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

一．基于BP 神经网络的自适应PID 控制器的原理

PID 控制是最早发展起来的、 应用领域至今仍然广泛的控制策略之一，它是基于对象数学模型的方法，尤其适用于可建立精确数学模型的确定性控制系统。其优点是算法简单、 鲁棒性好和可靠性高。但是，由于实际工业生产过程往往具有非线性，许多非线性系统难以确定精确的数学模型，常规的PID 控制器就不能达到理想的控制效果，由于受到参数整定方法烦杂的困扰，参数往往整定不良、 性能欠佳。神经网络所具有的任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的PID 控制。基于BP 网络的自适应PID 控制器，通过BP 神经网络调整自身权系数，对PID 控制参数进行调节，以达到某种性能指标的最优。

二．基于BP 神经网络的自适应PID 控制器的控制器结构

基于BP 神经网络的PID 控制系统结构图如图1所示：

此控制器由两部分组成：

（1）经典的PID 控制器，直接对被控对象进行闭环控制，并且三个参数p K ，i K ，d K 为在线调整方式；

图1 BP 网络结构

p k

i k

d k

i

（2）神经网路，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，是输出层神经元的输出状态对应于PID 控制器的一个可调参数p K ，i K ，d K 。通过神经网络的自学习、加权系数调整，使神经网络输出对应于某种最优控制率下的PID 控制器参数。

基于BP 神经网络的自适应PID 控制器的控制器如图2所示：

该控制器的算法如下：

（1）确定BP 神经网络的结构，即确定输入节点数M 和隐含层节点数Q ，并给

各层加权系数的初值)0(1ij w 和)0(2ij w ，选定学习速率η和惯性系数α，此时k=1； （2）采样得到rin(k)和yout(k)，计算该时刻误差error(k)=rin(k)-yout(k)；

（3）计算神经网络NN 各层神经元的输入、输出，NN 输出层的输出即为PID 控制器的三个可调参数p K ，i K ，d K ；

（4）根据经典增量数字PID 的控制算法(见下式)计算PID 控制器的输出u(k)； ))

2()1(2)(()())1()(()1()(-+--++--+-=k error k error k error K k error K k error k error K k u k u d i p （5）进行神经网络学习，在线调整加权系数)(1k w ij 和)(2k w ij 实现PID 控制参数

的自适应调整；

（6）置k=k+1，返回到（1）。

图2 基于BP 神经网络的自适应PID 控制器的控制器结构

三．仿真程序

%BP based PID Control

clear all;

close all;

xite=0.25;

alfa=0.05;

S=1; %Signal type

IN=4;H=5;Out=3; %NN Structure

if S==1 %Step Signal

wi=[-0.6394 -0.2696 -0.3756 -0.7023; -0.8603 -0.2013 -0.5024 -0.2596; -1.0749 0.5543 -1.6820 -0.5437; -0.3625 -0.0724 -0.6463 -0.2859;

0.1425 0.0279 -0.5406 -0.7660]; %wi=0.50*rands(H,IN);

wi_1=wi;wi_2=wi;wi_3=wi;

wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325; -0.1146 0.2949 0.8352 0.2205 0.4508;

0.7201 0.4566 0.7672 0.4962 0.3632]; %wo=0.50*rands(Out,H);

wo_1=wo;wo_2=wo;wo_3=wo;

end

if S==2 %Sine Signal

wi=[-0.2846 0.2193 -0.5097 -1.0668; -0.7484 -0.1210 -0.4708 0.0988; -0.7176 0.8297 -1.6000 0.2049;

-0.0858 0.1925 -0.6346 0.0347;

0.4358 0.2369 -0.4564 -0.1324];

%wi=0.50*rands(H,IN);

wi_1=wi;wi_2=wi;wi_3=wi;

wo=[1.0438 0.5478 0.8682 0.1446 0.1537;

0.1716 0.5811 1.1214 0.5067 0.7370;

1.0063 0.7428 1.0534 0.7824 0.6494]; %wo=0.50*rands(Out,H);

wo_1=wo;wo_2=wo;wo_3=wo;

end

x=[0,0,0];

u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;

y_1=0;y_2=0;y_3=0;

Oh=zeros(H,1); %Output from NN middle layer

I=Oh; %Input to NN middle layer

error_2=0;

error_1=0;

ts=0.001;

for k=1:1:6000

time(k)=k*ts;

if S==1

rin(k)=1.0;

elseif S==2

rin(k)=sin(1*2*pi*k*ts);

end

%Unlinear model