本文提出了一种带神经网络的自调整PID控制器。的主要特点是它在控制结构中不包括独立的PID控制器,而是集成了神经网络和PID控制律。出了该神经网络控制器学习算法和控制系统的稳定性分析。真结果表明,该控制系统具有很强的适应性和鲁棒性。键词:TP27文献代码:神经网络PID控制CLC数非线性学习算法A文章编号:1674-098X(2015)11(c)中-0041-03Résumé:一种新的类型的PID控制器的自校正提出神经网络控制器的学习算法,分析该控制器的稳定性仿真结果表明,该控制系统具有较强的适应性和鲁棒性。键词:神经网络,PID控制,非线性,研究算法PID控制是最古老的控制策略之一,其算法简单,鲁棒。靠性高,广泛用于工业过程控制。而,随着科学技术的不断发展,受控对象变得越来越复杂。前的工业生产过程通常具有随时间变化的非线性和许多不确定性。

象及其环境的参数通常会随时间而变化。确定的干扰也可能影响控制效果。

前,用户对控制质量的要求越来越重要,传统的P1D控制的不足正逐渐暴露出来。主要表现在控制不适当的不确定系统,控制非线性非自适应系统,控制不适当的时变系统以及控制多变量系统。年来,人工神经网络的快速发展引起了人们的关注。可以以任意精度逼近任何连续的非线性函数,并具有适应和自学习能力,适用于不确定的复杂问题,难以用模型和规则描述的过程,以及强大的信息综合能力。据其特点,恒温阀芯提出了许多基于神经网络的PID控制算法,但仍然无法克服速度与克服“线性组合”之间的矛盾。
于以上情况,本文提出了一种带神经网络的自整定PID控制器。控制器的特征在于将误差信号的比例,积分,微分和PID参数置于直接神经网络中。验表明,它具有良好的自适应和自学习功能,对提高控制效果和控制系统的鲁棒性具有积极的影响,具有很强的非线性和随时间变化迅速自动可调神经网络,PID控制系统结构直接调谐PID控制系统,神经网络如图1所示。文以图2的网络结构为例说明其工作原理。入层的两个节点的输入是给定值和受控对象的输出值。3的隐藏节点用于执行误差信号的比例,积分和微分操作。
出层完成非线性控制律PID的合成。数P,I和D由网络的权重表示,并且根据所选规则通过系统误差自适应地校正网络的权重。中,隐层的权重对输入层的自适应学习用于通过随机干扰对系统的输出进行滤波,并且隐藏层对输出层权重的自适应调整用于找到合适的PID参数。输入图层的第一个单位的权重设置为隐藏图层的第一个单位,对应的输入图层单位= 1,= 2对应,第一个单位的蒙版单位的权重为输出层单元,被遮罩层的第一层神经元的总输入是隐藏层中第一个神经元的总输出。

文直接指出的神经网络由PID控制系统直接模拟。络各层加权系数的初始值如下: 1,均为-1,取区间[-0.5,0.5]中的随机数并取学习率。考输入信号采用100 s周期的方波。统跟踪曲线如图3所示。

图3所示,模拟对象的输出是跟踪系统输入的好方法。论从仿真的设计方法和仿真结果可以看出,本文提出的神经网络自整定PID控制系统具有结构简单,易于实现,参数物理意识清晰的优点。经网络。习和适应的能力避免手动调整,提高系统的稳定性,以及强大的适应性和稳健性。后的研究,这种控制方法将在工业控制领域具有广阔的应用前景。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com
