中文翻譯--神經(jīng)網(wǎng)絡(luò)pid在溫度控制系統(tǒng)中的研究與仿真

1、<p>　　神經(jīng)網(wǎng)絡(luò)PID在溫度控制系統(tǒng)中的研究與仿真</p><p>　　摘要：本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)的新型智能PID控制方法和一些BP神經(jīng)網(wǎng)絡(luò)的基本概念。同傳統(tǒng)的PID控制相比較，神經(jīng)網(wǎng)絡(luò)智能PID控制有許多優(yōu)點。把BP神經(jīng)網(wǎng)絡(luò)的PID控制方法應(yīng)用到工業(yè)領(lǐng)域的溫度控制系統(tǒng)中，仿真結(jié)果表明：這種控制方法具有較高控制精度和較強的適應(yīng)性以及良好的控制效果。</p><p>　

2、　關(guān)鍵詞 ： 神經(jīng)網(wǎng)絡(luò) ，PID控制器 ，溫度控制系統(tǒng)</p><p><b>　　1 引言</b></p><p>　　在工業(yè)控制過程中，PID控制是一種最基本的控制方式 ，其魯棒性好、結(jié)構(gòu)簡單、易于實現(xiàn)，但常規(guī)的PID控制也有其自身的缺點，因為常規(guī)PID控制器的參數(shù)是根據(jù)被控對象數(shù)學模型確定的，當被控對象的數(shù)學模型是變化的、非線性的時候，PID參數(shù)不易根據(jù)其實際的

3、情況做出調(diào)整，影響了控制質(zhì)量，使控制系統(tǒng)的控制品質(zhì)下降。特別是在具有純滯后特性的工業(yè)過程中，常規(guī)的PID控制更難滿足控制精度的要求。由于神經(jīng)網(wǎng)絡(luò)具有自組織、自學習、自適應(yīng)的能力，本文提出基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器，使人工神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)PID控制相結(jié)合互相補充，共同提高控制質(zhì)量，并把該方法在溫度控制系統(tǒng)中用Matlab語言進行了仿真應(yīng)用。</p><p>　　2 BP神經(jīng)網(wǎng)絡(luò)的模型構(gòu)成及算法</p>

4、<p>　　2.1 BP神經(jīng)網(wǎng)絡(luò)的模型構(gòu)成</p><p>　　B P神經(jīng)網(wǎng)絡(luò)的學習過程主要由兩個階段構(gòu)成：</p><p>　　第一階段（正向傳播過程），輸入信號通過輸入層，經(jīng)過隱含層逐層處理，在輸出層計算出每個神經(jīng)元的實際輸出值。</p><p>　　第二階段(誤差反向傳播過程)，如果在輸出層未得到期望的輸出值，則逐層遞推地計算實際輸出與期望輸出的

5、差值，并且根據(jù)這個誤差調(diào)節(jié)權(quán)系數(shù)。</p><p>　　2.2神經(jīng)網(wǎng)絡(luò)PID控制器的構(gòu)成及算法</p><p>　　在傳統(tǒng)的PID控制中，經(jīng)典增量式PID的控制形式：</p><p>　　u(k)=u(k-1)+e(k)-e(k-1)]+e(k)+[e(k)-2e(k-1)+e(k-2)] </p><p>　　K ：比例系數(shù)

6、 </p><p><b>　　= ：積分系數(shù)</b></p><p><b>　?。何⒎窒禂?shù) </b></p><p>　　建立BP神經(jīng)網(wǎng)絡(luò)PID控制器結(jié)構(gòu)：</p><p>　　r(k) e(k) u(k)

7、 y(k)</p><p><b>　　+</b></p><p><b>　　_</b></p><p>　　為了達到自適應(yīng)調(diào)節(jié)目的，輸出層為三個神經(jīng)元，分別對應(yīng)。輸入層、隱含層的神經(jīng)元的數(shù)目根據(jù)被控對象的復雜性固定下來。</p><p>　　隱含層采用的激活函數(shù)為正負對

8、稱的sigmoid函數(shù)：</p><p>　　輸出層的激活函數(shù)采用非負的sigmoid函數(shù)：</p><p>　　我們假定，， 是輸出層的輸出，它們分別對應(yīng)于，，。</p><p>　　我們?nèi)⌒阅苤笜撕瘮?shù)為：</p><p>　　當實際輸出與期望輸出之間存在偏差時，則誤差反向傳播。反向傳播的實質(zhì)就是通過調(diào)整權(quán)系數(shù)使偏差最小，因此可以利用最速下

9、降法，按誤差函數(shù)的負梯度方向?qū)Ω鲗由窠?jīng)元權(quán)系數(shù)進行調(diào)整修正。</p><p><b>　　則有：</b></p><p><b>　　= -</b></p><p>　　：學習速率 ：動量項</p><p><b>　　由鏈法則可得：</b></p>

10、<p><b>　　=</b></p><p><b>　　=-e(k+1) </b></p><p>　　其中： =1, 2 ,3</p><p>　　因此可以得到BP神經(jīng)網(wǎng)絡(luò)的輸出層權(quán)系數(shù)的計算公式： </p><p><b>　　其中：</b&

11、gt;</p><p>　　由于在PID控制算法中一般情況下是未知的，可以用符號函數(shù)來取代，并通過調(diào)整來修正誤差。</p><p>　　同理可得到隱含層權(quán)系數(shù)計算公式：</p><p><b>　　其中：</b></p><p>　　在上面各式中，上角標 （1）、（2）、（3）分別表示輸入層、隱含層、輸出層、</p

12、><p><b>　?。狠敵鰧由窠?jīng)元個數(shù)</b></p><p><b>　?。弘[含層神經(jīng)元個數(shù)</b></p><p><b>　?。狠斎雽由窠?jīng)元個數(shù)</b></p><p>　　綜上所述可以得到BP神經(jīng)網(wǎng)絡(luò)的控制算法：</p><p>　　確定神經(jīng)網(wǎng)絡(luò)結(jié)

13、構(gòu)，初始化各層權(quán)系數(shù)。控制量、輸出量、誤差的初值取0。</p><p>　　對系統(tǒng)進行采樣，得到、。計算得到誤差。然后根據(jù)增量式PID算式把誤差分量作為輸入層的輸入。</p><p>　　根據(jù)各層權(quán)系數(shù)正向計算BP神經(jīng)網(wǎng)絡(luò)各層的輸入、輸出。輸出層分量分別為K、K、K。根據(jù)增量式PID算式可以得到控制器的輸出。</p><p>　　將作為BP神經(jīng)網(wǎng)絡(luò)的監(jiān)督信號，進行B

14、P算法的反向傳播。在線根據(jù)輸出層、隱含層的學習算法調(diào)整各層的權(quán)系數(shù)，使PID系數(shù)達到自適應(yīng)調(diào)整。</p><p><b>　　返回到（2）。</b></p><p>　　3 .在溫度控制系統(tǒng)中的仿真實驗</p><p>　　在工業(yè)生產(chǎn)過程中，控制的生產(chǎn)過程各種各樣，常常要對像溫度過程這樣的純滯后的過程進行控制。設(shè)被控的溫度控制過程的傳遞函數(shù)為：

15、</p><p>　　仿真結(jié)果如下圖所示：</p><p>　　圖1 圖2 </p><p>　　圖(1

16、)為常規(guī)的PID控制，圖(2)為BP神經(jīng)網(wǎng)絡(luò)PID控制。從圖中我們可以看到常規(guī)的PID控制所產(chǎn)生的超調(diào)量和過渡時間比BP神經(jīng)網(wǎng)絡(luò)PID控制所產(chǎn)生的超調(diào)量和過渡時間大得多，由此可以看出BP神經(jīng)網(wǎng)絡(luò)PID控制具有較強的自適應(yīng)性和較高的控制精度。</p><p><b>　　4 .結(jié)束語</b></p><p>　　本文根BP神經(jīng)網(wǎng)絡(luò)的控制算法對純滯后的溫度控制系統(tǒng)進行了仿