神經(jīng)網(wǎng)絡(luò)PID控制在電機(jī)調(diào)速系統(tǒng)的仿真研究

張玲娜,張 鵬（陜西國(guó)防工業(yè)職業(yè)技術(shù)學(xué)院,西安 710302）

?

神經(jīng)網(wǎng)絡(luò)PID控制在電機(jī)調(diào)速系統(tǒng)的仿真研究

張玲娜,張 鵬
（陜西國(guó)防工業(yè)職業(yè)技術(shù)學(xué)院,西安 710302）

摘 要：本論文主要應(yīng)用BP網(wǎng)絡(luò)算法，利用輸入值與實(shí)際測(cè)量值之間的數(shù)值，以及期望的輸出值采集樣本，設(shè)定BP網(wǎng)絡(luò)值訓(xùn)練BP網(wǎng)絡(luò)的Kp、Kd、Ki值，滿足誤差條件時(shí)BP網(wǎng)絡(luò)則會(huì)自動(dòng)停止訓(xùn)練，將可以通過(guò)仿真滿足要求的Kp、Kd、Ki值用作控制系統(tǒng)。

關(guān)鍵詞：PID控制；神經(jīng)網(wǎng)絡(luò)；仿真

0 引言

科學(xué)技術(shù)的發(fā)展帶動(dòng)人工智能的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)也隨著人工智能的發(fā)展得到了相應(yīng)長(zhǎng)足的發(fā)展。人工神經(jīng)網(wǎng)絡(luò)是非線性的動(dòng)力系統(tǒng)，其中包括具有廣泛非線性映射能力連接在一起的大量神經(jīng)元，人工神經(jīng)網(wǎng)絡(luò)其基本特點(diǎn)也是根據(jù)其自身修正完成非線性映射，而神經(jīng)網(wǎng)絡(luò)的自組織，自學(xué)習(xí)以及獨(dú)特的適應(yīng)性推理等強(qiáng)大的非線性處理能力能完成復(fù)雜多變的非線性映射函數(shù)。其基本思路是通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入和輸出的訓(xùn)練樣本，以適用于實(shí)現(xiàn)的，使用神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)實(shí)現(xiàn)自校正輸出數(shù)據(jù)映射，BP網(wǎng)絡(luò)是基于最小二乘法來(lái)實(shí)現(xiàn)自我糾正。

目前所利用的人工神經(jīng)元網(wǎng)絡(luò)百分之九十以上是BP（Back Porpgaatino）網(wǎng)絡(luò)和徑向基函數(shù)（rdaial BasiS Function）神經(jīng)網(wǎng)絡(luò)，其中超過(guò)80%的人工神經(jīng)元網(wǎng)絡(luò)是采用的BP網(wǎng)絡(luò)算法。這種BP網(wǎng)絡(luò)其擬合的準(zhǔn)確度高，誤差特性小，具有較高的收斂性，其突出的優(yōu)點(diǎn)是可以通過(guò)設(shè)計(jì)自身的網(wǎng)絡(luò)結(jié)構(gòu)，隱含層的層數(shù)，改變訓(xùn)練數(shù)據(jù)來(lái)實(shí)現(xiàn)，以提高映射功能BP網(wǎng)絡(luò)，由于BP的數(shù)據(jù)網(wǎng)絡(luò)是一個(gè)動(dòng)態(tài)的擬合過(guò)程，并通過(guò)訓(xùn)練輸入樣本和目標(biāo)樣本使BP神經(jīng)網(wǎng)絡(luò)方法誤差最小的方向，BP網(wǎng)絡(luò)具有泛化能力，因此控制精度更高。在本設(shè)計(jì)中的主要應(yīng)用是BP網(wǎng)絡(luò)算法，利用輸入值與實(shí)際測(cè)量值之間的數(shù)值，以及期望的輸出值采集樣本，設(shè)定BP網(wǎng)絡(luò)值訓(xùn)練BP網(wǎng)絡(luò)的Kp、Kd、Ki值，滿足誤差條件時(shí)BP網(wǎng)絡(luò)則會(huì)自動(dòng)停止訓(xùn)練，將可以通過(guò)仿真滿足要求的Kp、Kd、Ki值用作控制系統(tǒng)。

1 BP網(wǎng)絡(luò)介紹

神經(jīng)網(wǎng)絡(luò)模型是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型，該模型被分成一個(gè)輸入層，隱含層和輸出層共記三層網(wǎng)絡(luò)結(jié)構(gòu)，通常使用的是一個(gè)輸入層，而隱含層則可以擴(kuò)展，層與層之間多是采用全互連方式的，同一層的各個(gè)神經(jīng)元單元之間不存在相互的連接作用。用訓(xùn)練數(shù)據(jù)來(lái)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型是通過(guò)信息的動(dòng)態(tài)組合物的前向和后向誤差傳播擴(kuò)散實(shí)現(xiàn)的，在正向傳播的BP神經(jīng)元網(wǎng)絡(luò)輸入模式中則是從輸入層經(jīng)過(guò)隱含層處理并輸送到輸出層，如果BP網(wǎng)絡(luò)的輸出層數(shù)值與所期望的目標(biāo)數(shù)值進(jìn)行比較誤差較大，沒有得到所設(shè)定范圍內(nèi)的誤差數(shù)值，則BP網(wǎng)絡(luò)會(huì)自動(dòng)將誤差信號(hào)作為輸入信號(hào)，沿著原來(lái)的通路返回，并且沿著梯度方向逐步的修改各層的權(quán)值，完成一個(gè)循環(huán)，然后再按周期逐次運(yùn)算，直到所生成的誤差達(dá)到最小，最終得到期望的目標(biāo)值。在這里，利用變步長(zhǎng)和帶動(dòng)量因子的算法實(shí)現(xiàn)對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，LM算法不僅可以加快網(wǎng)絡(luò)訓(xùn)練速度，并能防止網(wǎng)絡(luò)僅限于局部極小。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1。

在圖1所示BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖中，P表示輸入向量，R表示輸入向量的維數(shù)，神經(jīng)元上的激勵(lì)函數(shù)用f1來(lái)表示，ni表示輸入的節(jié)點(diǎn)數(shù)，各個(gè)神經(jīng)元之間所連接的權(quán)值用Wij字母來(lái)表示，SI表示相應(yīng)輸入的各個(gè)神經(jīng)元個(gè)數(shù)，ai表示節(jié)點(diǎn)的對(duì)應(yīng)輸出，WI表示神經(jīng)元的層數(shù)，bi表示神經(jīng)元的閾值。根據(jù)BP神經(jīng)網(wǎng)絡(luò)的正向傳播與反向計(jì)算數(shù)學(xué)特征，BP神經(jīng)網(wǎng)絡(luò)的相應(yīng)計(jì)算方法表示如下：

每個(gè)神經(jīng)元節(jié)點(diǎn)的輸出如式1-1：

對(duì)于每個(gè)訓(xùn)練時(shí)整個(gè)網(wǎng)絡(luò)的輸出模式誤差為方差形式的誤差，如式1-2：

上式中api表示神經(jīng)元節(jié)點(diǎn)上的實(shí)際輸出值，dpi表示神經(jīng)元節(jié)點(diǎn)上的所期望輸出值。求整個(gè)輸出誤差之和如式1-3所示：

神經(jīng)元?jiǎng)討B(tài)權(quán)值修正函數(shù)如式1-4：

神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)的設(shè)計(jì)核心是BP神經(jīng)網(wǎng)絡(luò)控制器，在MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱中實(shí)現(xiàn)，本文不做具體闡述。

2 仿真過(guò)程及結(jié)果

在MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱中，利用PID控制器，采集多組PID參數(shù)下的誤差值即誤差變化作為輸入樣本，滿足條件的PID參數(shù)作為輸出樣本。由輸入樣本和輸出樣本構(gòu)成的數(shù)組，暫時(shí)保存到MATLAB 的存儲(chǔ)區(qū)內(nèi)。打開MATLAB的主界面，輸入nntool就可以打開神經(jīng)網(wǎng)絡(luò)工具箱，在工具箱中我們創(chuàng)建BP網(wǎng)絡(luò)，網(wǎng)絡(luò)輸入維數(shù)取2個(gè)神經(jīng)元，隱含層取5個(gè)神經(jīng)元，輸出層取1個(gè)神經(jīng)元，利用BP網(wǎng)絡(luò)的訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)，達(dá)到設(shè)定誤差值滿足訓(xùn)練要求。將最終BP網(wǎng)絡(luò)的權(quán)值、閾值及神經(jīng)元處理函數(shù)編輯S函數(shù)，實(shí)現(xiàn)BP網(wǎng)絡(luò)對(duì)不同誤差，誤差變化率條件下的PID參數(shù)的不同切換。在MATLAB SIMULINK中實(shí)現(xiàn)構(gòu)建框架，如圖2所示，得到仿真曲線。如圖3所示。

由圖3可知，BP網(wǎng)絡(luò)PID控制系統(tǒng)能夠達(dá)到控制收斂性，上升時(shí)間少，動(dòng)態(tài)響應(yīng)高。但是系統(tǒng)有一定的超調(diào)量，神經(jīng)網(wǎng)絡(luò)PID需要樣本的采集與訓(xùn)練，和模糊PID控制比較較差。神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)由于訓(xùn)練參數(shù)的不穩(wěn)定性，以及訓(xùn)練誤差調(diào)節(jié)PID參數(shù)，系統(tǒng)的變化造成控制系統(tǒng)的滯后性，但是優(yōu)于常規(guī)PID控制。

隨著控制對(duì)象變得越來(lái)越復(fù)雜，常規(guī)的PID控制器由于其缺少自適應(yīng)性，很難滿足控制要求，其控制精度以及整體魯棒性的控制效果低，控制效果很難達(dá)到要求。而模糊自調(diào)整PID控制器，可以很好的提高控制系統(tǒng)的精度，穩(wěn)定性和快速性都較好，控制系統(tǒng)相對(duì)簡(jiǎn)單卻具有很好的魯棒性的控制算法，所以在模糊PID控制領(lǐng)域模糊PID控制算法得到了很好的發(fā)展。常規(guī)PID對(duì)控制對(duì)象變得相對(duì)復(fù)雜的系統(tǒng)已不能夠適用，為了提高復(fù)雜系統(tǒng)的控制效果，得到期望較高的輸出量。這里我們可以綜合常規(guī)PID與模糊控制器各自的優(yōu)點(diǎn)，提高整體系統(tǒng)的簡(jiǎn)便性與靈活性，來(lái)構(gòu)造一個(gè)具有自適應(yīng)、自調(diào)節(jié)PID參數(shù)能力的模糊PID控制器。結(jié)合具體的控制實(shí)例，利用該控制算法在Matlab Simulink上做了相應(yīng)的控制系統(tǒng)仿真。

3 結(jié)論

仿真結(jié)果表明：BP網(wǎng)絡(luò)PID控制系統(tǒng)能夠達(dá)到控制收斂性，上升時(shí)間少，動(dòng)態(tài)響應(yīng)高。但是系統(tǒng)有一定的超調(diào)量，神經(jīng)網(wǎng)絡(luò)PID需要樣本的采集與訓(xùn)練，和模糊PID控制比較較差。神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)由于訓(xùn)練參數(shù)的不穩(wěn)定性，以及訓(xùn)練誤差調(diào)節(jié)PID參數(shù)，系統(tǒng)的變化造成控制系統(tǒng)的滯后性，但是優(yōu)于常規(guī)PID控制?？蛇m合于電機(jī)調(diào)速系統(tǒng)。

參考文獻(xiàn)：

［1］唐紅雨,陳迅.基于DSP和神經(jīng)網(wǎng)絡(luò)PID控制的交流數(shù)字伺服系統(tǒng)［J］.電氣自動(dòng)化,2007（06）：22-23+35.

［2］朱小娟,張家生,顧新宇.基于神經(jīng)網(wǎng)絡(luò)PID的協(xié)調(diào)控制系統(tǒng)的研究與應(yīng)用［J］.沈陽(yáng)工程學(xué)院學(xué)報(bào)（自然科學(xué)版）,2008（01）：50-52.

［3］李楠,吳玉厚.基于神經(jīng)網(wǎng)絡(luò)PID控制算法的自動(dòng)調(diào)平系統(tǒng)的仿真研究［J］.機(jī)電產(chǎn)品開發(fā)與創(chuàng)新,2015（06）：109-110.

［4］楊景明,劉宇明,徐雅潔,車海軍.神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制在冷軋機(jī)AGC系統(tǒng)中的應(yīng)用［J］.冶金設(shè)備,2009（02）：14-17.

［5］陳滿儒,王海峰,張文明.神經(jīng)網(wǎng)絡(luò)PID在包裝機(jī)控制系統(tǒng)中的應(yīng)用研究［J］.包裝工程,2009（04）：10-11+26.

DOI：10.16640/j.cnki.37-1222/t.2016.12.222

作者簡(jiǎn)介：張玲娜（1978-），女，陜西長(zhǎng)安人，講師，研究方向：傳感器技術(shù)與應(yīng)用。