基于神经网络的两种PID控制方法研究及仿真

罗艳芬

摘 要：神经网络是模拟人脑思维方式的数学模型。作为智能控制的一个重要分支，神经网络控制为解决复杂的非线性、不确定、不确知系统的控制问题开辟了新途径。本文研究神经网络在PID控制系统中的两种典型应用，利用神经网络调节实现PID参数的整定及PID控制信号的计算，提高PID控制的性能。最后在MATLAB软件上进行算法仿真，验证了算法的有效性。

关键词：神经网络 PID控制 MATLAB仿真

中图分类号：TN915 文献标识码：A 文章编号：1674-098X（2017）10（a）-0158-02

PID控制器根据不同的对象使用不同的PID参数，并且调整不便，抗干扰能力不强而且超调大。神经网络具有很强的适应复杂环境和多目标控制要求的自学习能力、非线性映射能力及优良的容错能力和鲁棒性，并且具有对任意非线性函数逼近的能力，这就可以利用神经网络权值自适应调整实现对PID控制信号的计算；通过对神经网络系统的学习来实现具有最佳组合的kp、ki、kd输出，实现由神经网络整定的最佳PID控制。

1 基于PID神经元网络的控制方法

1.1 基于PID神经元网络控制系统结构

其中，Yd（k）是控制量的控制目标，Y（k）是控制量的当前值，U（k）是神经元网络计算得到的控制信号，Wi是网络权值，从中可以看到神经元网络是一个三层前向神经元网络，网络结构为2-3-1，隐含层包含比例元P、积分元I和微分元D三个神经元。设隐含层三个输出分别为x1（k）、x2（k）、x3（k）。其中：令e（k）=Yd（k）-Y（k），x1（k）=e（k），x2（k）=e（k）-e（k-1），x3（k）=Δ2e（k）=e（k）-2e（k-1）+e（k-2）。

（1-1）

（1-2）

W1（k）=W1（K-1）+ηpe（k）U（k）（e（k）+Δe（k））

W2（k）=W2（K-1）+ηIe（k）U（k）（e（k）+Δe（k））

W3（k-1）+ηDe（k）U（k）（e（k）+Δe（k）） （1-3）

其中，Δe（k）=e（k）-e（k-1），ηp、ηI、ηD分別为比例、积分、微分的学习速率。

1.2 基于PID神经元网络的控制方法仿真

被控对象为Y（k）=0.8×sinY（k-1）+1.2U（k-1），输入指令为一正弦信号：Yd（K）=sin（πk），采样时间为1ms，比例、积分、微分的学习速率分别为：ηp=0.4、ηI=0.35、ηD=0.4，采用PID神经元网络控制方法对被控对象进行控制，在MATLAB中得到如下仿真结果。

2 基于神经网络整定的PID控制方法

2.1 基于神经网络整定的PID控制系统结构

BP神经网络输出层神经元的输出状态对应PID控制器的三个可调参数，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某种最优控制律下的PID控制参数。PID控制器的输入变量分别为：x1（k）=e（k），x2（k）=e（k）-e（k-1），x3（k）=Δ2e（k）-2e（k-1）+e（k-2）

其中e（K）为控制系统的误差，即e（K）=Yd（K）-Y（K）。

Yd（K）为Y（K）期望输出，为实际输出。

该控制器的控制算法如下：

（1）BP神经网络的结构的确定，即确定输入层节点数M和中间层节点数Q，并对各层突触权值（0），（0），学习率和动量因子进行赋初值，k=1。

（2）采样得到Yd（k）和Y（k），计算此时刻的误差e（k）=Yd（k）-Y（k）。

（3）计算神经网络各层神经元的输入和输出，输出层的输出即为PID控制器的三个可调参数，并计算控制器的输出U（k）。

（4）进行神经网络的学习，在线调整突触权值和，实现PID控制参数的自适应调整。

（5）如果误差满足期望值，结束循环，否则置k=k+1，返回步骤（2），直到满足要求为止。

2.2 基于神经网络整定的PID控制方法仿真

被控对象为Y（k）=0.8×sinY（k-1）+1.2U（k-1），输入指令为一正弦信号：Yd（K）=sin（πk），学习率为0.20，动量因子为0.05，网络初始权值可以人为设定，也可以为随机数。采用基于神经网络整定的PID控制方法对被控对象进行控制，并利用MATLAB进行仿真，得到如下仿真结果。

3 结语

经过MATLAB仿真，证实了上述两种基于神经网络的PID控制方法的有效性，能够对被控对象实现有效控制，达到输出信号和期望信号之间的较好跟踪。其中，基于PID神经元网络的控制方法的原理是利用神经网络权值自适应调整实现对PID控制信号的计算，神经网络直接输出对被控对象的控制信号。而基于BP神经网络整定的PID控制方法原理是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某种最优控制律下的PID控制参数，实现对PID控制参数的优化整定。

参考文献

[1] 邱东强，涂亚庆.神经网络控制的现状与展望[J].自动化与仪器仪表，2001（5）：1-7.

[2] 舒怀林.PID神经元网络多变量控制系统分析[J].自动化学报，1999（1）：105-111.endprint