《基于BP神经网络的自整定PID控制仿真6页》由会员分享，可在线阅读，更多相关《基于BP神经网络的自整定PID控制仿真6页（6页珍藏版）》请在金锄头文库上搜索。
1、基于BP神经网络的自整定PID控制仿真一、实验目的1.熟悉神经网络的特征、结构及学习算法。2.通过实验掌握神经网络自整定PID的工作原理。3.了解神经网络的结构对控制效果的影响。4. 掌握用Matlab实现神经网络控制系统仿真的方法。二、实验设备及条件1.计算机系统2.Matlab仿真软件三、实验原理在工业控制中，PID控制是工业控制中最常用的方法。这是因为PID控制器结构简单，实现简单，控制效果良好，已得到广泛应用。但是，PID具有一定的局限性：被控制对象参数随时间变化时，控制器的参数难以自动调整以适应外界环境的变化。为了使控制器具有较好的自适应性，实现控制器参数的自动调整，可以采用神经网络
2、控制的方法。利用神经网络的自学习这一特性，并结合传统的PID控制理论，构造神经网络PID控制器，实现控制器参数的自动调整。基于BP神经网络的PID控制器结构如图4所示。控制器由两部分组成：一是常规PID控制器，用以直接对对象进行闭环控制，且3个参数在线整定；二是神经网络NN，根据系统的运行状态，学习调整权系数，从而调整PID参数，达到某种性能指标的最优化。图4中神经网络采用结构为4-5-3型的BP网络。BP网络是一种单向传播的多层前向网络。输入节点对应系统的运行状态量，如系统的偏差与偏差变化率，必要时要进行归一化处理。输入变量的个数取决于被控系统的复杂程度，输出节点对应的是PID的3个可调参数
3、。由于输出不能为负，所以输出层活化函数取非负的Sigmoid函数，隐含层取正负对称的Sigmoid函数。本系统选取的BP网络结构如图5所示。网络的学习过程由正向和反向传播两部分组成。如果输出层不能得到期望输出，那么转入反向传播过程，通过修改各层神经元的权值，使得误差信号最小。输出层节点分别对应3个可调参数Kp、Ki、Kd。取性能指标函数为按照梯度下降法修正网络的权系数，即按E(k)对加权系数的负梯度方向搜索调整，并附加一使快速收敛全局极小的惯性项式中，为学习速率；为惯性系数。又其中，u(k)为控制器在k时刻的输出；为输出层各节点的输出，；为输出层各节点的输入。若采用增量式数字PID控制算法，则
4、有四、实验步骤(1) 被控对象为一时变非线性对象，数学模型可表示为式中系数a(k)是慢时变的，。(2) 如图5所示确定BP网络的结构，选4-5-3型的BP网络，各层加权系数的初值取区间-0.5,0.5上的随机数，选定学习速率=0.25和惯性系数=0.05。(3) 在Matlab下依据整定原理编写仿真程序并调试。(4) 给定输入为阶跃信号，运行程序，记录实验数据和控制曲线。(5) 修改神经网络参数，如学习速率、隐含层神经元个数等，重复步骤(4)。(6) 分析数据和控制曲线。五、实验结果1.实验代码xite = 0.25;alfa = 0.02;IN = 4;H =10;Out = 3;wi =
5、0.4634 -0.4173 0.3190 0.4563 0.1839 0.3201 0.1112 0.3395 -0.3182 0.0470 0.0850 -0.0722 -0.6266 0.0846 0.3751 -0.6900 -0.3224 0.1440 -0.2783 -0.0193 -0.0232 -0.0992 0.2636 0.2011 -0.4502 -0.2928 0.0062 -0.5640 -0.1975 -0.1332 0.1981 0.0422 0.0521 0.0673 -0.5546 -0.4830 -0.6016 -0.4097 0.0338 -0.1503;
6、 wi_1 = wi; wi_2 = wi; wi_3 = wi; wo = -0.1620 0.3674 0.1959 -0.0337 -0.1563 -0.1454 0.0898 0.7239 0.7605 0.3349 0.7683 0.4714 0.0215 0.5896 0.7143 -0.0914 0.4666 0.0771 0.4270 0.2436 0.7026 0.0215 0.4400 0.1121 0.2566 0.2486 0.4857 0.0198 0.4970 0.6450; wo_1 = wo; wo_2 = wo; wo_3 = wo; x = 0,0,0; u
7、_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); I = oh; error_2 = 0; error_1 = 0; ts = 0.001; for k=1:1:6000 time(k) = k * ts; rin(k) = 1; a(k) = 1.2*(1-0.8*exp(-0.1*k); yout(k) = a(k) *y_1/(1+y_12) + u_1; error(k) = rin(k)-yout(k); xi = rin(k),yout(k),error(k),1; x
8、(1) = error(k) - error_1; x(2) = error(k); x(3) = error(k) -2*error_1 +error_2; epid = x(1);x(2);x(3); I = xi * wi; for j=1:H oh(j) = (exp(I(j)-exp(-I(j)/(exp(I(j)+exp(-I(j); end K = wo * oh; for l = 1:Out; K(l) = exp(K(l)/(exp(I(j)+exp(-I(j); end Kp(k) = K(1);Ki(k) = K(2);Kd(k) = K(3); Kpid = Kp(k)
9、,Ki(k),Kd(k); du(k) = Kpid * epid; u(k) = u_1 +du(k); if u(k)=10; u(k) = 10; end if u(k) = -10 u(k) = -10; end dyu(k) = sign(yout(k) - y_1)/(u(k) - u_1 + 0.0000001); for j = 1:Out; dk(j) = 2/(exp(K(j)+exp(-K(j)2; end for l = 1:Out delta3(l) = error(k) * dyu(k) * epid(l) * dk(l); end for l = 1:Out fo
10、r i = 1:H d_wo = xite * delta3(l) * oh(i) + alfa * (wo_1 - wo_2); end end wo = wo_1 + d_wo; for i = 1:H d0(i) = 4/(exp(I(i) + exp(-I(i)2; end segma = delta3 *wo; for i =1:H delta2(i) = d0(i) * segma(i); end d_wi = xite * delta2 * xi + alfa *(wi_1 - wi_2); wi = wi_1 +d_wi; u_5 = u_4;u_4 = u_3;u_3 = u
11、_2;u_2 = u_1;u_1 = u(k); y_2 = y_1;y_1 = yout(k); wo_3 = wo_2; wo_2 = wo_1; wo_1 = wo; wi_3 = wi_2; wi_2 = wi_1; wi_1 = wi; error_2 = error_1; error_1 = error(k); end figure(1) plot(time,rin,r,time,yout,b); xlabel(time); ylabel(rin,yout); figure(2) plot(time,error,r); xlabel(time(s); ylabel(error); figure(3) plot(time,u,r); xlabel(time(s); ylabel(u); figure(4) subplot(311); plot(time,Kp,r); xlabel(time(s); ylabel(Kp); subplot(312); plot(time,Ki,g); xlabel(time(s); ylabel(Ki); subplot(313); plot(time,Kd,b); xlabel(time(s); ylabel(Kd);2.实验结果
