【《基于神经网络的PID控制原理与策略研究概述》3700字】

基于神经网络的PID控制原理与策略研究概述目录TOC\o"1-3"\h\u30332基于神经网络的PID控制原理与策略研究概述 198961.1PID控制器 1271221.1.1标准PID控制原理 1230631.1.2数字PID的增量型算式 2315641.1.3PID控制器的参数整定 391381.2智能PID控制器 491201.3基于神经网络的智能PID控制器 684231.1.1单层神经网络的PID控制 7144771.1.2多层神经网络的PID控制 8开展系统的控制器相关设计时，需要考虑在符合系统稳态精度动态响应的条件下，再去合理地增强控制器的指标性能[50-52]。同时要想对系统的非线性以及不确定性产生一定的自整定与抗干扰能力，需采用科学合理的设计方案。选中的设计方案需要尽量符合以下几点要求：（1）因为被控对象动态性能复杂多变，需要在设计控制模型时尽可能达到系统的动态指标，降低稳态误差，确保系统响应精度高快且不超调。（2）控制器必须有着较高标准的鲁棒性从而有能力处理被控对象中的非线性不稳定性与其他难以描述的干扰因素。（3）应选取有着智能自学习自适应自整定自身参数的符合科学发展的新概念控制器。（4）为了便于日后推广与应用，相关控制条件模型应当尽量结构简洁明了。1.1PID控制器1.1.1标准PID控制原理比例调节(P)—积分调节(I)—微分调节(D)三者复合控制的简称称为PID控制。其取决于输入信号和输出信号相减取差得到的误差信号，然后把得到的误差进行比例、积分、微分三者任意组合得到的控制器进行处理，从而称为PID控制器。PID控制器可表示为：(1.1.1)为经PID控制处理后的输出值；为输出值闭环反馈到输入端与输入值相减的误差值；为比例参数；为积分参数；为微分参数。PID控制系统方框如图1.1：图1.1PID控制系统Fig.1.1PIDcontrolsystem其中PID控制器各个部分原理为：比例控制。作用是成比例地控制系统的误差值，误差输入的同时，比例控制模块即刻生效从而大幅度减少偏差，比例控制主要解决的是当前的误差。积分控制。主要作用是累积过去的误差，提高系统的误差响应度从而减小误差。其效果取决于积分时间常数，越大，积分作用越弱，反之则越强。微分控制。反映误差的变化率的大小，同时确保误差信号失去控制之前，引入一个及时的修正信号，从而加快系统的动作速度，减少调节时间，改善系统的动态性能。1.1.2数字PID的增量型算式数字PID的通常可以归为位置型和增量型。而在这里应用于PID控制器时选择增量型算式，可以表示为：(1.1.2)增量型算法较位置型的优势在于：（1）增量型算法不依赖积分的累积误差，其增量只取决于过去的数次误差输出值用于计算误差以及系统的响应精度等问题，因此过去的误差对计算干扰不大。而位置型算法则需要求出历史误差的累积之和，易于得到过大的累积值。（2）增量型算法计算出的为增量部分，对系统整体影响不大，甚至能够采用逻辑来约束和关闭输出增量。但位置型算法输出的却为误差信号整体全值，导致误动作造成的后果很严重。（3）通过增量型算法，方便达成手动至自动的无级转化。1.1.3PID控制器的参数整定这里选择增量型PID控制算法，而PID参数整定的原理实际上是基于修改、、三种环节的系数将控制器的整定特点在系统中得以充分发挥，达到被控对象的动静态要求，即该三种环节的系数对被控对象的作用如下：1、比例环节增益系数对被控对象的作用（1）关于动态性能的作用随着比例环节的系数变大，导致被控对象的响应灵敏，精度变高。而过于大时，振荡会更频繁，振荡至稳定的时间会更久；因此太大被控对象会趋于振荡和不稳定；但太小却会导致被控对象响应速度降低。（2）关于稳态特性的作用当被控对象处于稳定工况时，调大比例系数能够降低稳态误差与增强精确度，但就算再增加的值也仅仅可以降低但无法彻底解决稳态误差。2、积分环节增益系数对被控对象的作用（1）关于动态性能的作用积分环节增益系数往往能够将被控对象的稳定性减少。过于大将会出现不稳定的现象；过大会提高振荡频率；过小会导致对控制器效率的能力降低，仅仅取到适当的值时，调整能力将变得较为理想。（2）关于稳态特性的作用积分环节增益系数可以处理被控对象的稳态误差，增强响应速度与控制精度。而太小会使积分环节的效果减弱，从而无法降低稳态误差。3、微分环节增益系数对被控对象的作用微分环节增益系数同样能够优化动静态特性。产生变化时，同时会使超调量变高，从而导致调节时间变慢，仅仅是当适中时方能实现较为有效的过渡阶段。微分环节、比例环节包括积分环节三个增益系数共同作用同样能够降低被控对象的稳态误差。要想确保被控对象整体有着优秀的动静态性能，对PID控制参数的设定就尤为关键。对参数的整定往往包含两类思路，即为理论研究法与试验凑参法。本文的被控对象选择试验凑参法来进行参数的相关调节。试验凑参法指采用仿真或实际的状态工作，根据得到的响应曲线，然后参考各项调整环节对结果的影响，多次尝试拼凑调整直到结果符合预期停止，这样一来即确定了参数。其步骤如下：（1）第一步先确定比例环节系数。把比例环节的效果从低至高观察系统的响应过程，最终调整到响应精度高、振荡小、稳态误差为最小值，或其在合理区间内的曲线。（2）比例增益参数确定之后，试凑积分增益系数时，第一步把积分的时长设为一个较大的值，接着观测被控对象的响应曲线。完了逐渐降低积分的时长，从而增强积分环节的功效，同时同步试凑比例环节增益系数。通过如此循环地调整，从而达到不错的响应精度，最终得到比例环节以及积分环节的参数值。（3）最后设置微分环节增益系数。首先使得微分时长归零，再缓慢调高微分时长，同时同步调整比例环节增益系数，循环此步骤反复试凑直至满意响应。1.2智能PID控制器在进行整定时往往都期望输出值能快准狠地达到目标值。标准PID的三类环节能够结合实际灵活多变地排列组合，主流的有着P、PI、PD以及PID等。在产品研发阶段里，需要结合实际情况抉择出合理的组合方案。采取有效的整定手段得到被控对象的参数值将其实现满意的效果，从而有效增加动静态性能。电液位置伺服系统为最常见的不确定性以及非线性的对象，但标准PID控制为线性控制器，必须一直调整被控参数从而增强其指标性能[53-55]。而智能PID控制器包含了自整定、自训练能力，其可以自我识别相关参数，在控制领域里有着宽阔的前景，智能PID的结构构成如图1.2所示。图1.2智能PID控制系统Fig.1.2SmartPIDcontrolsystem可见智能PID控制取决于t时刻的实时误差、控制、误差变化率以及系统输出信号等相关参数的变化信号。开展实时整定PID三项参数，最终让被控对象获得良好的精度要求。基于被控对象响应曲线，我们能够系统地掌握该控制器的相关性能，基于调整参数，对参数数据的研究，同样能够定量地判断相关增益系数应该进行优化的程度。令被控对象阶跃响应曲线如图1.3所示。图1.3系统阶跃响应曲线Fig.1.3Systemstepresponsecurve基于对、、、、、相关特征值的研究，然后得到更适当的控制方案。表示t时刻被控对象的误差以及误差变化率的乘积，展现了其误差的变化速率。时，即图中BC段与DE段，代表被控对象正处于朝着误差降低方向调整的阶段。时，即图中AB与CD段，代表被控对象正处于误差变大方向调整的阶段。时则能够说明被控对象误差有着极值。当且，被控对象误差有极大值于B点；当且，被控对象误差有极小值于C’点。指的是t时刻被控对象误差变化和被控对象误差之比的绝对值，与共同表示当前误差的变化趋势。即当、时，能够参考、来得到被控对象阶跃响应的范围。由此可得，得到的输出值与上述未知量的函数表达式：(1.2.1)1.3基于神经网络的智能PID控制器对神经网络进行了相关探讨之后在有着突破性进步的情况下再与PID控制器复合作用，神经网络相关研究于上世纪80年代之后发展至今。如今其包含了自身独一无二的特性，即可以近似模拟人类大脑的逻辑思路[56-60]。基于神经网络的PID控制器基本类别有着：单层神经元网络的PID控制、优化处理后的BP-RBF自适应PID控制、基于二次型性能指标学习BP算法的自适应PID控制、基于遗传算法的神经网络PID控制以及基于遗传算法神经网络补偿的拓扑PD控制，总的来说，这些算法方法能归纳为通过神经网络来进行PID控制器的参数自整定以及通过神经网络来预测系统的非线性变量。1.1.1单层神经网络的PID控制单层神经网络的PID智能控制器构造简洁，根据自整定得到权值，完成自训练以及自学习工作。常见的学习方法有不受监管的Hebb学习法、受监管的Delta学习法以及受监管的Hebb学习法。受监管的Hebb学习法包含了不受监管的Hebb学习法以及受监管的Delta学习法，同时有着双方的长处。这类基于神经网络的PID控制器的学习法选择受监管的Hebb学习法：(1.1.1)(1.1.2)(1.1.3)其中，；；；；；。图1.3单神经元PID控制器Fig.1.3SingleneuronPIDcontroller根据神经网络来自适应PID的三类增益系数，必须规划好它们的学习速率，即上式中的、、，不同的系数，必须规定各自的速率。K系数可视为被控PID的比例增益系数，其功能一致与PID的比例模块。K系数取值过高过低都存在风险，应在工作实际情况下设定适当的值，确保被控对象响应灵敏以及考虑其稳定性。1.1.2多层神经网络的PID控制基于多层神经网络得到的PID控制器原理清晰，便于理解，突破了根据单层神经网络得到的系数自适应策略的单一性，控制精度高，实际应用的领域范围大，结构图如图1.