神經網絡PID控制在電機調速系統的仿真研究

張玲娜,張 鵬（陜西國防工業職業技術學院,西安 710302）

?

神經網絡PID控制在電機調速系統的仿真研究

張玲娜,張 鵬
（陜西國防工業職業技術學院,西安 710302）

摘 要：本論文主要應用BP網絡算法，利用輸入值與實際測量值之間的數值，以及期望的輸出值采集樣本，設定BP網絡值訓練BP網絡的Kp、Kd、Ki值，滿足誤差條件時BP網絡則會自動停止訓練，將可以通過仿真滿足要求的Kp、Kd、Ki值用作控制系統。

關鍵詞：PID控制；神經網絡；仿真

0 引言

科學技術的發展帶動人工智能的發展，人工神經網絡技術也隨著人工智能的發展得到了相應長足的發展。人工神經網絡是非線性的動力系統，其中包括具有廣泛非線性映射能力連接在一起的大量神經元，人工神經網絡其基本特點也是根據其自身修正完成非線性映射，而神經網絡的自組織，自學習以及獨特的適應性推理等強大的非線性處理能力能完成復雜多變的非線性映射函數。其基本思路是通過神經網絡訓練的輸入和輸出的訓練樣本，以適用于實現的，使用神經網絡的輸入數據實現自校正輸出數據映射，BP網絡是基于最小二乘法來實現自我糾正。

目前所利用的人工神經元網絡百分之九十以上是BP（Back Porpgaatino）網絡和徑向基函數（rdaial BasiS Function）神經網絡，其中超過80%的人工神經元網絡是采用的BP網絡算法。這種BP網絡其擬合的準確度高，誤差特性小，具有較高的收斂性，其突出的優點是可以通過設計自身的網絡結構，隱含層的層數，改變訓練數據來實現，以提高映射功能BP網絡，由于BP的數據網絡是一個動態的擬合過程，并通過訓練輸入樣本和目標樣本使BP神經網絡方法誤差最小的方向，BP網絡具有泛化能力，因此控制精度更高。在本設計中的主要應用是BP網絡算法，利用輸入值與實際測量值之間的數值，以及期望的輸出值采集樣本，設定BP網絡值訓練BP網絡的Kp、Kd、Ki值，滿足誤差條件時BP網絡則會自動停止訓練，將可以通過仿真滿足要求的Kp、Kd、Ki值用作控制系統。

1 BP網絡介紹

神經網絡模型是目前應用最廣泛的神經網絡模型，該模型被分成一個輸入層，隱含層和輸出層共記三層網絡結構，通常使用的是一個輸入層，而隱含層則可以擴展，層與層之間多是采用全互連方式的，同一層的各個神經元單元之間不存在相互的連接作用。用訓練數據來訓練BP神經網絡模型是通過信息的動態組合物的前向和后向誤差傳播擴散實現的，在正向傳播的BP神經元網絡輸入模式中則是從輸入層經過隱含層處理并輸送到輸出層，如果BP網絡的輸出層數值與所期望的目標數值進行比較誤差較大，沒有得到所設定范圍內的誤差數值，則BP網絡會自動將誤差信號作為輸入信號，沿著原來的通路返回，并且沿著梯度方向逐步的修改各層的權值，完成一個循環，然后再按周期逐次運算，直到所生成的誤差達到最小，最終得到期望的目標值。在這里，利用變步長和帶動量因子的算法實現對BP神經網絡訓練，LM算法不僅可以加快網絡訓練速度，并能防止網絡僅限于局部極小。BP神經網絡結構如圖1。

在圖1所示BP神經網絡結構圖中，P表示輸入向量，R表示輸入向量的維數，神經元上的激勵函數用f1來表示，ni表示輸入的節點數，各個神經元之間所連接的權值用Wij字母來表示，SI表示相應輸入的各個神經元個數，ai表示節點的對應輸出，WI表示神經元的層數，bi表示神經元的閾值。根據BP神經網絡的正向傳播與反向計算數學特征，BP神經網絡的相應計算方法表示如下：

每個神經元節點的輸出如式1-1：

對于每個訓練時整個網絡的輸出模式誤差為方差形式的誤差，如式1-2：

上式中api表示神經元節點上的實際輸出值，dpi表示神經元節點上的所期望輸出值。求整個輸出誤差之和如式1-3所示：

神經元動態權值修正函數如式1-4：

神經網絡PID控制系統的設計核心是BP神經網絡控制器，在MATLAB 神經網絡工具箱中實現，本文不做具體闡述。

2 仿真過程及結果

在MATLAB 神經網絡工具箱中，利用PID控制器，采集多組PID參數下的誤差值即誤差變化作為輸入樣本，滿足條件的PID參數作為輸出樣本。由輸入樣本和輸出樣本構成的數組，暫時保存到MATLAB 的存儲區內。打開MATLAB的主界面，輸入nntool就可以打開神經網絡工具箱，在工具箱中我們創建BP網絡，網絡輸入維數取2個神經元，隱含層取5個神經元，輸出層取1個神經元，利用BP網絡的訓練樣本訓練網絡，達到設定誤差值滿足訓練要求。將最終BP網絡的權值、閾值及神經元處理函數編輯S函數，實現BP網絡對不同誤差，誤差變化率條件下的PID參數的不同切換。在MATLAB SIMULINK中實現構建框架，如圖2所示，得到仿真曲線。如圖3所示。

由圖3可知，BP網絡PID控制系統能夠達到控制收斂性，上升時間少，動態響應高。但是系統有一定的超調量，神經網絡PID需要樣本的采集與訓練，和模糊PID控制比較較差。神經網絡PID控制系統由于訓練參數的不穩定性，以及訓練誤差調節PID參數，系統的變化造成控制系統的滯后性，但是優于常規PID控制。

隨著控制對象變得越來越復雜，常規的PID控制器由于其缺少自適應性，很難滿足控制要求，其控制精度以及整體魯棒性的控制效果低，控制效果很難達到要求。而模糊自調整PID控制器，可以很好的提高控制系統的精度，穩定性和快速性都較好，控制系統相對簡單卻具有很好的魯棒性的控制算法，所以在模糊PID控制領域模糊PID控制算法得到了很好的發展。常規PID對控制對象變得相對復雜的系統已不能夠適用，為了提高復雜系統的控制效果，得到期望較高的輸出量。這里我們可以綜合常規PID與模糊控制器各自的優點，提高整體系統的簡便性與靈活性，來構造一個具有自適應、自調節PID參數能力的模糊PID控制器。結合具體的控制實例，利用該控制算法在Matlab Simulink上做了相應的控制系統仿真。

3 結論

仿真結果表明：BP網絡PID控制系統能夠達到控制收斂性，上升時間少，動態響應高。但是系統有一定的超調量，神經網絡PID需要樣本的采集與訓練，和模糊PID控制比較較差。神經網絡PID控制系統由于訓練參數的不穩定性，以及訓練誤差調節PID參數，系統的變化造成控制系統的滯后性，但是優于常規PID控制。可適合于電機調速系統。

參考文獻：

［1］唐紅雨,陳迅.基于DSP和神經網絡PID控制的交流數字伺服系統［J］.電氣自動化,2007（06）：22-23+35.

［2］朱小娟,張家生,顧新宇.基于神經網絡PID的協調控制系統的研究與應用［J］.沈陽工程學院學報（自然科學版）,2008（01）：50-52.

［3］李楠,吳玉厚.基于神經網絡PID控制算法的自動調平系統的仿真研究［J］.機電產品開發與創新,2015（06）：109-110.

［4］楊景明,劉宇明,徐雅潔,車海軍.神經網絡自適應控制在冷軋機AGC系統中的應用［J］.冶金設備,2009（02）：14-17.

［5］陳滿儒,王海峰,張文明.神經網絡PID在包裝機控制系統中的應用研究［J］.包裝工程,2009（04）：10-11+26.

DOI：10.16640/j.cnki.37-1222/t.2016.12.222

作者簡介：張玲娜（1978-），女，陜西長安人，講師，研究方向：傳感器技術與應用。