技術(shù)頻道

娓娓工業(yè)
您現(xiàn)在的位置: 中國(guó)傳動(dòng)網(wǎng) > 技術(shù)頻道 > 技術(shù)百科 > 基于GRNN辨識(shí)的PID控制算法的研究與應(yīng)用

基于GRNN辨識(shí)的PID控制算法的研究與應(yīng)用

時(shí)間:2009-02-07 11:51:46來源:ronggang

導(dǎo)語(yǔ):?采用BP神經(jīng)網(wǎng)絡(luò)在線調(diào)整PID的三個(gè)參數(shù),采用GRNN神經(jīng)網(wǎng)絡(luò)作為辨識(shí)器在線辨識(shí)控制輸出對(duì)控制輸入對(duì)象變化的靈敏度信息,提高系統(tǒng)的控制精度,進(jìn)而編制MATLAB程序進(jìn)行仿真
摘 要:采用BP神經(jīng)網(wǎng)絡(luò)在線調(diào)整PID的三個(gè)參數(shù),采用GRNN神經(jīng)網(wǎng)絡(luò)作為辨識(shí)器在線辨識(shí)控制輸出對(duì)控制輸入對(duì)象變化的靈敏度信息,提高系統(tǒng)的控制精度,進(jìn)而編制MATLAB程序進(jìn)行仿真。該算法經(jīng)仿真測(cè)試,結(jié)果表明其控制效果良好,魯棒性強(qiáng)。 關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò) GRNN神經(jīng)網(wǎng)絡(luò) PID 1 引言   在工業(yè)控制中,傳統(tǒng)的PID控制至今仍處于主導(dǎo)地位,尤其適用于能建立數(shù)學(xué)模型的確定性控制系統(tǒng)。然而大量的工業(yè)過程往往具有非線性、時(shí)變不確定性等因素,難以建立其精確的數(shù)學(xué)模型;另外,PID 控制器中的參數(shù)通常都由人工整定,由于一次性整定得到的這些參數(shù)很難保證其控制效果始終處于最佳狀態(tài)因此,常規(guī)PID 控制器的控制效果和控制精度受到了限制. 神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織功能和聯(lián)想記憶、并行處理等優(yōu)點(diǎn),使其在復(fù)雜的工業(yè)控制中得到了廣泛應(yīng)用[1,2]。目前應(yīng)用較多的神經(jīng)網(wǎng)絡(luò)是基于BP 算法的多層前饋神經(jīng)網(wǎng)絡(luò),這種網(wǎng)絡(luò)反映的是系統(tǒng)靜態(tài)的輸入-輸出映射關(guān)系。文獻(xiàn)[3]提出了一種基于對(duì)角回歸神經(jīng)網(wǎng)絡(luò)(diagonal recurrent neural network,DRNN)的控制系統(tǒng)。與靜態(tài)網(wǎng)絡(luò)相比,這種回歸網(wǎng)絡(luò)具有較好的處理動(dòng)態(tài)問題的能力。由于只需較少的神經(jīng)元和權(quán)值,回歸網(wǎng)絡(luò)更適合于處理時(shí)變的輸入、輸出過程[4]。 基于回歸神經(jīng)網(wǎng)絡(luò)的上述特點(diǎn),本文采用DRNN網(wǎng)絡(luò),設(shè)計(jì)出比例、積分、微分等參數(shù)可以在線學(xué)習(xí)的PID控制器,并將其應(yīng)用于日常生活中的供熱控制系統(tǒng)中,,建立了一個(gè)基于MATLAB環(huán)境的控制仿真。 2 基于BP神經(jīng)網(wǎng)絡(luò)控制的PID算法   采用多層前向神經(jīng)網(wǎng)絡(luò)-BP網(wǎng)絡(luò)對(duì)PID參數(shù)kp,ki,kd在線調(diào)整,如圖1所示。為充分反應(yīng)輸入控制器信號(hào)的特性,結(jié)合控制器結(jié)構(gòu),選擇網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)為4,輸出層神經(jīng)元個(gè)數(shù)為3.輸出層神經(jīng)元的活化函數(shù)?。篻(x)= 隱層神經(jīng)元激發(fā)函數(shù)取函數(shù):f(x)=。網(wǎng)絡(luò)輸入層的輸入為:O[sub]j[/sub](1)=x(j),1,2,3,4.網(wǎng)絡(luò)隱層的輸入輸出為net[sub]i[/sub](2)(k)=,…8.式中,w[sub]ij[/sub](2)是隱含層的加權(quán)系數(shù);隱含層神經(jīng)元的活化函數(shù)取f(x)=。網(wǎng)絡(luò)輸出層的輸入輸出為:net[sub]l[/sub](3)(k)= 式中,w[sub]li[/sub](3)是輸出層加權(quán)系數(shù)。上述各式中的上標(biāo)(1)、(2)、(3)分別代表輸入層隱含層和輸出層。輸出層神經(jīng)元的活化函數(shù)取g(x)=。性能指標(biāo)函數(shù)為e(k)=1/2error[sup]2[/sup](k)。按梯度下降法修正網(wǎng)絡(luò)權(quán)系數(shù),并附加一個(gè)使搜索快速收斂全局極小的慣性項(xiàng):為學(xué)習(xí)速率;為慣性系數(shù)。由于未知,所以近似用符號(hào)函數(shù)sgn()取代,由此帶來的計(jì)算不精確的影響可以通過調(diào)整學(xué)習(xí)速率 來補(bǔ)償。   由上面的介紹可知PID的增量式方程如下。u (k)=u(k-1)+kp(e(k)-e(k-1))+kie(k)+kd(e(k)-2e(k-1)+e(k-2))由此可得:??傻镁W(wǎng)絡(luò)輸出層權(quán)的學(xué)習(xí)算法為:,l=1,2,3,4.同理可得隱含層加權(quán)系數(shù)的學(xué)習(xí)算法: , i=1,2,...,q. [align=center] 圖1 控制系統(tǒng)結(jié)構(gòu)圖[/align] 3 DRNN辨識(shí)網(wǎng)絡(luò)   DRNN神經(jīng)網(wǎng)絡(luò)是一種回歸神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)結(jié)構(gòu)共三層,隱層為回歸層,所以可以對(duì)動(dòng)態(tài)系統(tǒng)有很好的辨識(shí)。DRNN神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖二所示。 [align=center] 圖2 DRNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖[/align] 4 基于DRNN辨識(shí)的BP神經(jīng)網(wǎng)絡(luò)PID算法   基于DRNN辨識(shí)的BP神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)的結(jié)構(gòu)如圖3所示。控制器由三個(gè)部分組成:(1)經(jīng)典PID控制器,直接對(duì)被控對(duì)象過程進(jìn)行閉環(huán)控制,其三個(gè)參數(shù)k[sub]p[/sub],k[sub]i[/sub],k[sub]d[/sub]在線自學(xué)習(xí)整定。(2)DRNN辨識(shí)網(wǎng)絡(luò),用于建立被控對(duì)象的辨識(shí)模型,以便動(dòng)態(tài)觀測(cè)控制對(duì)象的輸出對(duì)控制輸入的靈敏度,提供給BP神經(jīng)網(wǎng)絡(luò)。(3)BP神經(jīng)網(wǎng)絡(luò),通過調(diào)整自身權(quán)系數(shù),對(duì)PID控制參數(shù)進(jìn)行調(diào)節(jié),以達(dá)到某種性能指標(biāo)的最優(yōu)。 [align=center] 圖3 控制系統(tǒng)結(jié)構(gòu)圖[/align]   基于DRNN辨識(shí)的BP神經(jīng)網(wǎng)絡(luò)PID控制算法如下:(1)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),并給出個(gè)層權(quán)系數(shù)的初值w[sub]ij[/sub](2)(0)和w[sub]li[/sub](3)(0)、學(xué)習(xí)速率η、慣性系數(shù)α ;k=1;(2)DRNN網(wǎng)絡(luò)輸入層、回歸層、輸出層權(quán)值賦以小的隨機(jī)值,并設(shè)定網(wǎng)絡(luò)各層的學(xué)習(xí)速率和慣性系數(shù);(3)采樣得到y(tǒng)(k)、r(k),計(jì)算e(k),同時(shí)給pj(k)、q[sub]ij[/sub](k)賦零初值;(4)正向計(jì)算BP網(wǎng)絡(luò)各層神經(jīng)元的輸入、輸出;計(jì)算PID控制器的輸出u,并送入控制對(duì)象及DRNN辨識(shí)網(wǎng)絡(luò),產(chǎn)生控制對(duì)象的輸出yout(k);(5)對(duì)DRNN網(wǎng)絡(luò)的權(quán)值進(jìn)行實(shí)時(shí)修正,辨識(shí)輸出y[sub]m[/sub]out(k);(6)用BP網(wǎng)絡(luò)的迭代算法修正BP網(wǎng)絡(luò)權(quán)系數(shù);(7)令k=k+1返回第一步,繼續(xù)按步順序執(zhí)行。 5 仿真實(shí)現(xiàn) 弦波輸入響應(yīng)曲線圖,從圖中可以看出兩條曲線基本重合,誤差很小。模型的跟蹤能力比較滿意,可見,由DRNN神經(jīng)網(wǎng)絡(luò)構(gòu)成的辨識(shí)網(wǎng)絡(luò)收斂速度快,精度高。 [align=center] 圖4 正弦跟蹤曲線[/align]   由于集中供熱過程中,不可避免的存在不確定性的擾動(dòng)量,對(duì)上述模型添加隨機(jī)擾動(dòng)量測(cè)試,測(cè)試某一時(shí)刻系統(tǒng)受到一個(gè)外來隨機(jī)擾動(dòng)的自適應(yīng)控制。圖5-6為系統(tǒng)突加擾動(dòng)時(shí)的仿真曲線。由圖可以看出,在存在某一段時(shí)間的擾動(dòng)誤差量的情況下,基于DRNN辨識(shí)的BP神經(jīng)網(wǎng)絡(luò)PID控制算法仍然顯示了很好的控制能力,正弦跟蹤曲線基本無變化,顯示了對(duì)突發(fā)動(dòng)態(tài)擾動(dòng)很好很強(qiáng)的抑制能力。 [align=center] 圖5 添加擾動(dòng)量的正弦跟蹤曲線 圖6 添加擾動(dòng)量的正弦跟蹤誤差曲線[/align] 6 創(chuàng)新點(diǎn)   采用以BP神經(jīng)網(wǎng)絡(luò)作為控制器,以DRNN網(wǎng)絡(luò)作為辨識(shí)器,作用在PID控制器上,針對(duì)系數(shù)慢時(shí)變、非線性大之后的、包含擾動(dòng)的集中供熱換熱站溫度模型進(jìn)行控制,仿真結(jié)果表明:融合三種控制策略的次種控制方式控制效果良好、魯棒性強(qiáng)。 參考文獻(xiàn)   金以慧,程控制 .清華大學(xué)出版社,1993,4   毛恒,王永初。神經(jīng)網(wǎng)絡(luò)在過程控制中的應(yīng)用 .福建電腦,2003,(9)   劉金琨。先進(jìn)PID控制及其MALAB仿真 。電子工業(yè)出版社,2003,1   趙長(zhǎng)占,不完全微分PID控制算法的研究與應(yīng)用。計(jì)算機(jī)與數(shù)字工程,2007,8   劉金琨,智能控制 。電子工業(yè)出版社,2005,5   吳衛(wèi)兵,基于RBF在線辨識(shí)的神經(jīng)網(wǎng)絡(luò)PID控制及其應(yīng)用。冶金自動(dòng)化,2006,4   Rao J Rural.Neural nerwork architeure for parameter estimation of dynamical systems .IEEE Pror-CTA 1996,143(4):387-393.   J J.H opfield,D.W.Tank.Neural Computation of Decisions Optimization Problen.Biological Cybernetics.1985,52:141-152

標(biāo)簽:

點(diǎn)贊

分享到:

上一篇:基于逆變輸出的PWM整流回饋?zhàn)?..

下一篇:微能WIN-V63矢量控制變頻器在...

中國(guó)傳動(dòng)網(wǎng)版權(quán)與免責(zé)聲明:凡本網(wǎng)注明[來源:中國(guó)傳動(dòng)網(wǎng)]的所有文字、圖片、音視和視頻文件,版權(quán)均為中國(guó)傳動(dòng)網(wǎng)(m.u63ivq3.com)獨(dú)家所有。如需轉(zhuǎn)載請(qǐng)與0755-82949061聯(lián)系。任何媒體、網(wǎng)站或個(gè)人轉(zhuǎn)載使用時(shí)須注明來源“中國(guó)傳動(dòng)網(wǎng)”,違反者本網(wǎng)將追究其法律責(zé)任。

本網(wǎng)轉(zhuǎn)載并注明其他來源的稿件,均來自互聯(lián)網(wǎng)或業(yè)內(nèi)投稿人士,版權(quán)屬于原版權(quán)人。轉(zhuǎn)載請(qǐng)保留稿件來源及作者,禁止擅自篡改,違者自負(fù)版權(quán)法律責(zé)任。

網(wǎng)站簡(jiǎn)介|會(huì)員服務(wù)|聯(lián)系方式|幫助信息|版權(quán)信息|網(wǎng)站地圖|友情鏈接|法律支持|意見反饋|sitemap

傳動(dòng)網(wǎng)-工業(yè)自動(dòng)化與智能制造的全媒體“互聯(lián)網(wǎng)+”創(chuàng)新服務(wù)平臺(tái)

網(wǎng)站客服服務(wù)咨詢采購(gòu)咨詢媒體合作

Chuandong.com Copyright ?2005 - 2024 ,All Rights Reserved 深圳市奧美大唐廣告有限公司 版權(quán)所有
粵ICP備 14004826號(hào) | 營(yíng)業(yè)執(zhí)照證書 | 不良信息舉報(bào)中心 | 粵公網(wǎng)安備 44030402000946號(hào)