基于BP神經網絡整定的PID控制策略研究

摘 要:PID控制在工業生產中廣泛應用，在反饋控制系統中經常會遇到穩定性和準確性的沖突，神經網絡技術的發展為此提供了新的解決問題的途徑，本文將BP神經網絡模型與PID參數整定結合，探討了基于BP神經網絡整定的PID控制策略。

關鍵詞:BP神經網絡參數整定PID控制

中圖分類號:TP1文獻標識碼:A文章編號:1674-098X(2011)07(a)-0010-01

1PID控制概述

在工業生產過程中，生產裝置的溫度、壓力、流量等參數要求維持在一定的數值上或按某種規律變化以滿足生產要求。PID控制PID(proportional integral differential)系統通過對生產系統偏差進行調節，促使被控變量的實際值與工藝要求值一致，從而滿足工業生產的要求，PID控制器原理簡單、易實現、控制性好且具有魯棒性強的特點，在工業生產中得以廣泛應用。

傳統的PID控制器是一種線性控制器，依據給定值r(t)和輸出值y(t)計算控制偏差error(t)，實現糾錯控制，糾錯控制環節包括比例單元(P)、積分單元(I)、微分單元(D)三個部分，可根據歷史數據和差別出現率調整新的輸入值，在其控制方法導致系統有穩定性誤差或過程反復的情況下，PID控制系統可以保持系統的穩定性。其原理圖如圖1。

在PID控制系統中，P、I、D為待定參數，若控制系統中的微分增益(D)為零，則相應的控制器為PI控制器，同理可以定義PD、ID控制器，在工業生產中以PI和PDI應用最為廣泛。近年來，PID控制有較快的發展，對PID控制的穩定性問題研究不斷深入。當使用反饋控制時，閉環系統有可能不穩定，此外當被控對象的結構和參數不能完全掌握時，系統控制器的結構和參數也依賴于經驗和現場調試，因此穩定性是反饋控制考慮的首要問題。

許多學者對PID參數整定方法進行了研究，迄今為止已有幾十年的歷史。如Ziegler和Nichols(1942)提出整定經驗公式、Cohen-Coon整定公式、內模PID控制法(IMC-PID)和Nyquist圖等方法。傳統PID控制采用了比例、微分、積分三種控制作用的線性組合，通過參數選擇可以在一定程度上獲得比較滿意的控制效果，然而在實際應用中，常會有沖突的地方，提出的指標常會使目標不容易實現。

傳統PID控制算法的根本性缺點在于其以不變的統一模式處理動態過程，無法解決穩定性和準確性之間的沖突，人工神經網絡的發展為此提供了理論基礎及可行性，為解決控制策略的動態調整提供了解決方案。

2 BP神經網絡算法

神經網絡是模擬、抽象并簡化人腦的結果和功能，反映了人腦的基本特征，是一種包含許多簡單的非線性計算單元或連結點的非線性動力系統。神經網絡技術具有并行分布處理、自學習、自組織、自適應、函數逼近等優良性能，廣泛應用于控制領域。

Rmenlhart、McclellandB采用誤差反向傳播算法(Back-Propagation)設計了神經網絡模型，把誤差信號按原來正向傳播的通路反向傳回，并對每個隱層的各個神經元的權系數進行修改，使誤差信號趨向最小。BP神經網絡被認為是最適用于模擬輸入、輸出的近似關系，算法成熟且應用廣泛。

BP神經網絡是一個多層機構網絡，由輸入層、隱含層和輸出層組成，各層由若干個神經元(節點)構成，每一個節點的輸出值由輸入值、作用函數和閾值決定。BP神經網絡結構類似人腦，神經元為其基本單元，每個神經元都有N各輸入和M各輸出，并且通過權值和下層相聯系，神經元輸出可以表示為:a=f(w*p+b)，f就是表示輸入輸出關系的傳遞函數，b為該神經元的閾值，p為輸入值。由于網絡的多層次性，其映射能力非常強，可以很好的處理非線性映射問題，其分類比線性劃分精確合理，這種網絡的容錯性較好。

3 基于BP神經網絡整定的PID控制策略

基于BP神經網絡整定的PID控制策略原理為:BP神經網絡模型通過對樣本的學習，可以得到優化的參數值，使其符合控制系統的穩定性和準確性的要求，實現最佳控制，因此控制策略的關鍵點在于待整定參數P、I、D的估計。

BP神經網絡模型主要涉及如下變量:輸入變量、隱含層節點、激活函數、輸出變量及閥值。依據PID控制的參數整定原理來看，輸入變量可以選擇為r(t)、error(t)、Δerror(t)，輸出變量為P(t)、I(t)、D(t)，隱含層參數的選取可自由設定，但隱含層較多，雖可減少誤差提高精度，但會增加訓練樣本數量和任務，而且采用梯度下降算法更容易使網絡選入局部最小化，因此本文選取單層隱含層的三層網絡模型作為學習模型。隱含層節點數目的選取具有一定的難度，因為若節點過少，無法實現非線性映射，而節點數目過多會增加訓練難度甚至無法得出訓練結果，一般而言隱含層節點數目不會超過25各，具體設定跟輸入變量數目、輸出變量數目相關，依據以往的經驗本文選擇4各節點。輸出層激活函數采取負sigmoid函數，閥值可根據學習速率及要求適當選取即可，基于BP神經網絡整定的PID學習結構如圖2所示。

基于BP神經網絡整定的PID控制策略能夠適應控制系統的動態變化提供控制策略，通過BP神經網絡學習和訓練，可以減少誤差提高準確度，只要具有足夠的樣本，神經網絡通過學習可以得到滿意的PID控制器，然而不足之處在于BP神經網絡采用梯度下降算法，容易使網絡選入局部最小化，無法得到最優值，可考慮引入遺傳算法解決此問題。

參考文獻

[1]劉偉.基于蟻群優化的神經網絡智能 PID控制策略研究[D].燕山大學，2010.

[2]舒懷林.PID神經元網絡及其控制系統[M].北京:國防工業大學出版社，2006:1-9，21-38.