基于BP神經網絡的PID控制器的設計及模擬研究

唐元恒，王占勇，鄒剛，張玎

（海軍航空工程學院青島校區，山東青島，266041）

基于BP神經網絡的PID控制器的設計及模擬研究

唐元恒，王占勇，鄒剛，張玎

（海軍航空工程學院青島校區，山東青島，266041）

本文首先對BP神經網絡進行概述，然后對基于BP神經網絡的PID控制器的設計進行分析，最后進行模擬仿真研究，得出基于BP神經網絡的PID控制器與傳統PID控制器具有適應性強、精度高等明顯優勢的結論。

BP神經網絡；PID控制器；設計；模擬研究

0 引言

PID控制器是一種簡單、有效的控制算法，具有魯棒性好、可靠等優勢，在工業過程的控制中具有廣泛的應用。但是，PID控制器的建立需要依靠確定的數學模型，在實際的生產中很難達到這一條件，通常就有非線性與不確定性等，很難保證數學模型的精確性，在這種情況下傳統的PID控制器很難實現良好的控制效果。另外，由于PID控制器整定參數比較困難，并且性能不好，很難使用運行工況。微處理技術與數字智能式控制器的發展與應用，為控制復雜的系統提供了新的可能性。一些新型的、經過改進的PID控制器逐漸發展起來，控制效果得到顯著提升。在這些新型的控制系統中，包括模糊、預測、專家、灰色PID控制系統與神經控制系統。

1 BP神經網絡概述

大腦具有很強的智能性，能夠快速接收與處理感官輸出的模糊信息，并且感知到較低的聲音與并不清晰的影像。神經網絡即為使用科學技術對人腦中的結構與功能進行模擬，為規模較大的非線性動力學系統。該種網絡能夠儲存、處理信息，并且能夠實現主動學習，因此在處理信息、識別模式、控制智能等方面的應用將會越來越廣泛。從某種意義上來說，神經網絡能夠被稱為人工神經網絡。神經網絡并不僅僅是使用物理元器件對生物體中的神經網絡進行復制，而是使用其中能夠利用的部分對當前計算機與其他系統中尚未解決的問題進行分析與解決，例如對專家系統進行的識別、學習與控制等。現代生物與科學技術的發展增加了人類對腦結構與認知過程的理解，神經網絡技術得到進一步發展，在神經網絡基礎上發展起來的各種工業控制系統也逐漸增多。

在人工神經網絡中，作為一種三層以上（包括三層）的多層前饋網絡，BP神經網絡應用范圍最為廣泛，傳播方式為單向傳播，一般由輸入層、隱含層、輸出層組成。該網絡的學習過程包括正向與反向傳播。正向傳播時，輸入信息的傳播過程為輸入層→隱含層→輸出層，每一層神經元都只對下一層的神經元產生影響。若在輸出層得不到期望輸出，則自動轉換為反向傳播，誤差信號（即Δ）會按照原來的傳播通路返回，對每層神經元的權值進行修改，將誤差信號控制在最小。BP網絡具有可微傳遞函數，因此硬閉值傳遞函數并不適用，通常使用正切與線性函數。

2 基于BP神經網絡的PID控制器設計及模擬研究

2.1 PID控制器

PID控制器是一種反饋回路軟件，在工業控制中應用比較廣泛。該控制器能夠比較收集到的信息數據與參考值，再將其中存在的差別作為計算新輸入值的依據。這種做法能夠保證系統中數據達到參考值并進行保持。相較于其他的控制運算，PID控制器能夠將歷史數據與差別出現率作為依據進行輸入值的調整，提高系統的準確性與穩定性。使用數學知識與數學工具能夠發現，當其他控制方法引起系統出現誤差或反復的時候，使用PID反饋回路對于系統的穩定運行具有良好的效果。

2.2 基于BP神經網絡的PID控制器

BP神經網絡能夠逼近任何一種非線性函數，并且具有簡單明了的結構與算法。使用BP神經網絡能夠自主學習的功能，能夠對某一控制規律下最優的P、I、D參數。基于BP神經網絡的PID控制器的控制系統包括經典PID控制器，能夠實現對被控制對象的閉環控制，而且其中的Kp、Ki、Kd三個參數為在線整定式。基于BP神經網絡的PID控制器的控制系統還包括神經網絡MN。能夠對系統的運行狀態進行分析，以便實現對PID控制參數的調節，對目標性能指標進行優化。輸出層中的神經元的輸出狀態與PID控制器中的Kp、Ki、Kd三個參數相對應。由于BP神經網絡能夠進行自動學習并且調整加權系數，保證其穩定狀態與某一控制規律PID控制參數相對應。

2.3 基于BP神經網絡的PID控制器的設計

2.3.1PID控制器的結構設計

上文中已經提到基于BP神經網絡的PID控制器的控制系統包括經典PID控制器與神經網絡MN。

2.3.2PID控制器的實現過程

初始化：對BP神經網絡與網絡參數中的初始值進行確定，選定合適的學習率、動量因子，該情況下k值為1；比較系統中采集到的輸入數據與輸出數據，得知系統誤差表示式。然后對是否出現丟包情況進行判斷，如果出現該情況使用k-1時刻的誤差；計算神經網絡中每層的輸入與輸出值，輸出就是PID控制器中的Kp、Ki、Kd三個參數；對PID控制器的輸出進行計算；對BP神經網絡的權值進行在線調整，保證系統參數實現自適應調整。

2.3.3設計BP神經網絡的PID控制算法

BP神經網絡由輸入層、隱含層、輸出層組成，k值取3，分別是Kp、Ki、Kd。由于Kp、Ki、Kd在目標函數有一定權重含義，所以BP神經網絡中將Sigmoid函數作為隱含層、輸出層中全部節點的轉換函數。

系統的輸入與誤差信號。BP神經網絡信號輸入層的輸入與輸出為：Ii

0（k）=xi（k）與Oi0=Ii

0（k），i=1，2，3，……，M。其中，M為輸入變量的個數，M的值與被控制系統的復雜程度成正比，系統越復雜，則M的值越大。Ii0、Oi

0、Ii

0中的上標代表BP神經網絡中輸入層、隱含層、輸出層；然后對BP神經網絡信號隱含層與輸入層的輸入與輸出進行描述；最后修正系統的誤差。當系統的誤差較大，已經超出控制范圍時，能夠使用BP學習算法，將學習率與動量因子加入其中，能夠有效降低系統中產生的誤差，在迭代修正BP神經網絡中的權值，列出系統中的控制性能相關函數。列出函數后，使用微分鏈式規則與合適的計算方式能夠計算出系統神經元的局域梯度，將經過修正的系統BP網絡信號輸出層的權值經過計算得出，使用同樣的方式得出隱含層權值。

3 結語

雖然常規的PID控制器結構比較簡單，并且具有良好的穩定性與可靠性，但是其中存在的缺陷也很明顯：常規的PID控制器將數學模型作為基礎，如果被控制的對象的數學模型精度不足，而且常規的PID控制器針對非線性系統，并不具備通用的分析方式與設計方法。另一方面，盡管常規的PID控制器也具有一些魯棒性、適應性，但是對具有強非線性與干擾性的對象進行控制時，效果并不好。常規的PID控制器的種種缺陷為基于BP神經網絡的PID控制器的控制系統提供了廣闊的應用空間。所以，將PID控制器與BP神經網絡進行有機結合的控制方式已經成本熱點研究問題。PID神經網絡由比例、微分神經元等組成，能夠進行快速學習，并且具有良好的性能。BP神經網絡能夠在線整定、優化PID控制參數，適應能力與魯棒性比較強，在多個工程控制中都有著廣泛的應用。

[1]蔣鼎國.基于改進型BP神經網絡PID控制器的溫室溫度控制技術[J].實驗室研究與探索, 2015, 34(1):9-13.

[2]鄭華清，蔣敏蘭.基于MPSO算法的BP神經網絡PID控制器研究[J].微型機與應用, 2015(17):7-11.

[3]于海南，鄭榮進，步文月，蔣歡.基于BP神經網絡PID控制器在水產溫室溫度控制中的應用[J].安徽農業科學, 2016(3):312-315.

[4]崔皆凡，謝煒，馬桂新，張孝亮.基于BP神經網絡PID的改進偏差耦合同步控制[J].微電機, 2016(12):54-57.

[5]呂偉，姚凱學.BP神經網絡PID控制算法在農作物干燥控制系統中的應用研究與設計[J].計算機測量與控制, 2015, 23(2):432-435.

Design and Simulation of PID Controller Based on BP Neural Network

Tang Yuanheng,Wang Zhanyong,Zou Gang,Zhang Ding
(Naval Aeronautical Engineering Institute Qingdao Campus,Qingdao Shandong,266041)

This paper first summarizes the BP neural network, and then analyzes the design of the PID controller based on BP neural network. Finally, the simulation results show that the PID controller based on BP neural network is adaptable to the traditional PID controller Strong, high precision and other obvious advantages of the conclusion.

BP neural network; PID controller; design; simulation study

唐元恒（1974.11），男 ，漢族，籍貫：山東萊蕪，碩士研究生，工程師，研究方向：裝備綜合保障。