CN1648801A

CN1648801A - 利用神经网络来整定鲁棒pid控制器参数的方法

Info

Publication number: CN1648801A
Application number: CN 200510049029
Authority: CN
Inventors: 马龙华; 常辉
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2005-02-03
Filing date: 2005-02-03
Publication date: 2005-08-03

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K_c，T_i，T_d，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

利用神经网络来整定鲁棒PID控制器参数的方法

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，T_s，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k_c，T_i，T_d。

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，T_s，τ_o；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K_c，T_i，T_d。

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，T_s，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K_c，T_i，T_d。

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K_c，T_i，T_d。把最优控制参数K_c，T_i，T_d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，

R_a＝K[h₁+hp/(p+1)]

式中R_a为振荡波形的平均值，p为开关比例。

振荡的上升方程

y = k h_{2} + (A_{1} - k h_{2}) e^{- \frac{t - τ}{T}} - - - (1)

振荡的下降方程

y = k h_{1} + (A_{2} - k h_{2}) e^{- \frac{t - τ}{T}} - - - (2)

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

\frac{R - Δ - k h_{2}}{R + Δ - k h_{2}} = e^{- \frac{t_{1} - t_{2}}{T}} = e^{\frac{Δ t_{1}}{T}}

将(2)式中的t分别用t₄，t₅代替并相除，得

\frac{R - Δ - k h_{2}}{R + Δ - k h_{1}} = e^{- \frac{t_{4} - t_{5}}{T}} = e^{\frac{Δ t_{2}}{T}}

T = \frac{Δ t_{1} Δ t_{2}}{\ln \frac{(R - Δ - k h_{2}) (R + Δ - k h_{1})}{(R + Δ - k h_{2}) (R - Δ - k h_{1})}}

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K_c，T_i，T_d，由于K_c，T_i，T_d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

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，T_s，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K_c，T_i，T_d。

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，T_s，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K_c，T_i，T_d。