3.9 神经网络PID控制.ppt

《3.9 神经网络PID控制.ppt》由会员分享，可在线阅读，更多相关《3.9 神经网络PID控制.ppt（9页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、2.82.8神经网络控制器设计神经网络控制器设计基于单个神经元的 PID 控制器设计基于反向传播神经网络的 PID 控制器基于径向基函数的神经网络的 PID 控制器2.8 神经网络PID控制 尽管神经网络控制技术有许多潜在的优势，但单纯尽管神经网络控制技术有许多潜在的优势，但单纯使用神经网络的控制方法的研究仍有待进一步发展。通使用神经网络的控制方法的研究仍有待进一步发展。通常将人工神经网络技术与传统的控制理论或智能技术综常将人工神经网络技术与传统的控制理论或智能技术综合使用。神经网络在控制中的作用有以下几种：合使用。神经网络在控制中的作用有以下几种：1 1在传统的控制系统中用以动态系统建模，充

2、当对象模在传统的控制系统中用以动态系统建模，充当对象模型；型；2 2在反馈控制系统中直接充当控制器的作用；在反馈控制系统中直接充当控制器的作用；3 3在传统控制系统中起优化计算作用；在传统控制系统中起优化计算作用；4 4与其他智能控制方法如模糊逻辑、遗传算法、专家控与其他智能控制方法如模糊逻辑、遗传算法、专家控制等相融合。制等相融合。2.8.1 2.8.1 基于基于BPBP神经网络控制参数自学习神经网络控制参数自学习PIDPID控制控制 BPBP神经网络具有逼近任意非线性函数的能力，而且神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。通过神经网络自身的学习，结构和学习算法简单

3、明确。通过神经网络自身的学习，可以找到某一最优控制律下的可以找到某一最优控制律下的P P，I I，D D参数。基于参数。基于BPBP神经神经网络的网络的PDPD控制系统结构如图所示，控制器由两个部分组控制系统结构如图所示，控制器由两个部分组成：成：经典的经典的PIDPID控制器：直接对被控对象进行闭环控制，控制器：直接对被控对象进行闭环控制，并且并且K KP P,K,KI I,K,KD D三个参数为在线整定；三个参数为在线整定；神经网络神经网络NNNN：根据：根据系统的运行状态，调节系统的运行状态，调节PIDPID控制器的参数，以期达到某种控制器的参数，以期达到某种性能指标的最优化。即使输出层

4、神经元的输出状态对应性能指标的最优化。即使输出层神经元的输出状态对应于于PIDPID控制器的三个可调参数控制器的三个可调参数K KP P,K,KI I,K,KD D，通过神经网络的，通过神经网络的自学习、调整权系数，从而使其稳定状态对应于某种最自学习、调整权系数，从而使其稳定状态对应于某种最优控制律下的优控制律下的PIDPID控制器参数。控制器参数。基于基于BPBP神经网络的神经网络的PIDPID控制算法可归纳如下：控制算法可归纳如下：1).1).事先选定事先选定BPBP神经网络神经网络NNNN的结构，即选定输入层节点数的结构，即选定输入层节点数M M和隐含和隐含层节点数层节点数Q Q，并给出

5、权系数的初值，并给出权系数的初值w w(2)(2)ijij(0),w(0),w(3)(3)lili(0)(0)，选定学习速率，选定学习速率和平滑因子和平滑因子，k=1k=1；2).2).采样得到采样得到r(kr(k)和和y(ky(k)，计算，计算e(ke(k)=)=z(kz(k)=)=r(k)-y(kr(k)-y(k)；3).3).对对r(i),y(i),u(i-1),e(i)r(i),y(i),u(i-1),e(i)进行归一化处理，作为进行归一化处理，作为NNNN的输入；的输入；4).4).前向计算前向计算NNNN的各层神经元的输入和输出，的各层神经元的输入和输出，NNNN输出层的输出即输出

6、层的输出即为为PIDPID控制器的三个可调参数控制器的三个可调参数K KP P(k),K(k),KI I(k),K(k),KD D(k(k)；5).5).计算计算PIDPID控制器的控制输出控制器的控制输出u(ku(k)，参与控制和计算；，参与控制和计算；6).6).计算修正输出层的权系数计算修正输出层的权系数w w(3)(3)lili(k)(k)；7).7).计算修正隐含层的权系数计算修正隐含层的权系数w w(2)(2)ijij(k)(k)；8).8).置置k=k+1k=k+1，返回到，返回到“2 2）”。2.8.2 2.8.2 改进型改进型BPBP神经网络控制参数自学习神经网络控制参数自学

7、习PIDPID控制控制p将神经网络用于控制器的设计或直接学将神经网络用于控制器的设计或直接学习计算控制器的输出（控制量），一般都习计算控制器的输出（控制量），一般都要用到系统的预测输出值或其变化量来计要用到系统的预测输出值或其变化量来计算权系数的修正量。但实际上，系统的预算权系数的修正量。但实际上，系统的预测输出值是不易直接测得的，通常的做法测输出值是不易直接测得的，通常的做法是建立被控对象的预测数学模型，用该模是建立被控对象的预测数学模型，用该模型所计算的预测输出来取代预测处的实测型所计算的预测输出来取代预测处的实测值，以提高控制效果。值，以提高控制效果。1 1采用线性预测模型的采用线性预测

8、模型的BPBP神经网络神经网络PIDPID控制器控制器 采用线性预测模型的采用线性预测模型的BPBP神经网络神经网络PIDPID控制系统算法归纳如下：控制系统算法归纳如下：(1)(1)事先选定事先选定BPBP神经网络神经网络NNNN的结构，即选定输入层节点数的结构，即选定输入层节点数M M和隐和隐含层节点数含层节点数Q Q，并给出权系数的初值，并给出权系数的初值w w(2)(2)ijij(0),w(0),w(3)(3)lili(0)(0)，选定，选定学习速率学习速率和平滑因子和平滑因子，k=1k=1；(2)(2)用线性系统辨识法估计参数矢量用线性系统辨识法估计参数矢量(k(k)，形成一步预报模

9、型，形成一步预报模型式；式；(3)(3)采样得到采样得到r(kr(k)和和y(ky(k)，计算，计算e(ke(k)=)=z(kz(k)=)=r(k)-y(kr(k)-y(k)；(4)(4)对对r(i),y(i),u(i-1),e(i)r(i),y(i),u(i-1),e(i)进行归一化处理，作进行归一化处理，作NNNN的输入；的输入；(5)(5)前向计算前向计算NNNN的各层神经元的输入和输出，的各层神经元的输入和输出，NNNN输出层的输出输出层的输出即为即为PIDPID控制器的三个可调参数控制器的三个可调参数K KP P(k),K(k),KI I(k),K(k),KD D(k(k)；(6)(

10、6)计算计算PIDPID控制器的控制输出控制器的控制输出u(ku(k)，参与控制和计算；，参与控制和计算；(7)(7)计算计算 和和 ；(8)(8)计算修正输出层和隐含层的权系数计算修正输出层和隐含层的权系数w w(3)(3)lili(k)(k)，w w(2)(2)ijij(k)(k)；(9)(9)置置k=k+1k=k+1，返回到，返回到“2 2）”。2 2采用非线性预测模型的采用非线性预测模型的BPBP神经网络神经网络PIDPID控制器控制器基于基于BPBP神经网络的神经网络的PIDPID控制算法可归纳如下：控制算法可归纳如下：(1)(1)事先选定事先选定BPBP神经网络神经网络NNNN的结

11、构，即选定输入层节点数的结构，即选定输入层节点数M M和隐和隐含层节点数含层节点数Q Q，并给出权系数的初值，并给出权系数的初值w w(2)(2)ijij(0),w(0),w(3)(3)lili(0)(0)，选定，选定学习速率学习速率和平滑因子和平滑因子，k=1k=1；(2)(2)采样得到采样得到r(kr(k)和和y(ky(k)，计算，计算e(ke(k)=)=z(kz(k)=)=r(k)-y(kr(k)-y(k)；(3)(3)对对r(i),y(i),u(i-1),e(i)r(i),y(i),u(i-1),e(i)归一化处理，作为归一化处理，作为NNNN的输入；的输入；(4)(4)前向计算前向计

12、算NNNN的各层神经元的输入和输出，的各层神经元的输入和输出，NNNN输出层的输出即输出层的输出即为为PIDPID控制器的三个可调参数控制器的三个可调参数K KP P(k),K(k),KI I(k),K(k),KD D(k(k)；(5)(5)计算计算PIDPID控制器的控制输出控制器的控制输出u(ku(k)，参与控制和计算；，参与控制和计算；(6)(6)前向计算前向计算NNMNNM的各层神经元的输入和输出，的各层神经元的输入和输出，NNMNNM的输出为的输出为 ，计算修正隐含层和输出层的权系数；，计算修正隐含层和输出层的权系数；(7)(7)计算计算 ；(8)(8)计算修正输出层和隐含层权系数计算修正输出层和隐含层权系数w w(3)(3)lili(k),w(k),w(2)(2)ijij(k)(k)；(9)(9)置置k=k+1k=k+1，返回到，返回到“2 2）”。