一個基于BP神經網絡的PID溫度控制系統的研究與實現

摘 要：文章以注塑機溫度控制系統為應用背景，研究了一個基于BP神經網絡的PID溫度控制系統。

關鍵詞：溫度控制系統；研究；實現

國內市場中的注塑機溫度控制系統大多采用比例積分微分（PID）控制和模糊控制。在塑料機械中，料桶的溫度控制非常關鍵，低于或者高于塑料的適宜熔融標準都會影響產品的最終成型質量。由于產品成型過程復雜而且可影響因素多，如果可以做好料桶的溫控就可以對整個生產起到事半功倍的效果。但是這幾種控制方式都需要建立精確的數學模型，而注塑機溫度控制系統是一個大滯后、強耦合、非線性的時變系統，建立精確的數學模型是非常困難的，因此PID溫控系統的效果并不是很理想，鑒于這種情況，本文引入一個基于BP神經網絡的溫度PID控制系統來改善注塑機溫度控制。神經網絡具有表達任意非線性映射的能力，能夠對非線性系統進行建模。利用神經網絡的這一特點建立動態模型，作為預測控制器的預測模型，可用于熱力過程的預測和控制，應用BP神經網絡，通過學習和訓練逼近對象的真實模型。對溫度控制的各相關指標的相對權重確定。影響溫度變化各相關因素在輸入預測和評估模型時， 需要一組決定其相對重要性的初始權重，權重的確定需要基本的原則作支持。例如確定溫度的上限及下限，純加熱控制段的比例，不同位置的溫度控制段的默認PID參數等。目前本文使用的是基于經驗的三層架構的BP神經網絡架構，通過輸入層對采樣數據的輸入，隱含層的各種計算，并把計算結果通過輸出傳遞出去，這樣經過在線指導后，可以滿足BPN-PIDS系統的算法的實現。其中各層的連接權值首先通過隨機賦值的方式進行，然后根據各指導案例的學習，得到健壯的權重值。

本文的主要工作是設計并實現了一個基于BP神經網絡的溫度PID控制系統（BP neural network PID system簡稱為BPN-PIDS），其核心是 PID神經網絡，如圖1-2 BPN-PIDS控制算法所示。本文主要參考了如下的相關技術：PID控制原理，BP神經網絡（如圖1-1神經網絡圖所示），MATLAB軟件，B/S軟件架構以及ASP開發工具，XML數據庫存儲以及OPC行業標準。對于具有多變量強耦合時變特性的溫度控制系統，本文所構建的PID神經網絡可以通過在線學習建立科學的預測和評估指標體系及設計相應的模型計算方法與學習參數；同時，根據對象參數發生變化時對系統輸出性能的影響來調整連接權值，改變網絡中比例、積分和微分作用的強弱，使系統具備良好的動態和靜態性能，達到系統解耦和溫度控制的目的。本文結合不同塑料的具體實際特性， 對指標和模型體系進行了實證分析， 解決了普通PID控制系統的非確定性、非固定性元素。

BPN-PIDS系統已借助MATLAB軟件進行了仿真與實現。系統架構如圖1-3系統框架所示，包括服務器應用端程序，注塑機端相應的應用。

服務器應用端分為通訊模塊，控制功能模塊與數據庫服務，其中控制功能模塊為核心。

通訊模塊的作用為服務器應用端與注塑機端的通訊并傳遞相應數據。

控制功能模塊為核心模塊，通過對傳遞到的數據分析與運算，進行整個系統的控制。

數據庫服務則為控制功能模塊服務，它將數據存儲到數據庫中，需要的時候則可以提取出來。

注塑機端應用分為：上位機應用，下位機應用其中，上位機應用主要作用是采集下位機的數據，經過處理后通過通訊模塊給應用程序控制模塊進行相應的分析，然后接受控制模塊的輸出指令，傳遞給下位機。

下位機的主要作用是通過A/D模塊采集料筒的實際溫度，然后傳遞給上位機。再接受上位機的控制指令，對料筒進行是否加熱的指令。

由于采用了C/S結構，本文中注塑機端最多可以接連255個客戶端。

i）總體結構

設BP神經網絡是一個采用三層BP結構，它有m個輸入節點，其中，根據算法結構，m=3，q個隱含節點，3個輸出節點。輸入節點對應所選的系統運行狀態量，如系統不同時刻和輸入量和輸出等，必要時進行歸一化處理。輸出節點分別對應PID控制器的三個參數Kp、Ki、Kd，由于這三個參數都不能為負，所以輸出層神經元激活函數一定要取非負的Sigmoid函數。此處根據經驗，當q值過小，則算法有可能失敗，當q值過大，則算法速度太慢，同時占用資源過多，所以取q=5。

ii）學習算法請參看圖1-4 BP神經網絡學習算法

（a）、確定BP網絡結構，即確定輸入層節點數m和隱含層節點數q，并給出各層的加權系數的初值，選定學習速率η和慣性系數α。初值隨機賦值，學習速率與慣性系數取習慣值，此時k=1。

（b）、采樣得r（k）和y（k），計算該時刻誤差e（k）=r（k）-y（k）

（c）、計算神經網絡各層神經元得輸入、輸出，NN得輸出即為PID控制器得三個可調參數Kp、Ki、Kd。

（d）、根據增量式算法計算PID得輸出u（k）。

（e）、進行神經網絡得學習，通過數據庫的存儲讀取，離線調整加權系數，實現PID控制器參數得自適應調整置，重復步驟（b）-（e）。

（f）、置k=k+1，返回到b步驟

在仿真中，比較常規PID與BPN-PIDS系統仿真。從中可以得知通過優化和混合仿真傳統PID控制器能夠獲得很好的系統性能，BPN-PIDS獲得了平滑的變換，但存在靜態誤差。當模型參數變化時，比較兩者的魯棒性，顯示了當時延增大時，傳統PID出現了振蕩。傳統PID控制在注塑機溫度控制系統中能達到較好的控制性能和控制精度。但是，當系統的參數發生變化時，常規PID的魯棒性就很差了。而神經PID雖然存在靜態誤差，但仍然有很穩定的平滑性。BPN-PIDS同樣也能獲得更為平滑的過渡過程，但是系統存在著靜態誤差。BPN-PIDS具有自學習和自調整的能力，當模型參數改變時，BPN-PIDS仍然有平滑的過渡過程，這就證明BPN-PIDS的魯棒性比傳統PID更強，適應能力更強。通過MATLAB實現了BPN-PIDS算法，解決了普通PID控制方法中的非確定性，非固定的問題，通過BP神經網絡的在線自學習能力，為今后不同材料，不同模具的應用達到了良好，健壯的溫度控制。

從圖1-5信號跟蹤圖中可以看出：控制變量u變化規則，擾動較小，跟蹤曲線光滑，跟蹤誤差小，達到穩定狀態后，誤差波動小。

圖1-6誤差曲線圖為系統的誤差曲線，可以看出，系統跟蹤誤差非常小大約在（0.008～-0.008 內），跟蹤效果很理想。

圖1-7 PID參數變化圖反映了整個過程中參數kp，ki，kd 隨時間變化的情況，可以看出， kp，ki，kd 在不斷調整，從而使控制效果最佳。

本文以基于神經網絡的解耦控制和PID控制作為研究的出發點，經過查閱資料、理論研究以及實際測試，取得的研究結論可簡要的歸納如下：

（1）就基于神經網絡的參數自適應PID控制算法進行了分析研究。利用神經網絡所具有的任意性表達能力，通過對系統的學習來實現具有最佳組合的PID控制。避免了憑經驗選取PID控制參數的不確定性，而且可以實現控制器參數的在線調整和整定。算法主要由兩個部分組成：

a.經典的PID控制器，控制算法為經典增量式。直接對被控對象進行閉環控制，而且三個參數為在線調整方式。

b.神經網絡，根據系統的運行情況，根據學習算法，在線調整PID控制的參數使得給定性能指標最優，輸出層神經元的輸出狀態讀對應于PID控制器的三個可調參數。

（2）給出了一種基于神經網絡的分散解耦算法BPN-PIDS算法。這種分散解耦算法從本質上仍屬于串聯解耦的一種特殊情況，但他與串聯解耦又有所不同。

（3）將基于神經網絡的參數自適應PID控制算法與分散解耦算法結合，并能過MATLAB軟件中實現了BPN-PIDS算法，并實現了在線的整定的算法，既避免了當單獨采用自適應PID算法時，如多變量被控對象耦合嚴重，則控制效果不佳的問題；又避免了當采用分散解耦算法時，如出現多變量被控對象模型參數發生變化，原有的控制器參數不能適應變化后的對性的問題。將該算法應用與料筒的溫度控制，結果表明可以取得較為滿意的控制效果。

本文工作對具有多變量強耦合時變特性的控制系統的設計與實現具有較好的參考價值。

參考文獻

[1]（美）Martin T.Hagan，等.神經網絡設計[M].機械工業出版社，2002）9）.

[2]吳啟迪.反饋式神經網絡智能控制[M].上海科技教育出版社，2004.

[3]劉金餛.先進PID控制MATLAB仿真[M].電子工業出版社，2004.