PID神經網絡的非線性系統辨識與控制問題分析

孫振保 許書娟 廣西城市職業學院

PID神經網絡作為一種多層向前網絡，它不僅具備逼近能力、非線性變換、并行計算等多種性能，還具備積分、微分、比例等動態特點，若把PID神經網絡應用到非線性系統中，可通過對PID神經網絡結構算法的不斷優化，制定出一個可行性的PID神經網絡控制方案，通過辨識和控制，達到比較理想的控制效果，改變工業等控制領域中傳統控制方法不足之處。

1 PID神經網絡系統辨識分析

2×3×1是PID神經網絡的基本結構，如下所示:

圖1 PID神經網絡基本結構

由上圖可知，PID神經網絡基本結構中包含了若干個組成部分。包括輸入層神經元、積分、微分、比例、微分函數等等。在PID神經網絡基本結構中其上限限幅值和下線限幅值分別是+1和-1，主要采取反轉算法學習方式。而從PID神經網絡系統辨識角度來看，其是選擇一個神經網絡來逼近實際系統的過程。定義如下:

則說明，這個神經元組成的向前神經網絡可以任意逼近任何連續函數。當向非線性系統中輸入函數u(k)=0.6sin(2πk/50)+0.4sin(2πk/75）時，PID神經網絡在學習20步、50步之后，被辨別對象將會輸出相應的響應曲線。如下所示:

圖2 PID神經網絡學習20步后的被辨識對象響應曲線

圖3 PID神經網絡學習50步后的被辨識對象響應曲線

由上述圖例可知，經過PID神經網絡短時間的學習，可更好的優化辨識過程，有效反饋被辨識系統性能。PID神經網絡與BP網辨識效果相比，當BP網學習2000次以上時，才能達到PID神經網絡辨識效果。因而，在工業等控制領域的非線性系統優化時，應強調對PID神經網絡的運用，增強系統的整體辨識效果。

2 基于PID神經網絡的非線性系統控制問題

基于PID神經網絡的非線性系統控制需要經過以下幾個步驟:

第一，推導控制規律。本文選用了2-1NNC結構的PID神經網絡，在PID神經網絡結構確定以后，向系統中輸入了:。而在控制規律具體推導時，根據NNI辨識結果和利用BP學習算法調整了NNC網絡的權值，達到了PID自適應控制目的。

第二，NNC輸入的選取。當NNC結構是前向神經網絡時，它輸入是，那么它的輸出便是u（k）。當NNC網絡輸入節點是3，輸出節點是1時，在仿真過程中就會發現NNC輸入的選取必須考慮非線性系統這個問題，簡化處理NNC網絡。

第三，PID控制規律。在NNC結構是兩層前向神經網絡的基礎上，若向系統中輸入。此時，輸出是u（k），則根據PID規律可知，3-1是PID網絡的基本結構。

總之，結合PID控制策略改進非線性系統自適應控制，可進一步提高控制行為有效性、正確性。但是，在利用PID神經網絡優化非線性系統控制時，應全方位考慮網絡結構設計問題，逐一完善網絡結構中的網絡隱層數、各個隱層節點數、層間連接關系、隱性節點特性等組成要素，并保證在網絡結構具體設計時，在其網絡結構內部布置無窮個合理結構的采樣點，任意多個隱節點，給對象進行逼近，達到最佳的控制效果。此外，在基于PID神經網絡的非線性系統設計時，應充分考慮工業等控制領域傳統控制方法不包含控制作用變化數據的特點，從過去的操作數據獲取一些信息的同時，剔除可疑數據。同時，由于計算機操作失誤、非正常操作、校驗失誤等等會在一定程度上影響數據的采集，應盡可能的解決這一問題，以上下限方式，控制數據采集界限，更好的完成非線性系統的控制問題。

3 結論

綜上可知，工業等控制領域的非線性系統傳統控制方法已經無法滿足現代產業發展需求，始終達不到比較理想的控制狀態。在這一背景下，為了提高非線性系統的靈敏度，應嘗試在非線性系統研究中應用PID神經網絡，結合PID控制策略，改進傳統非線性系統控制方法存在的不足之處，最終將其應用于各個控制領域中，不斷提高各個控制領域的控制水平和質量。

[1]許素安，金瑋，梁宇恩等.壓電陶瓷遲滯神經網絡建模與線性補償控制[J].傳感技術學報，2017，20(12)：1884-1889.

[2]陸文昌，張勇，張厚忠.輪轂電機驅動汽車電子差速系統P-模糊PID控制研究[J].機械制造與自動化，2017，46(06)：193-196.

[3]汪先兵，費樹岷，徐清揚等.BP神經網絡PID控制的永磁真空開關儲能電容恒流充電特性分析[J].電工技術學報，2015，30(10)：212-218.

[4]胡錦添，舒懷林.基于PID神經網絡的四旋翼飛行器控制算法研究[J].自動化與信息工程，2015，36(01)：18-22.