基于BP神经网络的自适应PID控制器设计.doc

《基于BP神经网络的自适应PID控制器设计.doc》由会员分享，可在线阅读，更多相关《基于BP神经网络的自适应PID控制器设计.doc（10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神经网络的自适应PID控制器设计一 基于BP神经网络的自适应PID控制器的原理PID控制是最早发展起来的、 应用领域至今仍然广泛的控制策略之一，它是基于对象数学模型的方法，尤其适用于可建立精确数学模型的确定性控制系统。其优点是算法简单、 鲁棒性好和可靠性高。但是，由于实际工业生产过程往往具有非线性，许多非线性系统难以确定精确的数学模型，常规的PID控制器就不能达到理想的控制效果，由于受到参数整定方法烦杂的困扰，参数往往整定不良、 性能欠佳。神经网络所具有的任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。基于BP网络的自适应PID控制器，通过BP神经网络调整自

2、身权系数，对PID控制参数进行调节，以达到某种性能指标的最优。二 基于BP神经网络的自适应PID控制器的控制器结构i基于BP神经网络的PID控制系统结构图如图1所示：图1 BP网络结构jk此控制器由两部分组成：（1）经典的PID控制器，直接对被控对象进行闭环控制，并且三个参数，为在线调整方式；（2）神经网路，根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化，是输出层神经元的输出状态对应于PID控制器的一个可调参数，。通过神经网络的自学习、加权系数调整，使神经网络输出对应于某种最优控制率下的PID控制器参数。 基于BP神经网络的自适应PID控制器的控制器如图2所示：NNP

3、IDPLANTrinyouterror+_图2 基于BP神经网络的自适应PID控制器的控制器结构该控制器的算法如下：（1）确定BP神经网络的结构，即确定输入节点数M和隐含层节点数Q，并给各层加权系数的初值和，选定学习速率和惯性系数，此时k=1；（2）采样得到rin(k)和yout(k)，计算该时刻误差error(k)=rin(k)-yout(k)；（3）计算神经网络NN各层神经元的输入、输出，NN输出层的输出即为PID控制器的三个可调参数，；（4）根据经典增量数字PID的控制算法(见下式)计算PID控制器的输出u(k)；（5）进行神经网络学习，在线调整加权系数和实现PID控制参数的自适应调整；

4、（6）置k=k+1，返回到（1）。三 仿真程序%BP based PID Controlclear all;close all; xite=0.25;alfa=0.05; S=1; %Signal type IN=4;H=5;Out=3; %NN Structureif S=1 %Step Signalwi=-0.6394 -0.2696 -0.3756 -0.7023; -0.8603 -0.2013 -0.5024 -0.2596; -1.0749 0.5543 -1.6820 -0.5437; -0.3625 -0.0724 -0.6463 -0.2859; 0.1425 0.0279

5、-0.5406 -0.7660;%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=0.7576 0.2616 0.5820 -0.1416 -0.1325; -0.1146 0.2949 0.8352 0.2205 0.4508; 0.7201 0.4566 0.7672 0.4962 0.3632;%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;end if S=2 %Sine Signalwi=-0.2846 0.2193 -0.5097 -1.0668; -0.7484 -0.1210 -0.470

6、8 0.0988; -0.7176 0.8297 -1.6000 0.2049; -0.0858 0.1925 -0.6346 0.0347; 0.4358 0.2369 -0.4564 -0.1324;%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=1.0438 0.5478 0.8682 0.1446 0.1537; 0.1716 0.5811 1.1214 0.5067 0.7370; 1.0063 0.7428 1.0534 0.7824 0.6494;%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=

7、wo;end x=0,0,0;u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;y_1=0;y_2=0;y_3=0; Oh=zeros(H,1); %Output from NN middle layerI=Oh; %Input to NN middle layererror_2=0;error_1=0; ts=0.001;for k=1:1:6000time(k)=k*ts; if S=1 rin(k)=1.0;elseif S=2 rin(k)=sin(1*2*pi*k*ts);end%Unlinear modela(k)=1.2*(1-0.8*exp(-0.1*k);yout(

8、k)=a(k)*y_1/(1+y_12)+u_1; error(k)=rin(k)-yout(k); xi=rin(k),yout(k),error(k),1; x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2; epid=x(1);x(2);x(3);I=xi*wi;for j=1:1:H Oh(j)=(exp(I(j)-exp(-I(j)/(exp(I(j)+exp(-I(j); %Middle LayerendK=wo*Oh; %Output Layerfor l=1:1:Out K(l)=exp(K(

9、l)/(exp(K(l)+exp(-K(l); %Getting kp,ki,kdendkp(k)=K(1);ki(k)=K(2);kd(k)=K(3);Kpid=kp(k),ki(k),kd(k); du(k)=Kpid*epid;u(k)=u_1+du(k);if u(k)=10 % Restricting the output of controller u(k)=10;endif u(k)=-10 u(k)=-10;end dyu(k)=sign(yout(k)-y_1)/(u(k)-u_1+0.); %Output layerfor j=1:1:Out dK(j)=2/(exp(K(

10、j)+exp(-K(j)2;endfor l=1:1:Out delta3(l)=error(k)*dyu(k)*epid(l)*dK(l);end for l=1:1:Out for i=1:1:H d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2); endend wo=wo_1+d_wo+alfa*(wo_1-wo_2);%Hidden layerfor i=1:1:H dO(i)=4/(exp(I(i)+exp(-I(i)2;end segma=delta3*wo;for i=1:1:H delta2(i)=dO(i)*segma(i);end d_w

11、i=xite*delta2*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2); %Parameters Updateu_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k); y_2=y_1;y_1=yout(k); wo_3=wo_2;wo_2=wo_1;wo_1=wo; wi_3=wi_2;wi_2=wi_1;wi_1=wi; error_2=error_1;error_1=error(k);endfigure(1);plot(time,rin,r,time,yout,b);xlabel(time(s);ylabel(rin,yout);figure(2);plot(time,error,r);xlabel(time(s);ylabel(error);figure(3);plot(time,u,r);xlabel(time(s);ylabel(u);figure(4);subplot(311);plot(time,kp,r);xlabel(time(s);ylabel(kp);subplot(312);plot(time,ki,g);xlabel(time(s);ylabel(ki);subplot(313);plot(time,kd,b);xlabel(time(s);ylabel(kd);四 运行结果