CN106682735B - 基于pid调节的bp神经网络算法 - Google Patents

基于pid调节的bp神经网络算法 Download PDF

Info

Publication number
CN106682735B
CN106682735B CN201710009823.4A CN201710009823A CN106682735B CN 106682735 B CN106682735 B CN 106682735B CN 201710009823 A CN201710009823 A CN 201710009823A CN 106682735 B CN106682735 B CN 106682735B
Authority
CN
China
Prior art keywords
neural network
output
optimal solution
weight coefficient
coefficient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710009823.4A
Other languages
English (en)
Other versions
CN106682735A (zh
Inventor
梁炯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Jingxi Technology Co., Ltd
Original Assignee
Hangzhou Chuang Gen Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Chuang Gen Technology Co Ltd filed Critical Hangzhou Chuang Gen Technology Co Ltd
Priority to CN201710009823.4A priority Critical patent/CN106682735B/zh
Publication of CN106682735A publication Critical patent/CN106682735A/zh
Application granted granted Critical
Publication of CN106682735B publication Critical patent/CN106682735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

基于PID调节的BP神经网络算法，对目标温度、实际温度、目标输出、实际输出建立数学模型，归一化后输入BP神经网络，进行PID参数的调节，达到更精准的温度控制，并通过对最速下降法的改进，实时调节控制步长P来使得目标输出逃离局部最优解，趋于稳定在全局最优解。本发明的有益效果：通过根据目标值与预期值的关系，实时调整学习速率，加快震荡的收敛。解决了传统BP神经网络学习速度慢，鲁棒性不强的关键技术问题。

Description

基于PID调节的BP神经网络算法
技术领域
本发明涉及一种基于PID调节的BP神经网络算法。
背景技术
目前工业合成炉通常采用常规PID控制，但工业合成炉的温度控制存在着非线性、大惯性、大滞后性等特点，难以建立精确的数学模型，因此常规PID控制难以取得良好效果。
BP神经网络作为改进PID算法的人工智能算法之一，受到广泛的应用。BP算法的基本思想是：学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐藏层处理后，传向输出层，若输出层的实际输出与齐王的输出不符合要求，则转入误差的反向传播阶段。误差的反向传播是将输出误差以某种形式通过隐藏层向输入层逐层反向传播，并将误差分摊给各个层的所有单元，从而获得各个单元的误差信号，以此作为个单元的修正依据。由于BP神经网络有逼近任意非线性函数的能量，因此适合采用此网络结构来建立PID控制器。
但传统的BP神经网络存在学习速度慢，容易陷入局部最优解，鲁棒性不强等缺点，从而达不到精确温控的要求。
发明内容
本发明提供了一种使得温控设备运行更精准迅速稳定的基于PID调节的BP神经网络算法。
本发明采用的技术方案是：
基于PID调节的BP神经网络算法，其具体步骤如下：
1)初始化选定BP神经网络控制器的结构，选定输入层节点数i和隐藏层节点数j，以及输出层节点数n，并给出范围在-1～1之间的隐藏层的权系数v[i][j]和输出层的权系数w[j][n]的随机值，选定学习速率a和平滑因子b；
2)采样得到实际温度r(k)和实际输出y(k)，计算误差e(k)＝r(k)-y(k)；
3)对实际温度r(k)、实际输出y(k)、目标输出u(k)、误差e(k)进行归一化处理，作为神经网络的输入；
4)计算BP神经网络控制器各层神经元的输入值和输出值HO2[n]，输出值HO2[n]反归一化即为PID控制器的三个可调参数Kp，KI，KD，计算PID控制器的控制输出u(k)并送入被控制对象参与控制和计算；
5)通过输入值与输出值的参数对比，用最速下降法调整学习速率a与权系数v[i][j]和w[j][n]，调整公式如下：
其中P为一次调节所走的步长，γ1、γ2分别是学习速率与权系数改变量的变异系数，θ为阀值；当e(k)>e(k-1)时，0＜γ1＜1，γ2＝1；当Δe(k)<Δe(k-1),γ1＞1，并当|e(k)|>θ，γ2＞1；
通过调整γ1的数值来调整步长P，再通过调整γ2的数值和调整后的步长P来调整权系数v[i][j]和w[j][n]使得最速下降法函数曲线接近全局最优解；
6)将优化后的输出层的权系数w[j][n]和隐藏层的权系数v[i][j]以及学习速率a送入BP神经网络控制器，BP神经网络控制器输出层的三个输出值即为PID控制器的三个可调参数kp、k i、kd。本发明通过对目标温度、实际温度、目标输出、实际输出建立数学模型，归一化后输入BP神经网络，进行PID参数的调节，达到更精准的温度控制，并通过对最速下降法的改进，实时调节控制步长P来使得目标输出逃离局部最优解，趋于稳定在全局最优解，解决了容易陷入局部最优解的关键基数问题。
进一步，学习速率a的变异系数γ1＝f(Δe(k))，当误差变量Δe(k)越小时，变异系数γ1就越小，步长P变小，此时算法接近全局最优解或者局部最优解；为了避免进入局部最优解，通过判断e(k)的大小来改变权系数的变异系数γ2的值，从而调整权系数改变量，当e(k)不为零，且误差变量Δe(k)在逐步减小时，说明陷入了局部最优解，此时赋予e(k)一个阀值区间，当e(k)不在此阀值区间，并陷入局部最优解时，权系数的变异系数γ2的值将逐步增大，直到步长P造成在局部最优解的震荡，走出局部最优解。
本发明的有益效果：通过根据目标值与预期值的关系，实时调整学习速率，加快震荡的收敛。解决了传统BP神经网络学习速度慢，鲁棒性不强的关键技术问题。
附图说明
图1是本发明的结构原理示意图。
图2是本发明的归一化函数示意图。
图3是本发明的BP神经网络的结构示意图。
图4是本发明的最速下降法的曲线示意图。
具体实施方式
下面结合具体实施例来对本发明进行进一步说明，但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到，本发明涵盖了权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。
参照图1-4，基于PID调节的BP神经网络算法，其具体步骤如下：
1)初始化选定BP神经网络控制器的结构，选定输入层节点数i和隐藏层节点数j，以及输出层节点数n，并给出范围在-1～1之间的隐藏层的权系数v[i][j]和输出层的权系数w[j][n]的随机值，选定学习速率a和平滑因子b；
2)采样得到实际温度r(k)和实际输出y(k)，计算误差e(k)＝r(k)-y(k)；
3)对实际温度r(k)、实际输出y(k)、目标输出u(k)、误差e(k)进行归一化处理，作为神经网络的输入；
4)计算BP神经网络控制器各层神经元的输入值和输出值HO2[n]，输出值HO2[n]反归一化即为PID控制器的三个可调参数Kp，KI，KD，计算PID控制器的控制输出u(k)并送入被控制对象参与控制和计算；
5)通过输入值与输出值的参数对比，用最速下降法调整学习速率a与权系数v[i][j]和w[j][n]，采用最速下降法对BP神经网络的权系数进行修正，调节方向为E(k)的负方向，并且加一个使搜索加快收敛全局极小值的惯性量，对于最速下降法的优化是关键，调整公式如下：
其中P为一次调节所走的步长，γ1、γ2分别是学习速率与权系数改变量的变异系数，θ为阀值；当e(k)>e(k-1)时，0＜γ1＜1，γ2＝1；当Δe(k)<Δe(k-1),γ1＞1，并当|e(k)|>θ，γ2＞1；
通过调整γ1的数值来调整步长P，再通过调整γ2的数值和调整后的步长P来调整权系数v[i][j]和w[j][n]使得最速下降法函数曲线接近全局最优解；
6)将优化后的输出层的权系数w[j][n]和隐藏层的权系数v[i][j]以及学习速率a送入BP神经网络控制器，BP神经网络控制器输出层的三个输出值即为PID控制器的三个可调参数kp、ki、kd。本发明通过对目标温度、实际温度、目标输出、实际输出建立数学模型，归一化后输入BP神经网络，进行PID参数的调节，达到更精准的温度控制，并通过对最速下降法的改进，实时调节控制步长P来使得目标输出逃离局部最优解，趋于稳定在全局最优解，解决了容易陷入局部最优解的关键基数问题。
本发明当没有加入学习速率a的变异系数γ1前，学习速率a为定值，即步长只与曲线的特征有关，这导致收敛缓慢。加入学习速率a的变异系数γ1之后，由于学习速率a的变异系数γ1＝f(Δe(k))，因此步长P受到误差变量的影响，当误差变量Δe(k)越小时，学习速率a的变异系数γ1就越小，这使得在曲线接近全局最优解或者局部最优解的时候步长P变小，震荡减缓，收敛加快。
为了避免进入局部最优解，通过判断e(k)的大小来改变权系数的变异系数γ2的值，从而调整权系数改变量。当e(k)不为零，且误差变量Δe(k)在逐步减小时，说明陷入了局部最优解，此时赋予e(k)一个阀值区间，当e(k)不在此阀值区间，并陷入局部最优解时，权系数的变异系数γ2的值将逐步增大，直到步长造成在局部最优解的震荡，走出局部最优解。

Claims (2)

1.基于PID调节的BP神经网络算法，其具体步骤如下：
1)初始化选定BP神经网络控制器的结构，选定输入层节点数i和隐藏层节点数j，以及输出层节点数n，并给出范围在-1～1之间的隐藏层的权系数v[i][j]和输出层的权系数w[j][n]的随机值，选定学习速率a和平滑因子b；
2)采样得到实际温度r(k)和实际输出y(k)，计算误差e(k)＝r(k)-y(k)；
3)对实际温度r(k)、实际输出y(k)、目标输出u(k)、误差e(k)进行归一化处理，作为神经网络的输入；
4)计算BP神经网络控制器各层神经元的输入值和输出值HO2[n]，输出值HO2[n]反归一化即为PID控制器的三个可调参数Kp，KI，KD，计算PID控制器的控制输出u(k)并送入被控制对象参与控制和计算；
5)通过输入值与输出值的参数对比，用最速下降法调整学习速率a与权系数v[i][j]和w[j][n]，调整公式如下：
其中P为一次调节所走的步长，γ1、γ2分别是学习速率与权系数改变量的变异系数，θ为阀值；当e(k)>e(k-1)时，0＜γ1＜1，γ2＝1；当Δe(k)<Δe(k-1),γ1＞1，并当|e(k)|>θ，γ2＞1；
通过调整γ1的数值来调整步长P，再通过调整γ2的数值和调整后的步长P来调整权系数v[i][j]和w[j][n]使得最速下降法函数曲线接近全局最优解；
6)将优化后的输出层的权系数w[j][n]和隐藏层的权系数v[i][j]以及学习速率a送入BP神经网络控制器，BP神经网络控制器输出层的三个输出值即为PID控制器的三个可调参数kp、ki、kd。
2.根据权利要求1所述的基于PID调节的BP神经网络算法，其特征在于：学习速率a的变异系数γ1＝f(Δe(k))，当误差变量Δe(k)越小时，变异系数γ1就越小，步长P变小，此时算法接近全局最优解或者局部最优解；为了避免进入局部最优解，通过判断e(k)的大小来改变权系数的变异系数γ2的值，从而调整权系数改变量，当e(k)不为零，且误差变量Δe(k)在逐步减小时，说明陷入了局部最优解，此时赋予e(k)一个阀值区间，当e(k)不在此阀值区间，并陷入局部最优解时，权系数的变异系数γ2的值将逐步增大，直到步长P造成在局部最优解的震荡，走出局部最优解。
CN201710009823.4A 2017-01-06 2017-01-06 基于pid调节的bp神经网络算法 Active CN106682735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710009823.4A CN106682735B (zh) 2017-01-06 2017-01-06 基于pid调节的bp神经网络算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710009823.4A CN106682735B (zh) 2017-01-06 2017-01-06 基于pid调节的bp神经网络算法

Publications (2)

Publication Number Publication Date
CN106682735A CN106682735A (zh) 2017-05-17
CN106682735B true CN106682735B (zh) 2019-01-18

Family

ID=58850265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710009823.4A Active CN106682735B (zh) 2017-01-06 2017-01-06 基于pid调节的bp神经网络算法

Country Status (1)

Country Link
CN (1) CN106682735B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019142241A1 (ja) * 2018-01-16 2019-07-25 オリンパス株式会社 データ処理システムおよびデータ処理方法
CN108258922A (zh) * 2018-03-30 2018-07-06 国网安徽省电力公司电力科学研究院 一种特高压直流发生器的两级调压控制器
CN109597449A (zh) * 2019-01-30 2019-04-09 杭州庆睿科技有限公司 一种基于神经网络的超声波分散仪温度控制方法
CN111413981B (zh) * 2020-04-07 2023-02-21 上海海事大学 一种船舶自动舵复合神经网络pid控制方法
CN111580384B (zh) * 2020-06-08 2023-03-31 济南大学 水泥生产中分解炉温度pid控制系统参数自动调整方法
CN112066355B (zh) * 2020-09-10 2021-04-20 河北工业大学 基于数据驱动的余热锅炉阀门自适应调节方法
CN112947094B (zh) * 2021-04-07 2022-11-15 宁波大学 一种水泥回转窑温控pid参数自调整方法
CN114114912A (zh) * 2021-11-13 2022-03-01 河南驼人医疗器械研究院有限公司 一种基于pid调节的bp神经网络算法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101596338A (zh) * 2009-04-29 2009-12-09 天津大学 基于bp神经网络整定pid的功能性电刺激精密控制方法
CN102096373A (zh) * 2010-12-07 2011-06-15 昆明理工大学 基于增量改进bp神经网络的微波干燥pid控制方法
CN102141776A (zh) * 2011-04-26 2011-08-03 江苏科技大学 基于粒子滤波和rbf辨识的神经网络pid控制参数自整定方法
CN102799107A (zh) * 2012-08-28 2012-11-28 成都乐创自动化技术股份有限公司 基于微型神经网络的步进电机pid参数自匹配方法
CN104102782A (zh) * 2014-07-18 2014-10-15 上海电力学院 压水堆核电站反应堆温度rbf神经网络控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101596338A (zh) * 2009-04-29 2009-12-09 天津大学 基于bp神经网络整定pid的功能性电刺激精密控制方法
CN102096373A (zh) * 2010-12-07 2011-06-15 昆明理工大学 基于增量改进bp神经网络的微波干燥pid控制方法
CN102141776A (zh) * 2011-04-26 2011-08-03 江苏科技大学 基于粒子滤波和rbf辨识的神经网络pid控制参数自整定方法
CN102799107A (zh) * 2012-08-28 2012-11-28 成都乐创自动化技术股份有限公司 基于微型神经网络的步进电机pid参数自匹配方法
CN104102782A (zh) * 2014-07-18 2014-10-15 上海电力学院 压水堆核电站反应堆温度rbf神经网络控制方法

Also Published As

Publication number Publication date
CN106682735A (zh) 2017-05-17

Similar Documents

Publication Publication Date Title
CN106682735B (zh) 基于pid调节的bp神经网络算法
Chen et al. Output-feedback adaptive dynamic surface control of stochastic non-linear systems using neural network
CN105425612B (zh) 一种水轮机调节系统控制参数的优选方法
CN102096373B (zh) 基于增量改进bp神经网络的微波干燥pid控制方法
CN103235620A (zh) 基于全局变量预测模型的温室环境智能控制方法
CN109143863A (zh) 非线性系统的快速自学习改进adrc控制方法
CN102998973B (zh) 一种非线性系统的多模型自适应控制器及控制方法
CN101763035A (zh) Rbf神经网络整定pid与模糊免疫控制方法
Nirmal et al. Adaptive PSO based tuning of PID controller for an Automatic Voltage Regulator system
CN101986564A (zh) 基于Backlash算子和神经网络的自适应滤波器
Shen et al. Dynamic surface control for tracking of unmanned surface vessel with prescribed performance and asymmetric time-varying full state constraints
CN104734588A (zh) 一种生物质气内燃发电机组转速控制方法
CN104597753B (zh) 一种同步碎石封层车沥青碎石撒布智能控制方法及装置
CN106033189B (zh) 飞行机器人位姿神经网络预测控制器
Srivignesh et al. Design of neural based PID controller for nonlinear process
CN101364082A (zh) 工业过程的仿人pid智能控制方法
RU2014121436A (ru) Способ интеллектуальной адаптации логического регулятора в условиях нечетко заданной информации
CN108363292A (zh) 一种基于模糊控制策略的火电机组agc控制方法及装置
Xu et al. An intelligent PID controller on RBFNN
Jiangming et al. Self-Tuning PID controller based on improved BP neural network
Chen et al. Application of fuzzy logic to reduce modelling errors in PIDSP for FOPDT process control
CN106444389A (zh) 一种废塑料裂解温度系统的模糊rbf网络优化pi控制方法
Juneja et al. Investigation of Robustness of IMC Controller for a Paper Mill Sub-Process
Tomakova et al. Implementation of neural networks for optimal control in biotechnical exoskeleton systems
Kudlačák et al. Error behaviour in PID controll systems with dynamic processes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20200421

Address after: 310000 room 1915, building 6, poly world center, Hangzhou Economic and Technological Development Zone, Zhejiang Province

Patentee after: Hangzhou Jingxi Technology Co., Ltd

Address before: 310011, Room 102, floor 525, Concord Road, Hangzhou, Zhejiang, Gongshu District

Patentee before: HANGZHOU CHUANGZU TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right