【正文】 u_3=u_2。 %參數(shù)更 ， Parameters Update u_5=u_4。*xi。 for i=1:1:H delta2(i)=dO(i)*segma(i)。 for i=1:1:H %Hidden layer dO(i)=4/(exp(I(i))+exp(I(i)))^2。 end for l=1:1:Out for i=1:1:H d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1wo_2)。 %Output layer for j=1:1:Out dK(j)=2/(exp(K(j))+exp(K(j)))^2。 end if u(k)=10 u(k)=10。 u(k)=u_1+du(k)。 %輸出層輸出的 PID 3 個(gè)系數(shù) Kpid=[kp(k),ki(k),kd(k)]。ki(k)=K(2)。 %輸出層輸入 for l=1:1:Out K(l)=exp(K(l))/(exp(K(l))+exp(K(l)))。 %隱含層輸入 for j=1:1:H Oh(j)=(exp(I(j))exp(I(j)))/(exp(I(j))+exp(I(j)))。x(3)]。 epid=[x(1)。 x(2)=error(k)。 %誤差 xi=[rin(k),yout(k),error(k),1]。 %跟蹤階躍信號(hào) yout(k)=den(2)*y_1+num(2)*u_5。 ei=0。)。 [num,den]=tfdata(dsys,39。zoh39。,tol)。 sys=tf([K],[tp,1],39。 tp=60。 rin(k)=。 ts=10。 %Input to NN middle layer error_2=0。 %初始化對(duì)象輸出 Oh=zeros(H,1)。y_2=0。u_5=0。u_3=0。 %定義數(shù)組并初始化 u_1=0。wo_3=wo。 wo_1=wo。 ]。 wo=[ 。wi_2=wi。 %初始化隱含層權(quán)值 %wi=*rands(H,IN)。 。 。Out=3。 %學(xué)習(xí)率 IN=4。 xite=。 BP 神經(jīng)網(wǎng)絡(luò) PID 控制方法仿真 程序 ： %基于 BP 神經(jīng)網(wǎng)絡(luò)的 PID 控制器設(shè)計(jì) clear all。position tracking39。ideal position signal39。)。ylabel(39。time(s)39。,2)。,39。,t,y(:,2),39。 plot(t,y(:,1),39。 江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 24 致 謝 江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 25 參 考 文 獻(xiàn) [1] 薛定宇，陳陽泉 . 基于 MATLAB/Simulink的系統(tǒng)仿真技術(shù)與應(yīng)用 . 清華大學(xué)出版社， 2020： 129161 [2] 金以慧，過程控制，清華大學(xué)出版社， 2020 [3] 馬銳 . 人工神經(jīng)網(wǎng)絡(luò)原理 . 機(jī)械工業(yè)出版社， 2020： 165,132167 [4] 師黎，陳鐵軍，李曉媛，姚利娜 . 智能控制實(shí)驗(yàn)與綜合設(shè)計(jì)指導(dǎo) . 清華大學(xué)出版社：1419. [5] 李人厚，智能控制理論和方法，西安電子科技大學(xué)出版社， 1999 [6] 叢爽 . 面向 MATLAB 工具箱的 神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用（第 3 版） . 合肥：中國科學(xué)技術(shù)大學(xué)出版社， 2020 [7] 彭梅香 . BP 神經(jīng)網(wǎng)絡(luò) PID 控制 (碩士論文 ). 華東師范大學(xué)， 2020 [8] 盧娟 . BP 神經(jīng)網(wǎng)絡(luò) PID 在三容系統(tǒng)中的控制研究 (碩士論文 ). 合肥工業(yè)大學(xué)， 2020 [9] 徐麗娜 . 神經(jīng)網(wǎng)絡(luò)控制 . 2020 [10] 高雋 . 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例 . 機(jī)械工業(yè)出版社， 2020: [11] Lawrence J. Introduction to Neural Networks and Expert Systems. California Scientific Software, 2020 [12] 朱學(xué)峰，過程控制技術(shù)的發(fā)展、現(xiàn)狀與展望，測控技術(shù)， 2020， 18： 1． 4 [13] Astrom K J， Hagglund T， The Future of PID Control， Control Engineering Practice，2020， (9)： 11631175 [14] 周浚哲，于洋，神經(jīng)網(wǎng)絡(luò) GPC 在非線性三容水箱系統(tǒng)中的應(yīng)用，沈陽工學(xué)院學(xué)報(bào)，2020 年 6 月， V01． 2， No． 2： 55． 58 [16] 薛定宇，控制系 統(tǒng)仿真與計(jì)算機(jī)輔助設(shè)計(jì)，機(jī)械工業(yè)出版社， 2020 [17] 楊智，朱海鋒，黃以華， PID 控制器設(shè)計(jì)與參數(shù)整定方法綜述，化工自動(dòng)化及儀表，2020， 32(5)： 1． 7 [18] 趙振宇，徐用懋，模糊理論和神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)與應(yīng)用，清華大學(xué)出版社，廣西科學(xué)技術(shù)出版社， 2020 [19] ，過程控制系統(tǒng)，清華大學(xué)出版社， 2020 [20] 劉姝廷，金太東 . BPPID 在鍋爐蒸汽壓力控制中的應(yīng)用 . 武漢工程大學(xué)學(xué)報(bào)， 2020，31(7)： 9194 [21] 劉金琨 . 先進(jìn) PID 控制 MATLAB 仿真（第 3 版） . 電子工業(yè)出版社 ， 2020： 180 江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 26 [22] 閻平凡 ,張長水 . 人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算．北京：清華大學(xué)出版社， 2020： 74— 89 [23] 譚永紅 . 基于 BP 神經(jīng)網(wǎng)絡(luò)的自適應(yīng)控制 . 西安：西北工業(yè)大學(xué)出版社， 2020 [24] Wills M （ 3）比較了系統(tǒng) 采用不同控制方法后 的 仿真 曲線， 總結(jié)了 兩種控制方法的控制效果 。 本文 的主要內(nèi)容： （ 1） 重 點(diǎn) 介紹了傳統(tǒng) PID 控制器和 BP 神經(jīng)網(wǎng)絡(luò) PID 控制器的控制原理和學(xué)習(xí)規(guī)則。 江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 23 結(jié) 論 針對(duì) 船用鍋爐主蒸汽壓力對(duì)象 的 大慣性、大滯后 特點(diǎn) ， BP 神經(jīng)網(wǎng)絡(luò) PID 控制器 通過不斷地 學(xué)習(xí) 和訓(xùn)練 ，實(shí)時(shí)地調(diào)整 PID 控制器參數(shù)，使 PID 控制器 參數(shù)達(dá)到最佳。而實(shí)際 的工業(yè)控制中， 常規(guī) PID 控制系統(tǒng)很容易發(fā)生振蕩，就使系統(tǒng)很難在較 短的時(shí)間里達(dá)到最佳的控制效果 [28]。 (2)自適應(yīng) 能力 強(qiáng)，不易受外界環(huán)境變化的影響。 由 圖 42 可知， 常規(guī) PID 控制系統(tǒng)達(dá) 到穩(wěn)定的過渡過程時(shí)間： sts 900? ；由圖 44 可知， BP 神經(jīng)網(wǎng)絡(luò) PID 控制系統(tǒng)達(dá)到穩(wěn)定江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 22 的過渡過程時(shí)間： sts 800? 。 但 BP 神經(jīng)網(wǎng)絡(luò) PID 控制系統(tǒng)在最大超調(diào)量、上升時(shí)間、調(diào)節(jié)時(shí)間等暫態(tài)性能上都要優(yōu)于常規(guī) PID 控制系統(tǒng)。把被控對(duì)象的輸出反饋到給定值，又產(chǎn)生誤差，反復(fù)此訓(xùn)練過程，直到誤差為零，也即輸出值與給定值相等為止。當(dāng)產(chǎn)生誤差時(shí)，誤差輸入到 BP 神經(jīng)網(wǎng)絡(luò) PID 控制器，通過在線調(diào)節(jié) BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值，得到 BP 神經(jīng)網(wǎng)絡(luò)的輸出，即 PID 的參數(shù) PK ， IK ， DK 。輸入指令信號(hào) 同樣 為 一個(gè) 階躍信號(hào) ： 1)( ?trin ，采樣時(shí)間 st 取 10s。被控對(duì)象即式（ 38）， 由此進(jìn)行仿真，仿真結(jié)果如下圖： 0 100 200 300 400 500 600 700 800 900 100000 . 20 . 40 . 60 . 811 . 21 . 41 . 61 . 82t i m e ( s )yd and y理想信號(hào)跟蹤信號(hào) 圖 43 傳統(tǒng) PID 控制算法的響應(yīng)曲線 江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 20 基于 BP 神經(jīng)網(wǎng)絡(luò)的 PID 控制方法 對(duì)于這個(gè)蒸汽壓力數(shù)學(xué)模型，選擇神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為 453，學(xué)習(xí)速率 ?? ，慣性系數(shù) ?? 。 經(jīng)多次測試，得到其近似數(shù)學(xué)模型為： sessG 40160 1)( ??? （ 41） 將此數(shù)學(xué)模型作為被控 量，應(yīng)用于仿真程序，比較其在不同控制方法下的特性，從而比較兩種不同控制方法的控制效果 [24]。蒸汽系統(tǒng)就整體而言是屬于非線性 分布參數(shù)的數(shù)學(xué)模型。蒸汽系統(tǒng)的動(dòng)態(tài)特性對(duì)鍋爐的運(yùn)行特性有決定性的影響。在鍋爐蒸汽壓力控制中，即實(shí)現(xiàn)了壓力的實(shí)時(shí)控制和調(diào)節(jié)了 [23]。 BP 神經(jīng)網(wǎng)絡(luò) PID 控制器的控制算法可歸納如下： ①根據(jù)具體對(duì)象，選定 BP 神經(jīng)網(wǎng)路的結(jié)構(gòu)，并作初始化工作：給出網(wǎng)絡(luò)各層權(quán)值系數(shù)的初值，選擇 學(xué)習(xí)速率和慣性因子，置 1?k ； ②由采樣技術(shù)得到 )(kr 和 )(ky ，計(jì)算 )()()( kykrke ?? ； ③對(duì)選作網(wǎng)絡(luò)輸入的系統(tǒng)運(yùn)行狀態(tài)量作歸一化處理； ④計(jì)算神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)的輸入和輸出； ⑤計(jì)算 PID 控制器輸出量 )()1()( kukuku ???? ； ⑥計(jì)算網(wǎng)絡(luò)各層的權(quán)值系數(shù)； 江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 17 ⑦置 1??kk ，返回②。 BP 神經(jīng)網(wǎng)絡(luò) PID 控制器主要利用了神經(jīng)網(wǎng)絡(luò)的非線性映射能力和自適應(yīng)能力。 PID 控制要想取得較好的控制效果，就必須通過調(diào)整好比例、積分和微分三種控制作用，形成控制量中即相互配合又相互制約的關(guān)系，這種關(guān)系不是簡單的“線性組合”，而是從變化無窮的非線性組合中找出最佳的組 合。 BP 神經(jīng)網(wǎng)絡(luò) PID 控制器是一種較新型的神 經(jīng)網(wǎng)絡(luò) PID 控制方法，有的著作又將之稱作“ PID 型神經(jīng)網(wǎng)絡(luò)控制”、“具有神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的 PID 控制器”、“神經(jīng)網(wǎng)絡(luò)直接自校正 PID 控制器”等。 這種方法局限性在于單神經(jīng)元結(jié)構(gòu)無逼近任意函數(shù)的能力，使這種方法在應(yīng)用上受到了很大的限制 [20]。 這兩種類型分別具有各自的特點(diǎn)和不足之處，以 BP 經(jīng)網(wǎng)絡(luò) PID 控制器為例，對(duì)它們的控制特點(diǎn)和不足做簡要介紹。 近年來，隨著神經(jīng)元網(wǎng)絡(luò)的研究和廣泛應(yīng)用，人們開始將神經(jīng)元網(wǎng)絡(luò)和 PID 控制結(jié)合在一起，以便改善傳統(tǒng) PID 控制器的性能，這種將神經(jīng)元網(wǎng)絡(luò)與 PID 控制相結(jié)合的研究也已經(jīng)取得了一定的成果 [19]。 以上各種方案的理論依據(jù)不同，采用手段也不相同，但它們的共同點(diǎn)都是針對(duì)如何選擇和整定 PID 參數(shù)。 PID 控制規(guī)律是一種線性的控制規(guī)律，它具有傳統(tǒng)控制理論的弱點(diǎn)， PID 控制器僅能對(duì)簡單的線性單變量系統(tǒng)有較好的控制效果，對(duì)復(fù)雜的被控系統(tǒng)，所得的控制效果不是非常理想 [18]。 通過以上分析，我們了解到，神經(jīng)網(wǎng)絡(luò) PID 控制器的 PID 參數(shù)能夠根據(jù)實(shí)際情況，通過自學(xué)習(xí)獲得合適的參數(shù)，從而讓控制效果達(dá)到最佳，具有很強(qiáng) 的魯棒性。合理的參數(shù)會(huì)使控制效果優(yōu)良，不合理的選擇會(huì)使系統(tǒng)的動(dòng)靜態(tài)性能變差，有時(shí)甚至使系統(tǒng)閉環(huán)不穩(wěn)定 [17]。 PID 在控制非線性、時(shí)變、耦合及參數(shù)和結(jié)構(gòu)不確定的復(fù)雜過程時(shí)，效果不是太好。因此常常采用折中的辦法整定控制器參數(shù)，這樣得到的控制效果顯然不是最佳的。 其次，傳統(tǒng)的 PID 控制器的參數(shù)只能整定為滿足生產(chǎn)過程控制目標(biāo)某一個(gè)方面的要求。這主要表現(xiàn)在兩個(gè)方面：第一， PID 控制器的參數(shù)整定必須相對(duì)于某一模型已知、系統(tǒng)參數(shù)已知的系統(tǒng)；第二， PID 控制器參數(shù)一旦整定完畢，便只 能固定地適用于一種情況。 傳統(tǒng)的 PID 控制也存在許多不足，最突出的一點(diǎn)就是有關(guān) PID 參數(shù)的問題。如果過程的動(dòng)態(tài)特性發(fā)生變化， PID 參數(shù)可以重新進(jìn)行調(diào)整與設(shè)定； （ 2） 適應(yīng)性強(qiáng)，按 PID 控制規(guī)律進(jìn)行工作的控制器早已普及化，即使目前最新式的過程控制計(jì)算機(jī)，其基本控制功能也仍然是 PID 控制。 ② PID 控制器的特點(diǎn) （ 1）原理簡單，使用方便。 (2)積分環(huán)節(jié) 積分環(huán)節(jié)可以提高系統(tǒng)的抗干擾能力，主要用于消除靜態(tài)誤差，提高系統(tǒng)的無靜差度，積分作用的強(qiáng)弱取決于積分時(shí)間常數(shù)， IT 越大，積分 作用越小，反之則越強(qiáng)。 而實(shí)際的工業(yè)生產(chǎn)過程往往具有非線性、時(shí)變不確定性等特點(diǎn)，難以建立精確的數(shù)學(xué)模型，應(yīng)用常規(guī) PID 控制器又難以達(dá)到理想的控制效果 [15]。 江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 13 第 3章 神經(jīng)網(wǎng)絡(luò) PID 控制器的設(shè)計(jì) PID 控制器 引言 PID 控制是最早發(fā)展起來控制策略之一，由于其算法簡單、魯棒 性好和可靠性高，被廣泛應(yīng)用于過程控制和運(yùn)動(dòng)控制中。這兩個(gè)過程不斷反復(fù)運(yùn)用，直到達(dá)到所設(shè)定的誤差值 [14]。正向傳播過程中，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元結(jié)構(gòu)，如果輸出層不能得到期 望輸出，即期望輸出與實(shí)際輸出之間存在誤差時(shí)，就轉(zhuǎn)向反向傳播 。 (3)有監(jiān)督的 Hebb 學(xué)習(xí)規(guī)則 將無監(jiān)督的 Hebb 學(xué)習(xí)和有監(jiān)督的 Delta 學(xué)習(xí)兩者結(jié)合起來就可組成有監(jiān)督的 Hebb學(xué)習(xí)規(guī)則，即： )()())()(()()1( kokokokdkwkww jijjijijij ?????? ?