神经网络P ID控制及其Ma tlab仿真
曾军,thdbz
(湖南大学电气与信息工程学院湖南长沙410082 )
要研究基于:神经网络的P ID控制,并将其应用于工业控制,利用神经网络的自学习能力进行在线参数整定,利用M at lab软件进行仿真。 仿真结果表明,神经网络P ID控制器具有较高的精度和较强的自适应能力,能得到满意的控制效果。
关键词:神经网络; P ID控制; MAT实验室模拟; 工业控制
1领先
在工业控制中,P ID控制是工业控制中最常用的方法。 这是因为P ID控制器结构简单,实现简单,控制效果良好,已经得到了广泛的应用。 据统计,在目前的控制系统中,P ID控制占绝大多数。 但是,当他有一定局限性的:控制对象不同时,很难自动调整控制器的参数以适应外界环境的变化。 为了使控制器具有适应性,实现控制器参数的自动调整,可以采用神经网络控制的方法。 利用人工神经网络自学习的特性,结合传统的P ID控制理论,构建神经网络P ID控制器,实现控制器参数的自动调整。
2神经网络P ID控制
神经网络P ID控制是将神经网络应用于P ID控制并结合传统P ID控制而产生的一种新的控制方法,是对传统P ID控制的改进和优化。 以往的P ID控制器的公式如下: 3360u(t )=kp(e ) t ) 1T It0e (t ) dtDDE ) t (dt ) )1)所对应的离散式为:u (k ) k (kpe ) k ) 基于式(2),用单个神经元构建P ID控制器,例如
如图1所示。
图1神经网络P ID控制器x1(k )=e (k ) ) ) ) ) ) ) ) ) ) ) )。
网络输入为:x2(k )=kj=0e(j ) )3) x3 ) k )=$e ) k )-e ) k-1 )
网络的输出为:
u(k )=w1x1(k ) w2x2 ) w3x3 ) )4) ) ) ) ) ) 65
其中: {W i}是控制器的加权系数,相当于P ID控制器中的比例、积分、微分系数K P、K I、K D,但与传统的P ID控制器不同,参数{W i}可以在线修改。 通过不断调整{W i}使其达到最佳值{W3 },可以改善控制系统的控制性能。
3神经网络的学习机理与控制算法
如图2所示,神经网络P ID控制结构包括两个神经网络: NN I系统的在线分类器、NNC自适应P ID控制器。 系统的工作原理是在:通过NN I在线识别被控对象的基础上,实时调整NNC的权重,使系统具有自适应能力,达到有效的控制。
图2神经网络P ID控制框图
如果神经网络P ID控制器NNC的基准函数为:e2(k )=12[r(k1 )-z (k1 ) ]2)5),则网络权重调整算法为:$wI(k )=-g25e2
u(k )=w1x1(k ) w2x2 ) k ) w3x3 ) (7) ) ) ) ) ) 65
wI(k1 )=wi (k ) g
2[r(k1 )- y
z
(k 1) ]
是xI(k )
5y
z
(k 1) )。
是5$u(k )
(8) )。
4神经网络的Ma tlab仿真
在实验中,我们为了验证神经网络P ID控制系统的性能,进行了大量的仿真实验。 以时滞缓慢变化的一阶大时滞系统为被控对象,进行了仿真。 将被控制对象设定为:g(s )=160s 1e- 80s (9)。 对应的控制系统的阶跃响应曲线如图3、图4所示。
图3通常P ID控制步骤响应
图4神经网络P ID控制步骤响应
从图中可以看出,神经网络的P ID控制比传统的P ID控制具有更好的控制特性。 神经网络P ID控制方法简单,本文表明神经网络P ID控制具有以下优点:
)1)无需建立被控系统的数学模型。
)2)控制器参数整定方便。
)3)有良好的动静态特性。
参考文献
[1]灾难恢复DGS 1神经网络控制[M ] 1北京:电子工业出版社,20031
[ 2 ] hldxq,等1M at lab神经网络应用设计[M ] 1北京:科学出版社,20001
[ 3 ] psdbb,等1神经网络P ID控制[J ] 1北京科技大学学报,1998,(6) 1
简介原军人,1978年出生,湖南大学电气与工业
程学院,硕士研究生。
资料来源:现代电子技术