基于BP神经网络的PID控制

1、 基于BP神经网络的PID控制刘恩涛潘宏侠（中北大学机械工程与自动化学院，太原030051）摘要:基于BP神经网络的PID控制器具有逼近任意非线性函数的能力，能实现对PID控制器的参数KP，KI，KD的实时在线整定，使系统具有更好的鲁棒性和自适应性，其输出也可以通过在线调整达到预期的控制精度，适用于温控系统。实验结果表明，该控制器具有抗干扰能力强、鲁棒性好等特点。关键词：BP神经网络；PID控制；在线整定APIDControllerBasedonBPNeuralNetworkLiuEn-taoPanHong-xia（CollegeofMechanicalEngineeringandAutoma

2、tization，NorthUniversityofChina，Taiyuan030051）Abstract:APIDcontrollerbasedonBPneuralnetworkhasthecapabilityinapproachinganynonlinearfunctions，andcanreal-timelyrealizetheonlinesettingofthePIDcontrollersparametersKP，KI，KD.Withtheoptimizedparameters，thecontrolsystemcanbeofbetterrobustnessandself-adapta

3、bility，andtheoutputofthesystemcanreachtheexpectedcontrolprecisionthroughtheonlinetuning.Thusitissuitablefortemperaturecontrol.Theexperimentalresultshowsthatthecontrollerisofastronganti-jammingcapabilityandabetterrobustnessinapplication.Keywords:BPNeuralNetwork;PIDControl;OnlineTuning本文将分析常规神经网络PID控制

4、器存在的问题，在此基础上提出一种新型的神经网络PID控制器。2常规的神经网络PID控制在常规的基于多层前向网络的PID控制习4方案中，采用了间接控制方式，它由控制器网络NNC和辨识器网络NNI组成，其框图如图1所示。图1常规的神经网络PID控制系统辨识器网络NNI采用三层网络，其辨识算法采用BP算法，网络的输入和输出分别为控制量u(t)和系统输出y(t)。神经网络控制器NNC为一个两层的线形网络，其输入层有三个神经元，输出层有一个神经元。神经网络PID控制器系数Ki(t+1)的修正算式AK(t)=ltr(t+1)-yC+l)h(tG=123)(1)iidu(t丿2)亠(t)glnet(t)w(

5、t)dUVt)iiini=1式中，0入1,h.(t)为NNC的输入,v.(t)、win(t)为NNI的权值。大量的仿真研究表明，常规神经网络PID控制器存在以下不足1)BP网络辨识器对网络的结构要求较高。当受控系统模型未知时，NNI的结构很难确定；即使在某一工况下，能够确定网络结构，但是，当受控系统的参数发生变化时，网络结构无法自动调整，辨识器的辨识效果就会变差。(2)BP网络的学习率和动量因子a很难确定，并且学习率n和动量因子a不具有在线自调整能力。3)常规神经网络PID控制器对NNC的网络权值初值的要求很高。在NNC的权系数修正中，式(4-1)中的修正系数入很难确定。常规神经网络PID控制

6、器对内扰的克服能力较差。因而，对于模型未知的系统或时变系统，采用常规神经网络PID控制器的效果不是很好，即常规神经网络PID控制器的鲁棒性较差。3一种新型的神经网络PID控制为了克服常规神经网络PID控制器的缺点，本文提出了一种新型的神经网络PID控制器(NNPID)，其结构图如图2所示。图2新型的神经网络PID控制系统新型的神经网络PID控制器采用一个两层的线性网络，其输入层有三个神经元，输出层有一个神经元。其输入层各节点的输入分别是系统偏差及其积分和微分值，即h(t)=e(t)1h(t)=Ye(i)(3)2i=0hC)=AeC)=eC)-e(-1)3式中，e(t)为系统偏差，即e(t)=r

7、(t)-y(t)上式中，r(t)为系统输入。网络的输出为kTpTife()+i=0kTpd4)=K(t)h(t)+K(t)h(t)+K(t)h(t)112233式中，Ki(t)为权系数；u(t)为控制器的输出。由此可见控制器具有PID控制结构，采用性能指标5)6)J=1rC)-yCt)2P2根据上式用梯度法进行优化，可得到关于神经网络PID控制器系数的修正算式(t)=/(t)-y(t)h(t)啤idut丿式中，0vA1，hi(t)为NNPID的输入。在神经网络PID控制器系数的修正算式中，不再采用辨识器网络来实现ay/au，而是以系统输出对控制量的差分近似系统输出对控制量的微分，即?y/?u用

8、下式近似ay(t)au(t)y(t)-y(t-1)uu-1)7)8) AK(t)=ltr(t)-y(t)h(t，i=1,2,3iiu(t丿一u(t一1丿K(t+1)=K(t)+AK(t)(9)iii由此，可得如下在线自适应神经网络PID控制算法：对NNPID的权系数进行初始化：、K3为(0.5,1)之间的随机值，K2为(0,0.1)之间的随机值；采样，计算e(t)、工e(i)和Ae(t)；由神经网络PID控制器产生u(t)，并经过对象产生y(t)；用式(4-9)、(4-10)对NNPID权值进行修正；令t=t+1,将u(t)、y(t)和e(t)移位处理后返回(2)。4仿真实验对象的传递函数为G

9、(s)=K/(1+Ts)ne-6，采用NNPID进行控制，改变对象参数，可以得到不同的调节效果，调节曲线见图3。其中各条曲线对应的对象参数如表1。表1对象参数的变化12345T20.040.020.020.020.0n44644K1.01.01.02.01.0T000010.0由图中可看出，当系统对象的参数(T、n、K、t)发生变化时，在系统控制器的参数不变的情况下，系统都能达到稳定，说明了NNPID具有一定的适应能力，即NNPID的鲁棒性好。2O.-1D230犯Q40D50060070Dm图3NNPID仿真曲线一对于如下非线性对象，采用神经网络PID控制器，y(k)=a0(k)y(k-1)+

10、u(k-1)/1+y2(k-1)(10)式中，系数a(k)是慢时变的，a(k)=l+0.15sin(kn/40)。加权系数初值取区间-0.5,0.5上的图4NNPID仿真曲线二由图4可以看出，对于具有非线性且慢时变的被控对象，基于BP神经网络的PID控制器有良好的控制效果。但由于采用的是在线学习，初始权值的设置问题使得在控制的开始有一些小的纹波。而且，虽然在上升过程比较平稳，但是下降过程都有一些小的波动。5结束语通过神经网络的在线学习可以调整PID控制器的参数，起到自适应控制的作用，因此可以构成神经网络PID控制器，本章在分析了普通神经网络PID控制器存在的问题的基础上，提出一种新型的神经网络

11、PID控制器，在权系数的修正中，以系统输出对控制量的差分近似系统输出对控制量的微分。该方法结构简单，容易实现。仿真结果表明，其具有一定的在线调整控制器参数能力。参考文献：I.D.郎道著.吴百凡译.自适应控制模型参考方法.北京:国防工业出版社,1985L.Jin,P.N.Nikiforuk&M.M.Gupta.DirectAdaptiveOutputTrackingControlUsingMultilayeredNeuralNetworks.IEEPro-D.1993,140(6):393-398郭鹏,韩璞.一种新型神经网络智能PID控制器的仿真研究.自动化与仪表.2001,16(2):23-2

12、5王永骥,涂健.神经元网络控制.北京:机械工业出版社,1998陶永华,尹怡欣,葛卢生.新型PID控制及其应用.北京:机械工业出版社,1998.9李遵基.李遵基科技论文集(19861996).天津:天津科学技术出版社,19967BihuaLin,PuHan,LihuiZhou.ANewTypeofNeuralNetworkPIDControl.ICCA,Xiamen,2002作者简介刘恩涛男，1986年生，中北大学机械工程与自动化学院在读研究生，主要研究方向为基于网络的智能控制。1引言在工业过程控制中，PID控制是历史最悠久、生命力最强的控制方式。这主要是因为这种控制方式具有直观、实现简单和鲁棒

13、性能好等一系列优点。在PID能够实现的控制功能的场合，人们总是优先选用PID控制，在火电厂分散控制系统中，单输入单输出（SISO）、采用PID控制规律、简单的控制回路一般占80%以上。但是，对于具有大时延、大惯性的热工对象，对象响应在初始阶段变化较慢，这使得微分作用不明显，PID调节器相当于没有超前调节作用的PI调节器，这样使得过渡过程时间变长，调节品质变差，另外，对于高阶或多变量强耦合过程，PID的整定与控制都存在困难。由于整定条件常常受到限制，以及对象的动态特性随着工况、环境等变化而发生变化，PID参数往往难以达到最优状态。当前控制任务日益复杂，控制目标日愈精细，常规的PID控制器的局限性日益突出。但是PID控制器的设计思想同反馈控制理论一样，依然左右和支配着人们在进行控制器的设计时自觉和不自觉地加以运用。例如，基于Popov超稳定理论的自适应律设计1、基于Lyapunov稳定性设计方法、模糊控制对误差及其微分信号的利用等均利用了PID控制的思想。为了加强自适应能力，在线调整PID参数是一种直接的思路，但是实现上存在一定的困难。由于神经网络具有学习能力并且可在一定条件下逼近非线性，人