基于BP神经网络的自整定PID控制仿真

基于BP神经网络的自调整PID控制仿真一、实验目的1.熟悉神经网络的特性、结构和学习算法。2.通过实验掌握神经网络自调整PID的工作原理。了解神经网络的结构对控制效果的影响。4.学习了利用Matlab实现神经网络控制系统仿真的方法。二、实验设备和条件1.电脑系统2.Matlab模拟软件三、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，控制效果好，应用广泛。但是，PID的局限性在于，当控制目标对象参数随时间变化时，很难自动调整控制器的参数以适应外部环境的变化。为了提高控制器的适应性，可以使用自动调整控制器参数的神经网络控制方法。结合现有的PID控制理论，利用神经网络的自学习特性，构建自动调整控制器参数的神经网络PID控制器。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。一个是直接执行对象闭环控制的常规PID控制器，三个参数在线调节。二是神经网络NN，它根据系统的运行状态学习权重系数调整，并调整PID参数以优化特定性能指标。图4中的神经网络使用结构类型4-5-3的BP网络。BP网络是单向传播的多层正向网络。输入与节点相对应的系统运行状态量(如系统的偏差和偏差更改率)，如有必要，对其进行规范化。输入变量的数量取决于控制系统的复杂性，输出节点对应于PID的3个可调整参数。由于输出不能为负，因此激活输出层函数采用非负Sigmoid函数，隐式层采用正负对称Sigmoid函数。在此系统中选择的BP网络结构如图5所示。网络的学习过程包括正向和反向传播两部分。如果输出层得不到所需的输出，则转到反向波过程，修改各层神经元的权重，使错误信号最小化。输出层节点分别对应三个可调整参数Kp、Ki和Kd。性能指标函数包括使用倾斜降方法修改网络的权重系数，该方法将权重系数的负倾斜方向检索为E(k)，并添加使快速收敛达到全局最小水平的惯性项目风格，是学习速度。是惯性系数。又来了其中u(k)是k时刻的控制器输出。输出层中每个节点的输出，输出层中每个节点的输入。使用增量数字PID控制算法时四、实验阶段(1)受控对象是暂时的非线性对象，数学模型可以表示为中间系数a(k)是缓慢的时间变化。(2)如图5所示确定BP网络的结构，选择4-5-3 BP网络，在每层加权系数的初始值范围-0.5，0.5内选择随机数，选择的学习速度=0.25，惯性系数=0.05。(3)在Matlab中，根据调谐原理编写和调试仿真程序。(4)给定输入为阶跃信号，运行程序，记录实验数据和控制曲线。(5)修改学习速度、隐式层神经元数等神经网络参数，重复步骤(4)。(6)分析数据和控制曲线。五、实验结果1.实验代码Xite=0.25Alfa=0.02IN=4；H=10out=3；Wi=0.4634 -0.4173 0.3190 0.45630.1839 0.3201 0.1112 0.3395-0.3182 0.0470 0.0850 -0.0722-0.6266 0.0846 0.3751 -0.6900-0.3224 0.1440 -0.2783 -0.0193-0.0232 -0.0992 0.2636 0.2011-0.4502 -0.2928 0.0062 -0.5640-0.1975 -0.1332 0.1981 0.04220.0521 0.0673 -0.5546 -0.4830-0.6016-0.4097 0.0338-0.1503；Wi _ 1=wiWi _ 2=wiWi _ 3=wiWo=-0.1620.3674 0.1959-0.0337 -0.1563 -0.14540.0898 0.7239 0.76050.3349 0.7683 0.47140.0215 0.5896 0.7143-0.0914 0.4666 0.07710.4270 0.2436 0.70260.0215 0.4400.11210.2566 0.2486 0.48570.0198 0.4970 0.6450；Wo _ 1=woWo _ 2=woWo _ 3=woX=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)；I=oherror _ 2=0；error _ 1=0；Ts=0.001For k=1:1:6000time(k)=k * ts；林(k)=1；a(k)=1.2 *(1-0.8 * exp(-0.1 * k)；yout(k)=a(k)* y _ 1/(1y _ 1 2)u _ 1；error(k)=rin(k)-yout(k)；Xi=rin(k)，yout(k)，error(k)，1；x(1)=error(k)-error _ 1；X(2)=错误(k)；x(3)=error(k)-2 * error _ 1 error _ 2；epid=x(1)；x(2)；x(3)；I=Xi * wiFor j=1:Hoh(j)=(exp(I(j)-exp(-I(j)/(exp(I(j)exp(-I(j)EndK=wo * ohFor l=1:Outk(l)=exp(k(l)/(exp(I(j)exp(-I(j)；EndKP(K)=K(1)；ki(K)=K(2)；KD(K)=K(3)；Kpid=Kp(k)、Ki(k)、Kd(k)；du(k)=Kpid * epid；u(k)=u _ 1 du(k)；if u(k)=10；u(k)=10；EndIf u(k)=-10u(k)=-10；Enddyu(k)=sign(yout(k)-y _ 1)/(u(k)-u _ 1 0)。For j=1:Outdk(j)=2/(exp(k(j)exp(-k(j)2；EndFor l=1:Outdelta 3(l)=error(k)* dyu(k)* epid(l)* dk(l)；EndFor l=1:OutFor I=1:Hd _ wo=xite * delta 3(l)* oh(I)alf a*(wo _ 1-wo _ 2)；EndEndwo=wo _ 1d _ wo；For I=1:Hd0(I)=4/(exp(I(I)I)exp(-I(I)2；EndSegma=delta3 * woFor I=1:Hdelta 2(I)=d0(I)* se GMA(I)；Endd _ wi=xite * delt a 2 * Xi alf a*(wi _ 1-wi _ 2)；wi=wi _ 1d _ wi；u _ 5=u _ 4；u _ 4=u _ 3；u _ 3=u _ 2；u _ 2=u _ 1；u _ 1=u(k)；y _ 2=y _ 1；y _ 1=yout(k)；wo _ 3=wo _ 2；wo _ 2=wo _ 1；Wo _ 1=wowi _ 3=wi _ 2；wi _ 2=wi _ 1；Wi _ 1=wierror _ 2=error _ 1；error _ 1=error(k)；EndFigure(1)Plot(time、rin、r、time、yout、b)；Xlabel(时间)；Ylabel(rin，yout)；Figure(2)Plot(time，error，r)；Xlabel(时间(s)；ylabel(error)；Figure(3)Plot(时间，u，r)；Xlabel(时间(s)；ylabel(u)；Figure