基于BP神经网络的PID参数智能整定

李博

（西安工程大学 陕西省西安市 710048）

PID控制是工业生产过程中应用最早、最普遍和最受欢迎的一种经典控制策略。因为其具有结构简单、控制性能良好和抗干扰性较强等优点，一直倍受工程技术人员所青睐，同时在工业控制应用领域也占据至关重要的地位。许多新式的控制算法都是将PID控制器作为设计基础，将其他改进后的算法应用到PID控制器中，使其既具有创新点，又有经典控制方式的诸多优点[1]。PID控制的稳定性很大程度上取决于PID参数与被控对象的模型是否匹配。整定参数的过程中观察被控对象的运行状态，由人工根据运行的性能指标对参数进行整定，经过多次整定，寻找最佳的参数组合。

在实际工程应用中，被控对象会因为多种外界因素的长时间的积累，导致使用工况发生变化，造成原有的PID参数与当下的系统不匹配，最终影响系统运行的稳定性。此时，就需要工程技术人员介入对PID参数重新整定，以满足系统的稳定性要求。本文以改进金属挤压机中挤压速度的PID控制为目标，展开了研究。

1 性能指标与PID参数

人工调试PID参数的过程中，最主要的问题在于系统性能不满足要求时，明白应该调整哪个参数，应该增大或是减小。有经验的工程技术人员可以较快地获得让人满意的调试结果。

控制系统的PID参数和性能指标之间的详细关系如表1所示。PID参数与性能指标之间的关系也并非完全固定的，只是一定范围内的相对关系。因为PID各参数之间的作用相互影响，所以任意一个参数的改变都会影响其他两个参数的作用效果。而PID参数的调试过程，也就是根据观察系统的性能指标不断修正各个参数，寻找最佳的参数组合，使得系统此时的性能指标处于一个合理的区间。

总之，PID参数的整定过程是一个统一的、各个参数之间相互影响的过程，实际调试过程中的多次尝试是至关重要的，也是必不可少的。在人工参数的调试过程中必须遵循PID调试的策略。利用人工神经网络具有较强的自我学习功能和强大的信息处理能力，学习PID调试的“规则”，研究PID参数的智能整定是本文的主要内容。

2 改进型BP神经网络

从上文分析得出，系统的性能指标与PID参数之间存在特定关系，即PID参数调试的规则。人工在整定参数的过程中，观察被控对象的实际运行值，与目标值相比较后，从感官上判断性能指标的状态，然后判断该对哪个参数做出怎样的调整。调整完成后，再次观察实际运行值，进行下一轮的参数调整。直到性能指标满足稳定性要求，此时参数整定结束。如果整个整定过程由神经网络来完成，就实现了PID参数的智能整定。如图1所示，根据设定的目标速度和实际的挤压速度对比后，分析后得到系统的性能指标，然后将性能指标送给神经网络，让神经网络判断需要对参数如何调整。经过多次调整，稳定性满足要求后，参数整定结束。整个调试过程是模拟人脑的决策方式，让控制系统实现智能化。

BP神经网络传递函数采用tansig函数，结构如图2所示，采用了4-5-3的网络结构，其中输入层为设定速度、上升时间、超调量和调节时间，输出层为ΔKp、ΔTi、ΔTd，分别为比例分量、积分时间、微分时间的单次调整增量。这种网络结构依据的是上文讨论的参数整定方式给出的结构，即观察性能指标对参数做出调整，依据PID参数调试的规则，模拟人脑在调试PID控制器时的行为方式。神经网络经过多次运行进行参数调整，直到性能指标达到要求，参数无需进行调整为止[2]。

本文提出的方案，是让BP神经网络学习PID参数调试的规则，模仿人脑的工作方式进行参数的整定。这种方案训练完成的神经网络，在参数整定过程中，根据性能指标进行参数调整，不会受到被控对象模型的约束，理论上能够应用于各种模型的PID控制器的参数整定，使用范围极大地增加[3][4]。

3 数据收集与网络训练

为了能够让神经网络能够学习PID参数调试的策略，就需要用能够表现出性能指标与参数之间动态关系的数据来训练网络。这就需要在PID控制器从初始参数调试到最佳参数组合的过程中，收集训练数据。表2为收集到的部分数据。

图1：神经网络PID控制流程图

表1：性能指标与参数之间的关系

表2：性能指标与参数之间的关系

表3：参数修正时网络输入层和输出层的变化情况

图2：BP神经网络结构图

随机选取数据的70%作为训练集，剩余30%作为测试集。训练数据处理的代码在Matlab中编写。创建BP神经网络后，设置隐含层的层数为5，设置学习率为0.01后，开始进行训练，在Matlab中创建神经网络，网络结构为4-5-3。经过52次迭代之后，网络训练完成。之后进行仿真验证，对结果进行统计后ΔKp、ΔTi、ΔTd的平均误差为1.73%、4.12%、9.83%。

4 运行测试

金属挤压机作为重型机械，设备模型复杂，经历了长期的运行后，器件磨损和工况改变，造成了设备的模型发生了的变化。设备调试初期整定的PID参数不再适用于当下的状态，造成被控对象稳定性下降。此时就需要对参数进行调整，以此来提高控制的稳定。

本文选择了一台运行稳定性较差的25MN铝挤压机进行测试。此时设备的性能指标分别为上升时间2.5s、超调量47.11%、调节时间9.4s，已经超过了上升时间小于2s、超调量小于20%、调节时间小于7s的要求。当前PID控制器的参数为Kp=2.0、Ti=25.0、Td=1.2。在启动设备后，开始了对PID参数的调整。表3记录了BP神经网络对PID参数的整定过程中，各个数据的变化。在经历了6次的调整之后，性能指标已经变成上升时间为1.9s、超调量为18.22%、调节时间为6.6s，符合了稳定性要求。第6次参数调整量趋近于0，表示当下性能指标下PID参数已经无需调整。调整后的参数Kp=3.5383、Ti=19.9501、Td=2.0205。调整后的参数使得系统的稳定性得以提高，PID参数整定的应用结果，达到了设计要求。

5 结语

本文的方案主要创新点在于，将性能指标和参数的单次调整量作为神经网络的输入层和输出层，训练数据是人工整定PID参数的过程中收集的，等同于让神经网络跟随工程人员学习PID调试的规则以及人工调试的经验。这样训练完成的网络，不再受到控制模型的约束，适用的范围大幅增加，当稳定性不达标时，投入到整定PID参数的过程中，实现控制系统的智能化。