1、用I泊大型控制器的設計學生姓名學生學號專業班級學院名稱2016年6月25日基于神經網絡的自適應PID控制器的設計摘要神經網絡由于其固有的自學習、自適應、自組織和大規模并行處理能力，已經在控制及其優化領域取得了廣泛的應用。利用神經網絡來可以處理控制系統的非線性、不確定性和逼近系統的辨識函數等問題并取得了大量研究成果。PID控制是最經典的控制算法，其簡單、穩定、高效的性能使其在工業控制領域具有絕對的統治地位。但是面對現代控制系統規模大，復雜度高的情況，單純使用傳統的PID控制已經無法滿足要求。本文結合神經網絡與PID兩者的優勢，提出了一種基于神經網絡的自適應PID控制器的設計的方法。實驗證明該方法

2、具有一定的實際應用價值。近年來，智能控制在工業領域的應用受到了廣泛的關注，硬件性能的不斷提高與硬件成本的不斷降低起到了至關重要的作用。目前在工業中單純使用傳統的控制方法具有一定的局限性，在面對復雜系統與大規模控制的情況下不能保證在任何時刻都提供準確無誤的控制信號，將傳統的PID控制方法結合智能控制中的神經網絡控制可以克服信息的不完備性和不確定性，更加準確地控制被控對象，從而做出正確的判斷和決策。1 .神經網絡控制神經網絡用于控制系統設計主要是針對系統的非線性、不確定性和復雜性進行的。資料顯示，國內外將神經網絡用于控制系統設計的方式和結構還未有一種統一的分類方法。目前,對神經網絡控制系統比較公認

3、地研究方向可以分為監督控制、神經自適應控制、預測控制和逆控制，這時根據控制系統的結構劃分的。本文利用到的就是神經自適應控制。本文結合神經網絡自適應控制與PID控制，提出了一種有效的控制器設計方法，并在在MATLAB中進行控制系統仿真。2 .控制器原理根據當前產生誤差的輸入和輸出數據，以及誤差的變化趨勢作為神經網絡的輸入條件，神經網絡將卞據當前PID控制器的誤差情況以及過去所有進行的PID控制歷史數據，共同作為樣本數據，重新進行神經網絡的參數的訓練，得到神經網絡內部傳遞函數的新的表達式，之后PID參數調整將依據新的神經網絡進行自動的控制和調整，從而以實現PID控制器具備自適應調節的能力。圖2-1

4、單神經元自適應為此設計了 PID控制器實現原理圖，如圖 完成正常PID功能之外設計了基于神經網絡的PID控制實現原理圖2-1所示。從圖2中可以看出PID控制器在PID參數調整模塊。模塊依照前期生成的神經網絡對PID的控制參數進行自動化的調整，而在設計的神經網絡也不是固定不變的，神經網絡的一端將連接該PID過去一段時間內的歷史累計控制數據，而且該歷史數據還將隨著PID控制器在新環境下的實際應用不斷添加新的輸入和輸出的數據，從而確保歷史數據所保存的數據關系都是PID最近一段時間內的輸入輸出關系數據，此后，神經網絡每進行下一的PID參數調整之前都將啟用這一階段內的所有歷史數據對神經網絡的各個控制系數

5、進行重新訓練，生成最符合當前歷史數據規律的神經網絡傳遞系數。由于設計的HD控制器其參數調整依賴的是神經網絡，因此可確保對PID參數調整的準確性。而神經網絡又是依賴于最近一段時間PID累計的歷史數據進行控制，因此確保了設計的PID控制器具有自適應參數調節的能力。3 .控制器設計采用單神經元自適應PID控制。由具有自適應和自學習能力的神經元結構構成單神經元自適應智能PID控制器，結構簡單，并且可以使用環境變化，具有較強的魯棒性。單神經單元自適應PID控制結構圖如圖2-1所示。圖3-1單神經元自適應PID控制結構圖圖3-1所示轉換器的輸入反映被控過程及控制設定狀態。設rin為設定值，yout為輸出值

6、，經過轉換器后轉換為神經元的輸入量，X1、x2、X3等分別為x1(k)=e(k);x2(k)=e(k);x3(k)=e(k)-2e(k-1)e(k-2);z(k)=y.(k)-y(k)=e(k);設ui(k)(i=1,2,3)為對應于xi(k)輸入的加權系數，K為神經元的比例系數，K0。單神經元的自適應PID控制算法為3u(k)=K二：uix(k)i1在神經元學習過程中，權系數ui(k)正比于遞進信號ri(k),ri(k)隨過程進行緩慢衰減。權系數學習規則如下：Ui(k+1)=(1b)u(k)+“(k)(8-5)n(k)=z(k)v(k)Xi(k)(8-6)式中，b為常數，b0;九為學習速率，

7、兒0;z(k)為輸出誤差信號，是教師信號。z(k)=y.(k)y(k)(8-7)將式(8-6)帶入(8-7)后，有Au(k)=-bUi(k)-z(k)v(k)Xi(k)(8-8)b式子中：Lui(k)=5(k1)-ui(k)如果存在一個函數fiui(k),z(k),v(k),xi(k),則有f一=u(k)iz(k),v(k),xi(k)二uib則(8-8)可寫為.、ffiui(k)=_(8-9)二u(k)式(8-9)表明，ui(k)加權系數的修整按函數fi(，)對應于ui(k)的負梯度方向進行搜索。應用隨機逼近理論可以證明，當c充分小時，使用上述算法，ui(k)可收斂到某一穩定值，且其與期望值

8、的偏差在允許范圍內。為了保證上述單神經元自適應PID控制學習算法的收斂性與魯棒性，可對學習算法進行如下規范化處理：3v(k)=v(k-1)Hui(k)x(k);i=1Ui (k)=Ui(k)3工Ui(k)i1Ui(k1)=Ui(k)iz(k)v(k)xi(k);U2(k1)=U2(k),pz(k)v(k)x2(k);U3(k1)-U3(k)Dz(k)v(k)x3(k);式中，%、%、加為積分、比例、微分的學習速率。2x1(k)=e(k);x2(k)=.e(k);x3(k)=.2(k)=e(k)-2e(k-1)e(k-2)單神經元自適應PID算法的運行效果與可調參數K、%、%、相的選取有關。4仿

9、真與測試為了能夠對設計的自適應HD控制器的性能進行評估，通過Matlab仿真工具建立了PID控制器模擬仿真條件，并實現對神經網絡訓練過程以及神經網絡的控制的參數調整控制過程進行了模擬仿真，仿真過程中重點測試PID控制器對階躍信號的響應能力，以及PID控制器自適應的調整能力，測試結果如下所示：實驗1,當參數設定為K=1.0,AP=200,%=0.35，九D=0.40時，系統階躍響應如圖4-1所示，系統階躍誤差變化如圖4-2所示。圖4-1系統階躍響應圖4-2系統階躍誤差變化實驗2,當參數設定為K=1.0,九p=200,%=0.8，九d=0.40時，系統階躍響應如圖4-3所示,系統階躍誤差變化如圖4

10、-4所示。圖4-3系統階躍響應圖4-4系統階躍誤差變化可調參數K,%,3，兒d密切的影響著單神經元PID學習算法的運行效果，在通過大量的實驗進行仿真分析后發現K是系統最敏感的參數。K值的變化，相當于P、I、D這三項系數同時變化，實驗時候應該謹慎選擇K的參數，若K過大，則會出現較大超調，且會出現多次正弦衰減現象，這時就應首先減小K的值。對階躍輸入，若超調在允許范圍內然而被控對象出現多次正弦衰減現象，則應該減小P的值，其他參數不變。實驗3,當參數設定為K=3.0,KP=200,兀=0.8,兒D=0.40時，系統階躍響應如圖4-5所示，系統階躍誤差變化如圖4-6所示。5OD 10003000 掰M

11、3MD 35 DO W 口的 4.5OO 501n時間Mm5HD 140 30QD 方加 3M0 15Hl WM 450C0outRes=0;elseclearall;closeall;ts=1;sys=tf(10,37156.3,810.2,1);dsys=c2d(sys,ts,z);num,den=tfdata(dsys,v);x=0,0,0；xiteP=400;%PxiteI=0.8;%IxiteD=0.4;%Dwkp_1=0.10;wki_1=0.10;wkd_1=0.10;error_1=0;error_2=0;y_1=0;y_2=0;y_3=0;u_1=0;u_2=0;u_3=0;

12、ts=1;fork=1:1:5000time(k尸k*ts;rin(k)=1;yout(k尸-den(2)*y_1-den(3)*y_2+num(2)*u_1+num(3)*u_2;error(k)=rin(k)-yout(k);wkp(k尸wkp_1+xiteP*u_1;wki(k尸wki_1+xiteI*u_1;wkd(k尸wkd_1+xiteD*u_1;K=1;%K是系統最敏感的參數x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2;wadd(k尸abs(wkp(k)+abs(wki(k)+abs(wkd(k);w11(k尸wkp(k)/wadd(k);w22(k尸wki(k)/wadd(k);w33(k尸wkd(k)/wadd(k);w=w11(k),w22(k),w33(k);u(k尸u_1+K*w*x;ifu(k)Ku(k)=K;endifu(k)-Ku(k)=-K;enderror_2=error_1;error_1=error(k);u_3=u_2;u_2=u_1;u_1=u(k);y_3=y_2;y_2=y_1;y_1=yout(k);wkp_1=wkp(k)；wkd_1=wkd(k);wki