1、江西理工大学 2012 级本科生毕业设计（论文）- 1 -基于 BP 神经网络的 PID 控制器的研究摘要：PID 控制算法是工业控制领域中应用广泛的控制算法，但在实际应用中其参数整定问题一直是一个尚未很好解决的难点。为了解决控制参数整定，改善系统性能，把 BP 神经网络技术应用到 PID 控制器中。通过建立三层神经网络模型，在控制过程中按照梯度下降法修正神经网络的权系数，实现 PID 神经网络的自学习和逼近任意函数的功能，在控制过程中根据变化实时调整 PID 的三个控制参数，从而进行 PID 控制参数的在线整定。仿真结果表明，引入了 BP神经网络的 PID 控制系统，提高了动态性能，增强系统
2、稳定性和快速性，并获得更好的控制效果。 关键词：PID 控制；神经网络；参数整定；仿真Research on PID Controller Based on BP Neural NetworkAbstract:The PID control algorithm is widely used control algorithms in the field of industrial control, but in the practical application of its parameters tuning problem is a not a good solution to the d
3、ifficulties. In order to solve the control parameter tuning, improving system performance, the BP neural network technology applied to the PID controller. Through the establishment of a three-layer neural network model in the control process in accordance with the gradient descent method fixes the w
4、eight coefficient of the neural network, to achieve the three self-learning and function approximation of any function in the control process according to changes in real-time adjustment of the PID of the PID neural network control parameters of the PID control parameters on-line tuning. The simulat
5、ion results show that the introduction of the BP neural network PID control system to improve the dynamic performance, enhance system stability and fast, and get better control effect.Keywords:PID control; neural network; parameter tuning; simulation江西理工大学 2012 级本科生毕业设计（论文）- 2 -1 引言PID 控制算法以其结构简单、容易
6、实现、鲁棒性好、可靠性高成为工业控制中主要和可靠的技术工具。PID 控制中的一个关键问题是对比例（P） 、积分（I） 、微分（D）三个控制参数的整定，只有选择合适的参数才能达到预期的控制效果。在实际工业控制过程中，被控对象往往机理复杂，存在非线性和时变特性，应用常规的 PID 控制器不仅参数整定困难而且往往不能获得理想的控制效果。目前，将具有自学习能力的神经网络广泛应用于 PID 控制研究中，以解决复杂动态不确定系统的控制问题。采用 BP 神经网络对反馈进行学习，可以根据整个系统运行状态，不断自动调整三个 PID 控制参数，而不像传统 PID 控制需要人工调整。因而比传统的 PID 控制算法具
7、有更好的灵活性和适应型。2 BP 神经网络 PID 控制算法原理2.1 神经网络模型BP 神经网络全称基于误差反向传播算法的人工神经网络，是比较典型的前向网络形式之一。如图 2-1 所示，为三层 BP 神经网络结构图，它包括输入层、隐含层、输出层，其中输出层的神经元状态对应 PID 控制器的三个控制参数Kp、Ki、Kd。在实际应用中，当外界环境发生变化时，该神经网络模型通过自学习、加权系数的调整，使神经网络输出对应于该环境下最优的 PID 控制参数。输出层 j 隐含层 i 输出层 lX1 Kp X2 Ki X3 Kd 江西理工大学 2012 级本科生毕业设计（论文）- 3 -图 2-1 BP
8、神经网络结构图目前常用的传统增量式数字 PID 控制算法为： )2k(e)1(2)ke()1k(e)1k(u) dip （2-1）式中，u(k)为 PID 控制器的输出控制量，K p、K i、K d 分别为比例、积分、微分控制参数，e(k)为系统设定值与实际输出值的偏差。现引入如图 2-1 所示的三层 BP 神经网络，网络层的输入为：j=1,2m （2-)j(xo)1(j2）式中，输入变量数 m 取决于被控系统的复杂程度。输入层的各神经元负责接收来自外界的输入信息。在 PID 控制的应用中，输入层接收反馈回来的误差信息。网络隐含层的输入、输出为：i=1,2q (2-3)1(2)2( jm0ji
9、i owkneti=1,2q (2-4)(tf)(o22ij式中， 为输入层到隐含层加权系数，上标（1） 、 （2） 、 （3）分别代表输)2(ij入层、隐含层、输出层，f(x) 为正负对称的 sigmoid 函数，即xe)tanh()x(f（2-5）网络输出层的输入和输出为：l=1,2,3 （2-q0llil )k(ow)k(net2)3(36） )(etg)(o33lll=1,2,3 (2-7)即江西理工大学 2012 级本科生毕业设计（论文）- 4 -d3i2p1k)(o)()3(（2-8）其中 表示神经网络输出层的三个输出节点，输出层向外界输出信息)k(3l处理结果。这里三个输出节点分
10、别对应 PID 控制器的三个可调参数Kp、K i、K d。而输出层神经元的活化函数为非负的 sigmoid 函数：xe)tanh(12)x(g（2-9）取性能指标函数为：（2-2)k(yout)(rin21)k(E10）其中 rin(k)和 yout(k)分别为系统的输入和输出。整个神经网络按 E(k)对加权系数的负梯度方向搜索调整，修正网络的权系数，并附加一个使搜索调整快速收敛于全局极小的惯性项：（2-)1k(w)(E)k(w)333 lilili 11）式中 为学习速率， 为惯性系数。式（2-11 ）中的 可表示为： )3(ilwkE（2-)3()3()3()3( lillli netto
11、kuykEw12）其中 y(k)为被控对象的传递函数。而且（2-)k(o)(wnet23)(ili13）江西理工大学 2012 级本科生毕业设计（论文）- 5 -由于 未知，这里近似用符号函数 取代，由此带来计算上)k(uy )k(uysgn的不精确可以通过调整学习速率 来补偿。由式（2-1 ） （2-7 ） （2-8）可得：)2k(e)1(2)ke(ou)()1k(eoku)33)3(21（2-14）通过以上分析可推导出网络各层权的学习算法BP 神经网络输出层权计算公式为)1k(w)(o)k(w)32)3(3 liilli (2-15)netg)(uye)3(3)3( lll l=1,2,3
12、 (2-16) 同理可得隐含层权系数计算公式为)1k(w)(o)k(w)21)2(2 ijjiij （2-17）()()netf3()(2) li31li2i i=1,2q (2-18)通过上述算法就可以使网络输出层所对应的 PID 三个控制参数根据外界环境的变化进行调整。2.2 BP 神经网络 PID 控制器的结构和算法流程BP 神经网络 PID 控制器的结构如图 2-2 所示。它由常规的 PID 控制器和BP 神经网络两部分组成。常规 PID 控制器对被控对象进行闭环控制，负责控制信号的正向传导。BP 神经网络部分根据系统运行状态和运行环境的变化所产生的误差，按照梯度下降的方法修正神经网络
13、各层的权值，调节网络输出层对应江西理工大学 2012 级本科生毕业设计（论文）- 6 -的 PID 三个参数，使控制参数 Kp、K i、K d 能够实现在线调整，以期通过参数的自适应调整达到某种性能指标的最优化。Kp ki kdrin(k) yout(k)图 2-2 BP 神经网络 PID 控制器结构图 通过以上分析，BP 神经网络 PID 控制的算法流程如图 2-3 所示。初始化给定输入向量和目标输出求隐含层、输出层各节点输出求目标值与实际输出的偏差计算反向误差权值学习学习结束？结束学习算法神经网络PID 调节器 对象de/dt江西理工大学 2012 级本科生毕业设计（论文）- 7 -N Y
14、图 2-3 BP 神经网络算法流程图3 仿真实例为了研究 BP 神经网络的控制效果，用仿真实例来验证。以主汽温控制系统为例。影响主汽温变化的扰动因素有很多，如蒸汽负荷、烟气温度和流速、火焰中心位置、减温水量、给水温度等。常常用减温水量扰动做调节信号，可通过控制减温水的多少来控制主蒸汽温度。其控制框图如图 3-1。rin(k) + _ + _ yout(k) 图 3-1 基于 BP 神经网络的主汽温控制框图图中，G 1(S)，G 2(S)分别为控制系统对象的导前区和惰性区的传递函数，K为执行器近似传递函数。m h1,mh2 分别表示副变送器和主变送器。rin(k)为输入信号，在传统 PID 的基
15、础上增加了一个神经网络，用神经网络来在线实时输出NNPID 控制 K G1(S) G2(S)mh1mh21江西理工大学 2012 级本科生毕业设计（论文）- 8 -PID 的比例，积分和微分三个参数。当负荷变化时，导前区的传递函数随之发生改变。仿真时我们采用参考文献11给出的动态特性。（1）负荷 37%时，导前区传递函数为： 。21)s8(07.5)sG（2）负荷 50%时，导前区传递函数为： 。21)(6.3)（3）负荷 75%时，导前区传递函数为： 。21)s0(57.)sG（4）负荷 100%时，导前区传递函数为： 。21)8(.)惰性区的传递函数 G2(s)均近似为 。仿真结果如图 3
16、-2，3-3，3-4，3-5。s10e从仿真结果分析，基于 BP 神经网络的自整定 PID 控制能依据被控对象的变化自适应的调整 PID 的三个参数，依据一定的最优准则以求满足不同负荷下的控制要求。在不同负荷下，也即从锅炉的启动到稳定运行的整个过程，都可以保证系统的稳定性，且随着负荷逐渐接近额定负荷，控制效果越来越好，当满负荷运行时，该策略对大迟滞的主汽温控制系统取得了良好的控制性能。江西理工大学 2012 级本科生毕业设计（论文）- 9 -图 3-2 负荷为 37%时 BP 神经网络 PID 控制下的阶跃响应曲线图 3-3 负荷为 50%时 BP 神经网络 PID 控制下的阶跃响应曲线图 3
17、-4 负荷为 75%时 BP 神经网络 PID 控制下的阶跃响应曲线江西理工大学 2012 级本科生毕业设计（论文）- 10 -图 3-5 负荷为 100%时 BP 神经网络 PID 控制下的阶跃响应曲线4 结束语通过仿真实例可以看出，引入 BP 神经网络，通过网络的自学习能力和逼近任意函数的能力，可在外界环境改变时对 PID 控制器的三个参数进行在线调整，并使整个系统能迅速达到稳定的状态，解决了 PID 算法适应型差和参数整定困难的缺点。这是对 PID 算法的一个很好的改进。随着自动化技术的不断发展和神经网络模型的不断改进，今后还将有更多的神经元网络得到应用。引入了神经元网络的 PID 控制
18、系统不仅应用在自动控制方面，还将拓展到其它领域如：模式识别、图像处理、信号处理等。它将成为智能控制的一个分支，为社会发展做出更大贡献。参考文献1 陶永华，葛芦生 .新型 PID 控制及其应用M.北京：机械工业出版社，19982 刘金琨.先进 PID 控制及其 MATLAB 仿真M.北京：电子工业出版社，2004江西理工大学 2012 级本科生毕业设计（论文）- 11 -3 易继锴，侯媛彬 .智能控制技术M.北京：北京工业大学出版社，19994 陈桦，程云艳.BP 神经网络算法的改进及在 MATLAB 中的实现J.陕西大学学报.2004，45-475 赵娟平，张玉侠.基于 BP 神经网络整定的 PID 控制及其仿真研究J.沈阳化工学院信息工程学报，2007，134-1366 曾军.神经网络 PID 控制器的研究及仿真D. 湖南大学学位论文，20057 任子武.基于神经网络的参数自整定 PID 控制算法研究D.哈尔滨理工大学，2004 8 陈宇峰，蔡琴 .基于 BP 神经网络的 PID 控制参数整定 J.2007，15-179 李士勇,模糊控制、神经控制和智能控制M哈尔滨：哈尔滨工业大学出版社，199810 徐丽娜，神经网络控制M.电子工业出版社，200311 喻宗泉 喻晗.神经网络控制M.西安：电子科技大学出版社， 2009，125-146
