BP神經(jīng)網(wǎng)絡(luò)在PID控制中的應(yīng)用

杜金明 姜旭日 王傳俊 吳雙佚

摘 要：系統(tǒng)控制是吸引工程學(xué)界關(guān)注的領(lǐng)域之一。當系統(tǒng)有時間延遲并需要精確控制時?？刂圃O(shè)計是一項艱巨的任務(wù)，需要先進的控制理論。在許多控制方案中，PID控制廣泛用于工程系統(tǒng)，但調(diào)整PID參數(shù)的方法通常需要時間和精力才能實現(xiàn)精確控制。

BP神經(jīng)網(wǎng)絡(luò)可以用于設(shè)計神經(jīng)網(wǎng)絡(luò)系統(tǒng)。一個神經(jīng)網(wǎng)絡(luò)模型（NNM）用于工廠識別，另一個神經(jīng)網(wǎng)絡(luò)控制器（NNC）可以相應(yīng)地調(diào)整PID參數(shù)。通過NNM在線學(xué)習(xí)和修復(fù)，可以預(yù)測工廠產(chǎn)量。此外，該技術(shù)用于識別工廠的模型。通過模擬實驗和實際測試將結(jié)果與現(xiàn)有方法的結(jié)果進行比較。驗證顯示了改進的有效性和穩(wěn)健性。

關(guān)鍵詞：PID控制；神經(jīng)網(wǎng)絡(luò)；數(shù)學(xué)模型

一、介紹

作為今天的世界，隨著技術(shù)的進步，人們每天都在創(chuàng)造各種高科技產(chǎn)品。飛機，遠程手術(shù)機器和工業(yè)機器人等產(chǎn)品使人們的生活變得更加便利。但是，需要精確控制高科技產(chǎn)品以執(zhí)行所需的位置。例如人們使用遙控器向飛機發(fā)送請求，以便它可以飛到所需的位置。醫(yī)生應(yīng)該以非常準確的方式控制醫(yī)療機器進行遠程手術(shù)，否則患者可能會受傷。為了使控制目標更加準確和快速，應(yīng)設(shè)計并實現(xiàn)PID控制方法。

PID控制器可以優(yōu)化系統(tǒng)響應(yīng)，這種控制器廣泛用于機械和工業(yè)系統(tǒng)。開發(fā)一種優(yōu)化PID控制器的方法在系統(tǒng)控制領(lǐng)域至關(guān)重要。但是，調(diào)整PID控制器并非易事。通常它需要大量耗盡的實驗并且需要大量的時間和精力。

此外，還有過程中的干擾。最常見的是時間延遲問題。它可能會使系統(tǒng)產(chǎn)量不確定。大的時間延遲可能導(dǎo)致系統(tǒng)不穩(wěn)定。受這些問題的驅(qū)使，需要使用先進的技術(shù)，例如使用神經(jīng)網(wǎng)絡(luò)來設(shè)計PID控制器。

二、PID控制器

在系統(tǒng)控制過程中，一些變量如加速度，速度，振幅通常需要保持在一定范圍內(nèi)，或者可以根據(jù)原理進行改變。并且為了接近控制過程要求，PID控制器基于PID控制算法調(diào)整控制系統(tǒng)的偏差。這樣工廠的實際產(chǎn)值就可以達到我們想要的值。但不同的控制規(guī)律適用于不同的生產(chǎn)過程，必須合理選擇相應(yīng)的控制，否則PID控制器將無法實現(xiàn)預(yù)期的控制效果。PID控制器連續(xù)計算所需設(shè)定值和工廠輸出值之間的誤差值。它根據(jù)比例，積分和微分項優(yōu)化系統(tǒng)響應(yīng)。PID控制器可以用數(shù)學(xué)形式表示為：

其中Kp，Ki和Kd分別是等式（1）中的比例，積分和微分項的系數(shù)。K，Ti和Td分別是等式（2）中的比例增益，積分時間和微分時間。兩個方程都表達了PID算法，但是采用不同的數(shù)學(xué)形式。另外，Ki和Kd可分別用Kp / Ti，Kp / Td代替。

三、人工神經(jīng)網(wǎng)絡(luò)

Warren McCulloch和Walter Pitts（1943）創(chuàng)建了一種基于數(shù)學(xué)和算法的神經(jīng)網(wǎng)絡(luò)計算模型，稱為閾值邏輯。人工神經(jīng)網(wǎng)絡(luò)自20世紀80年代以來，網(wǎng)絡(luò)（ANN）成為人工智能領(lǐng)域的熱門研究課題。構(gòu)建人工神經(jīng)網(wǎng)絡(luò)的最初目標是解決像人類這樣的問題。隨著時間的推移，人們有許多具體的任務(wù)，因此在計算機視覺，社會工作，視頻游戲等許多領(lǐng)域應(yīng)用人工神經(jīng)網(wǎng)絡(luò)。

就像人類大腦一樣，人工神經(jīng)網(wǎng)絡(luò)由神經(jīng)元組成，它們結(jié)合在一起具有特定的結(jié)構(gòu)。每個神經(jīng)元代表一個稱為激活函數(shù)的特定輸出函數(shù)。每個神經(jīng)元之間的結(jié)合強度表示通過連接的信號的權(quán)重值，其等于人工神經(jīng)網(wǎng)絡(luò)的存儲器。網(wǎng)絡(luò)的輸出取決于網(wǎng)絡(luò)的連接模式，權(quán)重值和激勵功能。而且，網(wǎng)絡(luò)通常是近似某種算法在自然界中起作用。人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元組成的非線性自適應(yīng)信息處理系統(tǒng)。它是由現(xiàn)代神經(jīng)科學(xué)的研究成果提出的，并試圖通過模擬神經(jīng)網(wǎng)絡(luò)處理和信息記憶來處理信息。

人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點主要表現(xiàn)在三點：首先，它具有自學(xué)能力。例如，在計算機視覺領(lǐng)域，它只需要足夠的圖片和相應(yīng)的識別。通過自學(xué)習(xí)功能，可以實現(xiàn)這類圖片。此外，可以使用自學(xué)習(xí)能力進行預(yù)測。其次，它具有聯(lián)想存儲優(yōu)勢。第三個是它可以非常快速地找到最佳解決方案。

雖然人工神經(jīng)網(wǎng)絡(luò)已經(jīng)取得了進展但仍有一些檢測應(yīng)用并不廣泛，但結(jié)果不夠準確，訓(xùn)練過程需要很長時間才能進行訓(xùn)練數(shù)據(jù)。對于那些檢測，仍然需要研究并克服那些檢測。

四、調(diào)整PID控制的方法與比較

PID控制調(diào)整過程中最重要的是調(diào)整PID三個參數(shù)，即比例、積分和微分。在工業(yè)領(lǐng)域，大多數(shù)實際工廠生產(chǎn)過程都很復(fù)雜，調(diào)整過程需要付出很多努力。因此，開發(fā)PID在線調(diào)整方法，可以通過應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)通過調(diào)整PID參數(shù)設(shè)計自適應(yīng)PID控制器來減少工作量。

調(diào)整PID控制器的主要目的是調(diào)整PID增益。有三個不同的參數(shù)，即比例，積分和微分項。調(diào)整PID控制器并不簡單，即使它只有三個參數(shù)。因為不同的系統(tǒng)有不同的行為，人們有不同的要求。這些要求導(dǎo)致復(fù)雜的標準。為了獲得良好的性能，穩(wěn)定性是最重要的。在此之后，根據(jù)具體任務(wù)設(shè)計PID控制器。

1.手動調(diào)整

事實證明，這種手動調(diào)整方法對于自動調(diào)諧和自適應(yīng)調(diào)整可能失敗或不可用的過程非常有用。表1 [4]顯示了調(diào)整PID參數(shù)的效果。

手動調(diào)整方法的過程可以描述為四個步驟。首先，將Ki和Kd設(shè)置為零。第二次緩慢增加Kp值直到系統(tǒng)振蕩并將Kp設(shè)置為其一半的數(shù)值。第三，增加Ki以消除穩(wěn)態(tài)誤差。最后，增加Kd以減少系統(tǒng)過沖，但如果過多則可能導(dǎo)致過度響應(yīng)。這種方法沒有一定的原則。它主要根據(jù)系統(tǒng)行為和用戶體驗來調(diào)整PID增益。

2.Ziegler Nichols調(diào)整方法

Ziegler Nichols方法由John G. Ziegler和Nathaniel B. Nichols [4]引入。

它是PID調(diào)諧領(lǐng)域一種非常傳統(tǒng)和成熟的方法。要使用Ziegler Nichols方法，首先將I-term和控制器中的D-term設(shè)置為0.然后，緩慢增加Kp值，直到系統(tǒng)振蕩為止。其次，將此時的臨界增益記錄為KP，crit.。并且給定的時期是Tcrit。最后根據(jù)Ziegler Nichols圖計算PID參數(shù)。

Ziegler Nichols方法是一種積極的方法。經(jīng)過多次實驗，證明了使用這種方法可以降低系統(tǒng)時域響應(yīng)的上升時間。它確實使系統(tǒng)響應(yīng)更快，但會導(dǎo)致一些過沖。而且，這是一個漫長的過程，需要消耗大量的時間。

3.極點配置

極點放置是最流行的方法之一。它很容易應(yīng)用于一個簡單的系統(tǒng)。它需要在調(diào)優(yōu)過程中遵循這些步驟：

（1）設(shè)計從給定的PID控制器功能和工廠傳輸功能開始。

（2）根據(jù)給定的數(shù)學(xué)函數(shù)，形成特征方程。

（3）使用根軌跡確定所需的閉環(huán)極點。

（4）根據(jù)超調(diào)等規(guī)格要求，上升時間得到二階方程的形成。

（5）確定閉環(huán)極點并形成所需的特征方程。

（6）使用代數(shù)確定PID控制器系數(shù)，以便實現(xiàn)所需的閉環(huán)極點。

極點放置方法原理明確，可以理解。然而，極點放置需要受控目標的數(shù)學(xué)函數(shù)。此外，它可能對系統(tǒng)外部干擾不敏感。

五、PID調(diào)整方法的比較

通過表3可以知道，手動方法需要經(jīng)驗，沒有一定的規(guī)律來證明它。Ziegler-Nichols調(diào)整方法需要做很多消耗性的實驗。實際上，很難獲得每個工廠的數(shù)學(xué)函數(shù)，因此極點放置方法也不能被廣泛使用。這里可以應(yīng)用神經(jīng)網(wǎng)絡(luò)來調(diào)整PID增益。神經(jīng)網(wǎng)絡(luò)是一種在線調(diào)整方法。在調(diào)整過程中不需要使用工廠的數(shù)學(xué)函數(shù)，并且有一定的原理可以證明。

六、BP神經(jīng)網(wǎng)絡(luò)在PID控制系統(tǒng)中的應(yīng)用

PID控制可以表示為

其中u（k）是k時刻的控制力。Kp，Ki和Kd分別是比例，積分和微分增益。e（k）是定義為所需工廠輸出與實際工廠輸出之間差異的誤差。

本文介紹2-3-3神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。這表示神經(jīng)網(wǎng)絡(luò)由兩個輸入層，三個隱藏層和一個輸出層組成。

輸入層的輸出是：

PID參數(shù)是輸出層的輸出，它們給出如下：

神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程是通過調(diào)整權(quán)重來最小化以下功能

其中r（k）是期望輸出，y（k）是神經(jīng)網(wǎng)絡(luò)輸出。

根據(jù)梯度下降法，使用E（k）來修改權(quán)重值。所以權(quán)重值可以用E（k）表示如下：

然后從PID函數(shù)得到：

將PID函數(shù)方程（3）與權(quán)值函數(shù)方程（13）相結(jié)合，最后得到輸出層權(quán)重值和偏差值：

同樣計算隱藏層的權(quán)重和偏差值是：

七、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程如圖4所示。首先，設(shè)置神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并給出幾組輸入和目標值來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。其次，初始化權(quán)重和偏差值。通常，將它們設(shè)置在-1到1之間。第三，根據(jù)初始權(quán)重和偏差值計算每個層的輸出。接下來，將輸出層中的神經(jīng)網(wǎng)絡(luò)輸出與給定目標值進行比較并找出錯誤。如果誤差足夠小，它將停止訓(xùn)練并減輕權(quán)重，偏差值。如果不是，請根據(jù)錯誤修改每個節(jié)點的權(quán)重，然后返回第三步重新計算輸出。根據(jù)新輸出，找到錯誤并評估它是否足夠小。

神經(jīng)網(wǎng)絡(luò)中有兩個參數(shù)，即權(quán)重和偏差值。經(jīng)過幾次迭代，神經(jīng)網(wǎng)絡(luò)輸出接近目標值。并且在可以訓(xùn)練表現(xiàn)非常出色時記錄這兩個參數(shù)。

八、結(jié)論和未來的工作

在神經(jīng)網(wǎng)絡(luò)方面，它適用于復(fù)雜的工廠，因為它不需要工廠的復(fù)雜數(shù)學(xué)函數(shù)。而且，神經(jīng)網(wǎng)絡(luò)調(diào)整方法不需要做很多消耗性的實驗，減少了大量的時間和精力。將來，在非線性和復(fù)雜的受控設(shè)備（如機器人手臂）中應(yīng)用和測試神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)可以接近非線性關(guān)系，因此可以用于復(fù)雜工廠的建模。在神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過程中，嘗試使用更少的數(shù)據(jù)并使模型更準確。在培訓(xùn)過程中，復(fù)雜工廠需要的培訓(xùn)數(shù)據(jù)多于簡單工具。但是，如果培訓(xùn)過程中有太多的培訓(xùn)數(shù)據(jù)，則需要很長的培訓(xùn)時間。因此，使用較少的數(shù)據(jù)來制作精確的神經(jīng)網(wǎng)絡(luò)模型是一個有值得研究話題。

參考文獻：

[1] 墨蒙，趙龍章，龔嬡雯，等.基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)研究應(yīng)用[J].現(xiàn)代電子技術(shù)，2018，41（9）：41-44.

[2] 張永振，蘇寒松，劉高華，等.基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器參數(shù)調(diào)整[J].南開大學(xué)學(xué)報（自然科學(xué)版），2018，51（3）：26-30.

[3]沈夏炯，王龍，韓道軍.人工蜂群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在入侵檢測中的應(yīng)用[J].計算機工程，2016，42（2）：190-19.

[4]徐杭東，麥云飛.基于神經(jīng)網(wǎng)絡(luò)的液壓材料試驗機系統(tǒng)自適應(yīng) PID 控制研究[J].機電工程，2018，35（4） ： 375-379.

[5]施虎，龔國芳，楊華勇，等.基于單神經(jīng)元的盾構(gòu)推進速度自適應(yīng) PID 控制[J].中國機械工程，2010，2（20）：138-141.

作者簡介：

杜金明，出生年月：1994年4月，性別：男，民族：漢，籍貫（精確到市）：四川省遂寧市蓬溪縣，學(xué)歷：碩士研究生，研究方向：機械工程.