基于BP神经网络PID参数自整定的研究

1、基于BP神经网络PID参数自整定的研究July2005系统仿真JoURNALoFSYSTEMSIMULATIoN?l7ll?_基于BP神经网络PID参数自整定的研究廖芳芳,肖建(西南交通大学电气工程学院,四川成都610031)摘要:PID控制是迄今为止在过程控制中应用最为广泛的控制方法.但在实际应用中,其参数整定仍未得到较好的解决.本文把神经网络技术应用在PID控制中,充分利用神经网络具有非线性函数逼近能力,构造神经网络PID自整定控制器,并通过仿真试验,取得较好的结果.关键词:PID(比例积分微分器);自整定;BP神经网络;仿真文章编号:1004.731X(2005)07.17l1.03中图

2、分类号:TP391.9文献标识码:AResearchonself-tuningofPIDparametersbasedonBPNeuralNetworksLIAOFang-fang,XIAOJian(SchoolofElectricalEng.,SouthwestJiaotongUniversity,Chengdu610031,China)Abstract:PIDcontrollersareusedinalargenumberofindustries,particularlyinprocessindustries.However,uptonow,therearenosatisfactoryso

3、lutionsaboutthetuningofPIDparameters.NN(NeuralNetwork)techniquewasusedinPIDcontrolbecauseitcouldchangeparametersitselfonline.Inthisway,aNNPIDcontrollerofself-tuningcouldbeconstruted.Thesimulationexperimentsproveitsatisfactory.Keywords:PID(ProportionalIntegralDerivative);self-tuning;BackPropagationNe

4、uralNetwork;simulation引言PID控制器从问世至今已历经半个多世纪,在这几十年中,人们为它的开展和推广做出了巨大的努力,使之成为工速开展的今天,过程控制中大局部控制规律都未能离开PID,这充分说明PID控制仍具有很强的生命力.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:即比例系数(Kp),微分时间(Ti),微分时间(Td).这是因为在生产部门中有各种各样的被控对象,它们对控制器的特性会有不同的要求,整定的目的就是设法使控制器的特性能够和被控对象配合好,以便得到最正确控制效果.如果控制器参数整定不好,即使控制器本身很先进,其控

5、制效果也会很差.然而,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,这是就要求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.目前,采用BP神经网络应用于PID控制已成为一大力【,而且具有自适应学习,并行分布处理和有较强的鲁作者简介t芳芳(1980-),女,江西省鄱阳人,硕士生,研究方向为计算机控制和智能控制;肖建(1950-),男,湖南衡阳人,博导,研究方向为计算机控制理论与控制技术及鲁棒控制等.棒性和容错性等特点,因此适用于对复杂非线性系统进行建模和

6、控制.本文正是在此根底上,提出了基于BP神经网络PID参数整定方法,并用Matlab进行了仿真,得到较为满意的结果.1控制系统结构及PII)控制器根本结构形式圈1典型控制系统方框幽典型的控制系统结构如图l所示.在整个控制系统中,PID控制器占据重要地位,目前应用中常用如下两种结构形式【4J.a,(庀)=kpe(k)+k,P(f)+Ae(k)(1)或)=kp)+去扣b,(=(七)一e(k一1)+庀)十一2七一1)+七一2)(3)其中(七)=u(k)一u(k一1),=r(y(k),r(k)为对象的设定输入,(七)对象的实际输出,e(k)为控制偏差.2BP神经网络?1712?系统仿真July2005

7、层前向网络的反向传播算法(BackPropagation),以后简称一个输入层,一个输出层和一个或多个隐含层,同层神经元间无关联,异层神经元间向前连接【5】.根据多层前向网络的逼近理论,在足够多的隐神经元数目条件下,具有sigmoid非线性活动函数的三层神经网络可以以任意精度实现从输层前向神经网络.图2是三层前向神经网络结构.输出层隐含层输入层输入向量图2三层向前神经网络结构oi=x1J其中输入层节点x到隐含层节点口,的连接权用w表示;0表示隐含层节点x的闽值,此层神经元的输出函数一般采用非线性函数,常采用S函数,用f(x1表示输入层到隐含层的传递函数;用表示输出层节点2的闽值,此层神经元输出

8、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)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:.=(4)隐含层:0=w1/()(5)输出层:=2:g(02)6,=oBP神经网络采用的是误差反向传播来调整连接权,使性能指标函数):(r(D一)最小,r)为给定值,似)为系统输出,按照梯度下降法得到连接权的修正公式:输出层:P)g()(+1)=+x(7)隐含层:=w2厂()w(七+1):W1()+xo()(8)其中r/为学习速率,大于零.3基于BP神经网络PID参数自整定由于神经网络具有较好的自学习和自适应能力,可充分利用此特性.在离线时对控制对象模型进行辨识,从而

9、构成一个神经网络辨识器(NNI),并根据式(7),(8)来修正其网络权值,使其逐步适应被辨识对象的特性,当它学习到与被控对象一致时,再由神经网络控制器(NNPID)进行在线控制,而在这个过程中,NN/利用BP神经网络的误差反向传播特性,把控制偏差e1(其中e()=Yp()一(),()为控制对象实际输出,为神经网络输出)传回到神经网络自身神经元,从而修正其自身权值;而对象的设定输入和对象的实际输出的偏差e(其中=,(一(,r(七)为对象得设定输入,为对象的实际输出)通过NNI后,通过反向传播为NNPID控制网络提供误差信号P,神经网络PID控制器(NNPID)利用此误差信号P,对其网络权值进行修

10、正61,经过屡次学习,NNPID便能逐渐跟上系统的变化.系统控制器结构如图3所示.图3基于BP神经网络PIE)自整定控制结构整个系统控制设计有两大关键之处:(1)NNI和NNPID神经网络结构选取,NNI网络选(4,4,1),其中输入层=【J,(七一1),y(k一2),y(k一3),u(k)u(k一1),输出层为Y:【(七),W,W初始权值随机给定,之后采用BP算法对其进行修正,隐含层的传递函数取)=二!,1+e输出层的传递函数取),学习速率取0.1,其神经网络结构如图4所示;而NNPID的网络结构通过PID算法可分析得到:由式(3)知(七):(P(七)一e(k一1)+P(七)+(目(七)一2

11、七一1)+P(一2)那么可采用一个三输入单输出的神经元,网络结构为(3,1),其中其输入层:)一七一1),D一2e(kD+七一2)】,输出层为(七)】,那么其神经网络结构如图5所示,其中f(.)函数取线性,即取f(x-x.把PID的三个参数Kp,Ki,Kd作为神经网络的权值,通过神经元的自学习能力来自适应调整,这样由于能够被在线自适应整定,可大大提高控制器的鲁棒性.(2)NNPID控制器误差信号e,的计算:其计算表达式推导如下:NNI的评价函数为:.:P(|i):【Yp(七)一(七)(9)NNC的评价函数为:.:P;(七):1【,(七)一(七)】(0)由于控制器网络的输出uO0的变化是使评价函

12、数E最小,故July2005廖芳芳,等:基于BP神经网络PID参数自整定的研究?l7l3?aEo(k)=ay)au(k)a(七)(七)a(七)而=w,2因为=拟)(1枷)所以(七):一(七)5(w1+wl一+)这样求解出的e()防止了如文献7】中用符号函数sgn()来取代丽Oy(k),使学习精度有所提高.4仿真试验图4NNI神经网络结构图5NNPID神经网络结构本文仿真试验选定的对象为:y(k+1)=(),y(k一1),y(k一2),(),(七一1)(11)其中f(X1,X2,X3,X4,X5)=参考输入为:)=0.5sin(rk/25)k<2500?5250k<5o0(12,-0

13、.55o0k<7500.3sin(rk/25)+0.4sin(k/321+0.3sin(rk/40)750k<1000本试验采用Matlab6.5对式(11),(12)所表示的控制对象进行仿真,仿真结果如图6所示,图6中x轴为学习次数,即K值,Y轴为输出,图中有两条曲线,一条为对象的设定输入r(1,另一条为对象的实际输出(),从图中可看,尽管对象的设定输入多变化,但是被控对象仍能较好的跟踪给定输入,使系统输出与设定输入一致.为了与传统PID控制进行比照,作者采用传统PID算法对此对象进行了仿真,对于Kp,Ki,Kd三个参数调节,采用临界振荡法和衰减曲线法sqo1,经过屡次整定,最终

14、确定Kp=O.1,Ki=0.6,Kd=0.4.其仿真结果如图7所示,其中x轴为K值,Y轴为输出.从仿真结果来看,采用本文所阐述的基于BP神经网络PID控制的方法较传统PID控制方法对对象的控制更精确.5结论目前,神经网络应用于PID控制已成为一大研究热点.因为神经网络具有自学习,自组织能力,多层前向网络可以任意精度逼近非线性函数,所以它可用于模型辨识;同时,用神经网络构造PID控制器,因为其网络权值具有在线自修正能力,这样就能做到参数在线自整定.本文的仿真试验中,NNI神经网络用于离线辨识,NNPID控制器进行参数在线自整定,仿真结果说明其控制效果较令人满意.参考文献:1侯志林.过程控制与自动化仪表M.北京:机械工业出版社,2000.2夏红,赏星耀等.PID参数自整定方法综述J.浙江科技学院,2003,15(4):236240.3孙增圻.智能控制理论与技术M】.北京:清华大学出版社,1997.4吴宏鑫,沈少萍.PID控制的应用与理论依据J.控制工程,2003,10(1):37-42.5张建民.