CN1648801A - 利用神经网络来整定鲁棒pid控制器参数的方法 - Google Patents
利用神经网络来整定鲁棒pid控制器参数的方法 Download PDFInfo
- Publication number
- CN1648801A CN1648801A CN 200510049029 CN200510049029A CN1648801A CN 1648801 A CN1648801 A CN 1648801A CN 200510049029 CN200510049029 CN 200510049029 CN 200510049029 A CN200510049029 A CN 200510049029A CN 1648801 A CN1648801 A CN 1648801A
- Authority
- CN
- China
- Prior art keywords
- neural network
- parameter
- pid controller
- layer
- input
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000010355 oscillation Effects 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000009897 systematic effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000012369 In process control Methods 0.000 abstract 1
- 238000010965 in-process control Methods 0.000 abstract 1
- 230000004044 response Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种用神经网络整定过程控制系统的PID控制器里的参数的方法。它是一种多层前向神经网络,利用继电反馈所产生的极限环周期振荡来估计被控对象的参数作为神经网络的输入,然后神经网络输出PID控制所需的Kc,Ti,Td,具有常规控制器无法比拟的优点。本发明可以快速准确地整定鲁棒PID控制器参数,操作简单方便。
Description
技术领域
本发明属自动控制领域,涉及一种控制方法,尤其涉及一种利用神经网络来整定鲁棒PID控制器参数的方法。
背景技术
在现有技术中,应用在控制领域的自动控制系统的神经网络控制器存在较多不足,例如,学习收敛速度很慢,容易陷入局部极小;仅具有静态映射特性,在本质上不适应控制系统对动态特性的要求;结构不确定,实际使用困难,控制性能指标不匹配,难以与控制系统所要求的响应快,超调小,无静差等动态和静态性能指标相联系,系统全过程稳定性难以保证。另一方面,按偏差的比例,积分,微分的控制器(PID控制器)历史最悠久,应用最广泛,但由于PID控制规律是一种线性控制规律,它仅在简单的线性单变量系统中有较好的控制效果,而在复杂系统中的控制中效果不佳。
在工业过程控制中,95%以上的控制回路具有PID结构,PID控制器被广泛应用主要是因为它结构简单、在实际中容易被理解和实现,而且许多高级控制都是以PID控制为基础的。但PID参数的整定一般需要经验丰富的工程技术人员来完成,既耗时又耗力,加之实际系统千差万别,又有滞后、非线性等因素,使PID参数的整定有一定的难度,致使许多PID控制器没能整定得很好.这样的系统自然无法工作在令人满意的状态.为此人们提出了自整定PID控制器。目前自整定PID控制器可以分为两大类:一类是由Bristol提出的采用模式识别技术来整定PID控制器发展起来的,自整定的原理是,当系统的给定值发生改变时或系统加入负载扰动时,观察系统的响应,根据实测的响应模式与理想的响应模式的差别调整PID控制器的参数.最终使系统的闭环响应满足用户指定的阻尼比和超调量限制。具体的调整步骤则模仿有经验的过程控制工程师.这种方法的缺点是需要大量的给定值改变或扰动用于整定PID参数;需要大量的整定规则,在存在正弦扰动时无法操作。另一类是由Astrom和Hagglund提出的出的引入继电反馈控制来整定PID控制器而发展起来的。
发明内容
本发明的目的在于针对现有技术的不足,提出一种用神经网络整定PID控制器参数的方法,它综合了传统的PID控制理论和神经网络理论的优点。
本目的是通过以下技术方案来实现的:一种利用神经网络来整定鲁棒PID控制器参数的方法,通过对系统在继电特性作用下的周期振荡波形进行分析,推导出对象参数公式,然后确定系统的参数,作为神经网络的输入,经过神经网络得出所需PID控制器参数。
进一步地,具体分为以下步骤:
(1)选定BP神经网络NN的结构,即选定输入层节点数和隐含层节点数,并给出各层加权系数的初值,选定学习速率;
(2)通过传统的鲁棒PID整定方法整定出不同参数的系统所需的标准的参数,以此作为训练神经网络所需的样本;
(3)利用继电反馈所产生的极限环周期振荡来估计系统的参数,求出k,Ts,τ
(4)求出的系统参数归一化后作为神经网络的输入;
(5)神经网络输出PID控制器的三个可调参数kc,Ti,Td。
进一步地,所述系统为一阶惯性加纯滞后模型系统;所述系统的参数为k,Ts,τo;所述神经网络为BP神经网络,BP神经网络为三层神经网络,分别为输入层、隐含层和输出层,输入层包含三个神经元,隐含层包括八个神经元,输出层包含三个神经元;所述PID控制器参数为Kc,Ti,Td。
本发明具有以下有益效果:本发明可以快速准确地整定鲁棒PID控制器参数,操作简单方便。
附图说明
图1为本发明系统组成框图;
图2为系统及继电特性输出波形;
图3为神经网络原理图。
具体实施方式
下面根据附图具体说明本发明。
通过对系统在继电特性作用下的周期振荡波形进行分析,可以推导出对象参数公式,然后确定系统的参数,作为神经网络的输入,经过神经网络得出所需PID控制参数。
先选定BP神经网络NN的结构,即选定输入层节点数和隐含层节点数,并给出各层加权系数的初值,选定学习速率。通过传统的鲁棒PID整定方法整定出不同参数的系统所需的标准的参数,以此作为训练神经网络所需的样本。利用继电反馈所产生的极限环周期振荡来估计系统的参数,求出k,Ts,τ。求出的系统参数归一化后作为神经网络的输入。神经网络输出PID控制器的三个可调参数Kc,Ti,Td。
图1给出了本发明的系统组成框图。开关k与a点相连,整定系统参数。把参数作为神经网络的输入,神经网络在此之前已被训练好,能保证得到的输出为最优数值。神经网络的输出为最优控制参数Kc,Ti,Td。把最优控制参数Kc,Ti,Td赋予PID控制器,开关k与b点相连,实行常规PID控制。经过上述步骤,控制系统自动完成参数的整定,并运行在最优状态。
图2给出了系统及继电特性输出波形。纯滞后时间常数τ可直接从振荡波形中求得,增益k计算公式为,
Ra=K[h1+hp/(p+1)]
式中Ra为振荡波形的平均值,p为开关比例。
振荡的上升方程
振荡的下降方程
式中A1,A2分别为上升和下降方程的初始值。
将(1)式中的t分别用t1,t2代替并相除,得
将(2)式中的t分别用t4,t5代替并相除,得
式中,Δt1,Δt2可从图2所示的振荡波形中得出,R,Δ,k,h1,h2已知则可获得系统参数。
图3给出了神经网络的结构图。BP神经网络NN是一个三层BP网络,其结构如图所示,有3个输入节点,8个隐藏层节点,有3个输出节点。输入节点对应所选的系统参数,输出节点分别对应PID控制器的三个可调参数Kc,Ti,Td,由于Kc,Ti,Td不能为负值,所以输出层神经元的活化函数取非负的Sigmoid函数,而隐含层神经元的活化函数可取正负对称的Sigmoid函数,
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (6)
1.一种利用神经网络来整定鲁棒PID控制器参数的方法,其特征在于,通过对系统在继电特性作用下的周期振荡波形进行分析,推导出对象参数公式,然后确定系统的参数,作为神经网络的输入,经过神经网络得出所需PID控制器参数。
2.根据权利要求1所述的方法,其特征在于,所述系统为一阶惯性加纯滞后模型系统。
3.根据权利要求1所述的方法,其特征在于,所述系统的参数为k,Ts,τ。
4.根据权利要求1所述的方法,其特征在于,所述神经网络为BP神经网络,BP神经网络为三层神经网络,分别为输入层、隐含层和输出层,输入层包含三个神经元,隐含层包括八个神经元,输出层包含三个神经元。
5.根据权利要求1所述的方法,其特征在于,所述PID控制器参数为Kc,Ti,Td。
6.根据权利要求1所述的方法,其特征在于,具体分为以下步骤:
(1)先选定BP神经网络NN的结构,即选定输入层节点数和隐含层节点数,并给出各层加权系数的初值,选定学习速率。
(2)通过传统的鲁棒PID整定方法整定出不同参数的系统所需的标准的参数,以此作为训练神经网络所需的样本。
(3)利用继电反馈所产生的极限环周期振荡来估计系统的参数,求出k,Ts,τ。
(4)求出的系统参数归一化后作为神经网络的输入。
(5)神经网络输出PID控制器的三个可调参数Kc,Ti,Td。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200510049029 CN1648801A (zh) | 2005-02-03 | 2005-02-03 | 利用神经网络来整定鲁棒pid控制器参数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200510049029 CN1648801A (zh) | 2005-02-03 | 2005-02-03 | 利用神经网络来整定鲁棒pid控制器参数的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1648801A true CN1648801A (zh) | 2005-08-03 |
Family
ID=34876508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200510049029 Pending CN1648801A (zh) | 2005-02-03 | 2005-02-03 | 利用神经网络来整定鲁棒pid控制器参数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1648801A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100466413C (zh) * | 2007-02-15 | 2009-03-04 | 湖南大学 | 配电静止无功发生器的多变量控制方法 |
CN103970077A (zh) * | 2013-01-30 | 2014-08-06 | 福州福大自动化科技有限公司 | 先进控制技术在工控系统中的一体化实现方法及装置 |
CN104635692A (zh) * | 2014-12-31 | 2015-05-20 | 深圳市华星光电技术有限公司 | 涂布光阻膜的方法以及使用该方法的涂布设备 |
CN111086268A (zh) * | 2019-11-08 | 2020-05-01 | 新疆天业(集团)有限公司 | 一种电石炉石灰粉料压球控制系统的积分强化学习控制方法 |
-
2005
- 2005-02-03 CN CN 200510049029 patent/CN1648801A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100466413C (zh) * | 2007-02-15 | 2009-03-04 | 湖南大学 | 配电静止无功发生器的多变量控制方法 |
CN103970077A (zh) * | 2013-01-30 | 2014-08-06 | 福州福大自动化科技有限公司 | 先进控制技术在工控系统中的一体化实现方法及装置 |
CN103970077B (zh) * | 2013-01-30 | 2016-08-10 | 福州福大自动化科技有限公司 | 先进控制技术在工控系统中的一体化实现方法及装置 |
CN104635692A (zh) * | 2014-12-31 | 2015-05-20 | 深圳市华星光电技术有限公司 | 涂布光阻膜的方法以及使用该方法的涂布设备 |
CN111086268A (zh) * | 2019-11-08 | 2020-05-01 | 新疆天业(集团)有限公司 | 一种电石炉石灰粉料压球控制系统的积分强化学习控制方法 |
CN111086268B (zh) * | 2019-11-08 | 2021-02-23 | 新疆天业(集团)有限公司 | 一种电石炉石灰粉料压球控制系统的积分强化学习控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103064282B (zh) | 非线性参数变化模型辨识方法(npv) | |
CN102411308B (zh) | 基于递归神经网络模型的溶解氧的自适应控制方法 | |
CN108287471A (zh) | Mimo偏格式无模型控制器基于系统误差的参数自整定方法 | |
CN1648801A (zh) | 利用神经网络来整定鲁棒pid控制器参数的方法 | |
CN104991997A (zh) | 自适应差分进化算法优化的广义率相关p-i迟滞建模方法 | |
Siddiqui et al. | Sliding mode controller design for second-order unstable processes with dead-time | |
Zhao et al. | Review of Neural Network Algorithm and its Application in Temperature Control of Distillation Tower | |
Kanagaraj et al. | Design of intelligent fuzzy fractional-order PID controller for pressure control application | |
CN116373846A (zh) | 一种基于bp神经网络优化的后轮转向车辆稳定性控制方法 | |
Zeng et al. | Microbial specific growth rate control via MRAC method | |
CN1234056C (zh) | 非线性时变自适应控制器及其控制方法 | |
Zdešar et al. | Fuzzy control of a helio-crane: comparison of two control approaches | |
Ding et al. | Stability analysis of TS fuzzy control systems based on parameter-dependent Lyapunov function | |
Khwan-On et al. | Neuro-tabu-fuzzy controller to stabilize an inverted pendulum system | |
Arpacı et al. | Fractional model reference adaptive PIλDμ control | |
Lian et al. | Permanent magnet synchronous motor control of electromechanical actuator based on parameter self-tuning method | |
Xu et al. | Simulation study of vehicle speed variation based on BP neural network PID control | |
CN101943887A (zh) | 基于三角基函数的非线性复合pid神经网络控制方法 | |
Song et al. | Neural network ship PID control and simulation based on grey prediction | |
Deschênes et al. | Extremum seeking control of batch cultures of microalgae Nannochloropsis oculata in pre-industrial scale photobioreactors | |
Zhang et al. | Robust H∞ Fuzzy Logic Control of Intelligent Electrically Powered Wheelchair | |
Cao et al. | Optimization of engine speed neural network PID controller based on genetic algorithm | |
CN1651567A (zh) | 生物发酵装置的神经网络逆控制器及构造方法 | |
Melin et al. | Two-rule-based linguistic fuzzy controllers | |
Lin et al. | Neural network modeling and HDP for neutralized pH value control in the clarifying process of sugar cane juice |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |