基于BP神經PID的干粉砂漿攪拌儲罐控制系統

蔡錦達，李祥偉

CAI Jin-da, LI Xiang-wei

(上海理工大學，上海 200093）

0 引言

由于干粉砂漿攪拌儲罐自動控制系統的時滯性、復雜的非線性特性、難以建立精確的數學模型，且由于對象和環境的不確定性，常規PID控制方法很難對其進行有效控制的問題，并且在實際應用中其參數整定問題一直是尚未很好解決的難點。

因此，為了獲得理想的控制效果，本文提出將BP神經網絡技術應用到干粉砂漿攪拌儲罐濕度自動控制系統的系統在線辨識器（NNI）和自適應PID控制器（NNC）中，以解決復雜動態不確定系統的控制問題。采用BP神經網絡對被控對象進行在線辨識,獲得有效的系統模型,在此基礎上，建立三層神經網絡模型，在控制過程中按照梯度下降法修正神經網絡的權系數，實現PID神經網絡的自學習和逼近任意函數的功能，在控制過程中根據變化實時調整PID的三個控制參數，從而進行PID控制參數的在線整定，而不像傳統PID控制需要人工調整。因此比傳統的PID控制算法更具有良好的靈活性和適應性。

1 干粉砂漿攪拌儲罐濕度控制系統的神經PID控制框圖

為了達到要求的性能指標，對于處在不確定、不確知環境中的復雜的非線性不確定、不確知系統的設計問題，是控制領域研究的核心問題。神經PID控制是解決此類問題的一條有效途徑。

圖1 神經PID控制框圖

神經PID控制結構如圖1所示，其中有兩個神經網絡：NNI—系統在線辨識器；NNC—自適應PID控制器。系統的工作原理：由NNI對被控對象進行在線辨識的基礎上，通過對NNC的權系進行實時調整，使系統具有自適應性，從而達到有效控制的目的。

2 神經網絡辨識器（NNI）

設被控對象為

BP網絡的輸入為

隱層第i節點的輸出為

隱層非線性作用函數為雙曲正切S形函數

網絡的輸出（輸出節點為線性）為

設目標函數為

網絡權值的調整算法為

3 神經PID控制器（NNC）

PID控制算法為

對于不確定、未知的對象與擾動，為達到系統的有效控制，在對被控對象進行在線辨識的基礎上，設計參數可調整PID控制器。此時設計的是神經PID控制器，網絡的權系值即表征PID控制器的三個系數，應用神經網絡所具有的學習能力，當對象與擾動有變化時，辨識的對象隨著變化，神經PID控制器的權系值不斷的調整，從而使控制系統能適應未知環境的變化，實現有效控制。

由上所述，神經PID控制器NNC需由動態神經網絡組成，其包括：數值積分器、一步滯后環節和自適應線性神經元。

由式（9）知，自適應線性神經元的輸入為

設目標函數為

則NNC網絡權值調整算法為

4 系統仿真分析

設被控對象的仿真模型為

作用于被控對象的擾動為

取神經網絡辨識器的模型為

式中取b=1.2。

利用Matlab神經網絡工具箱對該控制系統進行仿真，得到曲線圖如圖2～圖4所示。

圖2 NNI和NNC誤差曲線圖

圖3 控制參數整定結果曲線圖

圖4 控制系統輸入、輸出、NNI輸出、NNC輸出和NNI權值調整曲線圖

由圖2可知，對象的辨識誤差和控制誤差在大概30步時趨于零,在第40步有外部擾動v時，辨識誤差和控制誤差稍有波動，隨后又快速的趨于零，魯棒性較強，說明此時系統已經具有一定的泛化能力，能夠準確辨識對象模型，并對系統進行有效控制。

由圖3可知，在前30步內，PID的三個控制參數根據所選定的學習速率和加權系數不斷學習訓練和調整參數值的時間。在取得最優的控制參數后，系統的階躍響應曲線的振蕩幅度迅速減小。而且，當外部有干擾時，控制系統可以通過誤差的反饋，經過神經網絡對權值的調整，使其快速調整為最優的控制參數。

由圖4左上圖可知，在大概30步時，控制系統的輸出趨于控制系統的輸入，在40步出現擾動時控制系統的輸出也產生擾動，但是隨后很快逼近控制系統的輸入。由圖4右上圖可知，系統在線辨識器（NNI）能夠準確對被控對象進行在線辨識。由圖4右下圖可知，系統在線辨識器（NNI）的權值也隨著步數而逐漸調整，外界環境有擾動時，權值并無大的波動，可以反映出系統具有一定的泛化能力，魯棒性強。

5 結論

通過對干粉砂漿攪拌儲罐濕度自動控制系統的研究與設計，將BP神經網絡技術應用到干粉砂漿攪拌儲罐濕度自動控制系統的系統在線辨識器（NNI）和自適應PID控制器（NNC）中，由NNI對被控對象進行在線辨識的基礎上，通過對NNC的權系進行實時調整，實現PID神經網絡的自學習和逼近任意函數的功能，從而進行PID控制參數的在線整定。因此，對具有時滯性、復雜的非線性特性、難以建立精確的數學模型的控制系統，神經PID控制方法是一種有效控制決策，并且其可以在實際應用中實現參數自整定，改善系統性能。

[1]孫亮,等.自動控制原理[M].北京:北京工業大學出版社,1999.

[2]薛定宇.基于MATLAB/simulink的系統仿真技術與應用[M].北京:清華大學出版社,2002.

[3]舒懷林.PID神經元網絡多變量控制系統分析[J].自動化學報,1999,25(1):105-111.

[4]M.J.Willis,G.A.Montague.Auto-tuning PI(D)Controllers with Artificial Neural Networks.In Proc.12 th WCIFAC,Sydney,Australia:1993,4:61-64.

[5]S.Akhyar,S.Omatu.Self-tuning PID Control by Neural-Networks.IJCNN93-Nagoya.1993,3:1749-1752.

[6]劉金錕.先進PID控制MATLAB仿真(第二版)[M].北京:電子工業出版社,2006.

[7]黃劍平.基于BP神經網絡的PID控制研究[J].計算機仿真,2010.

[8]徐麗娜.神經網絡控制.[M]北京.電子工業出版社,2009.