RBF神經(jīng)網(wǎng)絡(luò)結(jié)合PID控制系統(tǒng)優(yōu)化方案及應(yīng)用實(shí)現(xiàn)

尹亞南，韓 浩

（鄭州電力高等?？茖W(xué)校，河南 鄭州 450000）

傳統(tǒng)控制方法要求被控制對(duì)象具備更加精準(zhǔn)的數(shù)學(xué)模型，同時(shí)該方法僅可應(yīng)用于具有反饋能力的確定性線性系統(tǒng)中，但隨著社會(huì)生產(chǎn)水平的不斷進(jìn)步，被控制的對(duì)象結(jié)構(gòu)和控制條件變得更加復(fù)雜，在大多數(shù)的控制過程中會(huì)出現(xiàn)具備耦合特性的多輸入、多輸出系統(tǒng)，且通常情況下會(huì)受到控制系統(tǒng)自身參數(shù)及結(jié)構(gòu)不確定性的影響，因此建立更加精準(zhǔn)的數(shù)學(xué)模型困難程度較大，同時(shí)傳統(tǒng)控制方法的各項(xiàng)性能很難滿足當(dāng)前社會(huì)生產(chǎn)的需要[1]。PID控制系統(tǒng)是當(dāng)前工業(yè)生產(chǎn)中過程控制方面最常用的一類控制設(shè)備，在應(yīng)對(duì)一般生產(chǎn)流程時(shí)，能夠表現(xiàn)出良好的魯棒性，且參數(shù)整定和實(shí)踐具有一定豐富的經(jīng)驗(yàn)積累，更具備結(jié)構(gòu)簡單，易于操作等優(yōu)勢(shì)。但對(duì)于控制過程中存在非線性較強(qiáng)，存在較多不確定因素的系統(tǒng)而言，PID控制系統(tǒng)的使用效果并不理想?；诖?，本文結(jié)合RBF神經(jīng)網(wǎng)絡(luò)對(duì)PID控制系統(tǒng)的優(yōu)化方案進(jìn)行研究，并將優(yōu)化后的PID控制系統(tǒng)應(yīng)用到實(shí)際。

1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)合PID控制系統(tǒng)優(yōu)化方案

1.1 基于RBF神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)參數(shù)優(yōu)化

本文結(jié)合人工智能算法中的RBF神經(jīng)網(wǎng)絡(luò)對(duì)PID控制系統(tǒng)的參數(shù)進(jìn)行優(yōu)化，通過在RBF神經(jīng)網(wǎng)絡(luò)中學(xué)習(xí)輸入的數(shù)據(jù)，對(duì)PID進(jìn)行學(xué)習(xí)優(yōu)化，從而得到適用于PID控制系統(tǒng)的優(yōu)化參數(shù)[2]。在RBF神經(jīng)網(wǎng)絡(luò)中共有三層結(jié)構(gòu)，其中隱層為回歸層。A=[a1，a2，a3，…，an]表示為神經(jīng)網(wǎng)絡(luò)中的輸入集合。具體優(yōu)化方法如下：

第一步：在RBF神經(jīng)網(wǎng)絡(luò)中輸入特征參數(shù)。

第二步：引入神經(jīng)網(wǎng)絡(luò)優(yōu)化性能指標(biāo)函數(shù)：

公式（1）中，I表示為神經(jīng)網(wǎng)絡(luò)優(yōu)化性能指標(biāo)函數(shù)；x（p）和y（p）分別表示為RBF神經(jīng)網(wǎng)絡(luò)中的輸入的兩個(gè)特征參數(shù)；p表示為網(wǎng)絡(luò)的迭代步驟。

第三步：根據(jù)公式（2）進(jìn)行迭代運(yùn)算：

公式（2）中，c（p）表示為迭代運(yùn)算結(jié)果；λ表示為慣性效應(yīng)因子；γ表示為學(xué)習(xí)速率。

第四步：利用雅克比矩陣的輸出結(jié)果對(duì)輸入特征參數(shù)的最優(yōu)線性逼近點(diǎn)進(jìn)行優(yōu)化，并推導(dǎo)出優(yōu)化目標(biāo)輸出信息對(duì)變化的PID控制系統(tǒng)的輸入信息的靈敏度。

第五步：基于RBF神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行分析，對(duì)PID控制系統(tǒng)學(xué)習(xí)的控制參數(shù)進(jìn)行實(shí)時(shí)調(diào)整，從而自動(dòng)實(shí)現(xiàn)對(duì)PID控制系統(tǒng)參數(shù)的調(diào)整和校正，提高控制水平[3]。

完成對(duì)PID控制系統(tǒng)參數(shù)優(yōu)化后，利用如下公式，對(duì)其控制誤差進(jìn)行計(jì)算：

公式（3）中，u（p）表示為PID系統(tǒng)控制誤差；v表示為PID控制系統(tǒng)輸出數(shù)據(jù)；rin表示為輸入信號(hào)。最終通過上述算法流程實(shí)現(xiàn)對(duì)PID控制系統(tǒng)參數(shù)的在線實(shí)時(shí)優(yōu)化控制：

首先，設(shè)置PID控制系統(tǒng)控制參數(shù)到初始狀態(tài)，根據(jù)RBF神經(jīng)網(wǎng)絡(luò)算法得到相應(yīng)的控制參數(shù)。

其次，通過數(shù)據(jù)信息采樣，計(jì)算出輸入信號(hào)rin（p）和輸出數(shù)據(jù)v（p），根據(jù)公式（3）計(jì)算出u（p），最后得到神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。

在PID控制系統(tǒng)運(yùn)行過程中利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，并利用相關(guān)算法得到控制系統(tǒng)的各項(xiàng)權(quán)重，并經(jīng)入到第二個(gè)周期的控制中。

1.2 PID控制系統(tǒng)結(jié)構(gòu)優(yōu)化

結(jié)合RBF神經(jīng)網(wǎng)絡(luò)再對(duì)PID控制系統(tǒng)的整體結(jié)構(gòu)進(jìn)行優(yōu)化，利用神經(jīng)網(wǎng)絡(luò)中的混沌尋優(yōu)具備的隨機(jī)性和遍歷性，將處于混沌狀態(tài)的參數(shù)變量引入到PID控制系統(tǒng)中的參數(shù)域，再利用混沌變量對(duì)全局進(jìn)行粗略的搜索和采集，從而找出PID系統(tǒng)運(yùn)行參數(shù)與RBF神經(jīng)網(wǎng)絡(luò)權(quán)系數(shù)的次優(yōu)值，并將此作為基礎(chǔ)，引入更加細(xì)致的局部搜索模式，最終找出PID控制系統(tǒng)的全局最優(yōu)結(jié)構(gòu)，圖1為優(yōu)化后的PID控制系統(tǒng)結(jié)構(gòu)。

圖1 優(yōu)化后PID控制系統(tǒng)結(jié)構(gòu)示意圖

優(yōu)化后PID控制系統(tǒng)結(jié)構(gòu)可以在變尺度優(yōu)化算法中迅速下降，并將此優(yōu)勢(shì)作為基礎(chǔ)，利用并行模式搜索，提高神經(jīng)網(wǎng)絡(luò)的搜索可信度，從而將整個(gè)提供的優(yōu)化效率及性能提升，進(jìn)而實(shí)現(xiàn)對(duì)被控制對(duì)象的最優(yōu)控制。

1.3 變尺度混沌策略優(yōu)化

結(jié)合RBF神經(jīng)網(wǎng)絡(luò)改變?cè)蠵ID控制系統(tǒng)的變尺度混沌策略，首先改變系統(tǒng)初始化參數(shù)與初始追的選擇策略，假設(shè)p=0表示為混沌變量的迭代標(biāo)志，B1為粗略搜索的次數(shù)，B2為細(xì)致搜索的次數(shù)，M=（p1，p2，p3，…，pn，g1，g2，g3，…，gm）表示為PID控制系統(tǒng)的所有控制參數(shù)集合，因此此時(shí)混沌變量的最優(yōu)值變?yōu)镸=（p1*，p2*，p3*…，pn*，g1*，g2*，g3*，…，gm*），則當(dāng)前最優(yōu)目標(biāo)函數(shù)的輸出值應(yīng)為集合中最大的數(shù)。假設(shè)在[0，1]區(qū)間當(dāng)中的任意14個(gè)相異的初值為混沌變量，則各個(gè)初始值當(dāng)中選擇滿足pn≠10gm的關(guān)系，同時(shí)不能取作Logistic算法的不動(dòng)點(diǎn)為0，0.15，0.85，0.5，1，（1+3）/4。

再對(duì)PID控制系統(tǒng)的搜索策略進(jìn)行優(yōu)化，利用RBF神經(jīng)網(wǎng)絡(luò)算法將混沌變量的線性關(guān)系映射到對(duì)應(yīng)的變量取值區(qū)間當(dāng)中，并將其視為系統(tǒng)搜索的初始階段[4]。當(dāng)系統(tǒng)多次完成搜索結(jié)果，并且結(jié)果誤差滿足設(shè)定的終止條件時(shí)，視為搜索結(jié)束，并將搜索結(jié)果標(biāo)記為最優(yōu)搜索結(jié)果。將系統(tǒng)搜索初始值帶入到Logistic算法的映射當(dāng)中，從而得到不同軌跡的混沌變量，并將其線性關(guān)系映射到設(shè)定的變量取值區(qū)間當(dāng)中。利用混沌變量進(jìn)行首次粗優(yōu)化搜索，并計(jì)算出系統(tǒng)性能指標(biāo)，采用ITAE目標(biāo)函數(shù)準(zhǔn)則對(duì)其記性離散處理。

最后對(duì)PID控制系統(tǒng)的混沌變量組成策略進(jìn)行優(yōu)化，利用RBF神經(jīng)網(wǎng)絡(luò)算法對(duì)系統(tǒng)尺度進(jìn)行轉(zhuǎn)換，并在當(dāng)前最優(yōu)點(diǎn)的周圍進(jìn)行細(xì)致搜索[5]。將神經(jīng)網(wǎng)絡(luò)混沌變量的迭代標(biāo)志重新設(shè)置為0，利用全新的混沌變量在最優(yōu)解的附近進(jìn)行搜索。當(dāng)搜索結(jié)果滿足精度的要求后，完成迭代，保存當(dāng)前最優(yōu)值。進(jìn)行并搜索，找出最多函數(shù)共同的搜索值，在集合當(dāng)中選擇最小的參數(shù)作為最優(yōu)函數(shù)值，并提取出相應(yīng)的優(yōu)化變量組成混沌變量。

2 應(yīng)用實(shí)現(xiàn)

將通過RBF神經(jīng)網(wǎng)絡(luò)結(jié)合優(yōu)化后的PID控制系統(tǒng)應(yīng)用到實(shí)際的工程當(dāng)中，其主要目的是對(duì)一個(gè)具備6個(gè)加熱釜的設(shè)備進(jìn)行溫度控制調(diào)節(jié)。該裝置配備PID控制系統(tǒng)計(jì)算機(jī)，在上位機(jī)中安裝兩塊板卡，其中一塊作為采集卡，用于測(cè)量加熱釜的溫度以及加熱釜的壓力變化數(shù)據(jù)，另一塊作為模擬輸出卡，主要用于驅(qū)動(dòng)可控硅，利用電熱絲提供熱量為各個(gè)加熱釜進(jìn)行加熱。工程主要目的是要求加熱釜在300℃～600℃之間實(shí)現(xiàn)線性溫度控制及保溫，控制精度范圍在-3%～+3%。由于控制系統(tǒng)在補(bǔ)償?shù)倪^程中辨識(shí)模型是粗糙的，因此沿用傳統(tǒng)PID控制系統(tǒng)很難滿足工程需要，因此采用本文優(yōu)化后的PID控制系統(tǒng)對(duì)其進(jìn)行控制，表1為優(yōu)化后的PID控制系統(tǒng)控制過程中的效果數(shù)據(jù)表。

表1 優(yōu)化后PID控制系統(tǒng)控制過程中的效果數(shù)據(jù)表

通過表1中的數(shù)據(jù)可以看出，本文優(yōu)化后的PID控制系統(tǒng)的使用效果良好，即使是在由線性控溫到保溫的轉(zhuǎn)化過程中，溫度的偏差也得到了更好的控制，充分滿足工程項(xiàng)目的要求。

3 結(jié)語

本文研究方向在于對(duì)RBF神經(jīng)網(wǎng)絡(luò)結(jié)合PIF控制系統(tǒng)優(yōu)化方法的應(yīng)用，目的是為了對(duì)一個(gè)未知的存在滯后時(shí)的非線性系統(tǒng)進(jìn)行良好的控制，并從中總結(jié)出一套有效的控制策略。優(yōu)化后的PID控制系統(tǒng)具有更高的動(dòng)態(tài)響應(yīng)速度和魯棒性，且控制品質(zhì)得到了大幅度的提高。