神经网络PID控制及Matlab仿真

摘要

PID控制技术是一种应用很普遍的控制技术，目前在很多方面都有广泛的应用。论文首先简要介绍了神经网络的理论基础和神经网络的学习算法，传统的常规PID控制器。为了达到改善常规PID控制器在复杂的、动态的和不确定的系统控制还存在着许多不足之处的目的，文中系统的分析了神经网络PID控制器。

本文主要研究了神经网络PID控制。利用神经网络具有强的非线性映射能力、自学习能力、联想记忆能力、并行信息处理方式及优良的容错性能，应用神经网络对PID控制器进行改进后，对于工业控制中的复杂系统控制有着更好的控制效果，有效的改善了由于系统结构和参数变化导致的控制效果不稳定。文中深入研究了基于神经网络的BP神经网络PID控制器及其仿真等。

最后，对常规PID控制器和神经网络PID控制器进行了仿真比较，仿真结果表明，应用神经网络对常规PID控制器进行改进后提高了系统的鲁棒性和动态特性，有

效的改善了系统控制结果，达到了预期的目的前言

在工业控制过程中，PID控制是一种最基本的控制方式，其鲁棒性好、结构简单、易于实现，但常规的PID控制也有其自身的缺点，因为常规PID控制器的参数是根据被控对象数学模型确定的，当被控对象的数学模型是变化的、非线性的时候，PID参数不易根据其实际的情况做出调整，影响了控制质量，使控制系统的控制品质下降。特别是在具有纯滞后特性的工业过程中，常规的PID控制更难满足控制精度的要求。 PID控制是最早发展起来的控制策略之一，按偏差的比例、积分和微分进行控制的调节器称为 PID控制器，它是连续系统中技术成熟，应用最广泛的一种调节器。由于其算法简单，实现简易、鲁棒性能良好和可靠性高，能够对很大一类工业对象进行有效控制等一系列优点，被广泛应用于工业过程控制，尤其适用于可建立精确数学模型的确定性控制系统。但是在实际的工业生产过程中，往往具有非线性，时变不确定性，因而难以建立精确的数学模型，应用常规 PID控制器不能达到理想的控制效果:在实际生产过程中，由于受到参数整定方法繁杂的困扰，常规PID控制器参数往往整定不良，性能欠佳，对运行工况的适应性很差。

针对这些问题，长期以来，人们一直在寻求 PID控制器参数的自动整定技术，以适应复杂的工况和高指标的控制要求。随着微处理机技术的发展和数字智能式控制器的实际应用，这种设想已经变成了现实。到目前为止，有许多技术已经被用于 PID控制器的手动和自动整定，根据发展阶段的划分，可分为常规 PID参数整定方法及智能 PID参数整定方法;按照被控对象个数来划分，可分为单变量PID参数整定方法及多变量PID参数整定方法，前者包括现有大多数整定方法，后者是最近研究的热点和难点;按控制量的组合形式来划分，可分为线性 PID参数整定方法及非线性 PID参数整定方法。同时，随着现代控制理论(诸如智能控制，自适应模糊控制和神经网络技术等)研究和应用的发展和深入，为控制复杂无规则系统开辟了新的途径。近年来，出现了许多新型控制器，神经网络PID控制器就是其中的一种。对于复杂对象，其控制效果远远超过常规控制。由于神经网络具有自组织、自学习、自适应的能力，本文提出基于BP神经网络的PID控制器，使人工神经网络与传统PID控制相结合互相补充，共同提高控制质量，并把该方法用Matlab语言进行了仿真应用。

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

增量式PID控制算法的MATLAB仿真

增量式PID 控制算法的MATLAB 仿真 PID 控制的原理在工程实际中，应用最为广泛的调节器控制规律为比例、积分、微分控制，简称PID 控制，又称PID 调节。PID 控制器问世至今已有近70年历史，它以其结构简单、稳定性好、工作可靠、调整方便而成为工业控制的主要技术之一。当被控对象的结构和参数不能完全掌握，或得不到精确的数学模型时，控制理论的其它技术难以采用时，系统控制器的结构和参数必须依靠经验和现场调试来确定，这时应用PID 控制技术最为方便。即当我们不完全了解一个系统和被控对象,或不能通过有效的测量手段来获得系统参数时，最适合用PID 控制技术。PID 控制，实际中也有PI 和PD 控制。PID 控制器就是根据系统的误差，利用比例、积分、微分计算出控制量进行控制的。一、题目：用增量式PID 控制传递函数为G(s)的被控对象 G （s ）=5/(s^2+2s+10), 用增量式PID 控制算法编写仿真程序（输入分别为单位阶跃、正弦信号，采样时间为1ms ，控制器输出限幅：[-5,5],仿真曲线包括系统输出及误差曲线，并加上注释、图例）。程序如下二、增量式PID 原理 { U(k)= ?u(k)+ U(k-1) 或 { U(k)= ?u(k)+ U(k-1) 注：U(k)才是PID 控制器的输出三、分析过程 1、对G(s)进行离散化即进行Z 变换得到Z 传递函数G(Z)； 2、分子分母除以z 的最高次数即除以z 的最高次得到； )]}2()1(2)([)()]1()({[)(-+--++ --=?n n n T T n T T n n K n U D I P O εεεεεε)] 2()1(2)([)(i )]1()([)(-+--++--=?n n n Kd n K n n K n U P O εεεεεε

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

基于MATLAB的PID控制器参数整定及仿真

基于MATLAB的PID控制器参数整定及仿真摘要: PID控制器结构和算法简单应用广泛，但参数整定方法复杂，通常用凑试法来确定。文中探讨利用MATLAB实现PID参数整定及仿真的方法，并分析、比较比例控制、比例积分控制和比例微分控制，探讨了Kp, Ti, Td 3个参数对PID 控制规律的影响。关镇词: MATLAB ; PID控制器;参数整定;仿真 Parameter tuning and emulation of PID controller based on MATLAB Ahstratct; The control structure and algorithm of PID is easy and widely applicable，but its setting meth-ods of parameter are multifarious. Generally utilize guessing and trying to fix. This artical is convenient to tune PID parameters and emulate through MATLAB experiment. Analyze and compare the proportion control, the proportion integral control and the proportion differential control. Discuss the influence of three parameters KP ，Ti and Td to the PID control rules. Key words ; MATLAB;PID controller; parameter tuning; emulation 引言 PID控制器又称为PID调节器，是按偏差的比例P( Proportional )、积分I(Integxal)、微分D ( Differential orDerivative)进行控制的调节器的简称，它主要针对控制对象来进行参数调节。PID控制器问世至今，控制理论的发展经历了古典控制理论、现代控制理论和智能控制理论3个阶段。在工业控制系统和工程实践中，传统的PID控制策略依然被广泛采用。因为它算法简单、稳定性好、工作可靠、鲁棒性好，在工程上易于实现。但PID控制器的参数整定方法复杂，通常采用PID归一参数整定法和试凑法来确定，费时、费力，且不能得到最优的整定参数。针对这一问题，文中探讨用MATLAB实现PID参数整定及仿真的方法及控制参数对PTD控制规律的影响。利用MATLAB强大的计算仿真能力，解决了利用试凑法来整定参数十分浩繁的工作，可以方便、快速地找到使系统达到满意性能指标的参数。 PID控制器的原理与算法当被控对象的结构和参数不能被完全掌握，或得不到精确的数学模型时，应用PID控制技术最为方便。PID控制器就是根据设定值与实际值的误差，利用比例(P)、积分(I)、微分(D)等基本控制规律，或者把它们适当配合形成有PI , PD和PID等的复合控制规律，使控制系统满足性能指标要求。控制系统大多都有储能元件，这就使系统对外界的响应有一定的惯性，且能量和信息在传输和转化的过程中，由于管道、距离等原因也会造成时间上的延迟，所以，按偏差进行比例调

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

数字PID控制器的MATLAB仿真

数字PID控制器的MATLAB仿真江苏科技大学电子信息学院实验报告评定成绩指导教师实验课程:计算机控制技术宋英磊实验名称:数字PID控制器的MATLAB仿真学号: 1345733203 姓名: 胡文千班级: 13457332 完成日期: 2015年 11 月16日一、实验目的 (1)掌握用SIMULINK对系统进行仿真的基本方法。 (2)对PID数字控制器进行仿真。二、实验内容 1、基本的PID控制在模拟控制系统中，控制器最常用的控制规律是PID控制。模拟PID控制系统原理框图如图1-1所示。比例y(t)r(t)+e(t)u(t)微分被控对象 +-积分图1-1 模拟PID控制系统原理框图 PID控制规律为: t,,1de(t),,u(t),ke(t)，e(t)dt，T pD,,,0TdtI,, ,,()1Us,,()1Gs,,k，，Ts或写成传递函数的形式 pD,,E(s)TsI,,

133仿真1 以二阶线性传递函数为被控对象，进行模拟PID控制。输入信号 2s，25s k,60,k,1,k,3，仿真时取，采用ODE45迭代方法，仿真时间 r(t),sin(2,*0.2t)pid 10s。仿真方法:在Simulink下进行仿真，PID控制由Simulink Extras节点中的PID Controller 提供。仿真程序:ex1_1.mdl，如图1-2所示。图1-2 连续系统PID的Simulink仿真程序将该连续系统的模拟PID控制正弦响应结果截图后至于下面的空白处: 连续系统的模拟PID控制正弦响应如图1-3所示。

图1-3 连续系统的模拟PID控制正弦响应 2、连续系统的数字PID控制仿真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。因此连续PID控制算法不能直接使用，需要采用离散化方法。在计算机PID控制中，使用的是数字PID控制器。按模拟PID控制算法，以一系列的采样时刻点kT代表连续时间t，以矩形法数值积分近似代替积分，以一阶后向差分近似代替微分，可得离散PID位置式表达式: k,,TTD,,ukkekejekek(),()，()，((),(,1)),p,,TT,0jI,, kekek(),(,1)kekkejTk,()，()，,pidT,0j kpk,,k,kT式中，，e为误差信号(即PID控制器的输入)，u为控制信号(即控制idpDTI 器的输出)。在仿真过程中，可根据实际情况，对控制器的输出进行限幅。连续系统的数字PID控制可实现D/A及A/D的功能，符合数字实时控制的真实情况，计算机及DSP的实时PID控制都属于这种情况。 1Gs, 仿真2 设被控对象为一个电机模型传递函数，式中J=0.0067,B=0.1。输()2Js，Bs入信号为，采用PID控制，其中。采用ODE45方法求解连 k,20,k,0.50.5sin(2,t)pd续被控对象方程。 2dydyYs()1仿真方法: 因为，所以J，B,u，另Gs,,()22dtdtUsJs，Bs() ，y,y,,12，，则，因此连续对象微分方程函数ex3f.m如下 y1,y,y2,y,， y2,,(B/J)y，(1/J)*u,2, function dy = ex3f(t,y,flag,para)

PID控制算法的matlab仿真

PID 控制算法的matlab 仿真 PID 控制算法就是实际工业控制中应用最为广泛的控制算法,它具有控制器设计简单,控制效果好等优点。PID 控制器参数的设置就是否合适对其控制效果具有很大的影响,在本课程设计中一具有较大惯性时间常数与纯滞后的一阶惯性环节作为被控对象的模型对PID 控制算法进行研究。被控对象的传递函数如下: ()1d s f Ke G s T s τ-= + 其中各参数分别为30,630,60f d K T τ===。MATLAB 仿真框图如图1所示。图1 2 具体内容及实现功能 2、1 PID 参数整定 PID 控制器的控制参数对其控制效果起着决定性的作用,合理设置控制参数就是取得较好的控制效果的先决条件。常用的PID 参数整定方法有理论整定法与实验整定法两类,其中常用的实验整定法由扩充临界比例度法、试凑法等。在此处选用扩充临界比例度法对PID 进行整定,其过程如下: 1) 选择采样周期由于被控对象中含有纯滞后,且其滞后时间常数为 60d τ=,故可选择采样周期1s T =。 2) 令积分时间常数i T =∞,微分时间常数0d T =,从小到大调节比例系数K , 使得系统发生等幅震荡,记下此时的比例系数k K 与振荡周期k T 。 3) 选择控制度为 1.05Q =,按下面公式计算各参数:

0.630.490.140.014p k i k d k s k K K T T T T T T ==== 通过仿真可得在1s T =时,0.567,233k k K T ==,故可得: 0.357,114.17,32.62, 3.262p i d s K T T T ==== 0.0053.57 p s i i p d d s K T K T K T K T === = 按此组控制参数得到的系统阶跃响应曲线如图2所示。 01002003004005006007008009001000 0.20.40.60.811.21.41.6 1.8 图2 由响应曲线可知,此时系统虽然稳定,但就是暂态性能较差,超调量过大,且响应曲线不平滑。根据以下原则对控制器参数进行调整以改善系统的暂态过程: 1) 通过减小采样周期,使响应曲线平滑。 2) 减小采样周期后,通过增大积分时间常数来保证系统稳定。 3) 减小比例系数与微分时间常数,以减小系统的超调。改变控制器参数后得到系统的阶跃响应曲线如图3所示,系统的暂态性能得到明显改善、

基于MATLAB的PID控制器设计说明

基于MATLAB的PID 控制器设计

基于MATLAB的PID 控制器设计一、PID控制简介 PID控制是最早发展起来的经典控制策略, 是用于过程控制最有效的策略之一。由于其原理简单、技术成，在实际应用中较易于整定, 在工业控制中得到了广泛的应用。它最大的优点是不需了解被控对象精确的数学模型,只需在线根据系统误差及误差的变化率等简单参数, 经过经验进行调节器参数在线整定, 即可取得满意的结果, 具有很大的适应性和灵活性。积分作用:可以减少稳态误差, 但另一方面也容易导致积分饱和, 使系统的超调量增大。微分作用:可提高系统的响应速度, 但其对高频干扰特别敏感, 甚至会导致系统失稳。所以, 正确计算控制器的参数, 有效合理地实现 PID控制器的设计,对于PID 控制器在过程控制中的广泛应用具有重要的理论和现实意义。在PID控制系统中, PID控制器分别对误差信号e（t）进行比例、积分与微分运算, 其结果的加权和构成系统的控制信号u（t），送给对象模型加以控制。 PID控制器的数学描述为其传递函数可表示为: 从根本上讲, 设计PID控制器也就是确定其比例系数Kp、积分系数T i 和微分系数T d , 这三个系数取值的不同, 决定了比例、积分和微分作用的强弱。控制系统的整定就是在控制系统的结构已经确定、控制仪表和控制对象等处在正常状态的情况下, 适当选择控制器参数使控制仪表的特性和控制对象的特性相配合, 从而使控制系统的运行达到最佳状态, 取得最好的控制效果。二、MATLAB的 Ziegler-Nichols算法PID控制器设计。 1、PID控制器的Ziegler-Nichols参数整定在实际的过程控制系统中, 有大量的对象模型可以近似地由一阶模型来表示。这个对象模型可以表示为 sL - e sT 1 K G(s) + = 如果不能建立起系统的物理模型, 可通过试验测取对象模型的阶跃响应, 从而得到模型参数。当然, 我们也可在已知对象模型的情况下, 利用MATLAB，通过使用step ( ) 函数得到对象模型的开环阶跃响应曲线。在被控对象的阶跃响应中, 可获取K 、L 和T参数, 也可在MATLAB中由dcgain ( ) 函数求取 K值。

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;

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?=+?-

PID自适应控制学习与Matlab仿真

PID自适应控制学习与Matlab仿真 0 引言在P ID控制中，一个关键的问题便是P I D参数整定。传统的方法是在获取对象数学模型的基础上，根据某一整定原则来确定PID参数。然而实际的工业过程往往难以用简单的一阶或二阶系统来描述，且由于噪声、负载扰动等因素的干扰，还可以引起对象模型参数的变化甚至模型结构的政变。这就要求在P I D 控制中。不仅PID参数的整定不依赖于对象数学模型，而PID参数能在线阐整，以满足实时控制的要求。 1 自适应控制的概念及分类控制系统在设计和实现中普通存在着不确定性，主要表现在：①系统数学模型与实际系统间总是存在着差别，即所谓系统具有末建模的动态特性；②系统本身结构和参数是未知的或时变的；③作用在系统上的扰动往往是随机的，且不可量测；④系统运行中，控制对象的特性随时间或工作环境改变而变化，且变化规律往往难以事先知晓。为了解决控制对象参数在大范围变化时，一般反馈控制、一般优控制和采用经典校正方法不能解决的控制问题。参照在日常生活中生物能够遏过自觉调整本身参数改变自己的习性，以适应新的环境特性。为此，提出自适应控制思想。自适应控制的概念所谓自适应控制是指对于控制对象的动态信息了解得不够充分对周围环境变化尚掌握不够明确的情况下控制系统对控制器的参数进行积极的自动调节。自适应控制方法应该做到：在系统远行中，依靠不断采集控制过程信息，确定被控对象的当前实际工作状态，优化性能准则，产生自适应控制规律，从而实时地调整控制器结构或参数，使系统始终自动地工作在最优或次最优的运行状态下。作为较完善的自适应控制应该具有以下三方面功能： (1)系统本身可以不断地检测和处理理信息，了解系统当前状态。 (2)进行性能准则优化，产生自适应校制规律。 (3)调整可调环节(控制器)，使整个系统始终自动运行在最优或次最优工作状态。自适应控制是现代控制的重要组成部分，它同一般反馈控制相比较有如下突出特点： (1) 一般反馈控制主要适用于确定性对象或事先确知的对象，而自适应控制主要研究不确定对象或事先难以确知的对象。 (2) 一般反馈控制具有强烈抗干扰能力，即它能够消除状态扰动引起的系统误差，而自适应控制因为有辨识对象和在线修改参数的能力，因而能消除状态扰动引起的系统误差，而且还能消除系统结构扰动引起的系统误差。 (3) 一般反馈控制系统的设计必须事先掌握描述系统特性的数学模型及其环境变化状况，而自适应控制系统设计则很少依赖数学模型全部，仅需要较少的验前知识，但必须设计一套自适应算法，因而将更多地依靠计算机技术实现。 (4) 自适应控制是更复杂的反馈控制，它在一般反调控制的基础上增加了自适应控制机构或辨识器，还附加一个可调系统。自适应控制系统的基本结构与分类通常，自适应控制系统的基本结构有两种形式，即前馈自适应控制和反馈自适应控制。 1.2.1 前馈自适应控制结构前馈自适应控制亦称开环自适应控制，它借助对作用于过程信号的测量。并通过自适应机构按照这些测量信号改变控制器的状态，从而达到改变系统特性的目的。没有“内”闭

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：