PID控制广泛应用于工业过程控制，但由于控制参数固定，传统的PID控制难以在线求解。文研究了一种新的自适应模糊PID控制方法，为解决模糊推理学习不足的问题，提出一种基于BP神经网络的自适应模糊控制方法。方法是模糊控制，恒温阀芯神经网络和PID控制的有效组合。真实验表明，基于BP神经网络的模糊PID控制算法具有良好的控制效果。[关键词] PID控制; BP神经网络;模糊PID控制广泛应用于工业过程控制，但由于其控制设置的传统PID控制是固定的，很难在线调整其参数。文研究了一种新的自适应模糊PID控制方法，解决了无学习能力的问题，提出了一种基于血压神经网络的自适应模糊控制方法，该方法有效地结合起来。
糊控制与神经网络。真结果表明，基于BP神经网络的模糊PID控制方法具有良好的控制效果。键词：PID控制; BP神经网络;模糊PID控制引言传统PID广泛应用于控制领域，利用数学算法定义参数，并且随着控制系统的复杂性，受控对象难以建立数学模型，人们开始探索新的控制方法。
糊控制不需要输入受控对象的精确数学模型，根据手动控制规则组织控制决策表，然后确定表控制量的大小。为一般规则，规则由经验丰富的专业人员用语言表达。是对于一些问题，即使是经验丰富的专业人士也很难用清晰简化的规则来总结他们的经验。这种情况下，可以应用神经网络方法，BP神经网络的自学习功能可用于实现模糊和模糊神经融合技术，并行分布式结构可用于估计输入 – 输出映射关系。原始工作数据总结了几个控制规则。立模糊系统的有效决策规则。PID控制器的原理PID控制的微分方程PID控制器是一个线性控制器，给出比值（p），积分（I）和给定值r（t）与值的偏差的导数实际输出c（t）。（D）通过线性组合控制量来控制控制对象。
公式中：每个PID控制器链接的作用，一旦发生偏差，控制器立即产生一个减少偏差的命令。分链接：积分动作会降低系统的稳定性，而设置Kd会使系统不稳定，但它可以消除静态误差。分链路：它可以反映偏转信号的趋势，并在偏转信号值变得过大之前将早期校正信号引入系统，从而加快系统行进速度，缩短调整时间。
Kd太大时，超调很重要，调整时间短;当Kd很小时，过冲也很大，调整时间很长。有当Kd合适时，过冲很小且时间很短。BP神经网络和模糊控制模糊控制是一种控制策略，它使用语言归纳算子形成一个使用变量和模糊集理论的控制算法。何使机器识别和理解人类的模糊规则，进行模糊逻辑推理，最后得出新的结论，实现自动控制是模糊控制研究的主要内容。糊控制器的基本结构在图1中图1的模糊控制结构的人工神经网络，通过各种各样的互连可用于模拟包括大量的人工神经元中的每一个示出大脑神经系统的结构和功能。工神经网络可以被认为是具有人工神经元作为节点并通过有向加权弧连接的有向图。BP网络是一个神经网络，使用错误返回传播训练算法，它是一个隐藏层的多层转发网络，系统地解决了学习连接权的问题多层网络中的隐藏单元。BP学习算法的基本原理是最陡的梯度下降法，其核心思想是调整权重以最小化总网络误差。就是说，采用梯度搜索技术来最小化网络的实际输出值和预期输出值的平均误差值。络学习过程是通过在错误侧向后传播来校正加权系数的过程。结构如图2所示。图2中，隐藏层的第一层中有7个神经元，对应于7个模糊子集：NB，NM，NS，ZO，PS，PM，PB。49个神经元的第二层代表49个规则。7个神经元的第三层代表输出的7个模糊子集。
糊控制不是基于对象的数学模型，而是模糊规则需要人工经验。用BP算法形成工程经验和专业知识的模糊规则，模糊规则由神经网络表示，经神经网络检测后，模糊规则表示为系数加权和规则生成转化为加权因子的确定和修改。
经网络是大规模并行操作，但由于网络结构复杂，培训需要花费大量时间，因此目前无法进行实时监控。具体应用中，我们首先形成离线神经网络各层的权重和阈值，设置参数，然后通过映射关系中系统的检测和计算直接替换检测到的误差。线性并通过计算机计算。制量用作受控对象。BP网络仿真训练用Matlab Matlab的在图3，图4和5中示出的输出为一个神经网络控制系统中，内部变化和的数学模型的原理和模糊PID控制器的模拟“受控对象是：采用模糊控制来实现在线设定PID参数，其原理是在图6中。
中所示使用ZN方法和试错法6模糊PID控制工序图，使用MATLAB的SIMULINK平台，对受控对象进行传统的PID仿真。数值：kp = 15，ki = 6，kd = 0.05。图7所示。了比较，用于建立模糊PID控制器的仿真模型如图7所示。9和10示出了传统PID模拟结果与输入的受控对象G（s）的模糊PID的比较。真结束后，传统PID控制的缺点是显着的超调，调整时间长，动态性能差。
点是控制精度高，稳定性好。糊控制提供良好的动态性能，爬升速度快，基本没有过冲。而，没有完全连接，模糊化引起的稳态误差很难消除，因此稳态性能差。
糊PID继承了两者的优点，放弃了它们的缺点，并提供了更完整和更有效的控制性能。论与显著延迟，慢速时间变化和非线性的复杂系统，基于神经网络上的模糊PID控制算法，以不依赖于在线执行自调整模糊规则控制对象的精确数学模型。高了模糊控制器的自学习能力。过算法仿真验证了算法的可行性。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com