ［ｒ 为作用在机 构二个 主动 关节上
现对 于五杆机构的轨 迹跟踪控制 ． 该方 法具有较 好的 自适应 性和鲁棒 性。 关键词 ： 五杆机构 ； ＢＰ神 经网络 ； 辨识 ； 自适应 ＰＤ控制 Ｉ 中图分类号 ： Ｐ ７ Ｔ ２３ 文献标识码 ： Ａ
文章 编 号 ： ７ — ４ Ｘ（ ０ ０ － ０ ４ ０ １ ２ ５ ５ ２ １ ５ ０ ４— ３ ６ ０）
五杆机构具 有两个 自由度 ，国内外有 许多文献对该 机构 进行 了研究 。五杆机构 的控 制主要存在 的问题是其 动力学 表现为高度非线性和强耦合［１ ｏｍｉ 出平行 四边形 机构实 ４。 ｕ 提 －Ｔ － ５ 现解耦［ 以简化其动力学模型 ， ６ １ ， 但改变 了机构 的结构 ， 响了 影 机构 的运动性 能 ；ｉ Ｃ ｅ Ｌｎ和 ｈ ｎ提出采用 模 型参考 自适应 的控 制方法１ 但使控制模型复杂 ， ７ １ ， 控制设计 困难。 本文基于 Ｌ ｇ ｎ ｅ ａｒ ｇ 方程推导 了平 面二 自由度 五杆机构 的 ａ 动力学 方程 ， 而以此动力学模 型为基础 ， 进 采用基 于 Ｂ Ｐ神经 网络辨识的 自适应 ＰＤ控 制的方法 ，并利用 计算 机仿真考察 Ｉ 了该控制器在轨迹跟踪控制 中的性能 。
分 别 为 。 、岛、ｏ， 应 杆 件 的 质 心 位 置 为 （． ） 、 ４相 ，
（ ： １４ ， 中 屈 为 各 杆 质 心 与其 自身 杆 件 所 成 的夹 角 。 ｉ ￣ ）其
对应于所取最优控制律下的 ＰＤ控制器参数 。 ２中 ，为输 Ｉ 图 ｌ
入 ；ｏｒ ｙ ｕ 为被控对象 的输 出 ； 用 ３层 Ｂ 选 Ｐ神经网络 ， 已经证明 ３层 Ｂ Ｐ神经网络可逼近任意连续非线性 函数 。按照梯度下降 法修正 网络 的权 系数 ，并 附加一个 使搜索快速 收敛全局 最小
摘 要： 针对平面二 自由度五杆机构的轨迹跟踪 问题 ， 计 了一种基于 ＢＰ神经 网络整定 的 ＰＤ 控制方 法。该控 制方案利 用 Ｂ 设 Ｉ Ｐ神 经
网络 学习辨识机构 系统的未知 非线性动 态， 可以在线调整 ＰＤ控制 参数 ， 实现 高精度控 制。仿真 结果显示该控制 策略 可以精 确 实 Ｉ 以
ｋ ｐ
由式 （ ）式 （ ） 求 得 ： ５、 ９可
ｋ ｄ
蜡 ＝ｏ） １ ｅ（ 一 ＿ ｒｋ ｒ一 ｒ ） 措 ＝ｗｋ ｅ（ ｒ） ｒ （） １ ０ 措 ＝ ｒ 一ｒｋ） ２ ｅ（ ２ｏ＿＋ ＿ ｒｋ ｅ（１一 ） ｍ） ｒ ｒ
上述分析可得 网络输 出层权 的学 习算法为