基于BP神经网络的PID控制器设计.pptx

- I-;- II -;- I -;- 1 -;- 2 -;- 3 -;- 4 -;- 6 -;- 7 -;- 8 -;学 海 无 涯 整定方法的研究，找到一种可行的、与被控对象模型无关的、具有在线自整定能力的智能 PID控制器。 常规 PID 控制算法的理论基础 模拟PI D 控制算法 PID(Proportional、Integral and Differential)[14]控制是最早发展起来的控制策略之一， 它以算法简单、鲁棒性好、可靠性高等优点而被广泛应用于工业过程控制中。PID控制系 统结构如图2.1所示：;(2.3) (2.4);学 海 无 涯 由式（2.7）得出的控制量为全量值输出，也就是每次的输出值都与执行机构的位置(如控 制阀门的开度)一一对应，所以把它称之为位置式数字PID控制算法。 当控制系统中的执行器为步进电机、电动调节阀、多圈电位器等具有保持历史位置功 能的装置时，需要的不是控制量的绝对数值，而是其增量值。因此，需要由数字PID位置 式导出数字PID控制算法的增量式。 对数字PID位置式取增量，即数字控制器输出的是相邻两次采样时刻所计算的位置值 之差：;学 海 无 涯 2．增量式PID控制算法 所谓增量式PID是指数字控制器的输出只是控制量的增量Au(k)。当执行机构需要的是 控制量的增量时，可以由式(2.10)导出提供增量的PID控制算式。根据递推原理可得：;;学 海 无 涯 加，容易引起控制过程振荡，导致调节品质下降。因此，可在PID调节器中加入低通滤波 器来抑制，从而构成不完全微分型PID控制。根据低通环节加入的方式不同，不完全微分 型PID控制有多种结构形式。图2.2给出了一种不完全微分PID的结构．由低通滤波器的传递 函数可得该不完全微分PID的传 递函数为：;-15-;-16-;-17-;-18-;-19-;-20-;-21-;学 海 无 涯 当时的连接加权系数和节点的活化函数与阀值进行相应计算，所得的输出再继续向下一层 传送。这个前向网络的计算过程，既是网络学习过程的一部分，也是将来网络的工作模式。 在学习过程结束之前，如果前向网络计算的输出和期望输出之间存在误差，则转入反向传 播，将误差沿着原来的连接通路回送，作为修改加权系数的依据，目标是使误差减少。 3.5.2 BP 神经网络的前向计算 前向计算是在网络各神经元的活化函数和连接强度都确定情况下进行的。以具有所个 输入、9个隐含节点、，．个输出的三层BP神经网络结构为例，按逐个输入法依次输入样 本，则BP神经网络输入层的输出为：;学 海 无 涯 式中：参数只表示阀值。在神经网络的正常工作期间，上面的过程即完成了一次前向计算， 而若是在学习阶段，则要将输出值和样本输出值之差回送，以调整加权系数。 3.5.3 BP 神经网络的误差反向传播和加权系数的调整 在前向计算中，若实际输出，与理想输出，不一致，就要将其误差信号从输出端反向 传播回来，并在传播过程中对加权系数不断修正，使输出层神经元上得到所需要的期望输 出，为止。 当网络输出与期望输出不等时，存在输出误差E，定义如下：;学 海 无 涯 ;-25-;学 海 无 涯 4 仿真程序智能分析;学 海 无 涯 ;学 海 无 涯 ;学 海 无 涯 ;学 海 无 涯 ;-30-;-31-;-32-;-33-;-34-;-35-;-36-;-37-;-38-;-39-