网络时延对PID控制性能影响的分析
目录
1网络化控制系统简介 (1)
2网络化控制系统中的问题 (2)
3网络延时对PID控制系统性能影响的分析 (4)
3.1系统描述(System description) (4)
3.2 仿真分析(Simulation analysis) (6)
4网络延时为不同值的系统分析 (8)
4.1网络延时的系统阶跃响应 (8)
4.2 的系统的阶跃响应 (9)
4.3 时的系统阶跃响应 (9)
4.4 系统根轨迹分析 (10)
5实际实验(P RACTICAL EXPERIMENT) (12)
1网络化控制系统简介
网络化控制系统NCS（Networked Control Systems）,又称集成通讯与控制系统ICCS （Integrated Communication and Control System）。一般认为ICCS是一种全分布式、网络化实时反馈控制系统，是将控制系统的传感器、控制器、执行器等单元通过通讯网络连接起来形成闭环的分布式控制系统。其涵盖了两方面的内容：系统节点的分布化和控制回路的网络化。这种网络化的控制模式具有信息资源能够共享、连接线数大大减少、易于扩展、易于维护等优点，但由于网络中的信息源很多，信息的传送药分时占用网络通讯资源，而网络的承载能力和通讯带宽有限，必然造成信息的冲撞、重传等现象的发生，使得数据在传输过程中不可避免地存在时延。时延由于受到网络所采用的通讯协议、负载状况、网络速率以及数据包大小等情况到影响，呈现出或固定或随机，或有界或无界的特征，从而导致控制系统性能下降甚至不稳定，也给控制系统的分析和设计带来困难。网络给NCS带来的主要问题包括：时延采样时刻和执行器响应时刻间出现了不可忽略的滞后;在某时间间隔内存在于时间相关的抖动;由于数据包在网络中传输发生丢失或冲突，导致时延增大甚至系统失稳。NCS的性能不仅依赖于控制策略及控制律器的设计，而且受到网络通讯和网路资源的限制。信息调度应尽可能避免网络中信息的冲突和拥塞现象的发生，从而大大提高网络化控制系统的服务性能。
网络化控制系统是综合自动化技术发展的必然趋势，是控制技术、计算机技术和通信技术相结合的产物。本书基于现场总线技术及自动化北京市重点实验室的科研成果，系统地介绍了网络化控制系统的组成原理、控制结构、建模方法，网络拥塞闭环控制机理，网络时延闭环控制方法，现场总线控制技术及应用，基于工业以太网的控制系统设计，基于Internet 和Web的网络远程控制系统设计。网络化控制系统软件开发技术，以及网络化控制技术在工业加热炉、工业锅炉和电厂锅炉湿法烟气脱硫中的应用。
在传统的计算机控制系统中，传感器和执行器都是与计算机实现点对点的连接，传递信号一般采用电压和电流等模拟信号。在这种结构模式下，控制系统往往布线复杂，从而增加了系统成本，降低了系统的可靠性、抗干扰性、灵活性和扩展性，特别在地域分散的情况下，传统控制系统的高成本、低可靠性等弊端更加突出。随着计算机技术和网络通信技术的不断发展，工业控制系统也发生了巨大的技术变革，网络化控制系统（NetworkedControlSystem，NCS）应运而生，其主要标志就是在控制系统中引入了计算机网络，从而使得众多的传感器、
执行器、控制器等主要功能部件能够通过网络相连接，相关的信号和数据通过通信网络进行传输和交换，避免了点对点专线的铺设，而且可以实现资源共享、远程操作和控制，增加了系统的灵活性和可靠性。
在控制系统中使用网络并不是一个新的想法，它可以追溯到20世纪70年代末期集散控制系统（DistributedControlSystem，DCS）的诞生。在DCS出现之前，早期的计算机控制系统是直接数字控制（DirectDigitalControl，DDC），在这种控制结构中，所有传感器和执行器都与同一台计算机点对点的连接。由于当时计算机昂贵，系统一般采用集中式的体系结构，整个生产过程和控制策略都由一台计算机完成，即使是计算机一个单一的故障也会使整个系统及其所有回路失效。伴随着计算机成本的下降和网络技术的发展，（计算机）控制网络被首次引入到了控制系统，导致了DCS的产生。DCS将控制任务分散到若干小型的计算机控制器（也叫做现场控制站）中，每个控制器采用DDC控制结构处理部分控制回路，而在控制器与控制器、控制器与上位机（操作员站或工程师站）之问建立了计算机控制网络，这种控制结构使得操作员在上位机中能够对被控系统的实时运行状态进行监控，某个控制回路的控制策略的设计也可以在上位机中组态完成，通过控制网络下载到对应的控制器中实时运行。DCS大大提高了控制系统的可靠性，并实现了集中管理和分散控制。
2网络化控制系统中的问题
尽管在DCS中已经引入了控制网络，但由于当时传感器和执行器只能发送和接收模拟量信号，所以在传感器与控制器、控制器与执行器之间仍然采用点对点连接的DDC控制结构。采用模拟量信号进行信息传输，只是在控制器的输入、输出端进行信号的模拟量／数字量（A／D）和数字量／模拟量（D／A）转换。
通讯网络给NCS系统带来的问题为：
1）控制时延是某个采样时刻和对应的执行期响应时刻之差。从控制的角度看，时延将导致向卫滞后，恶化系统性能，从信息调度的角度看，时延将使信息不能准时到达，丢失截止期，甚至带来不可预料的通讯多米诺效应。
2）抖动是在任何特定的时间间隔，与时间相关的、突然的、乱真的变化，可以看成一种突发性的故障;表现为控制周期的抖动，时延抖动，采样抖动;从调度的角度看，抖动表现为输出抖动，队列抖动，截止期抖动等。
3）瞬态误差是控制信号在网络中传输时发生丢失或冲突而产生的，会使数据和通讯时
延加剧，时序采样值不能准时到达，产生空采样问题以及样本数据拒绝问题。
NCS的研究涉及控制和通讯网络两个方面，对同一个问题既可以从控制角度来研究，也可以从信息调度角度来研究，或者综合两方面进行研究。针对时间驱动的NCS，绝大多数的文献对NCS进行分析时，都假定传感器、控制器和执行器的采样速率是一致的，即研究的是单率采样系统下的情形。然而，对于NCS，由于节点的分散化，单一的采样速率不符合实际情况。多率采样是符合实际系统真实情形的，Salt等人针对多率采样的控制问题进行了研究，传感器和控制器启动时又很小的时间偏差，新的传感器值到达控制器的概率
假定是已知的。若，则说明是在新的测量数据未知的情况下对控制信号进行计算。但是对多率采样系统来说，采用时间驱动的采样方式常常会出现很多问题，如过多的冗余信号将使系统的时延、空采样、报文丢失扥变得更加严重，从而导致系统性能恶化。
在NCS中网络传输的信息可以分为两类：实时性信息和非实时性信息。实时性信息对时间要求非常苛刻，如果在规定时间的上限内信息未能起作用，则该信息将被丢弃，而使用最新的信息。NCS信息调度策略中主要调度两类数据信息：周期信息和非周期信息。周期信息是一种实时性信息，也被称为时间出发信息或者同步信息。非周期信息主要是指节点间的请求服务等信息，其发生时刻是随机的，也被称为事件触发信息、异步信息或者随机性信息。在NCS中，信息调度发生在应用层，信息调度规定节点的优先发送次序、发送时刻和时间间隔，以避免网络冲突。如果网络化控制系统的所有数据传输都能在任务时限内完成，则称传输是可调度的。网络化控制系统中信息调度的研究可分为调度与控制分开设计和调度和控制协同设计两类。
目前，针对时延和丢包情况下NCS的稳定性研究以及带随机噪声的NCS的最优控制问题的研究较多，而针对带有确定性干扰NCS的最优扰动抑制问题和故障诊断问题则不多见，将最优扰动抑制理论应用于带有时延和丢包的NCS实现系统的最优扰动抑制是研究的一个重要方向。在用Markov链对NCS建模时，都假定状态及其转移概率是已知的，而实际上还存在Markov链中状态未知的情形。如何通过HMM（Hidden Markov Model）来辨识Markov 状态数及其转移概率是分析和设计NCS必须面临的问题。基于HMM的估计理论是处理混杂情况下辨识问题的有力工具，将HMM理论应用于NCS也是研究和设计NCS的重要方向。NCS信息调度的研究大多限于单控制回路，对共享网络的多个控制回路的优化调度等问题需要进一步的研究。考虑网络利用率、数据包丢失率、系统稳定性等多重约束，建立NCS
多目标优化的数学模型。进而考虑NCS的实时性要求，研究NCS分级多目标优化问题的求解方法。
3网络延时对PID控制系统性能影响的分析
在众多的控制算法中，PID控制是迄今为止最通用的控制方法，PID控制器以其结构简单，对模型误差具有一定的鲁棒性及易于操作等优点，被广泛应用于冶金、化工、电力、轻工和机械等工业过程控制中，所以对PID控制算法在网络化控制系统中的应用研究具有重要的意义．对此，国内外已有不少研究，比如黎善斌、王智、孙优贤等为了有效地抑制网络延时对网络控制系统性能的影响，提出了一种鲁棒数字PID控制器设计方法；Almutairi等人I_采用模糊逻辑给出了一种补偿网络延时的智能PI控制器；Tipsuwan、Chow_J 通过大量实验和仿真提出了一种基于最优增益调度的PI控制算法，使得PI控制器在网络控制中获得最佳的控制性能；Pohjo—la_I 在论文中也针对网络的固定延时和随机延时提出了最优调节、Ziegler—Nichols调节等方法来改进网络控制系统中PID控制器的设计，并使用了Mo—CoNet(Monitoring and Controlling Laboratory Processesover Internet)系统做了多个实验；Cao和Zhang_针对随机延时也提出了一种改进型的模糊PID控制器设计．上述方法大都没有对延时给被控对象的影响做出定量分析，被控对象大都是电机系统，本文将分析不同的延时对模拟生产过程参数的水箱液位实验装置PID控制性能的影响，先用True Time给出仿真结果，再用中国科学院自动化研究所开发的NetCon网络控制器进行了实验研究
3.1系统描述(System description)
3.1.1 系统结构
本文要研究的网络化控制系统采用基于Cs—MA／CD协议的以太网Ethemet或Internet 通讯，数据传输速率为10Mbps，整个网络控制系统的基本结构如图3.11所示．网络化控制系统与传统的控制系统最大的区别就是控制器两端的数据都经过网络传输。首先由传感器对被控对象的当前状态进行周期性采样，将其转换成数字信号后通过网络发送给控制器，控制器通过控制算法计算输出量，通过网络发送给执行器．在这个过程中就可能出现两次数据传送延时，从传感器采样到该数据被控制器处理的这段时间，称为传感器-控制器延时，记为；从控制器输出控制信号至执行器开始执行这段时间，称为控制器-执行器延时，记为
．
假定网络延时是固定的，用连续时间方法来分析整个网络控制系统，一种典型的网络化控制系统框图如图3.2所示．其中R(s)、U(s)、Y(s)和E(s)= R(s)-Y(s)分别是系统参考输入、控制量、输出量和偏差的拉氏变换．被控对象则表示为，而PID控制器用
来表示
其中、和分别是比例系数、积分系数和微分系数；和
．传感器-控制器延时环节和控制器-执行器延时环节。可以分别表示成
这样，包括网络延时在内的整个系统的闭环传递函数可以表示为
图3.1 网络化控制系统的基本结构图
图3.2典型的网络化控制系统框图
为了方便分析网络延时给整个闭环控制系统带来的影响，一种较好的方法就是将网络延时用一个有理函数来逼近
，比如：式中
可以是
或者
，或者
，由于系统根轨迹的主支通常包含了系统主要的特征值，这样的近似对于实
际应用是可以满足需要的．
3.1.2 实际系统
本文研究的控制对象是模拟生产过程参数的一阶水箱液位控制系统实验装置，通过系统辨识得到该系统的传递函数
使用两台中国科学院自动化研究所开发的Net —Con 网络控制器构成网络化控制系统．该控制器主处理器采用基于32位ARM 核的微控制器S3C4510B ，具有A ／D 、D ／A 和10M 以太网通讯接口．其中一台负责将传感器采样的信号发送给PID 控制器，并接收PID 控制器发来的控制信号，输出给执行器；另一台就作为NCS 中的控制器，执行PID 控制算法，两台控制器通过局域网连接构成一阶水箱液位PID 网络化控制系统．
3.2 仿真分析(Simulation analysis)
3.2.1 控制性能评估指标
为了更好地评估网络延时给控制系统带来的影响，本文以代价函数为基础，提出了代价函数J 作为控制性能评估指标．
(1)
（2）
（3）
（4）
（5）式中
为系统存在网络延时情况下的均方差，P.0.、、。分别是系统存在网络延时情况下的超调量、上升时间和过渡过程时间，MSEo、P.0.。、分别是系统无网络延时情况下的标称均方差、标称超调量、标称上升时间和标称过渡过程时间。、、
，和分别为J1,J2,J3,J4 的权重．系统在t=kT时刻采样时就计算e(k)=Y(k)-r(k)，
其中为采样周期，k为采样序号J1,J2,J3,J4主要用来评价系统性能与标称值的差距，如果系统没有受到网络延时影响，那么J=0
3.2.2 True Time仿真
True Time是第三方开发的、基于Matlab/Simulink的工具箱．本文主要用到其中的True Time Kernel和True Time Network两个接口模块．True TimeKernel模块(也称为计算机模块)可以按照用户定义的任务执行，代码采用Matlab或c++编写，它具有灵活的实时内核、A／D和D／A转换器、网络接口以及外部通道．而True Time Network模块(也称网络模块)采用事件驱动方式，当有消息进出网络时，网络模块执行工作．消息包括发送和接收计算机节点的信息、用户数据(如测量信号或控制信号)、传送时间和可选择的实时特性(如优先级或时限)．它还包含了网络节点数、网络速度、媒体访问控制协议和网络延时等参数．该工具箱功能强大，非常适合于网络化控制系统的仿真分析．
一阶水箱液位PID网络化控制系统仿真包含1个网络模块和3个计算机模块．网络模块为CSMA／co(Ethernet)类型，传输速率为10Mbps，3个计算机模块分别是传感器(Sensor)、控制器(Controller)和执行器(Actuator)，其中控制器运行PID控制算法．系统仿真模型如图3.3所示．
图3.3 网络化控制系统仿真模型
4网络延时为不同值的系统分析
4.1网络延时的系统阶跃响应
在无网络延时的情况下，选择PID控制器的参数分别为，，，T=1(采样周期)，系统的阶跃响应曲线如图4所示，系统的各项性能指标分别是MSEo=0．0297、P.0.o=4.98％、、J=0.
图4.1网络延时的系统阶跃响应
4.2 的系统的阶跃响应
1)，PID参数与无网络延时情况相同，这时候系统阶跃响应如图4.1,MSE=0.0318>MSEo，
,,,
,这里取
2)，PID参数与无网络延时情况相同，这时候系统阶跃响应如图 4.1，MSE=0．0340>MSEo，P.O.=5.85％>P.O.o，
,,
4.3 时的系统阶跃响应
，PID参数与无网络延时情况相同，部分系统阶跃响应如图4.2所示，各项性能指标如表1所示．从图4.2可以看出，当网络延时≥5 时，系统就开始振荡了；表4.1显示，在前，上升时间t 逐渐变短，过渡过程时间t 也逐渐变短，这是以超调量P.O.的增大为代价的；在后，上升时间已经达到最短，而超调量却还在增大，这就导致了过渡过程时间的增长；总之，随着延时的增加，系统总体性能指标越来越差．
图4.2 网络延时的系统阶跃响应
表4.1时的系统各项性能指标
4.4 系统根轨迹分析
用根轨迹分析上述系统，由PID控制器参数得
其中，这里取n=4，图4.3给出了时的根轨迹．图中画出的只是根轨迹中的主支部分，它决定闭环系统的稳定性．从图中可以看出，当网络延
时r不断增加时，系统稳定的区域越来越小，可调范围越来越小．为了分析对根轨迹的影响，式(13)可以写成：
图4.3延时的系统根轨迹
图4.4是时系统根轨迹中的主支部分，可以看
出，对系统的稳定性有一定的调节作用，可以扩大系统的稳定区域．微分环节能在偏差信号值变得太大之前，在系统中引入一个有效的早期修正信号，加快系统的动作速度，缩短调节时间．
图4.4 时的系统根轨迹主要分支
5实际实验(Practical experiment)
一阶水箱液位控制系统实验装置结构示意图如图5.1所示，为小流量电动调节阀，调节器输出4～20mA信号给电子调节阀控制水流量，其中是被控阀，是扰动阀；液位变送器量程0～100mm，输出为4～20mA的电流信号．通过两台中国科学院自动化研究所的NetCon网络控制器组成网络化控制系统，具体结构如图5.2所示．
图5.1一阶水箱液位控制系统结构
图5.2 一阶水箱液位网络化控制系统结构
在实验系统中，NetCon控制器1作为智能节点将系统的传感器信号发送给NetCon控制器2，Net —Con控制器2经PID控制算法运算输出控制信号，发送给NetCon控制器1，NetCon控制器1再将收到的控制信号输出到系统的执行机构．NetCon控制器运行嵌入式操作系统uCLinux，在该操作系统的支持下完成算法代码远程下载和远程监控．NetCon网络可视化控制组态软件基于Matlab、Simulink和Rea1 Time Workshop，能够实现和Simulink的无缝结合．利用Simulink 提供的各种模块及为用户提供的系统函数S-function，可以快速地建立控制器及控制对象模型，并可对整个控制系统进行多次的离线及在线调试来验证控制策略的可行性；同时结合Real—Time Workshop，可在几秒内自动完成控制代码的生成、编译、连接，并下载到现场的NetCon控制器中执行．
图5.3为两个控制器的Simulink主程序图，(a)图中通过sendsamp模块将采样信号发送给NetCon控制器2，由controlflow模块接收计算好的控制信号，Output模块输出控制信号给执行机构；(b)图中由Feedback模块接收采样信号，sendcon模块包含了PID控制算法和发送控制信号模块，Delay模块为延时控制模块．由于控制算法是用Simulink的各种模块和s函数编写的，故可以将仿真中的PID控制算法直接应用到实验控制系统中．由于局域网延时可以忽略，因此控制器中加入的延时模块可以使采样信号延迟若干个采样周期．图5.4是当采样时间为1 S，液位从20mm变化到50mm时的响应曲线．可以看出，随着网络延时的增大，系统的超调量增大，上升时间变短，延时太大则导致系统振荡，这与仿真分析相同．
（a）Netcon 控制器1主程序图
（b）NetCon 控制器2主程序图
图5.3 NetCon 控制器的simulink程序图
图5.4 不同网络时延下的液位响应曲线
神经网络pid控制matlab程序
%Single Neural Adaptive PID Controller clear all; close all; x=[0,0,0]'; xiteP=0.40; xiteI=0.35; xiteD=0.40; %Initilizing kp,ki and kd wkp_1=0.10; wki_1=0.10; wkd_1=0.10; %wkp_1=rand; %wki_1=rand; %wkd_1=rand; error_1=0; error_2=0; y_1=0;y_2=0;y_3=0; u_1=0;u_2=0;u_3=0; ts=0.001; for k=1:1:1000 time(k)=k*ts; yd(k)=0.5*sign(sin(2*2*pi*k*ts)); y(k)=0.368*y_1+0.26*y_2+0.1*u_1+0.632*u_2; error(k)=yd(k)-y(k); %Adjusting Weight Value by hebb learning algorithm M=4; if M==1 %No Supervised Heb learning algorithm wkp(k)=wkp_1+xiteP*u_1*x(1); %P wki(k)=wki_1+xiteI*u_1*x(2); %I wkd(k)=wkd_1+xiteD*u_1*x(3); %D K=0.06; elseif M==2 %Supervised Delta learning algorithm wkp(k)=wkp_1+xiteP*error(k)*u_1; %P wki(k)=wki_1+xiteI*error(k)*u_1; %I wkd(k)=wkd_1+xiteD*error(k)*u_1; %D K=0.12; elseif M==3 %Supervised Heb learning algorithm wkp(k)=wkp_1+xiteP*error(k)*u_1*x(1); %P wki(k)=wki_1+xiteI*error(k)*u_1*x(2); %I wkd(k)=wkd_1+xiteD*error(k)*u_1*x(3); %D K=0.12; elseif M==4 %Improved Heb learning algorithm wkp(k)=wkp_1+xiteP*error(k)*u_1*(2*error(k)-error_1); wki(k)=wki_1+xiteI*error(k)*u_1*(2*error(k)-error_1); wkd(k)=wkd_1+xiteD*error(k)*u_1*(2*error(k)-error_1); K=0.12; end x(1)=error(k)-error_1; %P
基于BP神经网络的PID控制器的设计
基于BP神经网络的PID控制器的研究与 实现 课程名称：人工神经网络
目录 前言 (3) 一、BP神经网络 (4) 二、模拟PID控制系统 (5) 三、基于BP神经网络的PID控制器 (6) 四、仿真程序 (10) 五、运行结果 (17) 六、总结 (18) 参考文献 (19)
前言 人工神经网络是以一种简单神经元为节点，采用某种网络拓扑结构构成的活性网络，可以用来描述几乎任意的非线性系统。不仅如此，人工神经网络还具有学习能力、记忆能力、计算能力以及各种智能处理能力，在不同程度和层次上模仿人脑神经系统的信息处理、存储和检索的功能。不同领域的科学家，对人工神经网络有着不同的理解、不同的研究内容，并且采用不同的研究方法。对于控制领域的研究工作者来说，人工神经网络的魅力在于：①能够充分逼近任意复杂的非线性关系，从而形成非线性动力学系统，以表示某种被控对象的模型或控制器模型；②能够学习和适应不确定性系统的动态特性；③所有定量或定性的信息都分布储存于网络内的各神经单元，从而具有很强的容错性和鲁棒性；④采用信息的分布式并行处理，可以进行快速大量运算。对于长期困扰控制界的非线性系统和不确定性系统来说，人工神经网络无疑是一种解决问题的有效途径。正因为如此，把人工神经网络引入传统的PID 控制，将这两者结合，则可以在一定程度上解决传统PID 调节器不易在线实时整定参数、难于对一些复杂过程和参数慢时变系统进行有效控制的不足。
一、BP神经网络 BP神经网络是一种有隐含层的多层前馈网络，其结构如图1-1所示。如果把具有M个输入节点和L个输出节点的BP神经网络看成是从M维欧氏空间到L维欧氏空间的非线性映射，则对于具有一定非线性因数的工业过程被控对象，采用BP网络来描述，不失为一种好的选择。在BP神经网络中的神经元多采用S型函数作为活化函数，利用其连续可导性，便于引入最小二乘学习算法，即在网络学习过程中，使网络的输出与期望输出的误差边向后传播边修正加权系数，以期使误差均方值最小。BP神经网络的学习过程可分为前向网络计算和反向误差传播——连接加权系数修正两个部分，这两个部分是相继连续反复进行的，直至误差满足要求。不论学习过程是否已经结束，只要在网络的输入节点加入输入信号，则这些信号将一层一层向前传播；通过每一层时要根据当时的连接加权系数和节点的活化函数与阈值进行相应计算，所得的输出再继续向下一层传输。这个前向网络计算过程，既是网络学习过程的一部分，也是将来网络的工作模式。在学习过程结束之前，如果前向网络计算的输出和期望输出之间存在误差，则转入反向传播，将误差沿着原来的连接通路回送，作为修改加权系数的依据，目标是使误差减小。
pid神经网络控制器的设计
第三章 PID 神经网络结构及控制器的设计 在控制系统中，PID 控制是历史最悠久，生命力最强的控制方式，具有直观、实现简单和鲁棒性能好等一系列优点。但近年来随着计算机的广泛应用，智能控制被越来越广泛的应用到各种控制系统中。智能控制方法以神经元网络为代表，由于神经网络可实现以任意精度逼近任意函数，并具有自学习功能，因此适用于时变、非线性等特性未知的对象，容易弥补常规PID 控制的不足。将常规PID 控制同神经网络相结合是现代控制理论的一个发展趋势。 3.1 常规PID 控制算法和理论基础 3.1.1 模拟PID 控制系统 PID(Proportional 、Integral and Differential)控制是最早发展起来的控制策略之一，它以算法简单、鲁捧性好、可靠性高等优点而梭广泛应用于工业过程控制中。 PID 控制系统结构如图3．1所示： 图3.1 模拟PID 控制系统结构图 它主要由PID 控制器和被控对象所组成。而PID 控制器则由比例、积分、微分三个环节组成。它的数学描述为： 1() ()[()()]t p D i de t u t K e t e d T T dt ττ=+ +? （3.1） 式中，p K 为比例系数； i K 为积分时间常数： d K 为微分时间常数。 简单说来，PID 控制器各校正环节的主要控制作用如下： 1．比例环节即时成比例地反映控制系统的偏差信号()e t ，偏差一旦产生，控制器立即产生控制作用，以减少偏差。
2．积分环节主要用于消除静差，提高系统的无差度。积分作用的强弱取决于积分时间常数i T ，i T 越大，积分作用越弱，反之则越强。 3．微分环节能反映偏差信号的变化趋势(变化速率)，并能在偏差信号值变得太大之前，在系统中引入一个有效的早期修正信号，从而加快系统的动作速度，减少调节时间。 具体说来，PID 控制器有如下特点： (1)原理简单，实现方便，是一种能够满足大多数实际需要的基本控制器； (2)控制器能适用于多种截然不同的对象，算法在结构上具有较强的鲁棒性，在很多情况下，其控制品质对被控对象的结构和参数摄动不敏感。 3.1.2 数字PID 控制算法 在计算机控制系统中，使用的是数字PID 控制器，数字PID 控制算法通常又分为位置式PID 控制算法和增量式PID 控制算法。 1．位置式PID 控制算法 由于计算机控制是一种采样控制，它只能根据采样时刻的偏差值计算控制量，故对式(3．1)中的积分和微分项不能直接使用，需要进行离散化处理。按模拟PID 控制算法的算式(3．1)，现以一系列的采样时刻点kT 代表连续时间t ，以和式代替积分，以增量代替微分，则可以作如下的近似变换： t kT = （0,1,2,3...)k = ()()()k k t j j e t dt T e jT T e j ==≈=∑∑? ()()[(1)]()(1) de t e kT e k T e k e k dt T T ----≈= (3.2) 式中，T 表示采样周期。 显然，上述离散化过程中，采样周期T 必须足够短，才能保证有足够的精度。为了书写方便，将()e kT 简化表示()e k 成等，即省去T 。将式（3.2）代入到（3.1）中可以得到离散的PID 表达式为： 0(){()()[()(1)]}k D p j I T T u k K e k e j e k e k T T ==+ + --∑ （3.3） 或 0 ()()()[()(1)]}k p I D j u k K e k K e j K e k e k ==++--∑ （3.4） 式中，k ——采样序号，0,1,2...k =； ()u k ——第k 次采样时刻的计算机输出值；
基于S函数的RBF神经网络PID控制器
基于径向基函数的神经网络的PID控制器 摘要 RBF神经网络在分类问题中得到了广泛的应用，尤其是模式识别的问题。许多模式识别实验证明，RBF具有更有效的非线性逼近能力，并且RBF神经网络的学习速度较其他网络快。本文在具有复杂控制规律的S函数构造方法的基础上，给出了基于MATLAB语言的RBF神经网络PID控制器，及该模型的一非线性对象的仿真结果。 关键词：S函数；RBF神经网络PID控制器；Simulink仿真模型径向基函数（RBF-Radial Basis Function）神经网络是由J.Moody和C.Darken 在20世纪80年代末提出的一种神经网络，它具有单隐层的三层前馈网络。由于它模拟了人脑中局部调整、相互覆盖接受域（或称野-Receptive Field）的神经网络结构，因此，RBF神经网络是一种局部逼近网络，已证明它能以任意精度逼近任意连续函数。 1.S函数的编写方法 S函数是Simulink中的高级功能模块，Simulink是运行在MATLAB环境下用于建模、仿真和分析动态系统的软件包。只要所研究的系统模型能够由MATLAB语言加以描述，就可构造出相应的S函数，从而借助Simulink中的S 函数功能模块实现MATLAB与Simulink之间的沟通与联系，这样处理可以充分发挥MATLAB编程灵活与Simulink简单直观的各自优势。当系统采用较复杂的控制规律时，Simulink中没有现成功能模块可用，通常都要采用MATLAB编程语言，编写大量复杂而繁琐的源程序代码进行仿真，一是编程复杂、工作量较大，二来也很不直观。如果能利用Simulink提供的S函数来实现这种控制规律，就可以避免原来直接采取编程的方法，不需要编写大量复杂而繁琐的源程序，编程快速、简捷，调试方便，则所要完成的系统仿真工作量会大大减少。 RBF神经网络PID控制器的核心部分的S函数为： function [sys,x0,str,ts]=nnrbf_pid(t,x,u,flag,T,nn,K_pid,eta_pid,xite,alfa,beta0,w0) switch flag,
神经网络PID控制
基于神经网络PID控制算法在多缸电液伺服系统同步控制中的仿真 研究 丁曙光，刘勇 合肥工业大学,合肥,230009 摘要：本文介绍了神经网络控制原理，提出了神经网络PID算法，通过选定三层神经网络作为调节函数，经过Simulink仿真确定了神经网络PID控制器的参数，设计了神经网络PID控制器。推导出多缸液压同步控制系统在各种工况下的传递函数，并把该控制器应用到多缸液压同步控制系统中。经过仿真研究表明该控制器控制效果良好，能满足多缸液压同步的控制要求。 关键词：多缸同步；PID算法；仿真；神经网络 Study on the simulation and appllication of hydraulic servo system of straihtening machine based on Immune Neural network PID control alorithm DING Shu-guang, GUI Gui-sheng,ZHAI Hua Hefei University of Technology, Hefei 23009 Abstract:The principle of immune feedback and immune-neural network PID algorithm was respectively.An immune-neural network PID controller was designed by which an adaline neural network was selected as antibody stay function and parameters of the immune-neural network PID controller were determined by simulation.The transfer function of the hydraulic servo system of crankshaft straightenin on were introduced in different working conditions.The immune-neural network PID controller was applied to hydraulic system of crankshaft straightenin.The simulation and equipment were done,and results show that its control effectiveness is better and can meet the needs of he hydraulic servo-system of crankshaft straightening hydraulic press. Key words:straightening machine; Immune control arithmetic; simulation;neural network 0引言 精密校直液压机（精校机）液压伺服系统是精校机的执行环节，高精度液压位置伺服控制是精校机的关键技术之一，它保证了液压伺服控制系统的控制精度、稳定性和快速性，是完成校直工艺的必要条件。因此，精校机液压伺服控制系统的研究，为精校机产品的设计和制造提供了理论依据，对校直技术和成套设备的开发具有重大的意义[1]。 精校机液压位置伺服系统是一个复杂的系统，具有如下特点：精确模型难建立，要求位置控制精度高、超调量小、响应快、参数易变且难以确定[1]。因此该系统的控制有较大的难度。传统的PID控制虽然简单易行，但参数调整困难，具有明显的滞后特性，PID 控制很难一直保证系统的控制精度，Smith预估补偿 国家重大科技专项资助（项目编号：2009ZX04004-021）安徽省自然科学基金资助（项目编号：090414155）和安徽省科技攻关项目资助（项目编号：06012019A）制方法从理论上为解决时滞系统的控制问题提供了一种有效的方法，但是Smith预估器控制的鲁棒性差，系统性能过分依赖补偿模型的准确性，限制了它在实际过程中的应用[1～5]。 近年来，人们开始将生物系统的许多有益特性应用于各种控制中[1～5]，取得了一定成果。自然免疫系统使生物体的一个高度进化、复杂的功能系统，它能自适应地识别和排除侵入肌体的抗原性异物，并且具有学习、记忆和自适应调节功能，以维护肌体内环境的稳定。自然免疫系统非常复杂，但其抵御抗原（antigen）的自适应能力十分显著。生物信息的这种智能特性启发人们利用它来解决一些工程难题，这就引起多种免疫方法的出现。人工免疫系统就是借鉴自然免疫系统自适应、自组织的特性而发展起来的一种智能计算技术。该算法在大量的干扰和不确定环境中都具很强的鲁棒性和自适应性，在控制、优化、模式识别、分类
MATLAB基于BP神经网络PID控制程序
MATLAB基于BP神经网络PID控制程序>> %BP based PID Control clear all; close all; xite=0.20; %学习速率 alfa=0.01; %惯性因子 IN=4;H=5;Out=3; %NN Structure wi=[-0.6394 -0.2696 -0.3756 -0.7023; -0.8603 -0.2013 -0.5024 -0.2596; -1.0749 0.5543 -1.6820 -0.5437; -0.3625 -0.0724 -0.6463 -0.2859; 0.1425 0.0279 -0.5406 -0.7660]; %wi=0.50*rands(H,IN); %隐含层加权系数wi初始化 wi_1=wi;wi_2=wi;wi_3=wi; wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325; -0.1146 0.2949 0.8352 0.2205 0.4508; 0.7201 0.4566 0.7672 0.4962 0.3632]; %wo=0.50*rands(Out,H); %输出层加权系数wo初始化 wo_1=wo;wo_2=wo;wo_3=wo; ts=20; %采样周期取值 x=[0,0,0]; %比例，积分，微分赋初值 u_1=0;u_2=0;u_3=0;u_4=0;u_5=0; y_1=0;y_2=0;y_3=0; Oh=zeros(H,1); %Output from NN middle layer 隐含层的输出I=Oh; %Input to NN middle layer 隐含层输入 error_2=0; error_1=0; for k=1:1:500 %仿真开始，共500步 time(k)=k*ts;
基于神经网络的PID控制
基于神经网络的PID控制 课程名称：智能控制 任课教师： 学生姓名： 学号： 年月日
摘要：本文基于BP神经网络的PID控制方法设计控制器，通过BP神经网络与PID的控制相结合的神经网络控制基本原理和设计来自适应的功能调节PID的的三个参数，并根据被控对象的近似数学模型来输出输入与输出并分析BP神经网络学习速率η，隐层节点数的选择原则及PID参数对控制效果的影响。计算机的仿真结果表示，基于BP神经网络的PID控制较常规的PID控制具有更好的自适应性，能取得良好的的控制结果。 关键字：BP算法神经网络 PID控制 Abstract：In this paper, based on BP neural network PID control method designed controller, through the BP neural network PID control with a combination of neural network control basic principles and design features adaptively adjusting the PID of the three parameters, and based on the controlled object approximate mathematical model to analyze the output and the input and output BP n eural network learning rate η, hidden layer nodes and PID parameter selection principle effect of the control . Computer simulation results indicated that based on BP neural network PID control compared with conventional PID control has better adaptability , can achieve good control results . Keyword:BP algorithms neural networks PID control 1引言 PID控制是最早发展起来的应用经典控制理论的控制策略之一，由于算法简单，鲁棒性好和可靠性高，被广泛应用于工业过程并取得了良好的控制效果。随着工业的发展，对象的复杂程度不断加深，尤其对于大滞后、时变的、非线性的复杂系统，常规PID控制显得无能为力。因此常规PID控制的应用受到很大的限制和挑战。 神经网络在控制系统中的应用提高了整个系统的信息系统处理能力和适应能力，提高了系统的智能水平。此外，神经网络具有逼近任意连续有界非线性函数的能力，对于非线性系统和不确定性系统，无疑是一种解决问题的有效途径。本文将常规PID控制与神经网络控制相结合，发挥各自的优势，形成所谓的智能PID控制。采用BP神经网络方法设计的控制系统具有更快的速度（实时性）、更强的适应性和更好的鲁棒性。 2 基于BP神经网络的PID控制 PID控制要取得较好的控制结果，必须通过调整好比例、积分和微分三种控制作用，形成控制量中既要相互配合又相互制约的关系。神经网络所具有的任意非线性表达能力，可以通过对系统性能的学习来实现最佳组合的PID控制。采用BP网络，可以建立参数Kp、Ki、Kd自学习的PID控制器。基于BP神经网络的PID控制系统结构由常规的PID控制器和神经网络两个部分构成。 2.1常规的PID控制器 PID控制器由比例（P）、积分（I）、微分（D）3个部分组成，直接对被控对象进行闭环控制，并且三个参数 Kp、Ki、Kd为在线调整方式。 2.2 神经网络 根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最
基于BP神经网络的PID控制系统设计
基于BP神经网络的PID控制系统设计 摘要 本文主要研究一个基于神经网络的自适应PID控制系统的设计方法，利用BP神经网络对被控对象进行在线辨识和控制。基于BP神经网络学习算法设计出两个神经网络模型：一个利用神经网络（NNM）对非线性映射的逼近能力，对被控对象进行辨识，另一个构成具有PID结构的控制器（NNC）。通过神经网络NNM的在线学习和修正，产生对被控对象输出的预测作用，然后由网络NNC实施控制作用，从而实现对辨识对象的PID控制。在利用神经网络对系统进行辨识时，选用白噪声信号作为系统的输入信号，以提高系统的辨识精度；另外，为了得到神经网络控制器的初始化权值，本文在自整定过程中采用常规PID控制器整定方法之一的稳定边界法。在设计过程中运用MATLAB语言工具箱进行编程，并通过SIMULINK动态仿真工具对一阶非线性对象进行了仿真。仿真结果表明了利用神经网络对系统进行辨识的有效性，并用经辨识所得到的输出值取代系统的实际输出值，利用神经网络NNC对系统进行控制，获得了满意的控制效果。 关键词：神经网络，BP学习算法，自适应，参数优化，辨识
1 综述 PID调节器从问世至今已历经了半个多世纪，在这几十年中，人们为它的发展和推广做出了巨大的努力，使之成为工业过程控制中主要的和可靠的技术工具。近几十年来，现代控制理论迅速发展，出现了许多先进的控制算法，但到目前为止，即使在微处理技术迅速发展的今天，过程控制中大部分控制规律都未能离开PID，这充分说明PID控制仍具有很强的生命力。过程工业控制中实际应用最多的仍是常规的PID控制算法，这是因为PID控制具有结构简单、容易实现、控制效果好和鲁棒性强等特点，且PID算法原理简明，参数物理意义明确，理论分析体系完整，为广大控制工程师所熟悉。但在生产现场往往由于参数整定不好而使PID控制器控制效果欠佳，整定的好坏不但会影响到控制质量，而且还会影响到控制器的性能。 PID控制中一个至关重要的问题，就是控制器三参数(比例系数、积分时间、微分时间)的整定。在工业控制中，传统的PID控制至今仍处于主导地位，尤其适用于能建立数学模型的确定性控制系统，然而大量的工业过程往往具有非线性、时变不确定性等因素，难以建立其精确的数学模型，而且，在实际生产现场，由于条件常常受到限制，比如缺乏有关仪器、不允许附加扰动和调试时间短等，因此，PID参数的整定往往难以达到最优状态。并且即使针对某一工作点获得了PID控制的最优参数，由于工业过程对象一般具有时变性，仍存在整个工作范围和保持长期工作最优的问题。PID控制是工业控制中最常用的方法，但用其对具有复杂非线性特性的对象或过程进行控制难以达到满意的效果。针对上述问题，已提出过多种自适应PID控制方法，但由于自适应控制是在被控对象为线性对象的前提下进行研究的，面对工业过程的非线性对象，仍存在不尽人意之处。由于神经网络可在一定条件下逼近非线性，人们自然地将神经网络的方法与PID 控制的结构相结合，产生了基于神经网络的PID控制方法。 人工神经网络(Artificial Neural Network—ANN)是近十几年来迅速地发展起来的一门新兴交叉学科[1]。所谓“人工神经网络”实际上是以一种简单计算—处理单元（即神经元）为节点，采用某种网络拓扑结构构成的活性网络，可以用来描述几乎任意的非线性系统；不仅如此，ANN还具有学习能力、记忆能力、计算能力以及各种智能处理能力，在不同程度和层次上模仿人脑神经系统的信息处理、存储和检索的功能。神经网络具有许多优异的性能，它的可塑性、自适应性和自组织性使它具有很强的学习能力；它
MATLAB基于BP神经网络PID控制程序.pdf
MATLAB基于BP神经网络PID控制程序 >> %BP based PID Control clear all; close all; xite=0.20; %学习速率 alfa=0.01; %惯性因子 IN=4;H=5;Out=3; %NN Structure wi=[-0.6394 -0.2696 -0.3756 -0.7023; -0.8603 -0.XXXX -0.5024 -0.2596; -1.0749 0.5543 -1.6820 -0.5437; -0.3625 -0.0724 -0.6463 -0.2859; 0.1425 0.0279 -0.5406 -0.7660]; %wi=0.50*rands(H,IN); %隐含层加权系数wi初始化 wi_1=wi;wi_2=wi;wi_3=wi; wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325; -0.1146 0.2949 0.8352 0.2205 0.4508; 0.7201 0.4566 0.7672 0.4962 0.3632]; %wo=0.50*rands(Out,H); %输出层加权系数wo初始化 wo_1=wo;wo_2=wo;wo_3=wo; ts=20; %采样周期取值 x=[0,0,0]; %比例，积分，微分赋初值 u_1=0;u_2=0;u_3=0;u_4=0;u_5=0; y_1=0;y_2=0;y_3=0; Oh=zeros(H,1); %Output from NN middle layer 隐含层的输出 I=Oh; %Input to NN middle layer 隐含层输入 error_2=0; error_1=0; for k=1:1:500 %仿真开始，共500步 time(k)=k*ts; rin(k)=1.0; %Delay plant sys=tf(1.2,[208 1],'inputdelay',80); %建立被控对象传递函数? dsys=c2d(sys,ts,'zoh'); %把传递函数离散化? [num,den]=tfdata(dsys,'v'); %离散化后提取分子、分母
基于BP神经网络的自适应PID控制器设计
基于BP 神经网络的自适应PID 控制器设计 一．基于BP 神经网络的自适应PID 控制器的原理 PID 控制是最早发展起来的、 应用领域至今仍然广泛的控制策略之一，它是基于对象数学模型的方法，尤其适用于可建立精确数学模型的确定性控制系统。其优点是算法简单、 鲁棒性好和可靠性高。但是，由于实际工业生产过程往往具有非线性，许多非线性系统难以确定精确的数学模型，常规的PID 控制器就不能达到理想的控制效果，由于受到参数整定方法烦杂的困扰，参数往往整定不良、 性能欠佳。神经网络所具有的任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的PID 控制。基于BP 网络的自适应PID 控制器，通过BP 神经网络调整自身权系数，对PID 控制参数进行调节，以达到某种性能指标的最优。 二．基于BP 神经网络的自适应PID 控制器的控制器结构 基于BP 神经网络的PID 控制系统结构图如图1所示： 此控制器由两部分组成： （1）经典的PID 控制器，直接对被控对象进行闭环控制，并且三个参数p K ，i K ，d K 为在线调整方式； 图1 BP 网络结构 p k i k d k i
（2）神经网路，根据系统的运行状态，调节PID 控制器的参数，以期达到某种性能指标的最优化，是输出层神经元的输出状态对应于PID 控制器的一个可调参数p K ，i K ，d K 。通过神经网络的自学习、加权系数调整，使神经网络输出对应于某种最优控制率下的PID 控制器参数。 基于BP 神经网络的自适应PID 控制器的控制器如图2所示： 该控制器的算法如下： （1）确定BP 神经网络的结构，即确定输入节点数M 和隐含层节点数Q ，并给 各层加权系数的初值)0(1ij w 和)0(2ij w ，选定学习速率η和惯性系数α，此时k=1； （2）采样得到rin(k)和yout(k)，计算该时刻误差error(k)=rin(k)-yout(k)； （3）计算神经网络NN 各层神经元的输入、输出，NN 输出层的输出即为PID 控制器的三个可调参数p K ，i K ，d K ； （4）根据经典增量数字PID 的控制算法(见下式)计算PID 控制器的输出u(k)； )) 2()1(2)(()())1()(()1()(-+--++--+-=k error k error k error K k error K k error k error K k u k u d i p （5）进行神经网络学习，在线调整加权系数)(1k w ij 和)(2k w ij 实现PID 控制参数 的自适应调整； （6）置k=k+1，返回到（1）。 图2 基于BP 神经网络的自适应PID 控制器的控制器结构
神经网络PID
BP神经网络PID控制方法研究 引言 所谓“神经网络”是以一种简单计算处理单元（即神经元）为节点，采用某种网络拓扑结构构成的活性网络，可以用来描述几乎任意的非线性系统；不仅如此，神经网络还具有学习能力、记忆能力、计算能力以及各种智能处理能力，在不同程度和层次上模仿人脑神经系统的信息处理、存储和检索功能。 神经网络在控制系统中的应用提高了整个系统的信息系统处理能力和适应能力，提高了系统的智能水平。由于神经网络己具有逼近任意连续有界非线性函数的能力，对于长期困扰控制界的非线性系统和不确定性系统来说，神经网络无疑是一种解决问题的有效途径。采用神经网络方法设计的控制系统具有更快的速度(实时性)、更强的适应能力和更强的鲁棒性。 正因为如此，近年来在控制理论的所有分支都能够看到神经网络的引入及应用，对于传统的PID控制当然也不例外，以各种方式应用于PID控制的新算法大量涌现，其中有一些取得了明显的效果。 传统的控制系统设计是在系统数学模型己知的基础上进行的，因此，它设计的控制系统与数学模型的准确性有很大的关系。神经网络用于控制系统设计则不同，它可以不需要被控对象的数学模型，只需对神经网络进行在线或离线训练，然后利用训练结果进行控制系统的设计。神经网络用于控制系统设计有多种类型，多种方式，既有完全脱离传统设计的方法，也有与传统设计手段相结合的方式。 一般来说，基于神经网络的PID控制器的典型结构主要有两种，单神经元网络PID控制器和神经网络PID控制器两种控制算法。本章将详细介绍基于BP神经网络的PID控制算法，然后对单闭环调速系统的进行设计，对其进行Matlab 算法仿真。 基于BP神经网络的PID整定原理 PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，而是从变化无穷的非线性组合中找出最佳的关系。BP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。通过网络自身的学习，可以找到某一最优控制规律下的P、I、D参数。 基于BP神经网络的PID控制系统结构如图3-1所示。控制器由两部分组成：
BP神经网络PID控制
BP 神经网络PID 控制 BP 神经网络的原理不再赘述，采用BP 神经控制对PID 进行参数整定的原理框图如下： BP 神经网络可以根据系统运行的状态，对PID 参数Kp,Ki 和Kd 进行调节，使系统达到最优的控制状态。经典的增量式数字PID 的控制算法为： ()(1)() ()(()(1))()(()2(1)(2))p I D u k u k u k u k K e k e k K e k K e k e k e k =-+??? ?=--++--+-? 采用三层BP 神经网络结构。 输入层神经元个数可根据被控系统的复杂程度选取。可从如下参数中选取，系统输入 in r ，系统输出out y ，系统误差e ，和误差变量e ?，可在系统误差e 的基础之上再加上其他 参数输入，使BP 神经网络能够适应更为复杂的系统的PID 参数整定。 隐层神经元的个数视被控系统的复杂程度进行调整，一本系统复杂时，就需选用更多的隐层神经元。 输出层的神经元个数为3个，输出分别为Kp,Ki 和Kd 。 隐层神经元函数一般选取正负对称的sigmoid 函数： (2) ()x x s x x e e f x e e ---= + 由于Kp,Ki 和Kd 必须为正，则输出层神经元函数的输出值一般可以选取正的sigmoid 函数： (3) 1()1s x f x e -= + 系统性能指标取：1()(()())2 in out E k r k y k = -
采用梯度下降法对BP 神经网络的参数进行调整： 设输入层的个数为N ，输出向量为(1)O ，隐层个数为H ，输入阵为(2) W ，为H ×N 维 向量，输出层的个数为3，输入阵设为(3) W 。 令(1)(1)(1)(1)12[,,,]T N O O O O = 设隐层的输入向量为(2)(1)hi W O =，hi 为列向量，第j 个隐层神经元的输入： (2) (1) 1 N j ji i i hi w O == ∑，（12,j H = ） 第j 个神经元的输出为(2) ()j s j ho f hi =； 输出层的输入(3)(3)I W ho =，输出为(3) (3) (3) ()[,,]T s p I D O f I K K K == 按照梯度下降法修正网络权系数，按E(k)的负方向调整系统，并且加一个是搜索加快的收敛全局极小的惯性量： (3) (3) (3) ()()(1)oj oj oj E k W k W k W η α??=-+?-?，其中η为学习速率，α为平滑因子； (3)(3) (3) (3)(3)(3)()() ()()() ()()()()()() o o oj o o oj O k I k E k E k y k u k W y k u k O k I k W k ???????= ???????（1,2,3o =，1,2,j H = ） 其中(3) o j W 为(3) W 的第o 行和第j 列。由于 ()() y k u k ???未知，通常由符号函数()sgn( ) () y k u k ???来代替，所带来的误差可以通过调整η来补偿； (3) 1(3) 2(3) 3() ()(1)()() ()()() ()2(1)(2)() u k e k e k O k u k e k O k u k e k e k e k O k ???=--??? ???=??? ???=--+-??? 若(3)()s f x 对应的梯度为(3) ()g x ，则 (3)(3)(3) ()T o o o O g x I ?=?， (3) (3)()() o j oj I k ho W k ?=?， 令(3) (3) (3) () () ()sgn( ) ()()() o o o y k u k e k g x u k O k δ???=??? 则最终(3) (3) (3) ()(1)oj o j oj W k ho W k ηδα?=+?-
神经网络PID
BP神经网络PID控制方法研究 3.1引言 所谓“神经网络”是以一种简单计算处理单元（即神经元）为节点，采用某种网络拓扑结构构成的活性网络，可以用来描述几乎任意的非线性系统；不仅如此，神经网络还具有学习能力、记忆能力、计算能力以及各种智能处理能力，在不同程度和层次上模仿人脑神经系统的信息处理、存储和检索功能。 神经网络在控制系统中的应用提高了整个系统的信息系统处理能力和适应能力，提高了系统的智能水平。由于神经网络己具有逼近任意连续有界非线性函数的能力，对于长期困扰控制界的非线性系统和不确定性系统来说，神经网络无疑是一种解决问题的有效途径。采用神经网络方法设计的控制系统具有更快的速度(实时性)、更强的适应能力和更强的鲁棒性。 正因为如此，近年来在控制理论的所有分支都能够看到神经网络的引入及应用，对于传统的PID控制当然也不例外，以各种方式应用于PID控制的新算法大量涌现，其中有一些取得了明显的效果。 传统的控制系统设计是在系统数学模型己知的基础上进行的，因此，它设计的控制系统与数学模型的准确性有很大的关系。神经网络用于控制系统设计则不同，它可以不需要被控对象的数学模型，只需对神经网络进行在线或离线训练，然后利用训练结果进行控制系统的设计。神经网络用于控制系统设计有多种类型，多种方式，既有完全脱离传统设计的方法，也有与传统设计手段相结合的方式。 一般来说，基于神经网络的PID控制器的典型结构主要有两种，单神经元网络PID控制器和神经网络PID控制器两种控制算法。本章将详细介绍基于BP神经网络的PID控制算法，然后对单闭环调速系统的进行设计，对其进行Matlab 算法仿真。 3.2基于BP神经网络的PID整定原理 PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，而是从变化无穷的非线性组合中找出最佳的关系。BP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。通过网络自身的学习，可以找到某一最优控制规律下的P、I、D参数。 基于BP神经网络的PID控制系统结构如图3-1所示。控制器由两部分组成：
神经网络PID毕业设计完整
摘要 目前，由于PID具有结构简单，可通过调节比例积分和微分取得基本满意的控制性能，广泛应用在电厂的各种控制过程中。电厂主汽温的被控对象是一个大惯性大迟延非线性且对象变化的系统。常规汽温控制系统为串级PID控制或导前微分控制,当机组稳定运行时,一般能将主汽温控制在允许的范围内。但当运行工况发生较大变化时,却很难保证控制品质。因此本文研究BP神经网络的PID控制，利用神经网络的自学习、非线性和不依赖模型等特性实现PID参数的在线自整定，充分利用PID和神经网络的优点。本处用一个多层前向神经网络，采用反向传播算法依据控制要求实时输出Kp、Ki、Kd，依次作为PID控制器的实时参数，代替传统PID参数靠经验的人工整定和工程整定，以达到对大迟延主气温系统的良好控制。对这样一个系统在MATLAB平台上进行仿真研究，，仿真结果表明基于BP神经网络的自整定PID控制具有良好的自适应能力和自学习能力，对大迟延和变对象的系统可取得良好的控制效果。 关键词：主汽温，PID，BP神经网络，MATLAB仿真
ABSTRACT At present, because PID has a simple structure and can be adjusted proportional integral and differential to satisfactory control performance，,it is widely used in power plants of various control process. The system of Power plant main steam temperature is an large inertia、big time-delayed and nonlinear dynamic system. Conventional steam temperature control system adopted cascade PID control or the differential control of lead before, when the unit is stable, general will allow the steam temperature control in the range ,but when operating conditions changed greatly, it is difficult to ensure the quality of control. This article studies PID control based BP neural network . Using such characteristics of neural network self-learning, nonlinear and don't rely on model realize PID parameters online auto-tuning. It can make full use of the advantages of PID and neural network. Here,we use a multilayer feedforward neural network using back propagation algorithm and based on control requirements.This net can real-time output Kp, Ki, Kd as the PID controller parameters ,insteading of the traditional PID parameters determined by experience. So it can obtain good control performance .For such a system ,we can simulate in MATLAB simulation platform.The simulation results show that the PID control based BP neural network has good adaptive ability and self-learning ability.For the system of large delay and free-model can obtain good control effect. KEY WORDS: main steam temperature ，PID ，BP neural network，MATLAB simulation