唐元恒，王占勇，鄒剛，張玎

（海軍航空工程學院青島校區(qū)，山東青島，266041）

基于BP神經(jīng)網(wǎng)絡的PID控制器的設計及模擬研究

唐元恒，王占勇，鄒剛，張玎

（海軍航空工程學院青島校區(qū)，山東青島，266041）

本文首先對BP神經(jīng)網(wǎng)絡進行概述，然后對基于BP神經(jīng)網(wǎng)絡的PID控制器的設計進行分析，最后進行模擬仿真研究，得出基于BP神經(jīng)網(wǎng)絡的PID控制器與傳統(tǒng)PID控制器具有適應性強、精度高等明顯優(yōu)勢的結(jié)論。

BP神經(jīng)網(wǎng)絡；PID控制器；設計；模擬研究

0 引言

PID控制器是一種簡單、有效的控制算法，具有魯棒性好、可靠等優(yōu)勢，在工業(yè)過程的控制中具有廣泛的應用。但是，PID控制器的建立需要依靠確定的數(shù)學模型，在實際的生產(chǎn)中很難達到這一條件，通常就有非線性與不確定性等，很難保證數(shù)學模型的精確性，在這種情況下傳統(tǒng)的PID控制器很難實現(xiàn)良好的控制效果。另外，由于PID控制器整定參數(shù)比較困難，并且性能不好，很難使用運行工況。微處理技術與數(shù)字智能式控制器的發(fā)展與應用，為控制復雜的系統(tǒng)提供了新的可能性。一些新型的、經(jīng)過改進的PID控制器逐漸發(fā)展起來，控制效果得到顯著提升。在這些新型的控制系統(tǒng)中，包括模糊、預測、專家、灰色PID控制系統(tǒng)與神經(jīng)控制系統(tǒng)。

1 BP神經(jīng)網(wǎng)絡概述

大腦具有很強的智能性，能夠快速接收與處理感官輸出的模糊信息，并且感知到較低的聲音與并不清晰的影像。神經(jīng)網(wǎng)絡即為使用科學技術對人腦中的結(jié)構(gòu)與功能進行模擬，為規(guī)模較大的非線性動力學系統(tǒng)。該種網(wǎng)絡能夠儲存、處理信息，并且能夠?qū)崿F(xiàn)主動學習，因此在處理信息、識別模式、控制智能等方面的應用將會越來越廣泛。從某種意義上來說，神經(jīng)網(wǎng)絡能夠被稱為人工神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡并不僅僅是使用物理元器件對生物體中的神經(jīng)網(wǎng)絡進行復制，而是使用其中能夠利用的部分對當前計算機與其他系統(tǒng)中尚未解決的問題進行分析與解決，例如對專家系統(tǒng)進行的識別、學習與控制等。現(xiàn)代生物與科學技術的發(fā)展增加了人類對腦結(jié)構(gòu)與認知過程的理解，神經(jīng)網(wǎng)絡技術得到進一步發(fā)展，在神經(jīng)網(wǎng)絡基礎上發(fā)展起來的各種工業(yè)控制系統(tǒng)也逐漸增多。

在人工神經(jīng)網(wǎng)絡中，作為一種三層以上（包括三層）的多層前饋網(wǎng)絡，BP神經(jīng)網(wǎng)絡應用范圍最為廣泛，傳播方式為單向傳播，一般由輸入層、隱含層、輸出層組成。該網(wǎng)絡的學習過程包括正向與反向傳播。正向傳播時，輸入信息的傳播過程為輸入層→隱含層→輸出層，每一層神經(jīng)元都只對下一層的神經(jīng)元產(chǎn)生影響。若在輸出層得不到期望輸出，則自動轉(zhuǎn)換為反向傳播，誤差信號（即Δ）會按照原來的傳播通路返回，對每層神經(jīng)元的權值進行修改，將誤差信號控制在最小。BP網(wǎng)絡具有可微傳遞函數(shù)，因此硬閉值傳遞函數(shù)并不適用，通常使用正切與線性函數(shù)。

2 基于BP神經(jīng)網(wǎng)絡的PID控制器設計及模擬研究

2.1 PID控制器

PID控制器是一種反饋回路軟件，在工業(yè)控制中應用比較廣泛。該控制器能夠比較收集到的信息數(shù)據(jù)與參考值，再將其中存在的差別作為計算新輸入值的依據(jù)。這種做法能夠保證系統(tǒng)中數(shù)據(jù)達到參考值并進行保持。相較于其他的控制運算，PID控制器能夠?qū)v史數(shù)據(jù)與差別出現(xiàn)率作為依據(jù)進行輸入值的調(diào)整，提高系統(tǒng)的準確性與穩(wěn)定性。使用數(shù)學知識與數(shù)學工具能夠發(fā)現(xiàn)，當其他控制方法引起系統(tǒng)出現(xiàn)誤差或反復的時候，使用PID反饋回路對于系統(tǒng)的穩(wěn)定運行具有良好的效果。

2.2 基于BP神經(jīng)網(wǎng)絡的PID控制器

BP神經(jīng)網(wǎng)絡能夠逼近任何一種非線性函數(shù)，并且具有簡單明了的結(jié)構(gòu)與算法。使用BP神經(jīng)網(wǎng)絡能夠自主學習的功能，能夠?qū)δ骋豢刂埔?guī)律下最優(yōu)的P、I、D參數(shù)?；贐P神經(jīng)網(wǎng)絡的PID控制器的控制系統(tǒng)包括經(jīng)典PID控制器，能夠?qū)崿F(xiàn)對被控制對象的閉環(huán)控制，而且其中的Kp、Ki、Kd三個參數(shù)為在線整定式?；贐P神經(jīng)網(wǎng)絡的PID控制器的控制系統(tǒng)還包括神經(jīng)網(wǎng)絡MN。能夠?qū)ο到y(tǒng)的運行狀態(tài)進行分析，以便實現(xiàn)對PID控制參數(shù)的調(diào)節(jié)，對目標性能指標進行優(yōu)化。輸出層中的神經(jīng)元的輸出狀態(tài)與PID控制器中的Kp、Ki、Kd三個參數(shù)相對應。由于BP神經(jīng)網(wǎng)絡能夠進行自動學習并且調(diào)整加權系數(shù)，保證其穩(wěn)定狀態(tài)與某一控制規(guī)律PID控制參數(shù)相對應。

2.3 基于BP神經(jīng)網(wǎng)絡的PID控制器的設計

2.3.1PID控制器的結(jié)構(gòu)設計

上文中已經(jīng)提到基于BP神經(jīng)網(wǎng)絡的PID控制器的控制系統(tǒng)包括經(jīng)典PID控制器與神經(jīng)網(wǎng)絡MN。

2.3.2PID控制器的實現(xiàn)過程

初始化：對BP神經(jīng)網(wǎng)絡與網(wǎng)絡參數(shù)中的初始值進行確定，選定合適的學習率、動量因子，該情況下k值為1；比較系統(tǒng)中采集到的輸入數(shù)據(jù)與輸出數(shù)據(jù)，得知系統(tǒng)誤差表示式。然后對是否出現(xiàn)丟包情況進行判斷，如果出現(xiàn)該情況使用k-1時刻的誤差；計算神經(jīng)網(wǎng)絡中每層的輸入與輸出值，輸出就是PID控制器中的Kp、Ki、Kd三個參數(shù)；對PID控制器的輸出進行計算；對BP神經(jīng)網(wǎng)絡的權值進行在線調(diào)整，保證系統(tǒng)參數(shù)實現(xiàn)自適應調(diào)整。

2.3.3設計BP神經(jīng)網(wǎng)絡的PID控制算法

BP神經(jīng)網(wǎng)絡由輸入層、隱含層、輸出層組成，k值取3，分別是Kp、Ki、Kd。由于Kp、Ki、Kd在目標函數(shù)有一定權重含義，所以BP神經(jīng)網(wǎng)絡中將Sigmoid函數(shù)作為隱含層、輸出層中全部節(jié)點的轉(zhuǎn)換函數(shù)。

系統(tǒng)的輸入與誤差信號。BP神經(jīng)網(wǎng)絡信號輸入層的輸入與輸出為：Ii

0（k）=xi（k）與Oi0=Ii

0（k），i=1，2，3，……，M。其中，M為輸入變量的個數(shù)，M的值與被控制系統(tǒng)的復雜程度成正比，系統(tǒng)越復雜，則M的值越大。Ii0、Oi

0、Ii

0中的上標代表BP神經(jīng)網(wǎng)絡中輸入層、隱含層、輸出層；然后對BP神經(jīng)網(wǎng)絡信號隱含層與輸入層的輸入與輸出進行描述；最后修正系統(tǒng)的誤差。當系統(tǒng)的誤差較大，已經(jīng)超出控制范圍時，能夠使用BP學習算法，將學習率與動量因子加入其中，能夠有效降低系統(tǒng)中產(chǎn)生的誤差，在迭代修正BP神經(jīng)網(wǎng)絡中的權值，列出系統(tǒng)中的控制性能相關函數(shù)。列出函數(shù)后，使用微分鏈式規(guī)則與合適的計算方式能夠計算出系統(tǒng)神經(jīng)元的局域梯度，將經(jīng)過修正的系統(tǒng)BP網(wǎng)絡信號輸出層的權值經(jīng)過計算得出，使用同樣的方式得出隱含層權值。

3 結(jié)語

雖然常規(guī)的PID控制器結(jié)構(gòu)比較簡單，并且具有良好的穩(wěn)定性與可靠性，但是其中存在的缺陷也很明顯：常規(guī)的PID控制器將數(shù)學模型作為基礎，如果被控制的對象的數(shù)學模型精度不足，而且常規(guī)的PID控制器針對非線性系統(tǒng)，并不具備通用的分析方式與設計方法。另一方面，盡管常規(guī)的PID控制器也具有一些魯棒性、適應性，但是對具有強非線性與干擾性的對象進行控制時，效果并不好。常規(guī)的PID控制器的種種缺陷為基于BP神經(jīng)網(wǎng)絡的PID控制器的控制系統(tǒng)提供了廣闊的應用空間。所以，將PID控制器與BP神經(jīng)網(wǎng)絡進行有機結(jié)合的控制方式已經(jīng)成本熱點研究問題。PID神經(jīng)網(wǎng)絡由比例、微分神經(jīng)元等組成，能夠進行快速學習，并且具有良好的性能。BP神經(jīng)網(wǎng)絡能夠在線整定、優(yōu)化PID控制參數(shù)，適應能力與魯棒性比較強，在多個工程控制中都有著廣泛的應用。

[1]蔣鼎國.基于改進型BP神經(jīng)網(wǎng)絡PID控制器的溫室溫度控制技術[J].實驗室研究與探索, 2015, 34(1):9-13.

[2]鄭華清，蔣敏蘭.基于MPSO算法的BP神經(jīng)網(wǎng)絡PID控制器研究[J].微型機與應用, 2015(17):7-11.

[3]于海南，鄭榮進，步文月，蔣歡.基于BP神經(jīng)網(wǎng)絡PID控制器在水產(chǎn)溫室溫度控制中的應用[J].安徽農(nóng)業(yè)科學, 2016(3):312-315.

[4]崔皆凡，謝煒，馬桂新，張孝亮.基于BP神經(jīng)網(wǎng)絡PID的改進偏差耦合同步控制[J].微電機, 2016(12):54-57.

[5]呂偉，姚凱學.BP神經(jīng)網(wǎng)絡PID控制算法在農(nóng)作物干燥控制系統(tǒng)中的應用研究與設計[J].計算機測量與控制, 2015, 23(2):432-435.

Design and Simulation of PID Controller Based on BP Neural Network

Tang Yuanheng,Wang Zhanyong,Zou Gang,Zhang Ding
(Naval Aeronautical Engineering Institute Qingdao Campus,Qingdao Shandong,266041)

This paper first summarizes the BP neural network, and then analyzes the design of the PID controller based on BP neural network. Finally, the simulation results show that the PID controller based on BP neural network is adaptable to the traditional PID controller Strong, high precision and other obvious advantages of the conclusion.

BP neural network; PID controller; design; simulation study

唐元恒（1974.11），男 ，漢族，籍貫：山東萊蕪，碩士研究生，工程師，研究方向：裝備綜合保障。