摘 要：采用BP神經(jīng)網(wǎng)絡(luò)在線調(diào)整PID的三個參數(shù)，采用GRNN神經(jīng)網(wǎng)絡(luò)作為辨識器在線辨識控制輸出對控制輸入對象變化的靈敏度信息，提高系統(tǒng)的控制精度，進而編制MATLAB程序進行仿真。該算法經(jīng)仿真測試，結(jié)果表明其控制效果良好，魯棒性強。 關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò) GRNN神經(jīng)網(wǎng)絡(luò) PID 1 引言 　　在工業(yè)控制中，傳統(tǒng)的PID控制至今仍處于主導地位，尤其適用于能建立數(shù)學模型的確定性控制系統(tǒng)。然而大量的工業(yè)過程往往具有非線性、時變不確定性等因素，難以建立其精確的數(shù)學模型;另外，PID 控制器中的參數(shù)通常都由人工整定，由于一次性整定得到的這些參數(shù)很難保證其控制效果始終處于最佳狀態(tài)因此，常規(guī)PID 控制器的控制效果和控制精度受到了限制. 神經(jīng)網(wǎng)絡(luò)具有自學習、自組織功能和聯(lián)想記憶、并行處理等優(yōu)點，使其在復雜的工業(yè)控制中得到了廣泛應(yīng)用[1,2]。目前應(yīng)用較多的神經(jīng)網(wǎng)絡(luò)是基于BP 算法的多層前饋神經(jīng)網(wǎng)絡(luò)，這種網(wǎng)絡(luò)反映的是系統(tǒng)靜態(tài)的輸入-輸出映射關(guān)系。文獻[3]提出了一種基于對角回歸神經(jīng)網(wǎng)絡(luò)（diagonal recurrent neural network,DRNN）的控制系統(tǒng)。與靜態(tài)網(wǎng)絡(luò)相比，這種回歸網(wǎng)絡(luò)具有較好的處理動態(tài)問題的能力。由于只需較少的神經(jīng)元和權(quán)值，回歸網(wǎng)絡(luò)更適合于處理時變的輸入、輸出過程[4]。 基于回歸神經(jīng)網(wǎng)絡(luò)的上述特點，本文采用DRNN網(wǎng)絡(luò)，設(shè)計出比例、積分、微分等參數(shù)可以在線學習的PID控制器，并將其應(yīng)用于日常生活中的供熱控制系統(tǒng)中，，建立了一個基于MATLAB環(huán)境的控制仿真。 2 基于BP神經(jīng)網(wǎng)絡(luò)控制的PID算法 　　采用多層前向神經(jīng)網(wǎng)絡(luò)-BP網(wǎng)絡(luò)對PID參數(shù)kp,ki,kd在線調(diào)整，如圖1所示。為充分反應(yīng)輸入控制器信號的特性，結(jié)合控制器結(jié)構(gòu)，選擇網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)為4，輸出層神經(jīng)元個數(shù)為3.輸出層神經(jīng)元的活化函數(shù)取：g（x）= 隱層神經(jīng)元激發(fā)函數(shù)取函數(shù)：f（x）=。網(wǎng)絡(luò)輸入層的輸入為：O[sub]j[/sub]（1）=x（j）,1,2,3,4.網(wǎng)絡(luò)隱層的輸入輸出為net[sub]i[/sub]（2）（k）=,…8.式中，w[sub]ij[/sub]（2）是隱含層的加權(quán)系數(shù);隱含層神經(jīng)元的活化函數(shù)取f（x）=。網(wǎng)絡(luò)輸出層的輸入輸出為：net[sub]l[/sub]（3）（k）= 式中，w[sub]li[/sub]（3）是輸出層加權(quán)系數(shù)。上述各式中的上標（1）、（2）、（3）分別代表輸入層隱含層和輸出層。輸出層神經(jīng)元的活化函數(shù)取g（x）=。性能指標函數(shù)為e（k）=1/2error[sup]2[/sup]（k）。按梯度下降法修正網(wǎng)絡(luò)權(quán)系數(shù)，并附加一個使搜索快速收斂全局極小的慣性項：為學習速率;為慣性系數(shù)。由于未知，所以近似用符號函數(shù)sgn（）取代，由此帶來的計算不精確的影響可以通過調(diào)整學習速率 來補償。 　　由上面的介紹可知PID的增量式方程如下。u （k）=u（k-1）+kp（e（k）-e（k-1））+kie（k）+kd（e（k）-2e（k-1）+e（k-2））由此可得：?？傻镁W(wǎng)絡(luò)輸出層權(quán)的學習算法為：,l=1,2,3,4.同理可得隱含層加權(quán)系數(shù)的學習算法： , i=1,2,...,q. [align=center] 圖1 控制系統(tǒng)結(jié)構(gòu)圖[/align] 3 DRNN辨識網(wǎng)絡(luò) 　　DRNN神經(jīng)網(wǎng)絡(luò)是一種回歸神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)結(jié)構(gòu)共三層，隱層為回歸層，所以可以對動態(tài)系統(tǒng)有很好的辨識。DRNN神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖二所示。 [align=center] 圖2 DRNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖[/align] 4 基于DRNN辨識的BP神經(jīng)網(wǎng)絡(luò)PID算法 　　基于DRNN辨識的BP神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)的結(jié)構(gòu)如圖3所示?？刂破饔扇齻€部分組成：（1）經(jīng)典PID控制器，直接對被控對象過程進行閉環(huán)控制，其三個參數(shù)k[sub]p[/sub]，k[sub]i[/sub]，k[sub]d[/sub]在線自學習整定。（2）DRNN辨識網(wǎng)絡(luò)，用于建立被控對象的辨識模型，以便動態(tài)觀測控制對象的輸出對控制輸入的靈敏度，提供給BP神經(jīng)網(wǎng)絡(luò)。（3）BP神經(jīng)網(wǎng)絡(luò)，通過調(diào)整自身權(quán)系數(shù)，對PID控制參數(shù)進行調(diào)節(jié)，以達到某種性能指標的最優(yōu)。 [align=center] 圖3 控制系統(tǒng)結(jié)構(gòu)圖[/align] 　　基于DRNN辨識的BP神經(jīng)網(wǎng)絡(luò)PID控制算法如下：（1）確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并給出個層權(quán)系數(shù)的初值w[sub]ij[/sub]（2）（0）和w[sub]li[/sub]（3）（0）、學習速率η、慣性系數(shù)α ;k=1;（2）DRNN網(wǎng)絡(luò)輸入層、回歸層、輸出層權(quán)值賦以小的隨機值，并設(shè)定網(wǎng)絡(luò)各層的學習速率和慣性系數(shù);（3）采樣得到y(tǒng)（k）、r（k），計算e（k）,同時給pj（k）、q[sub]ij[/sub]（k）賦零初值;（4）正向計算BP網(wǎng)絡(luò)各層神經(jīng)元的輸入、輸出;計算PID控制器的輸出u，并送入控制對象及DRNN辨識網(wǎng)絡(luò)，產(chǎn)生控制對象的輸出yout（k）;（5）對DRNN網(wǎng)絡(luò)的權(quán)值進行實時修正，辨識輸出y[sub]m[/sub]out（k）;（6）用BP網(wǎng)絡(luò)的迭代算法修正BP網(wǎng)絡(luò)權(quán)系數(shù);（7）令k=k+1返回第一步，繼續(xù)按步順序執(zhí)行。 5 仿真實現(xiàn) 弦波輸入響應(yīng)曲線圖，從圖中可以看出兩條曲線基本重合，誤差很小。模型的跟蹤能力比較滿意，可見，由DRNN神經(jīng)網(wǎng)絡(luò)構(gòu)成的辨識網(wǎng)絡(luò)收斂速度快，精度高。 [align=center] 圖4 正弦跟蹤曲線[/align] 　　由于集中供熱過程中，不可避免的存在不確定性的擾動量，對上述模型添加隨機擾動量測試，測試某一時刻系統(tǒng)受到一個外來隨機擾動的自適應(yīng)控制。圖5-6為系統(tǒng)突加擾動時的仿真曲線。由圖可以看出，在存在某一段時間的擾動誤差量的情況下，基于DRNN辨識的BP神經(jīng)網(wǎng)絡(luò)PID控制算法仍然顯示了很好的控制能力，正弦跟蹤曲線基本無變化，顯示了對突發(fā)動態(tài)擾動很好很強的抑制能力。 [align=center] 圖5 添加擾動量的正弦跟蹤曲線 圖6 添加擾動量的正弦跟蹤誤差曲線[/align] 6 創(chuàng)新點 　　采用以BP神經(jīng)網(wǎng)絡(luò)作為控制器，以DRNN網(wǎng)絡(luò)作為辨識器，作用在PID控制器上，針對系數(shù)慢時變、非線性大之后的、包含擾動的集中供熱換熱站溫度模型進行控制，仿真結(jié)果表明：融合三種控制策略的次種控制方式控制效果良好、魯棒性強。 參考文獻 　　金以慧，程控制 .清華大學出版社，1993，4 　　毛恒，王永初。神經(jīng)網(wǎng)絡(luò)在過程控制中的應(yīng)用 .福建電腦，2003，（9） 　　劉金琨。先進PID控制及其MALAB仿真 。電子工業(yè)出版社，2003，1 　　趙長占，不完全微分PID控制算法的研究與應(yīng)用。計算機與數(shù)字工程，2007，8 　　劉金琨，智能控制 。電子工業(yè)出版社，2005，5 　　吳衛(wèi)兵，基于RBF在線辨識的神經(jīng)網(wǎng)絡(luò)PID控制及其應(yīng)用。冶金自動化，2006，4 　　Rao J Rural.Neural nerwork architeure for parameter estimation of dynamical systems .IEEE Pror-CTA 1996,143（4）:387-393. 　　J J.H opfield,D.W.Tank.Neural Computation of Decisions Optimization Problen.Biological Cybernetics.1985,52:141-152