導(dǎo)語：BP神經(jīng)網(wǎng)絡(luò)控制優(yōu)化論文一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要以加熱爐控制系統(tǒng)為研究對象，提出了一種基于遺傳算法改進的bp網(wǎng)絡(luò)優(yōu)化PID控制參數(shù)方法，并與經(jīng)典的臨界比例度—Ziegler-Nichols方法進行比較。仿真結(jié)果表明該算法具有較好的控制效果。

關(guān)鍵詞PID控制；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；參數(shù)優(yōu)化

1引言

由于常規(guī)PID控制具有魯棒性好，結(jié)構(gòu)簡單等優(yōu)點，在工業(yè)控制中得到了廣泛的應(yīng)用。PID控制的基本思想是將P（偏差的比例），I（偏差的積分）和D（偏差的微分）進線性組合構(gòu)成控制器，對被控對象進行控制。所以系統(tǒng)控制的優(yōu)劣取決于這三個參數(shù)。但是常規(guī)PID控制參數(shù)往往不能進行在線調(diào)整，難以適應(yīng)對象的變化，另外對高階或者多變量的強耦合過程，由于整定條件的限制，以及對象的動態(tài)特性隨著環(huán)境等的變化而變化，PID參數(shù)也很難達到最優(yōu)的狀態(tài)。

神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)等優(yōu)點，提出了利用BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，對控制器參數(shù)進行在線調(diào)整，以滿足控制要求。由于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程較慢，可能導(dǎo)致局部極小點[2]。本文提出了改進的BP算法，將遺傳算法和BP算法結(jié)合對網(wǎng)絡(luò)閾值和權(quán)值進行優(yōu)化，避免權(quán)值和閾值陷入局部極小點。

2加熱爐的PID控制

加熱爐控制系統(tǒng)如圖1所示，控制規(guī)律常采用PID控制規(guī)律。

圖1加熱爐控制系統(tǒng)簡圖

若加熱爐具有的數(shù)學(xué)模型為：

則PID控制過程箭圖可以用圖2表示。

其中，

采用經(jīng)典參數(shù)整定方法——臨界比例度對上述閉環(huán)系統(tǒng)進行參數(shù)整定，確定PID控制器中Kp=2.259，Ki=0.869，Kd=0.276。參考輸入為單位階躍信號，仿真曲線如圖3所示。

圖2PID控制系統(tǒng)

圖3Z—N整定的控制曲線

仿真曲線表明，通過Z—N方法整定的參數(shù)控制效果不佳，加上PID參數(shù)不易實現(xiàn)在線調(diào)整，所以該方法不宜用于加熱爐的在線控制。

3基于遺傳算法改進的BP神經(jīng)網(wǎng)絡(luò)PID控制器參數(shù)優(yōu)化整定

對于加熱爐控制系統(tǒng)設(shè)計的神經(jīng)網(wǎng)絡(luò)自整定PID控制，它不依賴對象的模型知識，在網(wǎng)絡(luò)結(jié)構(gòu)確定之后，其控制功能能否達到要求完全取決于學(xué)習(xí)算法。

3.1遺傳算法改進的BP算法實現(xiàn)

一般BP網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，其算法步驟為：

（1）輸入訓(xùn)練樣本，按網(wǎng)絡(luò)結(jié)構(gòu)得到輸出；

（2）將實際輸出與希望輸出比較，得到誤差，根據(jù)誤差調(diào)節(jié)閾值和權(quán)值。重復(fù)兩個步驟，直到誤差滿足要求為止；

研究表明，采用上述BP算法逐步調(diào)整權(quán)值和閾值，可能導(dǎo)致學(xué)習(xí)過程收殮速度慢，訓(xùn)練時間過長，又易陷入局部極小點而得不到最佳的權(quán)值和閾值分布。為了加快學(xué)習(xí)速率，已經(jīng)有了一些優(yōu)化BP算法[3]，采用動態(tài)學(xué)習(xí)因子和慣性因子。這些方法在加快網(wǎng)絡(luò)收殮速度方面比較顯著，能較好地避免網(wǎng)絡(luò)陷入局部極小。遺傳算法不要求目標(biāo)函數(shù)具有連續(xù)性，而且可以對復(fù)雜的多峰的，非線性及不可微的函數(shù)實現(xiàn)全局尋優(yōu)，因此容易得到全局最優(yōu)解或性能很好的次優(yōu)解。將遺傳算法和BP算法相結(jié)合可以具有尋優(yōu)的全局性和精確性。算法過程為：

（1）對權(quán)值和閾值編碼生成初始種群，由于是多參數(shù)優(yōu)化問題，采用多參數(shù)映射編碼；

（2）計算適應(yīng)度值；

（3）如果不滿足遺傳算法停止條件，則對當(dāng)代種群進行交叉、選擇和變異產(chǎn)生新的個體，轉(zhuǎn)(2)；否則，轉(zhuǎn)（4）；

（4）對遺傳算法找到的較好的解空間，采用BP算法在這些小的解空間中搜索出最優(yōu)解。

3.2PID參數(shù)優(yōu)化

由圖5可知，神經(jīng)網(wǎng)絡(luò)根據(jù)系統(tǒng)的運行狀態(tài)，通過在線調(diào)整PID的三個參數(shù)Kp，Ki，Kd，以達到某種性能指標(biāo)的最優(yōu)化。

圖5BP網(wǎng)絡(luò)整定PID參數(shù)原理圖

經(jīng)典增量式PID的控制算法：

算法步驟：

(1)確定網(wǎng)絡(luò)結(jié)構(gòu)，采用3—4—3的結(jié)構(gòu)，輸入分別為e(k)，e(k)-e(k-1)，e(k)-2e(k-1)+e(k-2)。輸出為Kp，Ki，Kd。

(2)選擇初始種群N=60，交叉概率Pc=0.08，權(quán)值，閾值的范圍和初始化。選取目標(biāo)函數(shù)為（偏差絕對值積分）：，適應(yīng)度函數(shù)為：

(3)采樣得到rin（k）和yout（k），計算該時刻的誤差。

(4)對網(wǎng)絡(luò)進行學(xué)習(xí)，在線調(diào)整權(quán)值，閾值，計算神經(jīng)網(wǎng)絡(luò)的各層輸入，輸出，得到三個可調(diào)參數(shù)Kp，Ki，Kd。計算系統(tǒng)輸出。

(5)計算適應(yīng)度若不滿足要求，轉(zhuǎn)入第（3）步。

(6)找到最優(yōu)的Kp，Ki，Kd，對系統(tǒng)仿真。

圖6BP網(wǎng)絡(luò)整定的控制曲線

仿真結(jié)果顯示，用BP神經(jīng)網(wǎng)絡(luò)整定的PID控制系統(tǒng)比經(jīng)典的Z—N（臨界比例度）法有更快的響應(yīng)特性，良好的動態(tài)特性和比較強的魯棒性。

4結(jié)束語

由于神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)等優(yōu)點，本文提出的優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對控制器參數(shù)進行尋優(yōu)，可根據(jù)對象的變化情況對控制器參數(shù)的在線調(diào)整，滿足控制對象的動態(tài)特性隨著環(huán)境變化而變化的要求。達到好的控制效果。遺傳算法與BP網(wǎng)絡(luò)的結(jié)合彌補了BP網(wǎng)絡(luò)學(xué)習(xí)過程收斂速度慢，可能陷入局部級小的不足。

參考文獻

[1]王樹青等編著.工業(yè)過程控制工程[M].北京：化學(xué)工業(yè)出版社，2002

[2]李士勇著.模糊控制、神經(jīng)控制和智能控制論[M].哈爾濱：哈爾并工業(yè)大學(xué)出版社，1996

[3]胡志軍，王建國，王鴻斌.基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的PID控制研究與仿真[J].微電子學(xué)與計算機2006，23(12)：138—140

[4]張文修著.遺傳算法的數(shù)學(xué)基礎(chǔ)[M].西安：西安交通大學(xué)出版社，2003

[5]韓力群著.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用[M].北京：化學(xué)工業(yè)出版社，2002

[6]趙文峰著.Matlab控制系統(tǒng)設(shè)計與仿真[M].西安：西安電子科技大學(xué)出版社，2003