1、基于模糊神經(jīng)網(wǎng)絡(luò)PID算法的液位串級控制丁芳 賈翔宇（中國民航大學航空自動化學院 天津 300300）摘要：利用PID算法對液位串級系統(tǒng)進行控制雖然是一種有效的控制方法，由于它的精確數(shù)學模型難以確定，使得參數(shù)整定困難、控制效果不理想。本文針對上述問題，將PID算法、模糊控制算法以及神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，形成了一種智能控制算法模糊神經(jīng)網(wǎng)絡(luò)PID算法。將該算法運用到液位串級控制系統(tǒng)中，實現(xiàn)了PID參數(shù)的自整定，并且提高了控制質(zhì)量。實驗結(jié)果表明，模糊神經(jīng)網(wǎng)絡(luò)PID算法與PID算法的控制效果相比在魯棒性和響應(yīng)時間等方面有了較大的提高，具有一定的應(yīng)用前景。關(guān)鍵字：神經(jīng)網(wǎng)絡(luò)，模糊控制，PID算法, 液位串級

2、控制中圖分類號：TP312Level Cascade Control System Based on FNN PID AlgorithmDing Fang , Jia Xiangyu(Aeronautic Automation College，Civil Aviation University of China ,Tianjin 300300,China)Abstract: Use PID algorithm Level cascade control system is an effective Although control method, since it's difficul

3、t to determine precise mathematical model, making parameter tuning difficulties, control effect is not ideal. This paper addresses this issue, PID algorithm, fuzzy control algorithms and neural network algorithms to form an intelligent control algorithm - FNN PID algorithm. The algorithm applied to

4、the liquid level cascade control system, the PID parameters to achieve the self-tuning and improved quality control. The experimental results show that FNN PID algorithm and PID algorithm compared to the control results in robustness and response time and so on has been enhanced, with a certain appl

5、ication.Keywords: Neural network; Fuzzy control; PID algorithm; Level cascade control作者簡介：丁 芳（1960），女，上海人，副教授，碩士，研究方向為智能控制、檢測。引言：由于二階液位系統(tǒng)具有一定的非線性和時滯性的特點，所以普通PID算法的控制效果并不理想。神經(jīng)網(wǎng)絡(luò)有自學習能力和大規(guī)模并行處理能力，在認知處理上比較擅長；模糊控制系統(tǒng)能夠充分利用學科領(lǐng)域的知識，能以較少的規(guī)則數(shù)來表達知識，在技能處理上比較擅長12。模糊神經(jīng)網(wǎng)絡(luò)控制算法是神經(jīng)網(wǎng)絡(luò)算法和模糊算法的有機結(jié)合，該算法既有模糊算法控制靈活和魯棒性強的優(yōu)點

6、，又具有較強的非線性跟蹤學習能力，有很大的實際意義和廣闊的應(yīng)用前景。一、模糊神經(jīng)網(wǎng)絡(luò)PID控制器1.1 模糊神經(jīng)網(wǎng)絡(luò)PID控制器的結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)PID控制器的結(jié)構(gòu)如圖1所示。控制器由三部分組成：模糊化模塊：用來對系統(tǒng)狀態(tài)變量進行模糊量化和歸一化處理23。這樣做可以利用模糊控制的魯棒性和非線性控制作用，對作為神經(jīng)網(wǎng)絡(luò)輸入的狀態(tài)變量進行模糊規(guī)則的預處理，避免了神經(jīng)網(wǎng)絡(luò)的活化函數(shù)采樣Sigmoid函數(shù)時，直接輸入量過大而造成的輸出飽和，使輸出不再對輸入敏感的缺點。神經(jīng)網(wǎng)絡(luò)(NN)：用于表示模糊規(guī)則，經(jīng)過神經(jīng)網(wǎng)絡(luò)的學習，以加權(quán)系數(shù)的形式表現(xiàn)出來，規(guī)則的生成就轉(zhuǎn)化為加權(quán)系數(shù)初值的生成和修改。根據(jù)系統(tǒng)的

7、運行狀態(tài)，自行整定PID參數(shù)，以期達到最優(yōu)的控制效果。也就是將神經(jīng)網(wǎng)絡(luò)的輸出層輸出對應(yīng)于PID控制期的三個可調(diào)參數(shù)、，通過神經(jīng)網(wǎng)絡(luò)的自學習，加權(quán)系數(shù)的調(diào)整，從而使穩(wěn)定狀態(tài)對應(yīng)于某種最優(yōu)控制下的PID參數(shù)。普通PID控制器：直接對控制對象進行閉環(huán)控制，并且、三個參數(shù)為在線整定式3。圖1 基于模糊神經(jīng)網(wǎng)絡(luò)PID的液位串級控制系統(tǒng)結(jié)構(gòu)Fig.1 Structure of Level Cascade Control System Based on FNN PID Algorithm1.2 模糊化模塊模糊化模塊的框圖如圖2所示。該模塊的作用是對系統(tǒng)狀態(tài)變量 和進行模糊化和歸一化處理。圖2 模糊化模塊的結(jié)

8、構(gòu)圖Fig.2 Structure of fuzzy module本文通過計算，將液位系統(tǒng)誤差以及誤差變化模糊化(其中，和分別是現(xiàn)在時刻的系統(tǒng)誤差和誤差變化)，根據(jù)大量的實驗數(shù)據(jù)和經(jīng)驗可以得到公式1和公式2，將和在0,6區(qū)間分成七個等級，完成“歸檔”模糊化，然后將得到的E值和E值同時除以縮減系數(shù)6將模糊化模塊的輸出調(diào)整到01的范圍，繼而將歸一化后的數(shù)據(jù)傳送給神經(jīng)網(wǎng)絡(luò)的輸入層。（1）其中，E為系統(tǒng)誤差的模糊論域。（2）其中，E為系統(tǒng)單位時間內(nèi)的誤差變化的模糊論域。模糊化模塊的輸出的模糊論域為：-7,-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6,7從而得到模糊化輸出表如表1所示.

9、表1 模糊輸出表Tab.1 Fuzzy outputE的變化-6-5-4-3-2-10123456偏差E-6-7-7-6-5-5-4-3-2-2-1000-5-6-6-6-6-5-5-5-4-4-2-100-4-7-6-7-6-6-6-6-4-3-1-100-3-7-6-6-6-6-5-5-4-3-2011-2-4-4-4-5-4-4-4-2-10011-1-4-4-4-5-4-4-2-1001220-4-4-4-4-2-101113441-2-2-2-20013434442-1-2-1-20344434443000033666666640002447776767500024466666666

10、0002447776767通過查表可以得到模糊化輸出的值，然后除以縮減系數(shù)7完成對的歸一化處理，再將得到的值送到神經(jīng)網(wǎng)絡(luò)的輸入層。1.3 BP神經(jīng)網(wǎng)絡(luò)本文使用的是一個三層神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖3所示。該網(wǎng)絡(luò)有三個輸入層節(jié)點，六個隱含層節(jié)點和三個輸出層節(jié)點，輸入層節(jié)點對應(yīng)模糊化后的系統(tǒng)狀態(tài)變量，輸出節(jié)點對應(yīng)PID控制器的三個可調(diào)參數(shù)、和。由于、三個參數(shù)不能為負值，所以本文采用非負Sigmoid函數(shù)作為輸出層的活化函數(shù)，而隱含層的活化函數(shù)則采用正負對稱的Sigmoid函數(shù)45。圖3 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Structure of fuzzy neural network該神經(jīng)網(wǎng)絡(luò)的輸入為模糊

11、化后的系統(tǒng)狀態(tài)變量，網(wǎng)絡(luò)的隱含層輸入為： （3）式中：隱含層加權(quán)系數(shù)； 隱含層活化函數(shù)，本文中； 上角標（1）、（2）、（3）分別表示輸入層、隱含層和輸出層。輸出層的輸入輸出為：（4）式中：輸出層加權(quán)系數(shù)； 輸出層活化函數(shù)，本文中。取性能指標函數(shù)為：（5）按J對加權(quán)系數(shù)的負梯度方向搜索調(diào)整，并附加一個使搜索快速收斂到全局極小的慣性項，則有：（6）式中：學習速率； 慣性系數(shù)。并且有（7）因此可以得BP神經(jīng)網(wǎng)絡(luò)NN輸出層的加權(quán)系數(shù)的修正公式為： （8）依據(jù)上述推算辦法，可得隱含層加權(quán)系數(shù)的修正公式：（9）式中：所以，基于BP神經(jīng)網(wǎng)絡(luò)的PID控制算法可以歸納如下：（1） 選定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，給出

12、各層加權(quán)系數(shù)的初值，選定學習速率和慣性系數(shù)，k =1;（2） 采樣得到和，計算;（3） 根據(jù)式（5）（7）前向計算NN的各層神經(jīng)元的輸入和輸出，NN輸出層的輸出為PID控制器的三個可調(diào)參數(shù)、；（4） 根據(jù)式（4），計算PID控制器的輸出，參與控制和計算；（5） 由式（11）對輸出層的加權(quán)系數(shù)進行修正；（6） 由式（12）對隱含層加權(quán)系數(shù)進行修正；（7） 置k=k+1,返回（2）。二、模糊神經(jīng)網(wǎng)絡(luò)PID算法在液位串級系統(tǒng)中的應(yīng)用2.1 液位串級系統(tǒng)液位串級系統(tǒng)的結(jié)構(gòu)框圖如圖4所示。從圖中可以看出，液位串級系統(tǒng)針對上水箱液位和下水箱液位兩處的干擾，設(shè)計成主、副雙閉環(huán)結(jié)構(gòu)，這樣做提高了控制精度和控制

13、效果，但增加了控制難度。在對系統(tǒng)進行調(diào)節(jié)時，先整定副調(diào)節(jié)器的參數(shù)，當副環(huán)穩(wěn)定后再進行主調(diào)節(jié)器的參數(shù)整定，從而使整個系統(tǒng)達到穩(wěn)定運行狀態(tài)。圖4 液位串級系統(tǒng)結(jié)構(gòu)圖Fig.4 Structure of level cascade system2.2 基于模糊神經(jīng)網(wǎng)絡(luò)PID算法的液位串級控制系統(tǒng)基于模糊神經(jīng)網(wǎng)絡(luò)PID算法的液位串級控制系統(tǒng)的結(jié)構(gòu)框圖如圖5所示。圖5 基于模糊神經(jīng)網(wǎng)絡(luò)PID算法的液位串級控制系統(tǒng)結(jié)構(gòu)圖Fig.5 Structure of Level Cascade Control system Based on FNN PID Algorithm該系統(tǒng)將模糊神經(jīng)網(wǎng)絡(luò)PID算法運用到二階

14、液位的控制過程中，使用模糊控制理論將采集到的系統(tǒng)狀態(tài)信息模糊化、歸一化以后送給神經(jīng)網(wǎng)絡(luò)，有效避免了活化函數(shù)的過飽和現(xiàn)象；再用神經(jīng)網(wǎng)絡(luò)將模糊處理后的狀態(tài)變量轉(zhuǎn)化為PID控制器的控制參數(shù)，通過對神經(jīng)網(wǎng)絡(luò)加權(quán)系數(shù)的調(diào)整達到對PID參數(shù)的優(yōu)化，以期達到最優(yōu)的控制目的。2.3 編程實現(xiàn)本文所涉及的控制算法由兩個部分組成：一是PID算法，它可以根據(jù)液位偏差算得電動調(diào)節(jié)閥的控制量,從而達到對液位的控制；二是模糊神經(jīng)網(wǎng)絡(luò)算法，用來根據(jù)系統(tǒng)的狀態(tài)變量對PID參數(shù)進行調(diào)整,以期達到最優(yōu)控制。具體的編程實現(xiàn)是在北京亞控公司組態(tài)王6.01的環(huán)境下進行的，由于該版本的組態(tài)王只能設(shè)置64個變量，所以只在組態(tài)王環(huán)境下編制控

15、制界面和PID控制算法，并使用VB編制了外部服務(wù)程序，用來實現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化過程，為組態(tài)王中的PID控制過程提供PID參數(shù)。兩種軟件之間的數(shù)據(jù)交換采用標準DDE連接完成。程序流程圖如圖6所示。圖6 基于模糊神經(jīng)網(wǎng)絡(luò)PID算法的液位串級控制流程圖Fig.6 Flowchart of Level Cascade Control system Based on FNN PID Algorithm三、實驗結(jié)果經(jīng)過在線調(diào)試，分別得到了液位串級控制在傳統(tǒng)PID算法和模糊神經(jīng)網(wǎng)絡(luò)PID算法兩種不同情況下的性能曲線，如圖7和圖8所示。 （1） （2）圖7傳統(tǒng)PID控制性能曲線Fig.7 Performanc

16、e curve of traditional PID algorithm注：曲線1表示液位設(shè)定值，曲線2表示液位實際值，下同。 (1) (2)圖8 模糊神經(jīng)網(wǎng)絡(luò)PID控制性能曲線Fig.8 Performance curve of FNN PID Algorithm 從圖7可以看出，圖(1)和圖(2)分別是液位下降和上升的響應(yīng)曲線，其中下降過程的調(diào)節(jié)時間為459秒，上升過程的調(diào)節(jié)時間為483秒，并且兩個過程都有一定超調(diào)，控制效果不甚理想。圖8是基于模糊神經(jīng)網(wǎng)絡(luò)PID液位串級控制的性能曲線，圖(1)和圖(2)分別是液位下降和上升的響應(yīng)曲線，其中液位下降過程的調(diào)節(jié)時間為158秒，液位上升過程的調(diào)節(jié)

17、時間為258秒，并且在誤差允許范圍內(nèi)，兩個過程都沒有出現(xiàn)超調(diào)現(xiàn)象，控制效果比傳統(tǒng)PID算法有了顯著的提高。四、結(jié)論對于液位串級控制系統(tǒng)，由于傳統(tǒng)PID算法在參數(shù)整定過程中的缺陷，很難滿足液位串級系統(tǒng)在精度和動態(tài)性能等方面的要求。本文針對以上問題，提出了模糊神經(jīng)網(wǎng)絡(luò)PID算法，將其運用在液位串級控制系統(tǒng)中，并在PCT-2型過程控制系統(tǒng)實驗裝置上進行在線調(diào)試，結(jié)果表明：模糊神經(jīng)網(wǎng)絡(luò)PID算法不僅簡化了PID參數(shù)整定的過程，而且使得液位串級控制系統(tǒng)的性能有了很大改善。比較優(yōu)化前后的曲線可以看出，該方法可以獲得滿足工業(yè)控制要求的控制曲線，減少了調(diào)節(jié)時間和動態(tài)誤差。由此證明本文提出的控制策略和程序?qū)崿F(xiàn)方法符合實際控制要求，有一定的實際應(yīng)用價值。參考文獻：1 田思慶 , 程佳生.自適應(yīng)模糊控制在恒壓供水系統(tǒng)中的應(yīng)用研J. 自動化技術(shù)與應(yīng)用，2008 年第27 卷第2 期2 S. K. Pradhan · D. R. Parhi · A. K. Panda. Neuro-fuzzy technique for navigation of multiple mobile robotsJ. Fuzzy