基于BP神经网络的PID控制器及仿真

图2神经网络控制器结构图

由图可知：控制器由两部分组成，分别为常规PID控制和神经网络，其中，常规PID直接对被控对象进行闭环控制，并且其控制参数Kp、Ki、Kd为在线调整方式；神经网络，根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化，使输出层神经元的输出对应于PID控制器的三个可调参数。通过神经网络的自学习、加权系数的调整，使神经网络输出对应于某种最优控制规律下的PID控制器参数。
2、控制算法
神经网络PID的控制算法[5]如下：
(1). 确定神经网络的结构，即确定输入节点数和隐含层节点数,并给出各层加权系数的初值和，并选定学习速率 和惯性系数 ，令k =1；
(2). 采样得到r(k)和y(k)，计算当前时刻误差error(k)= r(k)-y(k)；
(3). 计算各神经网络的输入、输出，其输出层的输出即为PID控制器的三个控制参数Kp、Ki、Kd；
(4). 计算 PID控制器的输出；
(5). 进行神经网络学习，在线调整加权系数，实现 PID控制参数的自适应调整；
(6). 令k=k+1，返回第(1)步。
4.仿真实例
4.1被控对象
设被控对象的近似数学模型为：，所选的输入信号为一时变信号：
神经网络的结构选择4-5-3，学习速率为0.55，惯性系数为0.04，加权系数初始值为区间[-0.5，0.5]上的随机数，采样频率为1000Hz。
Matlab仿真结果如图三所示：

图3-1 输入输出曲线

图3-2 误差曲线

4.2仿真结果分析
由仿真曲线可以看出，神经网络PID稳态误差小，解决了常规PID超调，抖动等问题，控制精度高，实现了对控制信号几乎相同的跟踪，具有较好的快速性和适应性。
5. 结语
神经网络PID控制器实现了两种算法本质的结合，借助于神经网络的自学习，自组织能力，可实现PID参数的在线调整，控制器自适应性好；该算法不要求被控对象有精确的数学模型，扩大了应用范围，控制效果良好；在合理选择神经网络的结构的情况下，该算法有很强的泛化能力。基于以上优点，神经网络PID控制器具有很好的发展应用前景。