1、精選優質文檔-傾情為你奉上研究生課程期末論文 課程名稱： 神經網絡設計 任課教師： 論文題目： 基于單神經元的控制系統設計 姓 名： 學 號： 摘要在控制理論和技術飛躍發展的今天，PID控制由于其結構簡單、穩定性能好可靠性高等優點而被廣泛應用。然而在實際的工業過程中，許多被控過程機理復雜，具有高度非線性。這就要求在PID控制中，不僅PID參數的整定不依賴于對象數學模型，并且PID參數能在線調整，以滿足實時控制的要求。單神經元自適應PID控制將是解決這一問題的有效途徑。利用神經網絡具有自學習、自組織、聯想記憶和并行處理等功能和對于復雜系統控制可以達到滿意效果的優勢，提出了具有自學習和自適應能力的

2、單神經元來構成單神經元自適應PID控制器的策略。這種神經元構成的控制器不僅結構簡單，且能適應環境變化，有較強的魯棒性。使自適應PID控制達到最優。其仿真結果表明：該控制器與典型的PID控制器相比，系統輸出能夠很好地跟蹤參考模型的輸出顯著提高了系統的動態響應能力。關鍵詞：自適應；PID控制；神經元第一章 引言70年代以來，由于空間技術和過程控制發展的需要，特別是在微電子和計算機技術的推動下，自適應發展很快1。到了80年代，建立在狀態空間概念上的現代控制理論取得了很大進展，它不僅能用來解決單輸入單輸出控制系統的分析與設計問題，同時還能處理多輸入多輸出的控制系統的情況。更為重要的是，在此期間內，線性

3、系統，最優控制，最優估計，系統的辯識，隨機控制等多個現代控制理論分支相繼出現，并取得了有使用價值的成果，為自適應控制技術進一步發展提供了堅實的基礎。第二章 問題描述隨著工業和自動化技術的發展，自動化的應用領域日趨廣泛，受控對象的復雜程度差異很大， 而且控制精度的要求也參差不齊。特別應該指出的是，對某些實際的工業受控對象來說，它們的數學模型（包括結構與參數）是很難事先提供的。因為在實際情況中可能會出現受控對象的數學模型未知的情況和受控對象參數要發生不可知的變化的情況。同時在實際的工業過程中，許多被控過程機理較復雜，具有高度非線性、時變不確定性和純滯后等特點。在噪聲、負載擾動等因素的影響下，過程參

4、數，甚至模型結構，均會發生變化。這就要求在PID控制中，不僅PID參數的整定不依賴于對象數學模型，并且PID參數能在線調整，以滿足實時控制的要求。 第三章 解決方案3.1 模型建立對于數學模型事先難以得到或事后又要發生變化的受控對象的控制問題，人們按照“仿生學”的思想，提出了一種新的控制方案自適應控制方案。該方案摹仿自然界中存在的“適應”過程，從而使系統具有能自動適應環境變化的能力。如果我們把受控對象的數學模型（結構形式或和參數）或其變化事先并不知道這一特性稱之為受控對象的不確定性，那么，自適應控制方案的大致思路可歸納為：系統可隨時檢測出本身的特性（或其變化），并在此基礎上，對控制器的工作加以

5、適當修正，以使系統內不確定性對系統性能所產生的不良影響得以減小。自適應控制系統是一個具有一定適應能力的系統，它能夠認識環境條件的變化,并自動校正控制動作，使系統達到最優或次優的控制并自動校正控制使系統達到最優或次優的控制效果。自適應控制系統的原理框圖如圖3.1。這一系統在運行過程中，根據參數輸入、控制輸入、對象輸出和已知外部干擾來測量對象性能指標進行比較，做出決策，然后通過適應機構來改變系統參數，或者產生一個輔助的控制輸入量，累加到系統上，以保證系統跟蹤上給定的最優性能指標，使系統處于最優或次優的工作狀態。圖3.1自適應控制系統原理框圖單神經元作為構成神經網絡的基本單位，具有自學習和自適應能力

6、，而且結構簡單易于計算。而傳統的PID控制器也具有結構簡單、調整方便和參數整定與工程指標聯系密切等特點。若將這兩者結合，則可以在一定程度上解決傳統PID控制器不易在線實時整定參數、難于對一些復雜過程和參數慢時變系統進行有效控制的不足。用神經元實現的自適應PID控制器的結構框圖如圖3.2所示圖3.2 單神經元自適應PID控制的結構圖單神經元控制系統的結構如圖4.1所示。圖中轉換器的輸入為設定值和輸出，轉換器的輸出為神經元學習所需要的狀態量，K為神經元的比例系數。單神經元自適應PID控制器運用有監督Hebb學習規則的控制算法及學習算法為： (3.1) (3.2) (3.3) (3.4) (3.5)

7、式中 (3.6) (3.7) (3.8)分別為積分、比例、微分的學習速率，K為神經元的比例系數，K>0，為性能指標或遞進信號，對積分I、比例P和微分D分別采用了不同的學習速率，以使對不同的權系數分別進行調整。3.2 改進的單神經元自適PID控制器 在大量的實際應用中，通過實踐表明，PID參數的在線學習修正主要與和有關，基于此可將單神經元自適應PID控制算法中的加權系數學習修正部分進行改進，即將其中的改為，改進后的算法如下 (3.9) (3.10) (3.11) (3.12) (3.13)式中 (4.14)采用改進后的算法后，權系數的在線修正就不完全是根據神經網絡學習原理，而是參考實際經驗

8、制定的。3.3 轉換器的實現 由圖4.1可知，轉換器的輸入設定值和輸出值，經過轉換器后輸出神經元學習控制所需要的狀態控制信號，且，在SIMULINK仿真環境中，可以通過零階保持器來保存前一個狀態，具體的狀態轉換器的仿真圖如下所示。圖3.3 狀態轉換器的仿真結構圖3.4常規PID控制器與單神經元自適應PID控制器仿真比較在工業生產過程中，考慮到大多數生產過程被控對象的普遍性和典型性，取廣義對象傳遞函數為將普通PID的響應圖與采用有監督Hebb學習規則的但神經元自適應PID控制器的響應圖做出詳細的比較，以此來說明但神經元自適應PID的優越性。在對普通的PID仿真中，取=0.8，=4，=3。仿真波形

9、如圖4.3所示。單神經元控制器的學習算法，用S函數實現10，在控制器中神經元權值的初始值分別取0.3，0.3，0.3，比例學習速率為P680,微分學習速率D=100,積分學習速率為I=65，神經元比例系數為K=20。第4章 實驗結果 由圖4.3和圖4.4可以看出，由傳統的PID控制器所得到的仿真波形圖在一開始會出現不穩定的狀態，且過渡時間較長，約需要20s左右才能達到穩定，而采用單神經元網絡自適應的PID控制器沒有超調且過渡時間進需5s左右，由此可以看出單神經元網絡自適應的PID控制器有較強的自適應性和較高的控制精度。圖4.1 普通PID控制器仿真結構圖圖4.2 單神經元自適應PID控制器仿真

10、結構圖圖4.3 常規PID控制器仿真圖圖4.4 有監督的Hebb學習規則階躍跟蹤曲線 單神經元自適應PID控制器學習規則可調參數的選取神經元權系數的學習確保系統的跟蹤誤差收斂于零。只要跟蹤誤差存在，仿真過程就會使權值變化，從而使誤差以最快的速度趨于零。這樣就通過關聯搜索保證了系統的無靜差。只要保證學習算法的收斂性，調節系統就可以實現無靜差和快速響應得控制效果。通常學習效率對保證學習的收斂性有很大的關系，要由仿真分析來選擇適當的學習效率。單神經元自適應PID控制器學習算法的運行效果與可調參等的選取有很大的關系。通過大量實例仿真和實控結果，總結出以下調整規律：(1)初始加權系數的選擇：可以任意選取

11、。(2)K值的選擇：一般K值偏大，將引起系統響應超調過大，而K值偏小，則使過渡過程加長。因此，可先確定一個增益K，再根據仿真和實控結果進行調整。(3)學習速率的選擇：由于采用了規范化學習算法，學習速率可取得較大。選取K使過程超調不太大，若此時過程從超調趨向平穩的時間太長，可增加；若超調迅速下降而低于給定值，此后又緩慢上升到穩態的時間太長，則可減少，增強積分項的作用。對于大時延系統，為了減少超調，應選的大一些。第5章 結論單神經元自適應PID控制器實質上為一變系數的比例、積分、微分復合控制器，其輸入與常規PID控制器的輸入類似，物理意義明確，其參數主要是通過一定的算法進行在線學習獲得。同時，神經元控制器的結構簡單，計算量小，易于實現。仿真實驗和實際應用結果表明，由于神經元具有自學習特性，能夠適應被控對象較大范圍內的變化，具有較強的自適應能力和魯棒性，其控制品質優于常規PID控制器。參考文獻1 韓曾晉. 自適應控制M.北京:清華大學出版社，1995.2 陶永華. 新型PID控制及其應用M.北京:機械工業出版社,2002.9.3 舒懷林. PID神經元網絡及其控制系統.北京:國防工業出版社，2005，1-6.4 周開利，康耀紅.神經網絡模型及其MATLAB仿真程序應用M.北京:清華大學出版社,2004,1-9.5 諸靜.模糊控制原理與應用M.北京