基于RBF神经网络的多变量系统PID解耦控制

合集下载

基于RBF神经网络的PID控制在变风量空调系统中的应用

基于RBF神经网络的PID控制在变风量空调系统中的应用瞿睿;李界家【摘要】The RBF neural network in PID control was introduced,a three-layer neural network model was established,the online identification of RBF neural network to online adjust three parameters of PID control was used to improve the control effect of this system.The simulation results showed that compared PID control based on RBF neural network with traditional PID control,the former has stronger robustness and adaptive ability,high control precision,better and reliable control effect and other advantages.%将RBF神经网络引入PID控制中,建立了一个三层神经网络模型。

通过RBF神经网络的在线辨识对PID控制的三个参数进行在线调整,从而改善系统的控制效果。

仿真结果表明：基于RBF神经网络的PID控制与传统PID控制相比,具有较强的鲁棒性和自适应能力,控制精度高,效果好,安全可靠。

【期刊名称】《现代建筑电气》【年(卷),期】2012(000)002【总页数】4页(P10-13)【关键词】变风量空调系统;RBF神经网络;PID控制【作者】瞿睿;李界家【作者单位】沈阳建筑大学信息与控制工程学院,辽宁沈阳110168;沈阳建筑大学信息与控制工程学院,辽宁沈阳110168【正文语种】中文【中图分类】TU8550 引言变风量空调(Variable Air Volume，VAV)系统是一种节能效果显著的全空气系统。

基于RBF网络的多变量系统自适应预测PID控制器

工业生产过程中，滞后耦合系统屡见不鲜，用大使常规的ＰＤ控制器难以达到理想的控制效果。而调整Ｉ
ＰＤ控制器的参数并使其满足系统要求则往往需要丰Ｉ富的经验和反复的尝试，作量大而且未必能达到目工的，这就限制了ＰＤ控制器的广泛使用 ¨ 。人们也提Ｉ
Ａｂｔａｔｓｒｃ：ＡｎａａｔｅＰＤｃｎｒｌｒｗｔｐｉｌｒｄｃｉｎｂｓｄｏａｉｌａｉｆｎｔｎＲｄｐｉＩｏｔｌｉｈｏｔｅｉｔａｅｎｒｄａｓｓｕｃｉ（ＢＦ）ｅｗｒｓｖｏｅｍａｐｏｂｏｎｔｏｋ，ｗｈｃｓｓｉｂｅｆｒｉｈｉｕｔｌｏａ
维普资讯
第２５卷第７期
２００８年７月
机
电
工
程
Ｖｏ．５１２ＮＯ７．
ＭＥＣＨＡＮＩＣＡＬ＆ＥＬＥＣＴＲＩＣＡＬＥＮＧＩＮＥＥＲＩＮＧＡＧＡＺＩＭＮＥ
Ｊ１ｕ．２００８
基于ＲＦ网络的多变量系统自适应Ｂ预测ＰＤ控制器水Ｉ
出了许多基于神经网络和神经元的智能ＰＤ控制算Ｉ法¨ ，如基于三层ＢＰ网络的ＰＤ控制器，而现有Ｉ然各种ＰＤ算法中，大部分是基于输出一步预测误差Ｉ绝为最小优化指标，这种单步最优指标的控制很难反映未来时刻过程输出的动态变化规律，会引起控制信常

PID神经元网络解耦控制算法多变量系统控制

%% 清空环境变量clcclear%% 网络结构初始化rate1=0.006;rate2=0.001; %学习率k=0.3;K=3;y_1=zeros(3,1);y_2=y_1;y_3=y_2; %输出值u_1=zeros(3,1);u_2=u_1;u_3=u_2; %控制率h1i=zeros(3,1);h1i_1=h1i; %第一个控制量h2i=zeros(3,1);h2i_1=h2i; %第二控制量h3i=zeros(3,1);h3i_1=h3i; %第三个空置量x1i=zeros(3,1);x2i=x1i;x3i=x2i;x1i_1=x1i;x2i_1=x2i;x3i_1=x3i; %隐含层输出%权值初始化k0=0.03;%第一层权值w11=k0*rand(3,2);w12=k0*rand(3,2);w13=k0*rand(3,2);%第二层权值w21=k0*rand(1,9);w22=k0*rand(1,9);w23=k0*rand(1,9);%值限定ynmax=1;ynmin=-1; %系统输出值限定xpmax=1;xpmin=-1; %P节点输出限定qimax=1;qimin=-1; %I节点输出限定qdmax=1;qdmin=-1; %D节点输出限定uhmax=1;uhmin=-1; %输出结果限定%% 网络迭代优化for k=1:1:200%% 控制量输出计算%--------------------------------网络前向计算--------------------------%系统输出y1(k)=(0.4*y_1(1)+u_1(1)/(1+u_1(1)^2)+0.2*u_1(1)^3+0.5*u_1(2))+0.3*y_1(2); y2(k)=(0.2*y_1(2)+u_1(2)/(1+u_1(2)^2)+0.4*u_1(2)^3+0.2*u_1(1))+0.3*y_1(3); y3(k)=(0.3*y_1(3)+u_1(3)/(1+u_1(3)^2)+0.4*u_1(3)^3+0.4*u_1(2))+0.3*y_1(1);r1(k)=0.7;r2(k)=0.4;r3(k)=0.6; %控制目标%系统输出限制yn=[y1(k),y2(k),y3(k)];yn(find(yn>ynmax))=ynmax;yn(find(yn<ynmin))=ynmin;%输入层输出x1o=[r1(k);yn(1)];x2o=[r2(k);yn(2)];x3o=[r3(k);yn(3)];%隐含层x1i=w11*x1o;x2i=w12*x2o;x3i=w13*x3o;%比例神经元P计算xp=[x1i(1),x2i(1),x3i(1)];xp(find(xp>xpmax))=xpmax;%积分神经元I计算xi=[x1i(2),x2i(2),x3i(2)];qi=[0,0,0];qi_1=[h1i(2),h2i(2),h3i(2)];qi=qi_1+xi;qi(find(qi>qimax))=qimax;qi(find(qi<qimin))=qimin;h1i(2)=qi(1);h2i(2)=qi(2);h3i(2)=qi(3);%微分神经元D计算xd=[x1i(3),x2i(3),x3i(3)];qd=[0 0 0];xd_1=[x1i_1(3),x2i_1(3),x3i_1(3)];qd=xd-xd_1;qd(find(qd>qdmax))=qdmax;qd(find(qd<qdmin))=qdmin;h1i(3)=qd(1);h2i(3)=qd(2);h3i(3)=qd(3);%输出层计算wo=[w21;w22;w23];qo=[h1i',h2i',h3i'];qo=qo';uh=wo*qo;uh(find(uh>uhmax))=uhmax;uh(find(uh<uhmin))=uhmin;u1(k)=uh(1);u2(k)=uh(2);u3(k)=uh(3); %控制律%% 网络权值修正%---------------------网络反馈修正----------------------%计算误差error=[r1(k)-y1(k);r2(k)-y2(k);r3(k)-y3(k)];error1(k)=error(1);error2(k)=error(2);error3(k)=error(3);J(k)=0.5*(error(1)^2+error(2)^2+error(3)^2); %调整大小ypc=[y1(k)-y_1(1);y2(k)-y_1(2);y3(k)-y_1(3)];uhc=[u_1(1)-u_2(1);u_1(2)-u_2(2);u_1(3)-u_2(3)];%隐含层和输出层权值调整%调整w21Sig1=sign(ypc./(uhc(1)+0.00001));dw21=sum(error.*Sig1)*qo';w21=w21+rate2*dw21;%调整w22Sig2=sign(ypc./(uh(2)+0.00001));dw22=sum(error.*Sig2)*qo';w22=w22+rate2*dw22;%调整w23Sig3=sign(ypc./(uh(3)+0.00001));dw23=sum(error.*Sig3)*qo';w23=w23+rate2*dw23;%输入层和隐含层权值调整delta2=zeros(3,3);wshi=[w21;w22;w23];for t=1:1:3delta2(1:3,t)=error(1:3).*sign(ypc(1:3)./(uhc(t)+0.00000001)); endfor j=1:1:3sgn(j)=sign((h1i(j)-h1i_1(j))/(x1i(j)-x1i_1(j)+0.00001));endfor j=1:1:3for p=1:1:3alter(j)=alter(j)+delta2(p,:)*wshi2_1(:,j);endendfor p=1:1:3dws1(p,:)=alter(p)*s1(p,:);endw11=w11+rate1*dws1;%调整w12for j=1:1:3sgn(j)=sign((h2i(j)-h2i_1(j))/(x2i(j)-x2i_1(j)+0.0000001)); ends2=sgn'*[r2(k),y2(k)];wshi2_2=wshi(:,4:6);alter2=zeros(3,1);dws2=zeros(3,2);for j=1:1:3for p=1:1:3alter2(j)=alter2(j)+delta2(p,:)*wshi2_2(:,j);endendfor p=1:1:3dws2(p,:)=alter2(p)*s2(p,:);endw12=w12+rate1*dws2;%调整w13for j=1:1:3sgn(j)=sign((h3i(j)-h3i_1(j))/(x3i(j)-x3i_1(j)+0.0000001)); ends3=sgn'*[r3(k),y3(k)];wshi2_3=wshi(:,7:9);alter3=zeros(3,1);dws3=zeros(3,2);for j=1:1:3for p=1:1:3alter3(j)=(alter3(j)+delta2(p,:)*wshi2_3(:,j));endendfor p=1:1:3dws3(p,:)=alter2(p)*s3(p,:);endw13=w13+rate1*dws3;%参数更新u_3=u_2;u_2=u_1;u_1=uh;y_2=y_1;y_1=yn;h1i_1=h1i;h2i_1=h2i;h3i_1=h3i;x1i_1=x1i;x2i_1=x2i;x3i_1=x3i;end%% 结果分析time=0.001*(1:k);figure(1)subplot(3,1,1)plot(time,r1,'r-',time,y1,'b-');title('PID神经元网络控制','fontsize',12);ylabel('控制量1','fontsize',12);legend('控制目标','实际输出','fontsize',12);ylabel('控制量2','fontsize',12);legend('控制目标','实际输出','fontsize',12);subplot(3,1,3)plot(time,r3,'r-',time,y3,'b-');xlabel('时间（秒）','fontsize',12);ylabel('控制量3','fontsize',12);legend('控制目标','实际输出','fontsize',12);figure(2)plot(time,u1,'r-',time,u2,'g-',time,u3,'b');title('PID神经网络提供给对象的控制输入');xlabel('时间'),ylabel('被控量');legend('u1','u2','u3');gridfigure(3)figure(3)plot(time,J,'r-');axis([0,0.2,0,1]);gridtitle('控制误差曲线','fontsize',12);xlabel('时间','fontsize',12);ylabel('控制误差','fontsize',12);%function J=draw(individual)load best zbestindividual=zbest;% 函数功能：画出最优粒子对应的各种图形% individual 输入粒子% fitness 输出适应度值w11=reshape(individual(1:6),3,2);w12=reshape(individual(7:12),3,2);w13=reshape(individual(13:18),3,2);w21=individual(19:27);w22=individual(28:36);w23=individual(37:45);rate1=0.006;rate2=0.001; %学习率k=0.3;K=3;y_1=zeros(3,1);y_2=y_1;y_3=y_2; %输出值u_1=zeros(3,1);u_2=u_1;u_3=u_2; %控制率h1i=zeros(3,1);h1i_1=h1i; %第一个控制量h2i=zeros(3,1);h2i_1=h2i; %第二个控制量h3i=zeros(3,1);h3i_1=h3i; %第三个空置量x1i=zeros(3,1);x2i=x1i;x3i=x2i;x1i_1=x1i;x2i_1=x2i;x3i_1=x3i; %隐含层输出%权值初始化k0=0.03;%值限定ynmax=1;ynmin=-1; %系统输出值限定xpmax=1;xpmin=-1; %P节点输出限定qimax=1;qimin=-1; %I节点输出限定qdmax=1;qdmin=-1; %D节点输出限定uhmax=1;uhmin=-1; %输出结果限定for k=1:1:200%--------------------------------网络前向计算--------------------------%系统输出y1(k)=(0.4*y_1(1)+u_1(1)/(1+u_1(1)^2)+0.2*u_1(1)^3+0.5*u_1(2))+0.3*y_1(2); y2(k)=(0.2*y_1(2)+u_1(2)/(1+u_1(2)^2)+0.4*u_1(2)^3+0.2*u_1(1))+0.3*y_1(3); y3(k)=(0.3*y_1(3)+u_1(3)/(1+u_1(3)^2)+0.4*u_1(3)^3+0.4*u_1(2))+0.3*y_1(1);yn=[y1(k),y2(k),y3(k)];yn(find(yn>ynmax))=ynmax;yn(find(yn<ynmin))=ynmin;%输入层输出x1o=[r1(k);yn(1)];x2o=[r2(k);yn(2)];x3o=[r3(k);yn(3)];%隐含层x1i=w11*x1o;x2i=w12*x2o;x3i=w13*x3o;%比例神经元P计算xp=[x1i(1),x2i(1),x3i(1)];xp(find(xp>xpmax))=xpmax;xp(find(xp<xpmin))=xpmin;qp=xp;h1i(1)=qp(1);h2i(1)=qp(2);h3i(1)=qp(3);%积分神经元I计算xi=[x1i(2),x2i(2),x3i(2)];qi=[0,0,0];qi_1=[h1i(2),h2i(2),h3i(2)];qi=qi_1+xi;qi(find(qi>qimax))=qimax;qi(find(qi<qimin))=qimin;h1i(2)=qi(1);h2i(2)=qi(2);h3i(2)=qi(3);%微分神经元D计算xd=[x1i(3),x2i(3),x3i(3)];qd=[0 0 0];xd_1=[x1i_1(3),x2i_1(3),x3i_1(3)];qd=xd-xd_1;qd(find(qd>qdmax))=qdmax;qd(find(qd<qdmin))=qdmin;h1i(3)=qd(1);h2i(3)=qd(2);h3i(3)=qd(3);%输出层计算wo=[w21;w22;w23];qo=[h1i',h2i',h3i'];qo=qo';uh=wo*qo;uh(find(uh>uhmax))=uhmax;uh(find(uh<uhmin))=uhmin;u1(k)=uh(1);u2(k)=uh(2);u3(k)=uh(3); %控制律%--------------------------------------网络反馈修正---------------------- %计算误差error=[r1(k)-y1(k);r2(k)-y2(k);r3(k)-y3(k)];error1(k)=error(1);error2(k)=error(2);error3(k)=error(3);J(k)=0.5*(error(1)^2+error(2)^2+error(3)^2); %调整大小ypc=[y1(k)-y_1(1);y2(k)-y_1(2);y3(k)-y_1(3)];uhc=[u_1(1)-u_2(1);u_1(2)-u_2(2);u_1(3)-u_2(3)];%隐含层和输出层权值调整%调整w21Sig1=sign(ypc./(uhc(1)+0.00001));dw21=sum(error.*Sig1)*qo';w21=w21+rate2*dw21;%调整w22Sig2=sign(ypc./(uh(2)+0.00001));Sig3=sign(ypc./(uh(3)+0.00001));dw23=sum(error.*Sig3)*qo';w23=w23+rate2*dw23;%输入层和隐含层权值调整delta2=zeros(3,3);wshi=[w21;w22;w23];for t=1:1:3delta2(1:3,t)=error(1:3).*sign(ypc(1:3)./(uhc(t)+0.00000001)); endfor j=1:1:3sgn(j)=sign((h1i(j)-h1i_1(j))/(x1i(j)-x1i_1(j)+0.00001));ends1=sgn'*[r1(k),y1(k)];wshi2_1=wshi(1:3,1:3);alter=zeros(3,1);dws1=zeros(3,2);for j=1:1:3for p=1:1:3alter(j)=alter(j)+delta2(p,:)*wshi2_1(:,j);endendfor p=1:1:3dws1(p,:)=alter(p)*s1(p,:);endw11=w11+rate1*dws1;%调整w12for j=1:1:3sgn(j)=sign((h2i(j)-h2i_1(j))/(x2i(j)-x2i_1(j)+0.0000001));ends2=sgn'*[r2(k),y2(k)];wshi2_2=wshi(:,4:6);alter2=zeros(3,1);dws2=zeros(3,2);for j=1:1:3for p=1:1:3alter2(j)=alter2(j)+delta2(p,:)*wshi2_2(:,j);endendfor p=1:1:3dws2(p,:)=alter2(p)*s2(p,:);endw12=w12+rate1*dws2;%调整w13for j=1:1:3sgn(j)=sign((h3i(j)-h3i_1(j))/(x3i(j)-x3i_1(j)+0.0000001));ends3=sgn'*[r3(k),y3(k)];wshi2_3=wshi(:,7:9);alter3=zeros(3,1);dws3=zeros(3,2);for j=1:1:3for p=1:1:3alter3(j)=(alter3(j)+delta2(p,:)*wshi2_3(:,j));endendfor p=1:1:3dws3(p,:)=alter2(p)*s3(p,:);u_3=u_2;u_2=u_1;u_1=uh;y_2=y_1;y_1=yn;h1i_1=h1i;h2i_1=h2i;h3i_1=h3i;x1i_1=x1i;x2i_1=x2i;x3i_1=x3i;endtime=0.001*(1:k);figure(1)subplot(3,1,1)plot(time,r1,'r-',time,y1,'b-');title('PID神经元网络控制');ylabel('被控量1');legend('控制目标','实际输出','fontsize',12);subplot(3,1,2)plot(time,r2,'r-',time,y2,'b-');ylabel('被控量2');legend('控制目标','实际输出','fontsize',12);axis([0,0.2,0,1])subplot(3,1,3)plot(time,r3,'r-',time,y3,'b-');xlabel('时间/s');ylabel('被控量3');legend('控制目标','实际输出','fontsize',12);print -dtiff -r600 改4figure(3)plot(time,u1,'r-',time,u2,'g-',time,u3,'b');title('PID神经网络提供给对象的控制输入');xlabel('时间'),ylabel('控制律');legend('u1','u2','u3');gridfigure(4)plot(time,J,'r-');axis([0,0.1,0,0.5]);gridtitle('网络学习目标函数J动态曲线');xlabel('时间');ylabel('控制误差');% BPy1=y1;% BPy2=y2;% BPy3=y3;% BPu1=u1;% BPu2=u2;% BPu3=u3;% BPJ=J% save BP r1 r2 r3 BPy1 BPy2 BPy3 BPu1 BPu2 BPu3 BPJ %%funfunction Fitness=fun(individual)% 函数功能：计算个体适应度值% individual 输入粒子% fitness 输出适应度值w11=reshape(individual(1:6),3,2);w12=reshape(individual(7:12),3,2);w13=reshape(individual(13:18),3,2);w21=individual(19:27);w22=individual(28:36);w23=individual(37:45);u_1=zeros(3,1);u_2=u_1;u_3=u_2; %控制率h1i=zeros(3,1);h1i_1=h1i; %第一个控制量h2i=zeros(3,1);h2i_1=h2i; %第二个控制量h3i=zeros(3,1);h3i_1=h3i; %第三个空置量x1i=zeros(3,1);x2i=x1i;x3i=x2i;x1i_1=x1i;x2i_1=x2i;x3i_1=x3i; %隐含层输出%权值初始化k0=0.03;%值限定ynmax=1;ynmin=-1; %系统输出值限定xpmax=1;xpmin=-1; %P节点输出限定qimax=1;qimin=-1; %I节点输出限定qdmax=1;qdmin=-1; %D节点输出限定uhmax=1;uhmin=-1; %输出结果限定ERROR=[];for k=1:1:200%--------------------------------网络前向计算--------------------------%系统输出y1(k)=(0.4*y_1(1)+u_1(1)/(1+u_1(1)^2)+0.2*u_1(1)^3+0.5*u_1(2))+0.3*y_1(2); y2(k)=(0.2*y_1(2)+u_1(2)/(1+u_1(2)^2)+0.4*u_1(2)^3+0.2*u_1(1))+0.3*y_1(3); y3(k)=(0.3*y_1(3)+u_1(3)/(1+u_1(3)^2)+0.4*u_1(3)^3+0.4*u_1(2))+0.3*y_1(1);r1(k)=0.7;r2(k)=0.4;r3(k)=0.6; %控制目标%系统输出限制yn=[y1(k),y2(k),y3(k)];yn(find(yn>ynmax))=ynmax;yn(find(yn<ynmin))=ynmin;%输入层输出x1o=[r1(k);yn(1)];x2o=[r2(k);yn(2)];x3o=[r3(k);yn(3)];%隐含层x1i=w11*x1o;x2i=w12*x2o;。

基于模糊-RBF神经网络优化的PID控制

４结束语
假设一个非线性被控对象的数学模型为：
ｙ㈤＝业错专邕笋业
（１）采用ＲＢＦ神经网络优化参数的ＰＩＴ）控制仿真
单独采用ＲＢＦ神经网络优化的ＰＩＤ控制，仿真的阶跃响应曲线如图３中点划线所示。
（２）采用模糊ＲＢＦ神经网络优化的ＰＩＤ控制的仿真
网络的结构取２—５—５—３的形式，输入信号为指令信号和对象的实际输出，针对每个输入取５个模糊集进行模糊化，即ｎ＝２，Ｎ＝５，网络学习参数取≈＝０．２，ａ＝０．０２。网络的初始权值及隶属函数参数初值通过实验得到。仿真结果如图３中实线所示：
网络权值的学习算法如下：
她（女）＝口·（删￡（＾）一一”（女））·逊ａＡｕ·砑ａ，Ｓｕ·瓦ａｆ４
＝々‘（删（＾）一砌（＾））‘挚（Ｊ），３（ｊ）
万方数据
墨！塑
塾兰！叁主壅麴二曼塑塑丝旦整垡些堕塑望苎墅
：！！：
圈２模糊ＲＢＦ神经网络结构
式中，ｍ，为网络输出节点与上一层各节点的连接权，Ｊ＝１，２，…Ｎ，口为学习速率。如果考虑动量因子，输出层的权值为：
用模糊控制查询表数据训练的模糊ＲＢＦ神经网络能加快ＲＢＦ网络的学习速度，比单独采用ＲＢＦ神经网络对控制器参数的调整更优，尤其是对于非线性系统的控制，具有更明显的优势。对非线性系统的仿真结果表明，模糊ＲＢＦ网络比单独采用ＲＢＦ网络有更好的控制效果。
参考文献
［１］闯新，周露等ＭＡＴＬＡＢ神经网络仿真与应用［Ｍ］．北京：科学出版社，２００３．
ｆｓ（Ｊ）＝ＩＩｆｄｉ，ｊ）（Ｎ＝ⅡＮｉ）
Ｊ；１
Ｊ－１
（４）输出层
输出层输出，４为ｋ。，岛，幻的整定结果，由三个
节点构成，即：
盥ｆ４（ｉ）＝ｍ·ｆ３＝∑∞（ｉ，』）·ｆｓ（ｊ）

基于RBF网络的多变量系统自适应预测PID控制器

・100・
机电工程
[5]
第 25 卷
T
信息的辨识
;③ 基于递推多步预测的设计。
入向量。设 RBF的径向基向量 H = [ h1 , h2 , …, hj , …hm ] , 其中 , hj 为高斯基函数 , hj = exp …m ) 。
X - Cj
2 2
2 基于 RBF 神经网络整定的 P I D 控制
3 2
Hale Waihona Puke Δbj = ( yout ( k ) - ym ( k ) ) w j hj
( 13 )
Δbj +α( bj ( k - 1 ) - bj ( k - 2 ) ) bj ( k ) = bj ( k - 1 ) +η
( 14 ) xj - cji bj
2
5y1 5u1 5u1 5ki1
( 8)
T
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
第 7期
王跃 ,等 : 基于 RBF网络的多变量系统自适应预测 P I D 控制器
・101・
因此 , 有必要引入预测控制的思想 , 通过系统的预测输出与实际输出的误差来调节预测神经网络的连接权值 , 通过系统预测输出与给定输入的偏差来整定 P I D 控制器的参数 , 获得较好的控制性能。不同于 2. 1节 , 这里用偏差 error = r ( k + d ) - yp ( k + d ) 取代了 error = r ( k ) - y ( k ) , RB F 网络的性能指标函数相应地取为 :

基于RBF神经网络整定的Smith-PID控制及其应用

∆ki
= −η ∂E ∂ki
= −η ∂E ∂y
∂y ∂u
∂u ∂ki
=
ηe2
(k)
∂y ∂u
xc(2)
∆k d
= −η ∂E ∂k d
= −η ∂E ∂y ∂u ∂y ∂u ∂kd
=
ηe 2
(k)
∂y ∂u
xc(3)
式中， ∂y 为被控对象的 Jacobian 信息，可通过神经网络的辨识而得。 ∂u
LIU Yong, ZHAO Zi-xian (College of Sciences and Technology, Inner Mongolia University Hohhot 010021, Inner Mongolia. ) Abstract: Aiming at the big delayed time, big burthen fluctuating and mutable characteristic of the controlled object, combining Smith compensated theory with self-adaptive tuning method of PID parameter, the RBF neural network tuning Smith-PID controlling policy is presented，that is in the Smith estimator control, makes use of RBF NN self-learning tuning the PID parameter on line, achieving optimal non-linear fabrication and overcoming the defect of conventional Smith-PID controller. The results of simulation and actual application indicate the algorithm has a strong robustness and better controlling character. Keywords: RBF NN; Smith-PID; two-volumes water tank liquid 1 引言在工业过程（如热工、化工）控制中，由于物料或能量的传输延迟，许多被控对象具有纯滞后性质，针对大时滞时变对象的控制，把Smith预估补偿控制原理和PID调节控制方法结合起来，提出了基于RBF网络整定Smith-PID控制算法，即在Smith补偿控制系统中，运用RBF 神经网络在线自学习整定PID参数，使既相互配合又相互制约的比例、积分和微分控制作用，实现最佳的非线性组合，以期适应对象特性的变化。文献[1]提出了基于BP算法整定的基于 Smith-PID控制算法，但是BP网络用于函数逼近时，权值的调节采用的是负梯度下降法，这种调节权值的方法有它的局限性，即存在着收敛速度慢和易陷入局部极小值。而径向基函数网络无论在逼近能力、分类能力和学习速度等方面均优于BP网络[2]，因此本文采用RBF网络。 2 施密斯（Smith）预估控制原理[3] 施密斯预估控制原理是：与 D(s)并接一补偿环节，用来补偿被控制对象中的纯滞后部

基于RBF神经网络整定的PID控制器设计及仿真_毕业设计(论文)

华北电力大学毕业设计(论文)题目基于RBF神经网络整定的PID控制器设计及仿真基于RBF神经网络整定的PID控制器设计及仿真摘要目前，因为PID控制具有简单的控制结构，可通过调节比例积分和微分取得基本满意的控制性能，在实际应用中又较易于整定，所以广泛应用于过程控制和运动控制中，尤其在可建立精确模型的确定性控制系统中应用比较多。

然而随着现代工业过程的日益复杂，对控制要求的逐步增高（如稳定性、准确性、快速性等），经典控制理论面临着严重的挑战。

对工业控制领域中非线性系统，采用传统PID 控制不能获得满意的控制效果。

采用基于梯度下降算法优化RBF神经网络，它将神经网络和PID控制技术融为一体，既具有常规PID控制器结构简单、物理意义明确的优点，同时又具有神经网络自学习、自适应的功能。

因此，本文通过对RBF神经网络的结构和计算方法的学习，设计一个基于RBF神经网络整定的PID控制器，构建其模型，进而编写M语言程序。

运用MATLAB软件对所设计的RBF神经网络整定的PID控制算法进行仿真研究。

然后再进一步通过仿真实验数据，研究本控制系统的稳定性，鲁棒性，抗干扰能力等。

关键词：PID；RBF神经网络；参数整定SETTING OF THE PID CONTROLLER BASED ON RBF NEURAL NETWORK DESIGN AND SIMULATIONAbstractAt present, because the PID control has a simple control structure, through adjusting the proportional integral and differential gain basic satisfactory control performance, and is relatively easy to setting in practical application, so widely used in process control and motion control, especially in the accurate model can be built more deterministic control system application. With the increasingly complex of the modern industrial process, however, increased step by step to control requirements (e.g., stability, accuracy and quickness, etc.), classical control theory is faced with severe challenges. Non-linear systems in industrial control field, using the traditional PID control can not obtain satisfactory control effect. Optimized RBF neural network based on gradient descent algorithm, it will be integrated neural network and PID control technology, with a conventional PID controller has simple structure, physical meaning is clear advantages, at the same time with neural network self-learning, adaptive function. Therefore, this article through to the RBF neural network structure and the calculation method of learning, to design a setting of the PID controller based on RBF neural network, constructs its model, and then write M language program. Using the MATLAB software to design the RBF neural network setting of PID control algorithm simulation research. Data and then further through simulation experiment, the control system stability, robustness, anti-interference ability, etc.Keywords: PID; RBF neural network; Parameter setting目录摘要 (Ⅰ)Abstract (Ⅱ)1 绪论 (1)1.1 课题研究背景及意义 (1)1.2神经网络的发展历史 (3)2 神经网络 (6)2.1神经网络的基本概念和特点 (6)2.2人工神经网络构成的基本原理 (7)2.3神经网络的结构 (8)2.3.1前馈网络 (8)2.3.2 反馈网络 (8)2.4神经网络的学习方式 (9)2.4.1监督学习(有教师学习) (9)2.4.2非监督学习(无教师学习) (9)2.4.3再励学习(强化学习) (9)2.5 RBF神经网络 (10)2.5.1 RBF神经网络的发展简史 (10)2.5.2 RBF的数学模型 (10)2.5.3被控对象Jacobian信息的辨识算法 (11)2.5.4 RBF神经网络的学习算法 (12)2.6 本章小结 (14)3 PID控制器 (14)3.1 PID控制器简介 (14)3.2 经典PID控制原理 (14)3.3 现有PID控制器参数整定方法 (16)3.4 PID控制的局限 (17)3.5本章小结 (17)4 基于RBF神经网络整定的PID控制器设计 (17)4.1 RBF神经网络的PID整定原理 (17)4.2 神经网络PID控制器的设计 (18)4.3 本章小结 (19)5 仿真分析 (19)5.1 系统的稳定性分析 (19)5.2 系统抗干扰能力分析 (21)5.3 系统鲁棒性分析 (22)5.4 本章小结 (24)结论 (25)参考文献 (26)致谢 (27)附录仿真程序 (28)1 绪论1.1 课题研究背景及意义PID控制器（按比例、积分和微分进行控制的调节器）是最早发展起来的应用经典控制理论的控制策略之一，是工业过程控制中应用最广泛，历史最悠久，生命力最强的控制方式，在目前的工业生产中，90％以上的控制器为PID控制器。

基于RBF神经网络的智能PID控制算法

基于RBF神经网络的智能PID控制算法曾琳;张文涛【期刊名称】《计算机与数字工程》【年(卷),期】2011(39)1【摘要】Presents an intelligent controller against the phenomenon of time delay in industry. Smith predictor will be introduced into the conventional PID controller, in order to give compensation for the characteristics which produced by the time delay parameter τ, while use of RBF neural network to adjusts the PID parameters on line, to a certain extent, enhance the system's robustness and stability. The experiment has shown that use this intelligent controller can get satisfactory control performance.%针对工业中的纯滞后现象提出一种智能控制方法,在常规的PID控制器中引入Smith预估器,对纯滞后时间τ所产生的特性进行预估补偿,同时利用RBF神经网络对PID的参数进行白整定,在一定程度上增强了系统的鲁棒性和稳定性.实验证明,此控制方法对纯滞后工业对象进行控制可以得到良好的效果.【总页数】4页(P17-20)【作者】曾琳;张文涛【作者单位】浙江农林大学,临安,311300;浙江外国语学院,杭州,310012【正文语种】中文【中图分类】TP301.6【相关文献】1.基于MATLAB环境下智能PID纠偏控制算法的仿真分析 [J], 张卓;贾晨辉2.基于模糊RBF神经网络的智能PID控制 [J], 胥良;郭林;梁亚;杨金龙;张卫芳3.基于RBF神经网络与Smith预估补偿的智能PID控制 [J], 王菲菲;陈玮4.基于智能PID的直流电机控制算法仿真分析 [J], 罗娜; 朱江; 李燕5.基于模糊神经网络的智能PID控制算法 [J], 罗泽邦; 辛长范; 夏朋程因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于RBF神经网络的多变量系统PID解耦控制
焦竹青;屈百达;徐保国
【期刊名称】《系统仿真学报》
【年(卷),期】2008(20)3
【摘要】针对工业生产过程中的多变量耦合系统采用传统控制方法不能达到满意的效果,提出了一种基于神经网络的PID解耦控制方案。

在实验研究中,采用改进型动态BRF神经网络辨识器,在线辨识多变量系统的非线性时变模型,同时自动调整PID控制器各项参数,最终实现对系统的智能化解耦控制。

给出了BRF神经网络的拓扑结构和算法,并对一组二变量强耦合时变系统的控制过程进行了计算机仿真,结果表明:基于BRF神经网络的PID控制不仅超调量小、响应速度快、控制精度高,而且具有很强的鲁棒性和自适应能力。

该设计方案使得解耦后的多变量系统具备了良好的动、静态特性。

【总页数】5页(P627-630)
【作者】焦竹青;屈百达;徐保国
【作者单位】江南大学通信与控制工程学院
【正文语种】中文
【中图分类】TP273
【相关文献】
1.基于模糊RBF神经网络整定的航空发动机多变量解耦控制
2.基于RBF神经网络逆系统的多变量解耦控制
3.基于RBF神经网络的烟叶烤房PID解耦控制
4.基于改
进型RBF神经网络多变量系统的PID控制5.基于RBF网络辨识的涡扇发动机双变量神经网络PID解耦控制
因版权原因，仅展示原文概要，查看原文内容请购买。