基于CMAC神经网络的PID参数自整定方法的研究.docx

基于CMAC神经网络的PID参数自整定方法的研究基于CMAC神经网络的PID参数自整定方法的研究ronggang导语：建立一个基于改良的CMAC小脑模型神经网络的PID参数自整定控制系统，该PID参数的整定方法为基于规那么的整定方法，不必准确地辨识被控对象的数学模型摘要：建立一个基于改良的CMAC小脑模型神经网络的PID参数自整定，该PID参数的整定方法为基于规那么的整定方法，不必准确地辨识被控对象的数学模型，只需将系统误差的时间特性中的特征值送入CMAC网络，CMAC再根据输入的特征值得出相应的PID参数的变化量，即可实现PID参数的自整定。关键词：CMAC神经网络;PID;参数自整定;balign=centerResearchonMethodoftheAutotuningofPIDParametersBasedonCMACNeuralNetworkZHANGYong-tao，ZHANGShi-jie,DONGHan-bo/align/bAbstract：Constituteasystemofauto-tuningofPIDparametersbasedonCMACneuralnetwork,themethodofauto-tuningbasedonruleanddontneedaccuratemathmodelofobject.WeonlyneedtosendtheeigenvalueofsystemerroretoCMACneuralnetwork,thencangetthechangequantityofPIDparameters.Keywords：CMACneuralnetwork;PID;autotuningofparameters;控制器的参数整定是通过对PID控制器参数KsubP/sub,KsubI/sub,KsubD/sub的调整，使得系统的过度过程到达满足的质量指标要求。PID参数的整定一般需要经历丰富的工程技术人员来完成，既耗时又耗力，加之实际系统千差万别，又有滞后非线性等因素，使PID参数的整定有一定的难度，致使很多PID控制器没能整定的很好;这样的系统自然无法工作在令人满足的状态，为此人们提出了自整定PID控制器。将经过动态性能确实定和PID控制器参数的计算方法结合起来就可实现PID控制器的自整定1,2。笔者设计出一种基于CMAC小脑模型神经网络的PID参数自整定的，进而实现PID参数的快速整定，并且使得PID的参数整定到达一定的精度。1CMAC神经网络CMACCerebellarmodelarticulationcontroller是J.S.Albus在1975年提出的一种模拟小脑功能的神经网络模型。CMAC是一种联想网络，对每一输出只有小局部神经元由输入决定与之相关，它的联想具有部分泛化才能，即相似的输入将产生相似的输出，而远离的输入产生几乎独立的输出。CMAC与感悟器比拟相似，固然从每个神经元看其关系是一种线性关系，但从结果总体看，它合适一种非线性的映射，因此可以把CMAC看作一个用于表达非线性映射函数的表格系统3。由于它的自适应调节学习是在线性映射局部，所以其学习算法是简单的算法，收敛速度比BP快得多，且不存在部分极小问题4。CMAC神经网络构造如图1所示。align=center图1CMAC构造/align2系统原理系统的工作原理为：当闭环控制系统受到扰动时，对系统误差的时间特性进展形式识别，首先得出系统误差曲线的峰值及时间，如图2所示。align=center图2给定值阶跃变化时的误差et曲线/align再根据以下公式得出该经过响应曲线的多个特征参数eii=1,2,3分别为：超调量，阻尼比和衰减振荡周期T。将识别出的三个特征参数作为输入送入CMAC参数整定网络，经计算后得出相应的PID参数的变化量，再将所得参数送入PID控制器，进而实现PID参数的自整定。PID参数自整定系统如图3所示。align=center图3PID参数自整定控制系统/align在本CMAC神经网络中，获取系统误差特性曲线中的三个特征参数，每个特征参数根据表的划分，成为一个特征参数等级。当每个区域的特征参数大小都确定时，就组成了一个特征参数形式。当获取的特征值发生变化时，相应的形式也发生变化。因此本文建立的CMAC网络的输入是一个3个分量组成的向量，即选取的三个特征值阻尼比，超调量百分比，衰减振荡周期也可称为特征参数形式。由于PID控制器需整定的参数为3个，所以，CMAC网络的输出为3个分量组成的向量。每一个元素与PID控制器中的一个待整定参数相对应。3CMAC神经网络的改良与实现51基函数的布置和总数2高阶基函数当初始CMAC网络使用二值基函数时，它的输出是分段连续的，即在每个网格内是连续的，在输入轴节点处是连续的。要使网络有连续的输出，必需要求基函数的输出在其定义域的边界上为0。本设计中，用表示间隔，表示单变量函数，采用无穷大泛数基函数实现连续输出。并利用无穷大泛数计算间隔时，可以使基函数在定义域边界的输出为0，在定义域中心的输出为1/。在一维情况下，其他输出值是在这两个极值间的线性插值。在二维输入空间中，基函数输出呈“金字塔型。3内存杂散技术CMAC网络对内存的需求量正比于的指数倍，所以它是很大的。对高维输入，基函数的数目可以由公式5近似地计算出来。由于要求基函数的数目要小于网格的数目pCMAC神经网络的主要参数有：输入变量的量化精度、泛化参数以及基函数的种类。对CMAC神经网络的三个输入分别进展量化，阻尼比分为23级，超调量百分比分为12个等级，衰减振荡周期Tc分为20个等级,共有231220=5520种训练形式。在所有5520种训练形式中选取2000种，作为CMAC参数整定网络的选练样本。再在2000组特征参数形式中选取1620组特征参数形式作为训练集对网络进展训练。建立输入到物理存储空间的映射，同时建立了物理存储空间与输出的关系。泛化参数选为32，学习算法采用了误差纠正算法。学习率为0.6，采用样条函数SPLINE替换传统的ALBUS函数作为CMAC神经网络的基函数。ALBUS函数的输出只有0和1，因此输出的曲线分段连续，仅在内节点之间连续，在内节点的分界处往往是不连续的。而样条函数那么可以较好的解决这个问题。相应的内存使用量为300。训练收敛后，权值表达了特征参数与PID控制器的待整定参数的关系。图4所示为CMAC神经网络对1620组特征参数形式的训练误差曲线。align=center图4CMAC训练误差曲线Fig.4TrainingerrorcurveofCMAC/align图5所示为1620组训练数据送入CMAC神经网络训练后，训练数据在各个误差区间中的个数，可看出超过90%的训练数据具有较高的误差精度，即误差精度5仿真结果选取被控对象为：，原控制器对此对象的控制性能到达要求，阶跃扰动曲线如图8中线1所示。当进展PID参数自整定，整定后的响应曲线为图8中线2，把特征参量送入CMAC参数整定网络，整定后参数为。从仿真图中，我们可以看出PID参数的整定效果比拟理想，且CMAC神经网络的到达稳定的训练时间也比拟短。align=center图8整定前后的响应曲线/align仿真结果说明，CMAC神经网络的特性使其合适在PID参数自整定中使用。CMAC神经网络权值的调整是部分的，学习速度快，收敛性好，而且PID参数的整定效果也知足整定要求。文章的创新点：在基于形式识别的PID参数自整定系统中，直接利用CMAC网络获取整定规那么，防止了传统的大量专家整定经历的建立。参考文献：1潘文斌.基于形式识别的自整定PID方法及其应用研究D.浙江：浙江大学，20062段培永.CMAC神经计算与神经控制J.信息与控制，1999，93：23253陈卉.小脑模型CMAC网络构造及有关参数确实定J.计算机工程，2003，292：2522544苏刚.小脑模型关节控制器CMAC理论及应用J.仪器仪表学报，2003，244：2692715朱宏超.基于CMAC的球磨机测控系统研究与实现D.南京：东南大学，2006