[發明專利]基于RBF辨識的彈性積分BP神經網絡的PID控制方法

無效

• 申請號: 201010511224.0
• 申請日: 2010-10-19
• 公開（公告）號: CN101968629A
• 公開（公告）日: 2011-02-09
• 發明（設計）人: 馬幼捷;劉玥;周雪松;劉思佳;劉進華;于陽
• 申請（專利權）人: 天津理工大學
• 主分類號: G05B13/02
• 分類號: G05B13/02;G06N3/02
• 代理公司: 天津佳盟知識產權代理有限公司 12002
• 代理人: 侯力

【技術領域】：

本發明屬于智能控制技術領域，涉及一種基于BP神經網絡改進型參數整定的PID控制系統，尤其是基于RBF辨識的彈性積分BP神經網絡的PID控制系統。?

【背景技術】：

按比例、積分和微分進行控制的調節系統簡稱為PID控制系統，是工業過程控制中應用最廣泛，歷史最悠久，生命力最強的控制方式，在目前的工業生產中，90％以上的控制系統為PID控制系統。它采用基于對象數學模型的方法，優點是算法簡單、魯棒性好和可靠性高，控制效果良好，因此被廣泛應用于工業控制過程，尤其適用于可建立精確數學模型的確定性控制系統。對于傳統PID控制系統，在把其投入運行之前，要想得到較理想的控制效果，必須先整定好三個參數：比例系數K_P、積分系數K_I、微分系數K_D。這是因為生產部門中有各種各樣的被控對象，它們對控制系統的特性會有不同的要求，整定的目的就是設法使控制系統的特性能夠和被控對象配合好，以便得到最佳控制效果，如果控制系統參數整定不好，即使控制系統本身很先進，其控制效果也會很差。?

隨著工業的發展，控制對象的復雜程度也在不斷加深，許多大滯后、時變的、非線性的復雜系統，如溫度控制系統，被控過程機理復雜，具有高階非線性、慢時變、純滯后等特點，常規PID控制顯得無能為力；另外，實際生產過程中存在著許多不確定因素，如在噪聲、負載振動和其他一些環境條件下，過程參數甚至模型結果都會發生變化，如變結構、變參數、非線性、時變等，不僅難以建立受控對象精確的數學模型，而且PID控制系統的控制參數具有固定形式，不易在線調整，難以適應外界環境的變化，這些使得PID控制系統在實際應用中不能達到理想的效果，越來越受到限制和挑戰。?

人們一直在尋求PID控制系統參數的自適應技術，以適應復雜系統的控制要求，神經網絡理論的發展使這種設想成為可能。人工神經網絡(簡稱ANN)是由大量簡單的基本神經元相互連接而構成的自適應非線性動態系統。神經網絡控制能夠充分任意地逼近任何復雜的非線性關系，具有很強的信息綜合能力，能夠學習和適應嚴重不確定系統的動態特性，故有很強的魯棒性和容錯性，可以處理那些難以用模型和規則描述的過程，在一些不確定系統的控制中已成功應用。誤差反向傳播神經網絡(簡稱BP網絡)，所具有的任意非線性表達能力，可以通系統性能的學習來實現具有最佳組合的PID控制。?

【發明內容】：

本發明目的是解決傳統PID控制系統由于控制參數固定，不易在線實時調整和魯棒性不強，難以適應外界環境變化的問題，提供一種基于RBF辨識的彈性積分BP神經網絡的PID控制方法。?

本發明涉及的是一種基于BP神經網絡的改進型智能PID控制方法，該方法首先在變速積分的基礎上提出彈性積分PID控制算法，然后運用BP網絡整定PID控制，針對權值修正時導數項?求值，用一個徑向基網絡即RBF神經網絡建立一個被控對象的辨識模型，用此模型去訓練BP網絡控制系統。?

發明提供的基于RBF辨識的彈性積分BP神經網絡的PID控制系統包括以下步驟：?

第1、確定三層BP神經網絡的輸入層節點數M和隱含層節點數Q，并給出各層加權系數的初值w_ij⁽²⁾(0)和w_li⁽³⁾(0)，選定學習速率η和慣性系數α，此時計算次數k＝1；?

第2、確定RBF辨識網絡的輸入節點數m、隱層節點數s，并給出隱層節點的中心矢量C_j(0)、基寬帶參數的初值b_j(0)、權系數初值w_j(0)、學習速率ρ、慣性系數γ、計算次數k＝1，此網絡用于建立被控對象的辨識模型，以便動態觀測控制對象的輸出對控制輸入的靈敏度，提供給BP神經網絡；?

第3、采樣得到三層BP神經網絡的輸入值r(k)、輸出值y(k)，計算該時刻誤差e(k)；?

第4、正向計算BP神經網絡各層神經元的輸入、輸出，BP神經網絡輸出層的三個輸出值即為PID控制系統的三個可調參數K_P、K_I、K_D；給出偏差門限值ε，根據彈性積分控制算法計算PID的輸出u(k)，并與上一次的u(k-1)相減得到Δu(k)送入控制對象及RBF辨識網絡，產生被控對象的輸出y(k)；?