实验二基于BP神经网络自整定PID控制仿真

实验二基于BP神经网络自整定PID控制仿真一、实验目的熟悉神经网络的特征、结构以及学习算法，通过实验掌握神经网络自整定PID的工作原理。了解神经网络的结构对控制效果的影响，掌握用MATLAB实现神经网络控制系统仿真的方法。二、实验设备：计算机系统、Matlab仿真软件三、实验原理在工业控制中，PID控制是工业控制中最常用的方法。这是因为PID控制器结构简单、实现简单，控制效果良好，已得到广泛应用。但是，PID具有一定的局限性：被控制对象参数随时间变化时，控制器的参数难以自动调整以适应外界环境的变化。为了使控制器具有较好的自适应性，实现控制器参数的自动调整，可以采用神经网络控制的方法。利用人工神经网络的自学习这一特性，并结合传统的PID控制理论，构造神经网络PID控制器，实现控制器参数的自动调整。基于BP神经网络的PID控制器结构如图1所示。控制器由两部分组成：一是常规PID控制器，用以直接对对象进行闭环控制，且三个参数在线整定；二是神经网络NN，根据系统的运行状态，学习调整权系数，从而调整PID参数，达到某种性能指标的最优化。图1基于BP网络的PID控制器结构图2BP网络结构网络学习过程由正向和反向传播两部分组成。在正向传播过程中，每一层神经单元的状态只影响下一层神经网络。如果输出层不能得到期望输出，也就是实际输出与期望输出有误差，那么转入反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次向输入层传播，去进行计算，再经过正向传播过程，这样经过两个过程的反复作用，使得误差信号最小。实际上，当误差达到人们所希望的要求时，网络的学习过程就结束了。注意：隐含层神经元的激活函数取正负对称的Sigmoid函数：xxxxeeeexxftanh网络输出层的输入输出为：)()()()3,2,1()),(()()()()3(3)3(2)3(1)3(1)3(10)2()3()3(1dipqiiilkkokkokkolknetgkokowknet输出层节点分别对应三个可调参数kp、ki、kd。由于kp、ki、kd不能为负，所以输出层神经元的活化函数取非负的Sigmoid函数。xxxeeexxgtanh121对于增量式数字PID控制算法，则有2121)3(3)3(2)3(1kekekeokukeokukekeku四、实验步骤（1）被控对象为一时变非线性对象，数学模型可表示为：11112kukykykaky式中，系数a(k)是慢时变的，keka1.08.012.1。（2）如图2确定BP网络的结构，选4-5-3，各层加权系数的初值0,0)3()2(iljiww，取区间[-0.5,0.5]上的随机数，选定学习速率η=0.25和惯性系数α=0.05(3)在MATLAB下依据整定原理编写仿真程序并调试。(4)给定输入为阶跃信号，运行程序，记录实验数据和控制曲线。(5)修改神经网络参数如学习速率，隐含层神经元个数等，重复步骤(4),(6)分析数据和控制曲线。五、实验报告要求给出BP神经网络自整定PID控制系统的设计过程和程序清单，记录试验数据和曲线，分析试验结果。六、思考题1、BP神经网络的学习速度和什么因素有关？2、BP神经网络的收敛结果是否全局最优？