基于BP神经网络的PID控制器及其MATLAB仿真
摘要: PID控制算法简单、应用广泛,既能消除余差,又能提高系统的稳定性,但其P环节、I环节、D环节的控制参数却参数难以整定;BP神经网络算法具有很强的数字运算能力,因此,可通过BP神经网络自学习、加权系数调整,实现PID的最优调整,本文以小车控制为例,利用BP神经网络的学习能力进行PID参数的在线整定,并进行了MATLAB仿真,结果表明,利用BP神经网络可很快的找到PID的控制参数。
关键词:BP网络;PID控制;MATLAB仿真 引言
PID控制器具有结构简单、鲁棒性强、工业上容易实现等优点,在工业控制中得到广泛应用。但是,当控制对象为非线性和时变特性时,参数的整定及在线自适应调整问题就难以解决。BP网络具有较好的在线检测能力,将PID控制器和BP神经网络相结合可以实现PID参数的自学习过程,从而达到满意的控制效果。
1 BP神经网络[1]
BP(Back Propagation)神经网络算法又称为误差逆传播算法,这个算法的学习过程由正向传播过程和反向传播过程组成,正向传播过程是依据学习样本的输入向量从输入层到隐含层到输出层逐次修改权值矩值,两个过程反复交替,直至收敛为止。BP神经网络是神经网络模型中应用最广泛的一种,以三层BP网络为例,其模型如图1所示:
2 基于BP网络的PID控制器[2,3]
2.1 PID控制器介绍
PID控制器是按照偏差的比例(portional)、积分(integral)和微分(derivative)进行控制的。P环节能较快克服扰动的影响,但是会有余差出现;I环节能在比例的基础上消除误差;D环节具有超前作用,能提高系统的动态稳定性。若同时采用P环节、I环节、D环节即PID控制规律来进行控制就比较理想化,便既能消除余差,又能提高系统的稳定性。PID控制器由比例(P)、积分(I)、微分(D)3个部分组成。 2.2基于BP网络的PID控制器 图1中,输出层的输入、输出为:
3 基于BP网络的PID控制实例分析
一重1Kg的小车模型在一光滑无阻力的水平面上受F1和F2作用从A点出发向B点运动,假设A与B之间距离为1Km,那么如何控制F1和F2的大小才能使小车刚好到达B点?
3.1 数学分析
由数学和物理知识可知,小车所受合外力F为:
由式(3.1)可知,小车所受合外力F的大小控制需要借助Kp、Ki、Kd三个参数的调节,如何将Kp、Ki、Kd调至最佳值便是PID控制的重点。 3.2 仿真分析
根据经验,为更好的实现余差的控制调整, BP网络输入层输入为[rin(k),yout(k),error(k),1],其控制器结构框图如图2所示:
由分析可知rin(k)=1.0,error(k)=rin(k)-yout(k);输出u为速度,由公式(3.2)和(3.3)可知: Plant的传递函数为:;
系统的余差仿真曲线及kp、ki、kd的变化曲线如图3所示,图3是在学习效率为?浊=0.02,惯性系数为?琢=0.05的情况下所得曲线。
基于BP神经网络的PID控制器及其MATLAB仿真
