【正文】 D 控制器獲得的原始信息偏離實(shí)際值，而其產(chǎn)生的控制作用偏離理論值。第二種方法是工程整定方法，它主要依賴工程經(jīng)驗(yàn)，直接在控制系統(tǒng)的試驗(yàn)中進(jìn)行，且方法簡(jiǎn)單、易于掌握，在工程實(shí)際中被廣泛采用。微分控制通常與比例控制或積分控制聯(lián)合作用，構(gòu)成 PD 或 PID 校制。它的輸出與輸 入偏差變化的速度成比例，其作用是阻止被調(diào)參數(shù)的一切變化，有超前調(diào)節(jié)的作用，對(duì)滯后大的對(duì)象有很好的效果。積分作用太強(qiáng)時(shí)也會(huì)引起振蕩，積分時(shí)間的選擇是與控制過程的時(shí)間常數(shù)密切相關(guān)的。過大的增益會(huì)引起振蕩，過小的增益會(huì)使調(diào)節(jié)過程變的太慢。 經(jīng)典 PID控制原理 PID 控制器是一種線性控制器，它根據(jù)給定值 r(k)與實(shí)際輸出值 y(k)構(gòu)成控制偏差： E(k)=r(k)y(k) 其原理如下圖所示： 圖 31 經(jīng)典 PID 控制原理圖 由上圖可以看出 PID 控制器是基于比例 P，積分 I，微分 D 的控制器，它是一 種基于偏差控制的線性控制器，根據(jù)實(shí)際輸出值和給定值相比較，得出一個(gè)偏差，通過線性組合將 P， I， D，以及偏差組合在一起構(gòu)成一個(gè)控制量 U，對(duì)被控對(duì)象進(jìn)行控制 ]6[ 。雖然可以用批處理來(lái)完成上述兩個(gè)學(xué)習(xí)階段，但 12 是使用迭代的方法更理想。最常用的是 kmeans 聚類或 Kohonen 提出的自組織映射 (Self Organizing Feature Map， SOFM)方法、梯度下降法、資源分配網(wǎng)絡(luò)等。 Jacobian 陣（即為對(duì)象的輸出對(duì)控制輸入的靈敏度信息）算法為 11 ?? ??????? mj jjijjumyuy b xchwkkkk 1 2 1)( )()( )( 式中， )(1 kux ? RBF 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 通過分析 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的特點(diǎn)，可以發(fā)現(xiàn)主要有兩個(gè)因素決定結(jié)構(gòu)：網(wǎng)絡(luò)隱層神經(jīng)元個(gè)數(shù)及其中心、隱層與輸出層連接權(quán)值。 圖 23 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖 10 根據(jù) RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分析，構(gòu)成 RBF 神經(jīng)網(wǎng)絡(luò)的基本思想是：用 RBF 作為隱層神經(jīng)元的 “基 ”構(gòu)成隱含層空間，這樣就可將輸入矢量直接映射到隱空間。他們?cè)?1988 年發(fā)表的論文《 Multivariable functional interpolation and adaptive works》中初步探討了 RBF 用于神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用于傳統(tǒng)插值領(lǐng)域的不同特點(diǎn)，進(jìn)而提出了一種三層結(jié)構(gòu)的 RBF 神經(jīng)網(wǎng)絡(luò)。一旦網(wǎng)絡(luò)顯現(xiàn)出輸入數(shù)據(jù)的統(tǒng)計(jì)特征，網(wǎng)絡(luò)就實(shí)現(xiàn)了對(duì)輸入特征的編碼，即把輸入特征 “記憶 ”下來(lái)，而且在記憶之后，當(dāng)它再出現(xiàn)時(shí)，能把它識(shí)別出來(lái)。這種訓(xùn)練的過程需要有教師示教，提供數(shù)據(jù)，又稱樣板數(shù)據(jù)。反饋型神經(jīng)網(wǎng)絡(luò)是一種非線性動(dòng)學(xué)系統(tǒng)，它需要工作一段時(shí)間才能達(dá)到穩(wěn)定。就神經(jīng)網(wǎng)絡(luò)的主要連接形式而育，目前己有數(shù)十種不同的神經(jīng)網(wǎng)絡(luò)模型，其中前饋網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)是兩種典型的結(jié)構(gòu)模型。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元，一般表現(xiàn)為一個(gè)多輸入、單輸出的非線性運(yùn)算器件，網(wǎng)絡(luò)結(jié)構(gòu)可以由單個(gè)神經(jīng)元的基本結(jié)構(gòu)展現(xiàn)出來(lái)，主要包括三個(gè)基本要素： ① 一組連接 (對(duì)應(yīng)于生物神經(jīng)元的突觸 )，連接強(qiáng)度由各連接上的權(quán)值表示，權(quán)值為正表示激活，為負(fù)表示抑制； ② 一個(gè)求和單元，用于求取各輸入信號(hào)的加權(quán)和 (線性組合 )； ③ 一個(gè)激活函數(shù)，起到非線性映射作用并將神經(jīng)元的輸出值幅度限制在一定范圍內(nèi)。預(yù)期未來(lái)的人工神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)將為人類提 供 經(jīng)濟(jì)預(yù)測(cè)、市場(chǎng)預(yù)測(cè)、效益預(yù)測(cè)，其應(yīng)用前途是很遠(yuǎn)大的。因此基于神經(jīng)網(wǎng)絡(luò)的 PID 不僅能適應(yīng)環(huán)境變化，且有較強(qiáng)的魯棒性 ]4[ ?？萍及l(fā)達(dá)國(guó)家的主要公司對(duì)神經(jīng)網(wǎng)絡(luò)芯片、生物芯片情有獨(dú)鐘。人們對(duì) PID 應(yīng)用的同時(shí)，也對(duì)其進(jìn)行各種改進(jìn)，主要體現(xiàn)在兩個(gè)方面：一是對(duì)常規(guī) PID 本身結(jié)構(gòu)的改進(jìn)，即變結(jié)構(gòu) PID 控制。隨著人們對(duì)大腦信息處理機(jī)理認(rèn)知的深化，以及人工神經(jīng)網(wǎng)絡(luò)智能水平的提高，人工神經(jīng)網(wǎng)絡(luò)必將在科學(xué)技術(shù)領(lǐng)域發(fā)揮更大的作用。 84 年他用此模型成功地解決了復(fù)雜度為 NP 的旅行商問題 (TSP) 。到了 80 年代，隨著個(gè)人計(jì)算機(jī)和工作站的計(jì)算能力的急劇增強(qiáng)和廣泛應(yīng)用，以及不斷引入新的概念，克服了擺在神經(jīng)網(wǎng)絡(luò)研究面前的障礙，人們對(duì)神經(jīng)網(wǎng)絡(luò)的研究熱情空前高漲。即使如此， 20 世紀(jì) 70 年代，科學(xué)家們?nèi)匀辉谠擃I(lǐng)域開展了許多重要的工作。 1959 年 和 發(fā)表了論文《 Adaptive Switch Circuits 》 ,提出了自適應(yīng)線性元件網(wǎng)絡(luò)，簡(jiǎn)稱 Adaline, Adaline 實(shí)質(zhì)上是一個(gè)二層前饋感知機(jī)型網(wǎng)絡(luò)。 Hebb 同時(shí)提出了網(wǎng)絡(luò)學(xué)習(xí)的規(guī)則，即 Hebbian 規(guī)則，從而使神經(jīng)網(wǎng)絡(luò)具有了可靠性。因而，他們兩人可稱為人工神經(jīng)網(wǎng)絡(luò)研究的先驅(qū)。因此，研究 RBF 神經(jīng)網(wǎng)絡(luò)顯然具有重要理論意義和重要的應(yīng)用價(jià)值 ]5[ 。⑤ 學(xué)習(xí)過程收斂速度快。神經(jīng)網(wǎng)絡(luò)控制作為二十一世紀(jì)的自動(dòng)化 控制技術(shù)，國(guó)內(nèi)外理論與實(shí)踐均充分證明，其在工業(yè)復(fù)雜過程控制方面大有用武之地。人們一直在尋求 PID 控制器參數(shù)的自適應(yīng)技術(shù)，以適應(yīng)復(fù)雜系統(tǒng)的控制要求，神經(jīng)網(wǎng)絡(luò)理論的發(fā)展使這種設(shè)想成為可能。 RBF neural work。 I 華北電力大學(xué) 畢 業(yè) 設(shè) 計(jì) (論文 ) 系 別 專業(yè)班級(jí) 學(xué)生姓名 秦術(shù)員 指導(dǎo)教師 年 月 題 目 基于 RBF神經(jīng)網(wǎng)絡(luò)整定的 PID控制器設(shè)計(jì)及仿真 Ⅰ 基于 RBF 神經(jīng)網(wǎng)絡(luò)整定的 PID 控制器設(shè)計(jì)及仿真 摘 要 目前，因?yàn)?PID 控制具有簡(jiǎn)單的控制結(jié)構(gòu)，可通過調(diào)節(jié)比例積分和微分取得基本滿意的控制性能，在實(shí)際應(yīng)用中又較易于整定，所以廣泛應(yīng)用于過程控制和運(yùn)動(dòng)控制中，尤其在可建立精確模型的確定性控制系統(tǒng)中應(yīng)用比較多。 關(guān)鍵詞： PID； RBF 神經(jīng)網(wǎng)絡(luò)；參數(shù)整定 Ⅱ SETTING OF THE PID CONTROLLER BASED ON RBF NEURAL NETWORK DESIGN AND SIMULATION Abstract At present, because the PID control has a simple control structure, through adjusting the proportional integral and differential gain basic satisfactory control performance, and is relatively easy to setting in practical application, so widely used in process control and motion control, especially in the accurate model can be built more deterministic control system application. With the increasingly plex of the modern industrial process, however, increased step by step to control requirements (., stability, accuracy and quickness, etc.), classical control theory is faced with severe challenges. Nonlinear systems in industrial control field, using the traditional PID control can not obtain satisfactory control effect. Optimized RBF neural work based on gradient descent algorithm, it will be integrated neural work and PID control technology, with a conventional PID controller has simple structure, physical mea ning is clear advantages, at the same time with neural work selflearning, adaptive function. Therefore, this article through to the RBF neural work structure and the calculation method of learning, to design a setting of the PID controller based on RBF neural work, constructs its model, and then write M language program. Using the MATLAB software to design the RBF neural work setting of PID control algorithm simulation research. Data and then further through simulation experiment, the control system stability, robustness, antiinterference ability, etc. Keywords: PID。并且，隨著相關(guān)領(lǐng)域技術(shù)的不斷發(fā)展，對(duì)控制系統(tǒng)的指標(biāo)要求也越來(lái)越高。 神經(jīng)網(wǎng)絡(luò)應(yīng)用時(shí)不需考慮過程或現(xiàn)象的內(nèi)在機(jī)理， 2 一些高度非線性和高度復(fù)雜的問題能較好地得到處理，因此神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域取得了較大的發(fā)展，特別在模型辨識(shí)、控制器設(shè)計(jì)、優(yōu)化操作、故障分析與診斷等領(lǐng)域迅速得到應(yīng)用。④ 分類能力好。同時(shí)也因?yàn)镽BF 網(wǎng)絡(luò)的這些缺點(diǎn)限制了其應(yīng)用領(lǐng)域的拓寬及應(yīng)用程度的深入，不利于國(guó)民經(jīng)濟(jì)的健康發(fā)展。此模型沿用至今，并且直接影響著這一領(lǐng)域研究的進(jìn)展。 1949 年，心理學(xué)家 發(fā)表了論著《 Tlle origanization ofbehavior》 ,提出來(lái)很多有價(jià)值的觀點(diǎn)，特別 是他認(rèn)為在一個(gè)神經(jīng)網(wǎng)絡(luò)里信息是分布式地存儲(chǔ)在突觸連接的權(quán)值中，而權(quán)值可以通過網(wǎng)絡(luò)的學(xué)習(xí)來(lái)調(diào)整。當(dāng)時(shí)，世界上不少實(shí)驗(yàn)室仿效感知機(jī)，設(shè)計(jì)出了各種各樣的電子裝置。同時(shí)由于當(dāng)時(shí)沒有功能強(qiáng)大的數(shù)字計(jì)算機(jī)來(lái)支持各種實(shí)驗(yàn)，從而導(dǎo)致許多研究者離開這一研究領(lǐng)域，使神經(jīng)網(wǎng)絡(luò)的研究停滯了十多年。 第二次研究高潮：八十年代初至現(xiàn)在，前面我們講過，在 60 年代，由于缺乏新思想和用于實(shí)驗(yàn)的高性能計(jì)算機(jī)， 曾一度動(dòng)搖了人們對(duì)神經(jīng)網(wǎng)絡(luò)的研究興趣。 1982 年生物物理學(xué)家 教授提出了 Hoppield 神經(jīng)網(wǎng)絡(luò)模型，引入了能量函數(shù)概念，這一成果的取得使神經(jīng)網(wǎng)絡(luò)的研究取得了突破性進(jìn)展。當(dāng)前存在的問題是智能水平還不高，許多應(yīng)用方面的要求還不能得到很好的滿足：網(wǎng)絡(luò)分析與綜合的一些理論性問題 (如穩(wěn)定性、收斂性的分析，網(wǎng)絡(luò)的結(jié)構(gòu)綜合等 )還未 得到很好的解決。 在實(shí)際生產(chǎn)過程中，由于受到參數(shù)整定方法繁雜的困擾，因此常規(guī) PID 控制的應(yīng)用受到很大的限制和挑戰(zhàn)。 近十年來(lái)，神經(jīng)網(wǎng)絡(luò)理論與實(shí)踐有了引人注目的進(jìn)展，它再一次拓展了計(jì)算概念的內(nèi)涵，使神經(jīng)計(jì)算、進(jìn)化計(jì)算成為新的學(xué)科，神經(jīng)網(wǎng)絡(luò)的軟件模擬得到了廣泛的應(yīng)用。神經(jīng)網(wǎng)絡(luò)所具有的任意非線性表達(dá)能力，可以通過對(duì)系統(tǒng)性能的學(xué)習(xí)來(lái)實(shí)現(xiàn)具有最佳組合的 PID 控制。自學(xué)習(xí)功能對(duì)于預(yù)測(cè)有特別重要的意義。網(wǎng)絡(luò)實(shí)際輸出與期望輸出之間的誤差是衡量所構(gòu)造的網(wǎng)絡(luò)模型的性能指標(biāo)。我們利用人工神經(jīng)元可以構(gòu)成各種不同拓?fù)浣Y(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，它是生物神經(jīng)網(wǎng)絡(luò)的一種模擬和近似。若總節(jié)點(diǎn) (神經(jīng)元 )數(shù)為 N，則每個(gè)節(jié)點(diǎn)有 N 個(gè)輸入和一個(gè)輸出，也就是說(shuō)，所有節(jié)點(diǎn)都是一樣的，它們之間都可以相互連接。 監(jiān)督學(xué)習(xí) (有教師學(xué)習(xí) ) 為了使神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中解決各種問題，必須對(duì)它進(jìn)行訓(xùn)練。自組織學(xué)習(xí)是靠神經(jīng)元本身對(duì)輸入模式的不斷適應(yīng)，抽取輸入信號(hào)的規(guī)律（如統(tǒng)計(jì)規(guī)律 )。 RBF 神經(jīng) 網(wǎng)絡(luò) RBF 神經(jīng)網(wǎng)絡(luò)的發(fā)展簡(jiǎn)史 Broomhead 和 Lowe 最早將 RBF 用于神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)之中。第一層是輸出層，由信號(hào)源節(jié)點(diǎn)組成；第二層為隱含層，其節(jié)點(diǎn)基函數(shù)是一種局部分布的、對(duì)中心徑向?qū)ΨQ衰減的非負(fù)非線性函數(shù)；第三層為輸出層。網(wǎng)絡(luò)的權(quán)向量為 ? ?Tmj wW ...,..., 21? 辨識(shí)網(wǎng)絡(luò)的輸出為 ? ? mmm hwhwhwky ???? ...2111 辨識(shí)器的性能指標(biāo)函數(shù)為 ? ? ? ?? ?221 kykyo u tJmI ?? 根據(jù)梯度下降法，輸出權(quán)、節(jié)點(diǎn)中心及節(jié)點(diǎn)基寬參數(shù)的迭代算法如下 ? ? ? ? ? ? ? ?? ? ? ? ? ?? ?211 ???????? kwkwhkyky o