基于BP神经网络的自整定PID控制仿真.docx
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_05.gif)
《基于BP神经网络的自整定PID控制仿真.docx》由会员分享,可在线阅读,更多相关《基于BP神经网络的自整定PID控制仿真.docx(8页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、基于BP神经网络的自整定PID控制仿真一、实验目的1.熟悉神经网络的特征、结构及学习算法。2.通过实验掌握神经网络自整定PID的工作原理。3.了解神经网络的结构对控制效果的影响。4. 掌握用Matlab实现神经网络控制系统仿真的方法。二、实验设备及条件1.计算机系统2.Matlab仿真软件三、实验原理在工业控制中,PID控制是工业控制中最常用的方法。这是因为PID控制器结构简单,实现简单,控制效果良好,已得到广泛应用。但是,PID具有一定的局限性:被控制对象参数随时间变化时,控制器的参数难以自动调整以适应外界环境的变化。为了使控制器具有较好的自适应性,实现控制器参数的自动调整,可以采用神经网络
2、控制的方法。利用神经网络的自学习这一特性,并结合传统的PID控制理论,构造神经网络PID控制器,实现控制器参数的自动调整。基于BP神经网络的PID控制器结构如图4所示。控制器由两部分组成:一是常规PID控制器,用以直接对对象进行闭环控制,且3个参数在线整定;二是神经网络NN,根据系统的运行状态,学习调整权系数,从而调整PID参数,达到某种性能指标的最优化。图4中神经网络采用结构为4-5-3型的BP网络。BP网络是一种单向传播的多层前向网络。输入节点对应系统的运行状态量,如系统的偏差与偏差变化率,必要时要进行归一化处理。输入变量的个数取决于被控系统的复杂程度,输出节点对应的是PID的3个可调参数
3、。由于输出不能为负,所以输出层活化函数取非负的Sigmoid函数,隐含层取正负对称的Sigmoid函数。本系统选取的BP网络结构如图5所示。网络的学习过程由正向与反向传播两部分组成。如果输出层不能得到期望输出,那么转入反向传播过程,通过修改各层神经元的权值,使得误差信号最小。输出层节点分别对应3个可调参数Kp、Ki、Kd。取性能指标函数为按照梯度下降法修正网络的权系数,即按E(k)对加权系数的负梯度方向搜索调整,并附加一使快速收敛全局极小的惯性项式中,为学习速率;为惯性系数。又其中,u(k)为控制器在k时刻的输出;为输出层各节点的输出,;为输出层各节点的输入。若采用增量式数字PID控制算法,则
4、有四、实验步骤(1) 被控对象为一时变非线性对象,数学模型可表示为式中系数a(k)是慢时变的,。(2) 如图5所示确定BP网络的结构,选4-5-3型的BP网络,各层加权系数的初值取区间-0.5,0.5上的随机数,选定学习速率=0.25与惯性系数=0.05。(3) 在Matlab下依据整定原理编写仿真程序并调试。(4) 给定输入为阶跃信号,运行程序,记录实验数据与控制曲线。(5) 修改神经网络参数,如学习速率、隐含层神经元个数等,重复步骤(4)。(6) 分析数据与控制曲线。五、实验结果1.实验代码xite = 0.25;alfa = 0.02;IN = 4;H =10;Out = 3;wi =
5、0.4634 -0.4173 0.3190 0.4563 0.1839 0.3201 0.1112 0.3395 -0.3182 0.0470 0.0850 -0.0722 -0.6266 0.0846 0.3751 -0.6900 -0.3224 0.1440 -0.2783 -0.0193 -0.0232 -0.0992 0.2636 0.2011 -0.4502 -0.2928 0.0062 -0.5640 -0.1975 -0.1332 0.1981 0.0422 0.0521 0.0673 -0.5546 -0.4830 -0.6016 -0.4097 0.0338 -0.1503;
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 BP 神经网络 PID 控制 仿真
![提示](https://www.taowenge.com/images/bang_tan.gif)
限制150内