《单神经元PID控制器设计.》由会员分享，可在线阅读，更多相关《单神经元PID控制器设计.（48页珍藏版）》请在金锄头文库上搜索。
1、 I 单神经元PID控制器设计 摘 要 常规 PID 控制器具有结构简单、易于实现、鲁棒性强等优点，但实际的生产过 程中，控制对象一般都具有延迟大、非线性强、干扰大的特点。因此当工况改变 时，对象的动态特性也发生改变，控制品质就会随之下降，所以采用常规 PID 控 制器很难获得令人满意的控制效果。 神经网络具有强鲁棒性、容错性、并行处理、自学习、逼近非线性关系等特点， 在解决非线性和不确定系统控制方面有很大潜力，近年来已广泛应用于工业过程 控制领域。由于单神经元模型具有自适应和自学习的能力，使得它可以作为一种 很好的方法而得以应用，因此本文将单神经元模型与常规 PID 控制器相结合，形 成了具
2、有自适应能力的单神经元 PID 控制器。本文讨论了单神经元自适应 PID 控 制器和多变量单神经元 PID 控制器的结构，控制算法，并 MATLAB 仿真软件给出 了实例仿真。 MATLAB 仿真结果表明，该控制系统既保持了常规 PID 控制的优点，又有自 学习的智能特性，因而具有良好的控制品质和较强的自适应能力。 关键词：PID控制器；数学模型；自适应控制；单神经元；MATLAB仿真；多变量 II The Design of Single Neuron PID Controller Abstract Conventional PID controller is simple in struc
3、ture, easy to implement, robust and other advantages. However, in the actual production process control targets have delayed the general, non-linear strong, and the heavy characteristics of the disturbance, so when the situation changes, the object of dynamic change, quality control will be declined
4、. Therefore, the conventional PID control method is difficult to obtain satisfactory performance. Neural network has stronger robust, fault-tolerant, parallel processing, self-learning, approaching the characteristics of non-linear relationship, and uncertainty in solving nonlinear control system th
5、ere is great potential, in recent years has been widely used in controlled areas. In single-neuron model is self-adaptive and self-learning ability , it can be regarded as an effective intelligent way for application ,so this article will be use single-neuron model with the conventional PID controll
6、er combine to form the adaptive capacity of a single-neuron PID controller. This paper discusses the structure and the control algorithm of the single neuron adaptive PID controller and the variable single neuron PID controller,besides,giving the simulation examples by MATLAB simulation software. Th
7、e MATLAB simulation results indicated that the control system both maintained the conventional cascade PID control merit, and has from the self-learning intelligent characteristic, thus has the good control quality and the strong auto-adapted ability. Key words:PID controller；Parameters of the model
8、；Adaptive control；Single- neuron；MATLAB simulation；multivariable I 目 录 第 1 章 引 言.1 1.1 单神经元 PID 控制的产生背景.1 1.2 单神经元 PID 控制研究现状.1 1.3 本论文的主要内容.2 第 2 章 神经网络理论基础 .3 2.1 单神经元模型.3 2.2 神经网络的拓扑结构.5 2.3 神经网络的学习方法.6 2.3.1 神经网络学习方式 .6 2.3.2 神经网络学习规则 .7 2.4 感知器.9 第 3 章 单神经元自适应 PID 控制器的设计及仿真实现 12 3.1 传统 PID 控制12
9、 3.2 单神经元自适应 PID 控制器 .13 3.2.1 自适应控制系统 13 3.2.2 控制结构 16 3.2.3 控制算法 18 3.2.4 仿真程序及分析 19 3.3 采用二次型性能指标的的单神经元自适应 PID 控制器27 第 4 章 多变量单神经元 PID 控制器的设计及实现 29 4.1 二变量控制系统框图29 II 4.2 控制算法29 4.3 SIMULINK 仿真 .30 第 5 章 结 论.32 参考文献 .33 谢 辞34 1 第 1 章 引 言 1.1 单神经元 PID 控制的产生背景 PID 控制具有结构简单、稳定性能好、可靠性高等优点，尤其适用于不能建立 精
10、确数学模型的不确定性控制系统。PID 控制中一个关键的问题便是 PID 参数的 整定。但是在实际的应用中，许多被控过程机理复杂，具有高度非线性、时变不 确定性和纯滞后等特点。在噪声、负载扰动等因素的影响下，过程参数甚至模型 结构均会随时间和工作环境的变化而变化。这就要求在 PID 控制中，不仅 PID 参 数的整定不依赖于对象数学模型，并且 PID 参数能够在线调整，以满足实时控制 的要求。神经网络主要用来解决那些传统方法难以解决的控制对象参数在大范围 变化的问题，其思想是解决 PID 参数在线调整问题的有效途径。单神经元是构成 神经网络的基本单位，神经元构成的单神经元 PID 控制器不但结构
11、简单、学习 算法物理意义明确、计算量小，而且具备自学习、自适应、自组织的能力，能够 自动辨识被控过程参数，自动整定控制参数、能够适应被控过程参数的变化，鲁 棒性强、可靠性高，这类控制器已在实际问题中得到了应用。 1 1.2 单神经元 PID 控制研究现状 神经网络控制是基于结构模拟人脑生理结构而形成的智能控制和辨识方法。随 着人工神经网络应用研究的不断深入，新的模型不断推出。在智能控制领域中， 应用最多的是BP网络、RBF网络、Hopfield网络等。BP网络是目前应用最为广泛的 一种网络模型，通常BP算法是通过一些学习规则来调整神经元之间的连接权值， 学习的规则和网络的拓扑结构不变。然而，一
12、个神经网络的信息处理功能不仅取 决于神经元之间的连接强度，而且与神经元的连接方式即网络的结构有关。合理 的选择网络结构可以加快了网络的收敛速度，改善了学习速率和网络的适应能力。 单神经元PID控制是神经网络应用于PID控制并与传统PID控制器相结合而产生 2 的一种改进型控制方法，是对传统的PID控制的一种改进和优化。单神经元PID控 制器具有现场调整参数少、易于现场调试的重要特点，能较大地改善典型非线性 时变对象的动态品质，能够适应过程的时变特性，保证控制系统在最佳状态下运 行，控制品质明显优于常规PID控制器。 在最优控制理论中， 采用二次型性能指标计算控制规律可以得到所期望的优 化效果。
13、根据线性二次型最优控制(LQR)理论，在单神经元控制器中引入二次型 性能指标，借助最优控制中二次型性能的思想，使输出误差和控制增量加权平方 和为最小来调整加权系数，从而间接的实现对输出误差和控制增量加权的约束控 制。由此构成的单神经元 PID 控制为一变系数的比例积分微分复合控制器。它 通过自身的学习了解系统的结构、参数和不确定性，并改变控制参数；加权系数 调整中引入二次型性能指标，利用输出误差和控制增量加权平方和最小来调整加 权系数，加快了学习速率， 因此控制器具有很强的鲁棒性和实时性。 2 1.3 本论文的主要内容 基于数字PID控制器设计原理,首先，分析讨论PID控制及单神经元PID控制
14、器 设计方法,进而，对于给定对象设计单神经元PID控制器，要求推理论证、分析设 计、关键点探讨、仿真及其结果分析；讨论比起传统PID控制方法，单神经元PID 控制器的改进之处；适当分析探讨优点与尚存在的有关问题。 运用于对象，对输出结果做仿真。对仿真结果进行分析。使其仿真试验表明： 单神经元PID控制器拥有杰出的参数自整定能力，抗干扰能力强，超调量小，只需 要选择适当的学习速率参数就可以让系统的超调达到理想状态。此外，单神经元 控制器的控制方法简单，动态参数较少，性能出色，依靠软件实现，能够适应控 制对象的时变性，在工业控制过程中的应用前景良好。 3 第 2 章 神经网络理论基础 2.1 单神
15、经元模型 根据生物神经元的结构和功能，从 20 世纪 40 年代开始，人们提出了大量的人 工神经元模型，其中影响较大的是 1943 年美国心理学家 W.McCulloch 和数理逻辑 学家 W.Pitts 共同提出的形式神经元模型，通常称之为 MP 模型。该模型结构如图 3 2.1 所示。 图 2.1 MP 模型 设有 N 个神经元互联，每个神经元的活化状态(j=1，2，N)取 0 或 l， j x 分别代表抑制和兴奋。第 i 个神经元的状态按下述规则受其它神经元的制约 ij N j iji xwI 1 (2.1) ii Ify (2.2) 其中，表示神经元 j 和神经元 i 之间的连接强度，
16、或称权值; 为阈值； ij w i 为阶跃函数，称为神经元激发函数或变换函数，其函数表达式为.f （2.3） 为该神经元的输出，其值为 0 或 1，即 1 代表该神经元被激活;0 代表神经元 i y 被抑制。有时也将看成是恒等于 1 的输入的权值，这时(2.1)式可写成 0 x (2.4) 其中，。这就是最初的 MP 模型。其输入、输出均为二值量，1, 00 xw ii 00 01 i i ii I I IstepIf j N j iji xwI 0 4 权值固定。利用该神经元模型，可以实现一些简单的逻辑关系。 ij w 将 MP 模型中的阶跃激发函数 step（）用其它一些非线性离散或连续函数代 i I 替，用于反映神经元的非线性特性，便得到更为一般的神经元模型。图 2.2 列出 了几种常见激发函数 f(.)。 图 2.2 常见激发函数 a.阶跃函数 此即为 MP 神经元模型中使用的激发函 (2.5) b.
