PID控制算法已广泛应用于工业控制领域，但在实际应用中，其参数设置一直是一个尚未完全解决的难题。绍了BP神经元网络的基本原理，构建了神经网络模型，并在施工过程中通过相关方法有效地修改了权重，同时调整了PID参数并进行了改进。用Matlab软件对这种情况进行了仿真和分析。
出了BP神经网络的学习率和隐层节点数对控制效果的影响。PID控制由于算法简单，鲁棒性好，可靠性高而被广泛应用于工业过程控制中，一般必须定义三个参数：比例系数，微分时间和积分时间。
而，由于实际工业控制系统中的传统PID控制，将出现类似问题，例如控制过程的非线性和时间变化，这将使建立精确的参数数学模型变得困难。能保证系统达到理想的控制效果。[1]。
传统的PID控制过程中，由于某些因素的影响，控制过程中的某些问题（例如非线性问题）也可能导致不确定的时间变化。将对相关模型的构建产生一些影响，这将降低模型的准确性，并且不能满足控制要求。此，需要改进的PID控制器来控制系统。经网络具有自我适应和自我学习的能力[2]。过采用相关方法完善PID控制器，可以优化其系统结构等，以获得更好的控制效果和系统稳定性。PID控制算法具有较好的适应性。用最陡峭的梯度下降方法作为BP算法可以有效地优化整个控制系统。方面，该方法可用于改变权重系数，以控制传播误差。上述条件下，可以将网络的实际输出值与目标输出值之差控制在最小范围内，从而优化控制过程。
前向传播阶段，必须控制输入层权重。过使用隐藏层节点，可以启用相关功能，并且可以使用输出层节点获取输出值。
果输出值与目标输出不匹配，则分析误差变化，通过有效的反向传播进行的反馈，并同时转换每个级别的神经元权重以最终获得期望值[3] 。先，恒温阀芯有效地确定BP网络的结构，确定输入层M中的节点数和隐藏层Q中的节点数。时，输入各层的加权系数w（0）和w（0）的初始值。
外，学习率如何？以及惯性系数；采样rin（k）和yout（k），得到误差error（k）= rin（k）-yout（k）;计算PID控制器的可调参数（神经元神经元的输入值，输出值，输出层的值）；根据相关公式计算PID控制器的输出P（k）；使用神经网络自学习来调整w（0）和w（0），以便PID控制参数可以自行调整；设置k = k 1返回到步骤1。受控对象的近似数学模型：y（k）= u（k-1），a0（k）缓慢且随时间变化，和a0（k）= 1 0.15 sin（k2 / 25）。入信号为正弦信号r（k）= sin（2k？/ 100），学习率设置为0.28，惯性系数设置为0.04，网络结构神经元定义为4-5-3类型。真曲线如图1至4所示。以上曲线可以看出，基于神经网络的PID控制器可以保持稳定的运行状态，并且误差很小，这样可以有效控制过冲和抖动等问题。一方面，上述的PID控制器具有理想的精度，并且可以同步跟随控制信号，这在适应性和速度方面比传统的PID控制具有明显的优势。常，使用三层网络进行构建，并且存在一个隐藏层。用多层结构可以在一定程度上提高精度，这当然也会使结构复杂化，适当增加隐藏层中神经元的数量也可以有效地控制错误并改善进程。权系数的初始值优选地被设置为随机数。于系统不是线性的，因此初始值与学习是否达到局部最小值，是否可以收敛以及训练时间的持续时间密切相关。果在学习开始时设置了所有初始值，则每个蒙版层将获得相同的权重系数调整量，并保持权重一致。matlab中，使用句子wi = 0.50 * rand（H，IN）; w 0 = 0.50 * rand（Out，H）;从输入层到隐藏层以及从隐藏层到输出层随机选择值。
习速率的选择范围是0.01到0.8。这项研究中，学习率设置在0.01到0.8的范围内，以促进系统保持稳定的运行状态。习率决定了每个训练周期引起的突触重量变化量。择太大会导致系统不稳定；选择过小，虽然可以保证网络的误差值趋于最小误差值，恒温阀芯但学习时间过长，收敛速度慢。
设满足精度要求，则采用最小数量的隐藏层节点。藏层节点的数量与输入和输出层中节点的数量以及网络的复杂性有关。掩蔽层节点的数量在输入层节点和输出层节点之间并且接近输入层节点的数量时，收敛速度更快。掩蔽层节点的数量太少时，学习过程不会收敛。掩蔽层节点过多时，网络映射能力提高，易于收敛到最小点，但这会延长学习时间，降低网络的容错能力。
于PID神经网络的PID控制器必须首先确定理想的学习率以及适当的初始试验和误差权重，以使系统在运行期间可以保持稳定状态。经网络的PID控制方法简单，无需建立受控系统的数学模型，并且避免了PID参数的繁琐的手动调整。
文仅对基于BP神经网络的PID控制进行了简单的研究，并未将其应用于实际的实际问题。这些研究与实际示例结合起来将非常有意义。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com