基于BP神經網絡的PID控制器及仿真

圖2 神經網絡控制器結構圖

由圖可知：控制器由兩部分組成，分別為常規PID控制和神經網絡，其中，常規PID直接對被控對象進行閉環控制，并且其控制參數Kp、Ki、Kd為在線調整方式；神經網絡，根據系統的運行狀態，調節PID控制器的參數，以期達到某種性能指標的最優化，使輸出層神經元的輸出對應于PID控制器的三個可調參數。通過神經網絡的自學習、加權系數的調整，使神經網絡輸出對應于某種最優控制規律下的PID控制器參數。
2、控制算法
神經網絡PID的控制算法[5]如下：
(1). 確定神經網絡的結構，即確定輸入節點數和隱含層節點數,并給出各層加權系數的初值和，并選定學習速率 和慣性系數 ，令k =1；
(2). 采樣得到r(k)和y(k)，計算當前時刻誤差error(k)= r(k)-y(k)；
(3). 計算各神經網絡的輸入、輸出，其輸出層的輸出即為PID控制器的三個控制參數Kp、Ki、Kd；
(4). 計算 PID控制器的輸出；
(5). 進行神經網絡學習，在線調整加權系數，實現 PID控制參數的自適應調整；
(6). 令k=k+1，返回第(1)步。
4.仿真實例
4.1被控對象
設被控對象的近似數學模型為：，所選的輸入信號為一時變信號：
神經網絡的結構選擇4-5-3，學習速率為0.55，慣性系數為0.04，加權系數初始值為區間[-0.5，0.5]上的隨機數，采樣頻率為1000Hz。
Matlab仿真結果如圖三所示：

圖3-1 輸入輸出曲線

圖3-2 誤差曲線

4.2 仿真結果分析
由仿真曲線可以看出，神經網絡PID穩態誤差小，解決了常規PID超調，抖動等問題，控制精度高，實現了對控制信號幾乎相同的跟蹤，具有較好的快速性和適應性。
5. 結語
神經網絡PID控制器實現了兩種算法本質的結合，借助于神經網絡的自學習，自組織能力，可實現PID參數的在線調整，控制器自適應性好；該算法不要求被控對象有精確的數學模型，擴大了應用范圍，控制效果良好；在合理選擇神經網絡的結構的情況下，該算法有很強的泛化能力。基于以上優點，神經網絡PID控制器具有很好的發展應用前景。