论文：基于PID神经网络的多变量强耦合时变控制系统.pdf

基于PID神经网络的多变量强耦合时变控制系统 舒怀林* 郭秀才** 舒华* 摘 要：本文介绍了一种新的神经网络——PID 神经网络及其多变量强耦合时变控制系统。文中给出了网 络的结构和算法，分析了时变对象的特点，对一组二变量强耦合时变系统进行了实时仿真，显示了 PID 神 经网络对多变量强耦合时变对象的良好解耦性能和自学习控制特性。 关键词：多变量时变系统，PID 神经网络，自学习控制，解耦控制 Multivariable Strong-coupled Time-varying System Based on PID Neural Network Shu Huailin* Guo Xiucai** Shu Hua* Abstract: The paper introduces a new kind of neural network: PID neural network and the multivariable strong-coupled time-varying system. The structure and the algorithm are given the simulation results are shown. It is proved that the PID neural network has perfect decouple and self-learning control performance for strong-coupled time-varying system. Key words: Multivariable system, time-varying system, PID neural network, decouple control. 1 引言 传统方法设计多变量系统控制器一般分两个步骤进行，第一步是解除系统各个变量之 间的耦合作用，即设计解耦器，将一个多变量系统分解为多个单变量系统；第二步是设计 控制器，对各个变量分别进行控制。这种方法依赖于对象的数学模型，要求对象的数学模 型已知且为线性时不变。在实际过程中，由于多变量系统的耦合作用，使其内部参数的测 量和计算非常复杂，要想满足被控系统的数学模型已知和线性时不变的条件是非常困难的。 即使条件得以满足，由于系统的解耦要求和控制性能往往难以兼顾，解耦器的设计和控制 器的设计过程复杂，应用难度很大。如果对象内部参数随时间发生变化，其控制问题将更 加复杂，因为随着参数的变化，对象输入和输出之间、变量与变量之间的耦合关系都要发 生变化，使依赖于对象参数和对象模型的解耦算法失效。当参数变化较缓慢时，采用自适 应控制方法有一定的效果；当参数变化的情况已知时，采用鲁棒控制也有一定的作用。但 是，对于参数未知且大幅度变化的强耦合多变量系统，以上方法一般难以奏效。 [1]~[6] PID神经网络是一种由比例（P ）、积分（I ）、微分（D ）神经元组成的多层神经网络 ， 具有PID控制和神经网络的优点。对于多变量强耦合时变系统，PID神经网络可以通过在线 学习，根据对象参数发生变化时对系统输出性能的影响来调整连接权值，改变网络中比例、 积分和微分作用的强弱，使系统具备较好的动态和静态性，达到系统解耦控制的目的。 本文将在给出 PID 神经网络算法的基础上，介绍 PID 神经网络控制多变量强耦合时变 系统的仿真实例。 2 PID神经网络的结构形式 由图 1 可知，PID 神经网络是三层前向网络，它是由多个 PID 子网交叉并联而成的， 如果网络需要有 n 个输出，就需要 n 个子网交叉并联，构成 2n ×3n ×n 结构的网络，即输 入层有 2n 个输入神经元，隐含层有 3n 个处理神经元，其中包括 n 个比例元，n 个积分元， 116 n 个微分元，输出层有 n 个输出神经元。PID 神经网络的输入层至隐含层是按子网独立的， 而其隐含层至输出层