PID控制算法简单易行,用途广泛,可以去除残留物并提高系统稳定性,但是用于控制其P链接,my I链接和D链接的参数很难定义。BP神经网络算法具有强大的数字运算能力。此,可以通过BP神经网络的自学习和加权系数的调整来实现最佳的PID调整。文以汽车的控制为例,利用BP神经网络的学习能力对PID参数进行在线调整,并进行MATLAB仿真。

果表明,使用BP神经网络可以快速找到PID控制参数。PID控制器具有结构简单,鲁棒性强,易于工业实现的优点,被广泛应用于工业控制中。是,当控制对象不是线性的并且随时间变化时,恒温阀芯很难在线解决参数化和自适应调整的问题。BP网络具有更好的在线检测能力,PID控制器和BP神经网络的结合可以对PID参数进行自学习过程,以获得满意的控制效果。经网络算法BP(Back Propagation)也称为错误返回传播算法,该算法的学习过程包括正向传播过程和反向传播过程。向传播过程是基于训练样本的输入向量从输入层到输出层中的隐藏层依次修改权重矩的过程,两个过程交替重复进行直到收敛。

PID调节器根据偏差的比例(比例),积分(积分)和微分(微分)进行控制。
P链接可以快速克服干扰的影响,但是会出现残留;链接我可以根据比例消除错误D链接具有主导作用,可以提高系统的动态稳定性。果同时使用链接P,链接I和链接D来控制PID,则该命令是理想的,它可以消除残留物并提高系统稳定性。

PID控制器由三部分组成:比例(P),积分(I)和微分(D)。公式(3.1),我们可以知道,要由汽车控制的外力F的幅值需要调整三个参数Kp,Ki和Kd。何将Kp,Ki,Kd设置为最佳值是PID控制的核心。统的剩余模拟曲线以及kp,ki和kd的变化曲线如图3所示。3是学习效率为浊度= 0.02且系数为时获得的曲线。性是琢= 0.05。图3中,在BP网络算法下,比例系数kp,积分系数ki和微分系数kd的调整范围很广,但是它们很快趋于稳定并且其自学习能力为比较强。kp,ki和kd的作用下,系统迅速接近目标函数,这也说明了BP网络接近任意函数的能力。

合了BP神经网络和PID控制,并利用神经网络自学习和任意逼近功能的能力在线调节PID控制器。真表明,采用BP神经网络的PID控制可以快速获得最佳的kp,ki和kd值,从而有效地控制了被测对象,为工业应用提供了一种快速的控制方法。于基于BP网络的PID控制器的优良特性,将为控制领域提供广阔的应用前景,具有重要的参考意义和应用价值。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com
