1、基于MATLAB的智能PID控制器設(shè)計與仿真摘要 在工業(yè)生產(chǎn)中應(yīng)用非常廣泛的是PID控制器，是最早在經(jīng)典控制理論基礎(chǔ)上發(fā)展起來的控制方法，應(yīng)用也十分廣泛。傳統(tǒng)的PID控制器原理十分簡單，即按比例、積分、微分分別控制的控制器，但是他的核心也是他的難點就是三個參數(shù)（比例系數(shù)Kp、積分系數(shù)Ki、微分系數(shù)Kd）的整定。參數(shù)整定的合適，那么該控制器將憑借結(jié)構(gòu)簡單、魯棒性好的優(yōu)點出色的完成控制任務(wù)，反之則達不到人們所期望的控制效果。 人工神經(jīng)網(wǎng)絡(luò)模擬人腦的結(jié)構(gòu)和功能而形成的信息處理系統(tǒng)，是一門十分前沿高度綜合的交叉學(xué)科，并廣泛應(yīng)用于工程領(lǐng)域。神經(jīng)網(wǎng)絡(luò)控制是把自動控制理論同他模仿人腦工作機制的數(shù)學(xué)模型結(jié)合起

2、來，并擁有自學(xué)習(xí)能力，能夠從輸入輸出數(shù)據(jù)中總結(jié)規(guī)律，智能的處理數(shù)據(jù)。該技術(shù)目前被廣泛應(yīng)用于處理時變、非線性復(fù)雜的系統(tǒng)，并卓有成效。關(guān)鍵詞 自適應(yīng)PID控制算法，PID控制器，神經(jīng)網(wǎng)絡(luò)Design and simulation of Intelligent PID Controllerbased on MATLABAbstractPID controller ,the control method which is developed on the basis of classical control theory, is widely used in industrial production

3、.The Principle of traditional PID controller is very simple, which contains of the proportion, integral, differential three component, but its core task and difficulties is three parameter tuning(proportional coefficient Kp, integral coefficient Ki and differential coefficient KD).If the parameter s

4、etting is suitable, the controller can accomplish the control task with the advantages of simple structure and good robustness;but on the contrary, it can not reach the desired control effect which we what. Artificial neural network , the formation of the information processing system which simulate

5、 the structure and function of the human brain , is a very high degree of integration of the intersection of disciplines, and widely used in the field of engineering. Neural network control ,combining automatic control theory and the imitate mathematical model of the working mechanism of human brain

6、 , has self-learning ability, and can summarize the law of the input-output data , dealing with data intelligently .This technique has been widely used in the process of time-varying, nonlinear and complex system, and it is very effective.Key Word: Adaptive PID control algorithm， PID controller， Neu

7、ral network目錄摘要IAbstractII第一章 緒論11.1 課題研究背景及意義1第二章 PID控制器22.1 PID控制原理22.2常規(guī)PID控制器的算法理論32.2.1 模擬PI D控制器32.2.2 數(shù)字P I D控制算法32.2.3常規(guī)PID控制的局限52.2.4 改進型PID控制器5第三章 人工神經(jīng)網(wǎng)絡(luò)83.1 人工神經(jīng)網(wǎng)絡(luò)的原理83.2神經(jīng)網(wǎng)絡(luò)PID控制器8 3.2.1神經(jīng)元PID控制器8 3.2.2 單神經(jīng)元自適PID應(yīng)控制器93.3 BP神經(jīng)網(wǎng)絡(luò)參數(shù)自學(xué)習(xí)的PID控制器12第四章MATAB仿真16 4.1 仿真過程16第五章 結(jié)論與展望24致謝25參考文獻26 第一

8、章 緒論1.1 課題研究背景及意義 在工業(yè)生產(chǎn)中應(yīng)用非常廣泛的是PID控制器，是最早在經(jīng)典控制理論基礎(chǔ)上發(fā)展起來的控制方法，應(yīng)用也十分廣泛。傳統(tǒng)的PID控制器原理十分簡單，即按比例、積分、微分分別控制的控制器，但是他的核心也是他的難點就是三個參數(shù)（比例系數(shù)Kp、積分系數(shù)Ki、微分系數(shù)Kd）的整定。參數(shù)整定的合適，那么該控制器結(jié)構(gòu)簡單、魯棒性好的優(yōu)點就可以明顯的體現(xiàn)出來，反之則達不到人們所期望的控制效果。但是傳統(tǒng)的控制理論和方法依賴于被控對象的數(shù)學(xué)模型，遇到復(fù)雜的時變非線性系統(tǒng)就會基本失效，像工業(yè)控制中的復(fù)雜系統(tǒng)就更不用說了。在實踐中，PID參數(shù)的整定往往依靠工程技術(shù)人員大量的實踐和積累的人工經(jīng)

9、驗，雖然有經(jīng)驗的工程技術(shù)人員也能調(diào)試好控制器的參數(shù)，但太費時費力也很麻煩。 工業(yè)生產(chǎn)是講究效率的，所以能不能研發(fā)出一種參數(shù)可以自整定的PID控制器是所以工程技術(shù)人員關(guān)注的焦點。 從上世紀(jì)60年代開始，隨著計算機技術(shù)和人工智能的發(fā)展，技術(shù)人員開始將人工智能技術(shù)與自動控制結(jié)合起來，逐漸發(fā)展成智能控制。智能控制能夠模擬人類大腦的思維方式。還能根據(jù)環(huán)境的改變還相應(yīng)的做出應(yīng)變，從而使機器完成原本只可以人類才可完成的任務(wù)。智能控制包含一下幾個重要的分支，即專家系統(tǒng)、模糊控制和神經(jīng)網(wǎng)絡(luò)控制。專家系統(tǒng)其實是一種智能計算機程序，他具有知識和推理功能，把某個行業(yè)的專家級的經(jīng)驗和知識用計算機語言表述出來，然后用計算

10、機代替人去解決相應(yīng)的問題。專家系統(tǒng)可以直接影響控制過程，也可以在系統(tǒng)外環(huán)中間接的影響控制過程。模糊控制是基于模糊數(shù)學(xué)和邏輯學(xué)的知識創(chuàng)立起來的新的控制方法，它把被控系統(tǒng)看成“黑箱子”，把工程技術(shù)人員對“黑箱子”的操作經(jīng)驗用自然語言表述成“模糊規(guī)則”，然后讓機器根據(jù)這些規(guī)則來執(zhí)行控制操作。這種控制技術(shù)和專家系統(tǒng)一樣依靠工程技術(shù)人員的經(jīng)驗和知識而不是被控系統(tǒng)的數(shù)學(xué)模型，并且它是用自然語言描述，很容易被操作人員接受。人工神經(jīng)網(wǎng)絡(luò)模擬人腦的結(jié)構(gòu)和功能而形成的信息處理系統(tǒng)，是一門十分前沿高度綜合的交叉學(xué)科，并廣泛應(yīng)用于工程領(lǐng)域。神經(jīng)網(wǎng)絡(luò)控制是把自動控制理論同他模仿人腦工作機制的數(shù)學(xué)模型結(jié)合起來，并擁有自學(xué)

11、習(xí)能力，能夠從輸入輸出數(shù)據(jù)中總結(jié)規(guī)律，智能的處理數(shù)據(jù)。該技術(shù)目前被廣泛應(yīng)用于處理時變、非線性復(fù)雜的系統(tǒng)，并卓有成效。第二章 PID控制器2.1 PID控制原理 傳統(tǒng)的PID控制器原理十分簡單，即按比例、積分、微分分別控制的控制器，但是他的核心也是他的難點就是三個參數(shù)（比例系數(shù)Kp、積分系數(shù)Ki、微分系數(shù)Kd）的整定。而其中這三個環(huán)節(jié)的作用分別如下： 比例環(huán)節(jié)作用：減少系統(tǒng)的穩(wěn)態(tài)誤差，但不能完全消除，比例系數(shù)要選取適當(dāng)否則會影響到系統(tǒng)穩(wěn)定性； 積分環(huán)節(jié)作用：加一個串聯(lián)積分環(huán)節(jié)增加系統(tǒng)的型數(shù)，把穩(wěn)態(tài)誤差從無窮變?yōu)槌Ｖ担瓉矸€(wěn)態(tài)誤差為常值的變?yōu)榱恪?微分環(huán)節(jié)作用：在系統(tǒng)中加入偏差信號的微分，由于微分

12、信號的預(yù)測作用是系統(tǒng)在誤差增大之前提前修正，從而提高系統(tǒng)的性能指標(biāo)。 具體的說，PID控制器有這些特點：結(jié)構(gòu)和原理都很簡單，使用面廣，魯棒性好。缺點也是很明顯的，PID控制受制于系統(tǒng)的數(shù)學(xué)模型，復(fù)雜的系統(tǒng)一般很難找到精確的數(shù)學(xué)模型所以此法便失效了。 PID控制系統(tǒng)結(jié)構(gòu)如圖2-1所示：圖2-1 PID控制器方框圖2.2常規(guī)PID控制器的算法理論2.2.1 模擬PI D控制器PID控制器的傳遞函數(shù)為（連續(xù)系統(tǒng)） (2-1)如圖2.1顯示其主要主要結(jié)構(gòu)由PID控制器、一個反饋環(huán)節(jié)所、被控對象組其中P、I、D則分別代表比例、積分、微分環(huán)節(jié)。 (2-2)在（2-2）中， 比例系數(shù)， 積分時間常數(shù)， 微分

13、時間常數(shù)， 控制器的輸入， PID控制器的輸出。由上面兩個公式可以發(fā)現(xiàn)，我們可以調(diào)整控制器的結(jié)構(gòu)，以滿足相應(yīng)的控制要求，如P控制器，PI控制器，PD控制器等，這些都是PID控制器的變形。2.2.2 數(shù)字P I D控制算法 數(shù)字PID控制算法分為位置式PID控制算法和增量式控制算法 兩種，常應(yīng)用與計算機系統(tǒng)中。 1位置式PID控制算法我們知道計算機控制是一種采樣控制，它根據(jù)采樣時刻的偏差值來計算控制量。【1】故需要對被控系統(tǒng)的傳遞函數(shù)進行離散化處理。按算式(2-1)，則可以作下面的近似變換 （2-3） （2-4） （2-5） （2-6） 式中，T為采樣周 期；K為采樣序號，k=0，1，2，j，k

14、。這樣的變換其實是將算式（2-1）連續(xù)時間t換成采樣時刻kt，積分替換相加，微分替換增。，將式（2-6）代入式（2-5）中，有： （2-7）式中， 是數(shù)字PID控制器的輸入。 為第 個采樣時刻的偏差值。 u(k) 是第k個采樣時刻數(shù)字PID控制器的輸出。 為積分系數(shù)。 為微分系數(shù)。由式（2-7）可知，輸出值與執(zhí)行層的位置對號入座，這便是位置式數(shù)字PID控制算法。 2增量式PID控制算法有時候控制系統(tǒng)要對控制量的增量進行處理，則要采用增量PID控制算法。由式(2-10)導(dǎo)出并根據(jù)遞推原理可得： (2-8)用式（2.10）減去式（2.11），可得 （2-9） 式中：式(2-9)稱為增量式PID控制

15、算法。相比較而言，我們發(fā)現(xiàn)增量式控制算法與前面介紹的算法區(qū)別不大但優(yōu)勢明顯： （1）位置式算法會有累積計算誤差。而增量式消除了積分飽和因為它沒有積分項，誤差對系統(tǒng)的控制效果影響小。（2）增量式算法是與閥門位置一一對應(yīng)的，與原來的位置無關(guān)。手動到自動的無擾動切換方便。（3）執(zhí)行器一般具有保持功能，不會因計算機的突然故障而影響到控制系統(tǒng)的結(jié)果。2.2.3常規(guī)PID控制的局限PID控制器在工業(yè)生產(chǎn)中存在很大的局限：首先受制于控制系統(tǒng)的元器件物理特征，使PID控制器獲得的初始信息偏離了現(xiàn)實，于是產(chǎn)生的控制效果偏離預(yù)期值；誤差信號差分或超前網(wǎng)絡(luò)近似實現(xiàn)誤差微分信號的提取，但會導(dǎo)致信號噪聲增大，影響控制效

16、果。常規(guī)PD控制器依賴于被控系統(tǒng)的數(shù)學(xué)模型，但是復(fù)雜的非線性、時變的、不確定性、強干擾等特性的系統(tǒng)根本找不到精確的數(shù)學(xué)模型，于是此法失效。將PID控制器與其他的算法相結(jié)合，便可以解決問題。常規(guī)的PID無法同時滿足穩(wěn)態(tài)精度和動態(tài)穩(wěn)定性、平穩(wěn)性和快速性的要求，因為它只是將偏差e(t)按比例、積分、微分處理后進行線性組合，所以控制效果一般。因此設(shè)計系統(tǒng)和整定參數(shù)時，必須同時保證動態(tài)和穩(wěn)態(tài)性能的，魚和熊掌不可兼得，折中的方案必將無法提升系統(tǒng)的性能。2.2.4 改進型PID控制器 工業(yè)生產(chǎn)中遇到的往往都是非線性、時變的復(fù)雜系統(tǒng)，常規(guī)的PID控制基本失效。隨著計算機技術(shù)的發(fā)展和相關(guān)領(lǐng)域的研究的深入，為復(fù)雜

17、的無規(guī)則系統(tǒng)如何科學(xué)有效的控制拓寬了思路。在這些改進型的控制系統(tǒng)中，主要有：模糊PID控制系統(tǒng)、專家PID控制系統(tǒng)以及神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)等。(1)模糊PID控制器 模糊控制是基于模糊數(shù)學(xué)和邏輯學(xué)的知識創(chuàng)立起來的新的控制方法，它把被控系統(tǒng)看成“黑箱子”，把工程技術(shù)人員對“黑箱子”的操作經(jīng)驗用自然語言表述成“模糊規(guī)則”，然后讓機器根據(jù)這些規(guī)則來執(zhí)行控制操作。這種控制技術(shù)和專家系統(tǒng)一樣依靠工程技術(shù)人員的經(jīng)驗和知識而不是被控系統(tǒng)的數(shù)學(xué)模型，并且它是用自然語言描述，很容易被操作人員接受。這個概念是由美國加利福尼亞大學(xué)自動化系教授查德(LAZadeh)于上世紀(jì)60年代提出的。它的原理是把偏差e和偏差變

18、化率ec一起輸入到F控制器中，而F控制器由三個分模糊控制器組成，分別對kp、ki、kd進行調(diào)節(jié)，然后進行模糊化、近似推理、清晰化，然后把獲得的P、I、D參數(shù)輸入到PID控制器中，實時修正。調(diào)節(jié)參數(shù)的話是要設(shè)置模糊規(guī)則，工程技術(shù)人員根據(jù)知識和經(jīng)驗并結(jié)合理論分析出偏差e和偏差變化率跟三個參數(shù)之間的關(guān)系如下： 當(dāng)e(t)較大，kp值要取大一點，但不能大到使系統(tǒng)不穩(wěn)定。取較小的KD可加快響應(yīng)速度。若去點積分環(huán)節(jié)即KI取零可防止呈現(xiàn)大的超調(diào)。 當(dāng)e(t)中等大小，KP值要取小一點，此時KD的值一定要選取適當(dāng)否則影響到系統(tǒng)的響應(yīng)速度，KI可以適當(dāng)取大一點。 當(dāng)e(t)較小，KI和KP的值都要選取的大一些，

19、KD的值應(yīng)選取適當(dāng)才可防止出現(xiàn)平衡點震蕩。 誤差e、誤差變化率ec，以 及K 的 模 糊 子 集 均為NB,NM,NS,ZO,PS,PM,PB，分別 代 表負大、負中、負小、零、正小、正中、正大。 表2-1：模糊控制規(guī)則表kp的模糊控制規(guī)則表KpecNBNMNSZOPSPMPBeNBZOZONMNMNMNBNBNMPSZONSNMNMNMNBNSPSPSZONSNSNMNMZOPMPMPSZONSNMNMPSPMPMPMPSZONSNSPMPBPBPMPSPSZONSPBPBPBPMPMPSZOZOki的模糊控制規(guī)則表KiecNBNMNSZOPSPMPBeNBNBNBNMNMNSZOZONMN

20、BNBNMNSNSZOZONSNBNMNSNSZOPSPSZONMNMNSZOPSPMPMPSNMNSZOPSPSPMPBPMZOZOPSPSPMPBPBPBZOZOPSPMPMPBPBkd的模糊控制規(guī)則表KdecNBNMNSZOPSPMPBeNBPBPMPMPMPSPSPBNMPBNSPSPSPSPSPBNSZOZOZOZOZOZOZOZOZONSNSNSNSNSZOPSZONSNMNMNSNSZOPMPSNSNBNMNMNSZOPBPSNSNBNBNBNMPS 圖2-1 模糊PID控制器結(jié)構(gòu)圖（2）專家系統(tǒng)PID控制器 專家系統(tǒng)其實是一種智能計算機程序，他具有知識和推理功能，把某個行業(yè)的專

21、家級的經(jīng)驗和知識用計算機語言表述出來，然后用計算機代替人去解決相應(yīng)的問題。專家系統(tǒng)可以直接影響控制過程，也可以在系統(tǒng)外環(huán)中間接的影響控制過程。專家系統(tǒng)是將技術(shù)人員的知識和經(jīng)驗收集到專家知識庫中，里面包含了不同的控制系統(tǒng)在不同情況下為滿足不同要求所需要設(shè)置的PID參數(shù)，并把這些數(shù)據(jù)都記錄在專門的PID參數(shù)設(shè)置手冊中。在實際的過程控制中，執(zhí)行機構(gòu)根據(jù)系統(tǒng)輸入和輸出以及給定的信號同專家知識庫中的數(shù)據(jù)進行比對、分析、推理，從而得出最合適的PID參數(shù)。(3）神經(jīng)網(wǎng)絡(luò)PI D控制器 人工神經(jīng)網(wǎng)絡(luò)模擬人腦的結(jié)構(gòu)和功能而形成的信息處理系統(tǒng)，是一門十分前沿高度綜合的交叉學(xué)科，并廣泛應(yīng)用于工程領(lǐng)域。神經(jīng)網(wǎng)絡(luò)控制是

22、把自動控制理論同他模仿人腦工作機制的數(shù)學(xué)模型結(jié)合起來，并擁有自學(xué)習(xí)能力，能夠從輸入輸出數(shù)據(jù)中總結(jié)規(guī)律，智能的處理數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)PID控制是將人工神經(jīng)網(wǎng)絡(luò)理論與傳統(tǒng)的PID控制相結(jié)合所產(chǎn)生的新型的先進的控制方法。由神經(jīng)網(wǎng)絡(luò)模型確定其完整性因子來控制，并且神經(jīng)網(wǎng)絡(luò)的完整性決定因素由以下三方面來控制：(1)神經(jīng)元的特性；(2)神經(jīng)元相互連接的拓撲結(jié)構(gòu)；(3)如何改善性能去適應(yīng)環(huán)境的學(xué)習(xí)規(guī)則。 但神經(jīng)網(wǎng)絡(luò)的研究還不夠成熟，一方面它推理不夠精確導(dǎo)致計算精度無法滿足要求。另一方面研究人員對于神經(jīng)網(wǎng)絡(luò)的工作機理還無法做出詳細合理并使人信服的解釋，還有待進一步研究。 第三章 人工神經(jīng)網(wǎng)絡(luò)3.1 人工神經(jīng)網(wǎng)絡(luò)的

23、原理 人工神經(jīng)網(wǎng)絡(luò)模擬人腦的結(jié)構(gòu)和功能而形成的信息處理系統(tǒng)，是一門十分前沿高度綜合的交叉學(xué)科，并廣泛應(yīng)用于工程領(lǐng)域。神經(jīng)網(wǎng)絡(luò)控制是把自動控制理論同他模仿人腦工作機制的數(shù)學(xué)模型結(jié)合起來，并擁有自學(xué)習(xí)能力，能夠從輸入輸出數(shù)據(jù)中總結(jié)規(guī)律，智能的處理數(shù)據(jù)。其數(shù)學(xué)形式為f：Y = F（X），其中x、Y是輸入和輸出向量，對于具有m個輸入節(jié)點和Z輸出節(jié)點的神經(jīng)網(wǎng)絡(luò)，從m維歐幾里得空間模型映射到n維歐幾里得空間是他的輸出關(guān)系。它由簡單信息處理單元相互連接而成的網(wǎng)絡(luò)，其信息處理也是由神經(jīng)元相互作用來實現(xiàn)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有非線性的特性，大量神經(jīng)元相互連接相互作用構(gòu)成的系統(tǒng)能夠?qū)崿F(xiàn)多種多樣的功能。神經(jīng)網(wǎng)絡(luò)工作機制分

24、為學(xué)習(xí)期和工作期兩個階段：在學(xué)習(xí)期中神經(jīng)網(wǎng)絡(luò)系統(tǒng)根據(jù)原先設(shè)置好多學(xué)習(xí)規(guī)則去調(diào)整神經(jīng)元之間的連接權(quán)值，從而提升系統(tǒng)的性能；在工作期，神經(jīng)元間的連接權(quán)值保持不變，由輸入得到輸出。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式也是多種多樣的，具體有：無導(dǎo)師的學(xué)習(xí)，有導(dǎo)師的學(xué)習(xí)，強化學(xué)習(xí)。無導(dǎo)師的學(xué)習(xí)是指沒有期望輸出作為導(dǎo)師信號，網(wǎng)絡(luò)系統(tǒng)根據(jù)自身的結(jié)構(gòu)和學(xué)習(xí)規(guī)則自行調(diào)整；有導(dǎo)師的學(xué)習(xí)便是有期望輸出，網(wǎng)絡(luò)系統(tǒng)根據(jù)期望輸出和實際的輸出進行比對、分析、推理，然后相應(yīng)的調(diào)整連接權(quán)值；強化學(xué)習(xí)是指系統(tǒng)先產(chǎn)生一個試探性的輸出到環(huán)境中，然后觀察環(huán)境發(fā)生了怎樣的變化，再把這些變化的環(huán)境數(shù)據(jù)反饋到系統(tǒng)中，并分析下一步該如何調(diào)整以適應(yīng)環(huán)境的變化。3

25、.2神經(jīng)網(wǎng)絡(luò)PID控制器將神經(jīng)網(wǎng)絡(luò)與PID控制器結(jié)合，可以彌補傳統(tǒng)PID控制器依賴被控對象的數(shù)學(xué)模型的這一缺陷，同時繼承了傳統(tǒng)PID控制器結(jié)構(gòu)簡單，魯棒性好，易于實現(xiàn)的優(yōu)點，更加智能化，對于復(fù)雜無規(guī)則的系統(tǒng)不再像傳統(tǒng)PID控制器那樣乏力。 3.2.1神經(jīng)元PID控制器神經(jīng)網(wǎng)絡(luò)PID控制是將人工神經(jīng)網(wǎng)絡(luò)理論與傳統(tǒng)的PID控制相結(jié)合所產(chǎn)生的新型的先進的控制方法。傳統(tǒng)的PID控制器算式如下： （3-1）對應(yīng)的離散算式為： （3-2）在（3-2）中 分別為比例、積分、微分系數(shù)， 為第k次采樣的輸入偏差值， 為第k次采樣時刻的輸出值。而它的增量式PID控制算法為： （3-3）根據(jù)（3-1）（3-2）式，

26、用單神經(jīng)元組成一個PID控制器，如圖3.1所示： 圖3-1神經(jīng)網(wǎng)絡(luò)PID控制器其網(wǎng)絡(luò)的輸入為： = （3-4）網(wǎng)絡(luò)的輸出為： 上式中， 為控制器的加權(quán)系數(shù)，它相當(dāng)于PID控制器中的三個參數(shù) 。參數(shù) 是可以修正的。不斷調(diào)整 達到最優(yōu)值 ，便可以提升系統(tǒng)的總體性能。3.2.2 單神經(jīng)元自適應(yīng)控制器單神經(jīng)元自適應(yīng)PID控制器具有自適應(yīng)，自組織的功能。它的權(quán)系數(shù)的自動調(diào)整是按照Hebb學(xué)習(xí)規(guī)則來實現(xiàn)的，這是種有監(jiān)督的學(xué)習(xí)規(guī)則。單神經(jīng)元自適應(yīng)PID控制器結(jié)構(gòu)框圖如圖3-2所示 圖3-2 單神經(jīng)元PID控制器結(jié)構(gòu)框圖上圖中的狀態(tài)轉(zhuǎn)換器的輸入一方面控制設(shè)定的狀態(tài)而另一方面是過程控制的反饋輸入，兩者相加而得；

27、轉(zhuǎn)換器的輸出x1,x2,x3都是神經(jīng)元在學(xué)習(xí)規(guī)則的指導(dǎo)下學(xué)習(xí)過程中所要求的狀態(tài)量，輸入 為一般是預(yù)先設(shè)置好的給定值， 為系統(tǒng)控制過程中的輸出值。這里： 對應(yīng)于PID控制器的積分項 對應(yīng)于PID控制器的比例項對應(yīng)于PID控制器的微分項是一個導(dǎo)師信號；為對應(yīng)于的 加權(quán)系數(shù)；為神經(jīng)元 的比例 系數(shù)，為大于0的數(shù)。那么有： （3-5） 即有： = （3-6） 我們比較算式（3-4）與算式（3-6）便可以看出PID 參數(shù)分別為 ， ， 。該神經(jīng)元控制器實質(zhì)上是一種需要通過工程技術(shù)人員設(shè)定好的學(xué)習(xí)規(guī)則不斷整定上面所推導(dǎo)的的加權(quán)系數(shù)的一種智能PID控制器，該調(diào)節(jié)器在擁有傳統(tǒng)PID控制器的特征的同時還具有學(xué)習(xí)

28、能力和自適應(yīng)、自組織的能力，而控制系統(tǒng)的性能優(yōu)異與否取決于學(xué)習(xí)規(guī)則和學(xué)習(xí)算法的收斂性和自學(xué)能力，這是該控制算法的核心與難點。本文中采用Delta學(xué)習(xí)規(guī)則。 （3-7） （3-8） 式中，學(xué)習(xí)信號，它控制過程的持續(xù)而衰減。學(xué)習(xí)速率，。此學(xué)習(xí)規(guī)則表示的是控制系統(tǒng)在一個狀態(tài)不確定的外界環(huán)境中在強化信號作用下進行學(xué)習(xí)，自適應(yīng)神經(jīng)元會發(fā)出一個試探性的輸出到環(huán)境中，然后把環(huán)境狀態(tài)的變化后的數(shù)據(jù)反饋到系統(tǒng)中進行分析和再學(xué)習(xí)，實現(xiàn)對環(huán)境狀態(tài)的自適應(yīng)。系統(tǒng)的無靜差就是這樣通過關(guān)聯(lián)搜索來實現(xiàn)的，而學(xué)習(xí)算法的收斂性是控制過程的關(guān)鍵，它關(guān)系到神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的無靜差和快速響應(yīng)效果，同時影響到控制系統(tǒng)的學(xué)習(xí)速率。影響系

29、統(tǒng)的另一個關(guān)鍵因素是神經(jīng)元的權(quán)系數(shù)，它是在系統(tǒng)的自學(xué)習(xí)過程中時刻變化著的，雖然不能完全消除系統(tǒng)跟蹤過程的誤差，但通過自學(xué)習(xí)自適應(yīng)調(diào)整權(quán)值可以使誤差以最快的速度趨于零，從而提升系統(tǒng)的性能。 一般在控制過程中，我們希望控制系統(tǒng)的學(xué)習(xí)速率盡量快一些，同時還要保證學(xué)習(xí)規(guī)則的收斂性，所以學(xué)習(xí)速率的取值就很關(guān)鍵了，通常要適當(dāng)大一些，同時對算法進行規(guī)范性處理： =式中，為積分環(huán)節(jié)、比例環(huán)節(jié)、微分環(huán)節(jié)的學(xué)習(xí)速率；= = =它們各自的權(quán)值有時需要根據(jù)環(huán)境狀態(tài)的改變或者導(dǎo)師信號的變化進行自適應(yīng)調(diào)整，于是對積分環(huán)節(jié)、比例環(huán)節(jié)、微分環(huán)節(jié)需要采用不同的學(xué)習(xí)速率 ，以防止這些環(huán)節(jié)因速率相差太大而被忽略，一般學(xué)習(xí)速率選取的

30、規(guī)則：（1）在調(diào)整初期， 取值要小，適當(dāng)調(diào)整，和的取值，當(dāng)控制系統(tǒng)的控制效果比較滿意時，這時開始增大，并保持其他參數(shù)不變，這樣控制系統(tǒng)的輸出就不會出現(xiàn)波紋現(xiàn)象。（2）輸入階躍信號后，系統(tǒng)的輸出結(jié)果出現(xiàn)正弦衰減現(xiàn)象，則要減少，別的參數(shù)保持不變。（3）如果控制系統(tǒng)的響應(yīng)結(jié)果的出現(xiàn)上升時間短、超調(diào)過大，則要減少，別的參數(shù)保持不變。（4）若控制系統(tǒng)的響應(yīng)結(jié)果出現(xiàn)上升時間過長，增大可能會使超調(diào)增大大，這時可以適當(dāng)增加的取值，別的參數(shù)保持不變。（5）輸入階躍信號后，控制系統(tǒng)的響應(yīng)結(jié)果出現(xiàn)了過大的超調(diào)，且出現(xiàn)正弦衰減現(xiàn)象，可以考慮保持 不變的同時適當(dāng)減小 的取值即可。若控制系統(tǒng)的響應(yīng)結(jié)果出現(xiàn)上升時間過長，沒

31、有超調(diào)，應(yīng)增大 的取值，保持 參數(shù) 不變。（6）改變 的值其實就是同時改變了 三項的取值，可以在第一步先整定 的取值，然后根據(jù)“”項調(diào)整 。3.3 BP神經(jīng)網(wǎng)絡(luò)參數(shù)自學(xué)習(xí)的PID控制器控制器中比例、積分和微分三個環(huán)節(jié)形成相互連接又相互制約的關(guān)系，并通過這些環(huán)節(jié)的非線性組合來尋求最佳的關(guān)系，去完成相應(yīng)的控制任務(wù)，提升PID控制器的性能。神經(jīng)網(wǎng)絡(luò)具有出色的非線性描述能力，而且還可以通過自學(xué)習(xí)自適應(yīng)來實現(xiàn)三個環(huán)節(jié)的最優(yōu)非線性組合。 圖3-3 基于BP神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu) BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單，算法清晰，能夠逼近任意非線性函數(shù)，因此常采用BP網(wǎng)絡(luò)結(jié)構(gòu)來設(shè)計控制器，通過BP神經(jīng)網(wǎng)絡(luò)對環(huán)境狀態(tài)以及

32、引導(dǎo)信號的不斷的學(xué)習(xí)，找到合適的 參數(shù)以尋求最優(yōu)控制。如圖3-3所示，基于BP神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)分為：（1）經(jīng)典的控制器：直接采用閉環(huán)控制，并且在線整定；（2）神經(jīng)網(wǎng)絡(luò)NN：與控制系統(tǒng)的控制器的三個參數(shù)相對應(yīng)，通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力去調(diào)整權(quán)系數(shù)，從而使PID控制器參數(shù)能完成控制系統(tǒng)的優(yōu)化，達到所要求的的穩(wěn)定性。 PID的控制算式為： （3-9）式中，分別為比例、積分、微分系數(shù)。將為可調(diào)系數(shù)時，可將(3-9)式描述為： （2-10）式中 是與 等有關(guān)的非線性函數(shù)，BP神經(jīng)網(wǎng)絡(luò)NN通過自學(xué)習(xí)可以滿足預(yù)先設(shè)定的最優(yōu)控制律的要求。三層BP網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)的結(jié)構(gòu)如圖3-4所示，有M個輸入節(jié)

33、點、Q個隱層節(jié)點、3個輸出節(jié)點，輸出節(jié)點分別對應(yīng)控制器的三個參數(shù) ，其激發(fā)函數(shù)為非負的Sigmoid函數(shù)，而隱含層的激發(fā)函數(shù)可取正負對稱的Sigmoid函數(shù)。 圖3-4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖神經(jīng)網(wǎng)絡(luò)的前向算法：若PID神經(jīng)網(wǎng)絡(luò)有M個輸入，3個輸出()， 上面標(biāo)注的(1)(2)(3)分別代表輸入層、隱含層和輸出層，該PID神經(jīng)網(wǎng)絡(luò)在任意采樣時刻k的前向計算公式如下所述：網(wǎng)絡(luò)輸入層的輸入： = , ( , ;網(wǎng)絡(luò)隱含層的輸入、輸出算法如式(3-14)所示： （3-11）式(3-11）中表示隱含層第個神經(jīng)元到第個神經(jīng)元的加權(quán)系數(shù)，隱含層的神經(jīng)元的活化函數(shù)取正負對稱的Sigmoid函數(shù)： （3-12）網(wǎng)

34、絡(luò)輸出層的輸入、輸出算法如式(3-13）所示： (3-13)式中 為隱含層到輸出層加權(quán)系數(shù)，輸出層的神經(jīng)元的活化函數(shù)取非負Sigmoid函數(shù)： (= ) 性能指標(biāo)函數(shù): 用最速下降法修正神經(jīng)網(wǎng)絡(luò)PID控制器的加權(quán)系數(shù)，并考慮到慣性項可以加快收斂速度，則有： 式中為學(xué)習(xí)速率；為慣性系數(shù)。 = (3-14)由于式(3-14)中的 未知，所以可以近似用符號函數(shù)取代。由數(shù)字PID控制律式(2)可以求得： 再令： = ，可得BP神經(jīng)網(wǎng)絡(luò)的輸出層的加權(quán)系數(shù)公式：同理隱含層加權(quán)系數(shù)公式：其中 = ，基于BP神經(jīng)網(wǎng)絡(luò)PID控制算法可以歸納為：選定輸入層節(jié)點數(shù)M和隱含層節(jié)點數(shù)Q，設(shè)置各層加權(quán)系數(shù)的初值，根據(jù)選定

35、學(xué)習(xí)速率和慣性系數(shù)；采樣得到和，計算；對進行歸一化處理，輸入到BPNN中；計算BPNN的各層神經(jīng)元的輸入和輸出，輸出就是PID控制器的3個參數(shù)；計算PID控制器的輸出，加入控制和計算；計算修正輸出層的加權(quán)系數(shù)；計算修正隱含層的加權(quán)系數(shù)：置返回。第四章MATAB仿真4.1 仿真過程 所采用的控制對象是： Y(k)=0.378y(k-1)+0.27y(k-2)+0.12u(k-1)+0.623u(k-2)控制算法為：u(k)=u(k-1)+ wi(k)xi(k) Wi(k)=Wj(k)/ |Wj(k)| W1(k)=W1(k-1)+I z(k)u(k)(e(k)+e(k) W2(k)=W2(k-1

36、)+P z(k)u(k)(e(k)+e(k) W3(k)=W3(k-1)+D z(k)u(k)(e(k)+e(k)式中，e(k)=e(k)-e(k-1)，z(k)=e(k)。I，P，D分別為積分，比例，微分的學(xué)習(xí)速率，K是神經(jīng)元的比例系數(shù)且K0.輸入信號分別是階躍響應(yīng)信號yd(k)=1.0和正弦信號yd(k)=sin(2t)。采樣時間是1ms。分別采用無監(jiān)督和無監(jiān)督的Hebb學(xué)習(xí)規(guī)則進行仿真并比較結(jié)果。其實就控制算法而言，有監(jiān)督和無監(jiān)督的兩種學(xué)習(xí)規(guī)則唯一的區(qū)別是在整定PID參數(shù)時有沒有考慮誤差信號的影響。觀察附錄1中的仿真程序可以發(fā)現(xiàn)無監(jiān)督的Hebb學(xué)習(xí)規(guī)則整定PID的參數(shù)的算式為： wkp(

37、k)=wkp_1+xiteP*u_1*x(1); wki(k)=wki_1+xiteI*u_1*x(2); wkd(k)=wkd_1+xiteD*u_1*x(3);而有監(jiān)督的Hebb學(xué)習(xí)規(guī)則的整定PID控制器參數(shù)的算式為： wkp(k)=wkp_1+xiteP*error(k)*u_1*x(1); wki(k)=wki_1+xiteI*error(k)*u_1*x(2); wkd(k)=wkd_1+xiteD*error(k)*u_1*x(3);這是有監(jiān)督和無監(jiān)督最主要的區(qū)別。當(dāng)輸入是yd(k)=1.0時，其跟蹤結(jié)果如下圖所示：圖4-1基于無監(jiān)督Hebb學(xué)習(xí)規(guī)則的階躍響應(yīng)的位置跟蹤圖4-2基于

38、有監(jiān)督Hebb學(xué)習(xí)規(guī)則的階躍響應(yīng)的位置跟蹤分析：基于有監(jiān)督Hebb學(xué)習(xí)規(guī)則的階躍響應(yīng)速度要比無監(jiān)督的Hebb學(xué)習(xí)規(guī)則的階躍響應(yīng)稍微快一點。圖4-3基于無監(jiān)督Hebb學(xué)習(xí)規(guī)則的自適應(yīng)整定曲線圖4-4基于有監(jiān)督Hebb學(xué)習(xí)規(guī)則的自適應(yīng)整定曲線分析：通過比較發(fā)現(xiàn)有監(jiān)督的Hebb學(xué)習(xí)規(guī)則的PID參數(shù)的自適應(yīng)整定速度更快。圖4-5基于無監(jiān)督Hebb學(xué)習(xí)規(guī)則的跟蹤誤差曲線圖4-6基于有監(jiān)督Hebb學(xué)習(xí)規(guī)則的跟蹤誤差曲線 分析：通過比較可以發(fā)現(xiàn)基于有監(jiān)督Hebb學(xué)習(xí)規(guī)則的跟蹤誤差曲線要比無監(jiān)督Hebb學(xué)習(xí)規(guī)則的跟蹤誤差曲線的下降的更快。當(dāng)輸入是yd(k)=sin(2t)時，跟蹤結(jié)果如下：圖4-7基于無監(jiān)督H

39、ebb學(xué)習(xí)規(guī)則的正弦跟蹤曲線圖4-8基于有監(jiān)督Hebb學(xué)習(xí)規(guī)則的正弦跟蹤曲線圖4-9基于無監(jiān)督Hebb學(xué)習(xí)規(guī)則的自適應(yīng)整定曲線圖4-10基于有監(jiān)督Hebb學(xué)習(xí)規(guī)則的自適應(yīng)整定曲線分析：通過比較發(fā)現(xiàn)，有監(jiān)督Hebb學(xué)習(xí)規(guī)則的自適應(yīng)整定曲線更加平穩(wěn)，波動較小，能更快靠近穩(wěn)定值。圖4-11基于無監(jiān)督Hebb學(xué)習(xí)規(guī)則的跟蹤誤差曲線圖4-12基于有監(jiān)督Hebb學(xué)習(xí)規(guī)則的跟蹤誤差曲線分析：無監(jiān)督Hebb學(xué)習(xí)規(guī)則的跟蹤誤差曲線更加平穩(wěn)些，而有監(jiān)督Hebb學(xué)習(xí)規(guī)則的跟蹤誤差曲線下降更快更深。本章小結(jié):通過以上仿真結(jié)果的比較，我們可以發(fā)現(xiàn)基于有監(jiān)督Hebb學(xué)習(xí)規(guī)則的PID控制器相比較無監(jiān)督Hebb學(xué)習(xí)規(guī)則的控制

40、器有一下幾個優(yōu)點：基于有監(jiān)督Hebb學(xué)習(xí)規(guī)則的PID控制器響應(yīng)速度更快；參數(shù)自適應(yīng)整定的速度也更快更平穩(wěn)。在仿真過程中也發(fā)現(xiàn)權(quán)系數(shù)的初始值對于仿真結(jié)果的影響非常大，而初始值如何設(shè)定也是依靠人工經(jīng)驗。第五章 結(jié)論與展望人工神經(jīng)網(wǎng)絡(luò)是非常有前景的前沿技術(shù)，是對人的大腦結(jié)構(gòu)和功能進行科學(xué)模擬研究的研究成果。人工神經(jīng)網(wǎng)絡(luò)具有很多優(yōu)異的性能，比如自學(xué)習(xí)能力、自適應(yīng)能力、容錯能力、信息處理能力等等，這些能力在面對工業(yè)生產(chǎn)中遇到的復(fù)雜系統(tǒng)面前擁有傳統(tǒng)PID控制器無法比擬的優(yōu)勢，因而受到廣大工程技術(shù)人員的追捧，在工業(yè)控制領(lǐng)域也是大放異彩，得到廣泛的應(yīng)用。傳統(tǒng)的PID控制器算法清晰，結(jié)構(gòu)簡單，魯棒性好，但依賴被

41、控 對象的數(shù)學(xué) 模型，無法解決非線性、時變的復(fù)雜系統(tǒng)，而將PID控制器與人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來則能解決很多復(fù)雜問題。本文首先介紹了傳統(tǒng)PID控制器的缺陷以及改進方法，然后介紹了智能控制領(lǐng)域的另外兩個重要分支專家系統(tǒng)和模糊控制，最后重點闡述了神經(jīng)網(wǎng)絡(luò)控制的基本原理和常見的幾種控制算法，比如神經(jīng)元PID控制、基于BP網(wǎng)絡(luò)的神經(jīng)PID控制等等。仿真這塊，我主要針對基于無監(jiān)督Hebb學(xué)習(xí)規(guī)則的PID控制器和基于有監(jiān)督Hebb學(xué)習(xí)規(guī)則的PID控制做了matlab仿真，并分別輸入階躍信號和正弦信號，比較兩種控制算法的響應(yīng)曲線、誤差曲線、自適應(yīng)整定曲線，可以很直 觀明顯的得出兩種控制效果的差別。相比較之下，基

42、于有監(jiān)督Hebb學(xué)習(xí)規(guī)則的PID控制器響應(yīng)速度更快，PID參數(shù)自適應(yīng)整定的速度也更快。在仿真過程中也發(fā)現(xiàn)權(quán)系數(shù)的初始值對于仿真結(jié)果的影響非常大，而初始值如何設(shè)定也是依靠人工經(jīng)驗。對于PID三個環(huán)節(jié)的學(xué)習(xí)速率應(yīng)當(dāng)有所區(qū)別，這樣有利于對不同的權(quán)系數(shù)分別調(diào)整。但至今對于人工神經(jīng)網(wǎng)絡(luò)的研究還不夠成熟，人們對其工作機理依然無法做出嚴(yán)格的讓人信服的解釋，有待深入的探討。展望未來，人工神經(jīng)網(wǎng)絡(luò)還需要從一下幾點尋找突破口：（1） 將研究的模型應(yīng)用到實踐中，并通過實踐來改造優(yōu)化原先的控制算法；（2） 尋求新的理論，開發(fā)新的模型；（3） 對生物神經(jīng)網(wǎng)絡(luò)進行深入的研究，學(xué)習(xí)人腦的結(jié)構(gòu)和工作原理。 不可否認人工神經(jīng)網(wǎng)

43、絡(luò)的未來一定是前途光明的，它將會是人們的工業(yè)控制技術(shù)更上一層樓！致謝在占自才老師的指導(dǎo)下，我順利的完成了論文基于MATLAB的智能PID控制器的設(shè)計與仿真，本人謹向占自才老師表示誠摯的敬意和衷心的感謝。在過去的幾個月里，占老師在論文的選題、仿真過程的構(gòu)思以及論文的撰寫方面為我們提供了細心的指導(dǎo)和講解。不僅在專業(yè)知識方面給與鼓勵和幫助，還在生活上給與悉心的照顧，教育我們?nèi)绾螢槿颂幨?，收益匪淺。能有占老師這樣的好老師做指導(dǎo)是我們這組學(xué)生的驕傲和榮幸。沒有占老師的幫助，我們無法這么順利的完成論文，也學(xué)不到這么多知識，無論是學(xué)術(shù)上還是在做人方面，都感悟頗深，在此，我衷心對占老師說一聲：“謝謝!”。最后

44、向所有曾給予本人幫助、支持和鼓勵的其他老師、同學(xué)們表示最衷心的感謝!感謝各位老師百忙之中對本文的審閱和提出的寶貴意見!參考文獻1劉金琨先進PID控制MATLAB仿真北京：電子工業(yè)出版社，20112楊平等編著自動控制原理北京：中國電力出版社，20063舒懷林編著PID神經(jīng)元網(wǎng)絡(luò)及其控制系統(tǒng)北京：國防工業(yè)出版社，20064王樹青先進控制技術(shù)及應(yīng)用. 北京：化學(xué)工業(yè)出版社，20015張德江等編著. 計算機控制系統(tǒng). 北京：機械工業(yè)出版社，20086Isidro Sanchez，Julio R Banga,Antonio A AlonsoTemperature control in microwave

45、combination ovensJournal of Food Engineering，2000，46：21297黃金燕基于BP神經(jīng)網(wǎng)絡(luò)的PID控制方法的研究微計算機信息，2006，22(9)：2782808MartinTHagan，HowardBDemuch，MarkHBealeNeural Network Design，1992， 8(50)： 3273349陶永華新型PID控制及其應(yīng)用. 北京：機械工業(yè)出版社2002，4710何玉彬，李新忠神經(jīng)網(wǎng)絡(luò)控制技術(shù)及其應(yīng)用北京：科學(xué)出版社，200011李奇，李世華一類神經(jīng)網(wǎng)絡(luò)智能PID控制算法的分析與改進田控制與決策，1999，13(4)：31

46、131512 wSMclulloch，WPittsA Logical Calculus of the Ideas Immanent in NerVors ActiVity Bulletin of Mathematical Biophysics，1943，5：11513313龍曉林，徐金方基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的PID控制器研究明計算機測量與控制，2003，l1(2)：10610814沈永福，吳少軍智能PID控制綜述工業(yè)儀表與自動化裝置，2002，6：111315HDu，HShao，PYaoAdaptive neural network control for a class of low-triangular-structured nonlinear systemsIEEE TramNeura