下载文档原格式
基于BP神经网络的PID控制刘恩涛潘宏侠（中北大学机械工程与自动化学院，太原030051）摘要:基于BP神经网络的PID控制器具有逼近任意非线性函数的能力,能实现对PID控制器的参数K P，K I ，K D的实时在线整定，使系统具有更好的鲁棒性和自适应性，其输出也可以通过在线调整达到预期的控制精度，适用于温控系统。
实验结果表明，该控制器具有抗干扰能力强、鲁棒性好等特点。
关键词：BP神经网络；PID控制；在线整定A PID Controller Based on BP Neural NetworkLiu En-tao Pan Hong-xia(College of Mechanical Engineering and Automatization，North University ofChina ,Taiyuan 030051）Abstract: A PID controller based on BP neural network has the capability in approaching any nonlinear functions, and can real-timely realize the online setting of the PID controller’s parameters K P，K I ，K D. With the optimized parameters, the control system can be of better robustness and self-adaptability, and the output of the system can reach the expected control precision through the online tuning. Thus it is suitable for temperature control. The experimental result shows that the controller is of a strong anti-jamming capability and a better robustness in application.Keywords: BP Neural Network; PID Control; Online Tuning1引言在工业过程控制中，PID控制是历史最悠久、生命力最强的控制方式。
基于BP神经网络的PID控制器及仿真2010/5/14/11:391. 引言PID（比例-积分-微分）控制器作为最早实用化的控制器已有50多年历史，因其具有算法简单、鲁棒性好、可靠性高、直观性好等优点被广泛的应用于工业过程控制及运动控制中[1]。
常规PID控制效果的优劣，不仅仅取决于控制系统模型的精确程度，还必须调整好三个参数的关系，而这种关系不一定是简单的线性组合。
实际的工业过程及运动过程往往具有时变性、变参数、变结构等不确定性及很强的非线性，精确的数学模型难以建立，此外，常规PID还有实现在线调整困难，参数间相互影响，参数整定时间长等缺点，难以取得理想的控制效果。
随着控制理论的发展，将应用广泛的PID控制器与智能控制理论相结合[2]成为智能控制研究的新方向，神经网络算法具有逼近任意非线性表达能力，很强的自学习能力和概括推广能力，在解决高度非线性和不确定系统方面有很大的的潜能，应用神经网络，可以从复杂的PID三个参数组合中寻求最佳的线性组合，使神经网络和PID本质结合。
从而使得控制器具有较好的自适应性，实现参数的自动实时调节，适应过程的变化，提高系统了的鲁棒性和可靠性。
2. BP神经网络2.1 BP神经网络的构成及设计[3]BP神经网络是一种具有三层或三层以上的神经网络，包括输入层、隐含层、输出层，上下层之间实现全连接，而每层神经元之间无连接。
当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。
接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法即BP算法。
随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升。
（1）输入输出层的设计输入层的设计可以根据需要求解的问题和数据表示方式确定，若输入信号为模拟波形，那么输入层可以根据波形的采样点数目撅腚输入单元的维数，也可以用一个单元输入，这是输入样本为采样的时间序列。
基于非线性类PID算法的控制器优化过程仿真郭德彪;陈卫兵;王金燕;周颖【期刊名称】《计算机仿真》【年(卷),期】2013(030)005【摘要】研究控制器的优化控制问题.在较为复杂的工业控制环境下,被控对象具有不确定性、非线性及时变性.传统PID算法不能满足控制复杂过程的要求,会造成传统的非线性类PID神经元网络控制方法计算量相对较大,且整定困难,造成控制不稳定.为了解决上述问题,利用本地混合递归神经网络设计了一种低复杂度类PID神经元网络控制器.构造一个适用于强耦合大时滞MIMO系统的多变量控制器.实验中,运用Lyapunov稳定性理论分析电力线载波通信流量控制、塑料注射成型机通道温度控制过程,仿真结果表明,提出的类PID控制器模型闭环稳定且非线性控制性能优异,对强耦合时滞系统具有良好的跟踪与解耦能力.【总页数】5页(P341-344,365)【作者】郭德彪;陈卫兵;王金燕;周颖【作者单位】湖南工业大学计算机与通信学院,湖南株洲412007;湖南工业大学计算机与通信学院,湖南株洲412007;湖南工业大学计算机与通信学院,湖南株洲412007;湖南工业大学计算机与通信学院,湖南株洲412007【正文语种】中文【中图分类】TP273【相关文献】1.基于自适应遗传算法的非线性PID控制器 [J], 周颖;张磊;裘之亮;邢庆国2.基于改进多目标遗传算法的非线性PID控制器参数设计 [J], 王志心;雎刚3.基于粒子群算法的自动着陆非线性PID控制器 [J], 李翔;曲小宇;袁麟博4.用PID梯度算法训练基于神经网络的广义非线性PID控制器 [J], 谭永红;党选举;范·高温伯格;迈达德·萨义夫5.一种基于神经网络算法的非线性PID控制器 [J], 李桂梅;曾喆昭因版权原因，仅展示原文概要，查看原文内容请购买。
内蒙古科技大学控制系统仿真课程设计说明书题目：单神经元PID控制系统仿真学生姓名：学号：专业：测控技术与仪器班级：指导教师：中文摘要PID控制以其原理简单，可靠性高等优点被广泛应用在现代工业控制领域。
然而在工业实际控制中，被控对象往往还具有高度的非线性，不确定性和参数时变等特点，在这种情况下单纯依靠PID控制是不能达到要求的。
神经网络控制系统作为新兴发展的智能控制系统，能很好地解决上述问题，已经在很多领域得到应用，同时也显示了它的优越性。
单神经元作为构成神经网络的基本单元，具有自学习和自适应能力，且结构简单而易于计算。
基于以上分析，在PID控制中引入单神经元自适应算法，这样既可以解决传统PID控制器的不足，同时又能充分利用PID控制技术成熟的优势。
通过仿真对比发现单神经元自适应PID控制器比传统的PID控制器控制效果好。
关键词: 单神经元；自适应PID控制；神经网络；第一章 前言1.1引言人工神经网络ANN(artificial neural network)是最近发展起来的十分热门的交叉学科。
它涉及生物、电子计算机、数学、和物理等学科，有着非常广泛的应用背景，这门学科的发展对目前和未来的科学技术的发展将有着重要的影响。
以大规模并行处理为主要特征的神经网络具有学习、记忆、联想、容错、并行处理等能力，已在控制领域得到广泛的应用。
基于神经网络的PID 控制，其结构方式有两类：一类是单神经元控制，即神经元输入权值一一对应PID 参数，神经元输入值为经过比例、积分、微分处理的偏差值，其主要局限性在于单神经元结构无任意函数逼近能力；另一类是在常规PID 控制器的基础上增加一个神经网络模块，按照BP 学习算法(如前向算法和反传算法)进行离线学习，实时调整出PID 参数，同时还要继续学习不断地调整神经网络中各神经元间权系数，以适应被控对象的变化，因此，具有很强的适应性。
1.2单神经元模型对人脑神经元进行抽象简化后得到一种称为McCulloch-Pitts 模型的人工神经元，如图1.1所示。
基于神经网络的PID控制器在PCS7上的设计与应用摘要：针对具有时变性、大时滞和参数变化范围广等特点的非线性被控对象，本文提出了一种基于BP 算法的PID控制器，并通过西门子过程控制系统（PCS7）系统软件中的SCL语言编写实现了神经网络参数优化模块。
通过对锅炉过热蒸汽压力的控制实验，验证了基于神经网络的PID控制器的效果。
结果表明，基于神经网络的PID 控制器的控制效果良好，能够满足锅炉变工况运行的需求。
关键词：神经网络、优化、PID控制器、BP、变工况、锅炉、PCS7 PID控制器具有结构简单、调整方便、工作可靠等优点，自提出以来得到了广泛的应用和长足的发展。
但是，随着工程系统的日益复杂化，在实际的工业生产中，非线性对象和系统越来越多，采用单一参数的常规PID控制器对其进行控制，往往表现出适应性差，鲁棒性弱等缺点，难以达到理想的控制效果。
由于神经网络可以表示任意非线性函数，并具有较强的适应性、并行处理的能力和鲁棒性等特点，因此，基于神经网络算法建立的控制器在解决具有时变性、大时滞、参数工作范围广等特点的非线性系统的控制问题上，具有广阔的应用前景。
1 基于神经网络的PID控制器的设计神经网络由于其所具有的特性，已被成功地应用到各种复杂非线性系统的控制中。
已有文献[1-2]提出的神经网络自适应控制器，通过参数寻优的方式实现对系统的在线学习和控制。
但自适应控制方法的本质是基于对模型参数的在线辨识，需要知道对象的结构模型，这增加了问题的复杂程度[3]。
本文提出的基于神经网络的PID控制器，不需要对系统模型进行辨识，通过在传统PID控制器上并联神经网络优化模块，两者共同作用，以达到控制的目的。
该方法易于实现，同时降低了问题的复杂度。
基于神经网络的PID控制器的控制分为离线学习和在线计算两个过程。
离线学习：对实验测得的系统输入和期望进行离线学习，训练结束后，得到网络成熟后的权值和阈值。
在线计算：将离线学习得到的权值和阈值赋给神经网络优化模块进行前向计算，得到PID控制器所需的比例、积分和微分三个参数。
科技与创新┃Science and Technology &Innovation·64·2017年第16期文章编号：2095－6835（2017）16－0064－03基于RBF 神经网络PID 参数的自调节及仿真史磊，王蔚（长春工业大学，吉林长春130012）摘要：鉴于传统PID 控制器不能够对参数进行严格整定的问题，提出了RBF 神经网络与传统PID 控制器相结合而进行参数自调节的一种控制算法。
该控制算法能够充分使用RBF 神经网络的自适应、自学习能力来调整系统的控制参数。
在仿真软件MATLAB2010a 上对所提出的控制算法进行了仿真研究，仿真结果表明，所提出的基于RBF 神经网络的PID 参数自校正控制算法是可行的和有效的，与传统PID 控制器相比具有更强的适应性、鲁棒性，能够达到令人满意的控制效果。
仿真结果充分说明了RBF 神经网络自适应PID 控制算法在总体上优于传统的PID 控制算法，为今后对风力发电并网逆变器的研究提供了理论和实验基础。
关键词：MATLAB2010a ；并网逆变器；PID 控制；RBF 神经网络中图分类号：TP273文献标识码：ADOI ：10.15913/ki.kjycx.2017.16.064对于传统的PID 控制器来说，它的特点是结构比较简单，应用性和适应性较其他控制均较广，可是单一的PID 控制在很多地方不能满足控制要求，校正好的控制器在一段时间之后就会出现偏差，满足不了工业控制生产要求，比如在时变对象和非线性系统领域就不能够满足工业生产要求。
此文就在原控制器基础之上提出了将RBF 神经网络和PID 控制技术相结合。
对于非线性系统来说，把两者相结合的控制系统不但能克服PID 控制原有的缺陷，而且自学习能力和适应性都显著增强，解决了PID 参数难以整定的问题，具有良好的控制效果。
1传统PID 控制器PID 控制之所以在以前的工业控制中能够被广泛应用，就是因为它的算法简单、鲁棒性好、可靠性高等优点，是发展最快的控制策略之一[1-3]。
PID 控制器广泛应用于各种工业控制过程中，对于具有线性特性的确定被控对象，调试整定好PID 控制器的参数后，即可投入生产，控制器具有结构简单、稳定性好、可靠性高等优点。
但是在温度控制过程中，PID 控制效果有时并不理想。
例如，当外部环境发生变化时，或者有外部干扰时，其参数将会发生改变。
而一般的PID 参数是根据以往的控制经验总结出来的，一组PID 控制参数只能对特定条件下的温度控制比较理想。
为了克服常规PID 控制的不足，提高其适应能力，本文提出了基于神经网络的PID 控制器。
传统PID 控制对于复杂控制对象，由于受外部环境不断变化的影响，其控制效果往往不够理想。
为了能够达到控制精度的要求，需要不断的根据受控对象模型参数的变化来调整PID 控制参数。
通过仿真可以看出基于单神经元的PID 控制器的控制效果要优于传统的PID 控制系统，具有较好的抗干扰性和鲁棒性。
其主要缺点是快速性较差。
由于编程算法的灵活性，我们可以通过在编写S-函数过程中，在输入和输出存在较大偏差时，直接给受控对象一个较大的控制信号，当偏差减小至某一点时，再使其进入单神经元PID 控制阶段。
这样可以解决其快速性较差的缺点。
还可以看出多层网的近似PID 控制即使控制对象结构发生较大变化，其控制效果仍能很快趋于稳定。
这也充分说明了基于多层网的神经网络具有非线性映射能力和自适应能力，并且具有逼近任意函数的能力。
其主要缺点是学习速度较慢，这可以通过采用各种改进的BP 算法(如引入动量项、变步长法、线性化快速算法等)来提高其收敛速度，改善其控制性能。
温度控制系统具有大滞后、强耦合、慢时变及非线性等特征的复杂系统。
在温度控制系统中，被控制对象存在着参数的不确定性和纯滞后等特性，难于建立其精确的数学模型，本文通过对受控对象（温度控制箱）温度控制系统的数字仿真和实时仿真研究，比较了传统PID 控制与神经网络PID 控制各自不同的控制特性，分析了传统PID 控制器和神经网络PID 控制器的优缺点。
PID控制系统的设计及仿真首先，我们需要理解PID控制器的工作原理。
PID控制器通过比较目标值与实际值之间的偏差，以及偏差的变化率和积分值来计算输出控制信号，从而实现目标值与实际值之间的闭环控制。
在设计PID控制系统时，我们需要确定三个参数：比例增益（KP）、积分时间常数（TI）和微分时间常数（TD）。
这些参数的选择将直接影响控制系统的稳定性和性能。
首先，我们可以使用频率响应曲线和Bode图等方法来选择合适的KP参数。
频率响应曲线可以帮助我们分析系统的稳定性和相位边界。
选择适当的KP值可以保证系统在稳定状态下能够尽快达到目标值。
接下来，我们可以通过试错法来确定TI和TD参数。
试错法可以根据系统的实际响应来调整这两个参数。
可以从初始调节试验开始，逐步调整参数，直到达到预期的系统性能。
在MATLAB中进行PID控制器的设计和仿真非常方便。
MATLAB提供了丰富的工具箱和函数，可以帮助我们进行系统建模、参数调节和仿真分析。
首先，我们需要使用MATLAB的控制系统工具箱来建立系统模型。
可以使用MATLAB提供的工具来建立连续或离散时间的传递函数模型。
接下来，我们可以使用PID函数来设计PID控制器并将其与系统模型进行连接。
PID函数可以使用我们之前确定的KP、TI和TD参数来创建一个PID对象。
然后，我们可以使用仿真命令来运行系统的仿真，并观察系统的响应。
可以使用step命令来观察系统的阶跃响应，使用impulse命令来观察系统的冲击响应，使用bode命令来观察系统的频率响应等等。
通过分析仿真结果，我们可以评估系统的稳定性、超调量、收敛时间等性能指标，并根据需要对PID参数进行进一步的调整。
总结起来，PID控制系统的设计及仿真可以通过MATLAB来完成。
我们可以使用MATLAB提供的工具箱和函数进行系统建模和参数调节，并通过仿真命令进行系统响应的观察和分析。
通过不断调整参数和分析仿真结果，我们可以设计出满足系统要求的PID控制系统。
