基于BP神经网络的PID智能控制

基于BP神经网络的PID整定原理经典的增量式数字PID控制算法为：BP神经网络结构：学习算法仿真模型Matlab代码仿真效果图结论python仿真参考文献

基于BP神经网络的PID整定原理

PID控制要获得较好的控制效果，就必须通过调整好比例、积分和微分三种控制作用，形成控制量中既相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，从变化无穷的非线性组合中可以找出最佳的。神经网络所具有的任意非线性表达的能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。采用BP神经网络，可以建立参数Kp、Ki、Kd自学习的PID控制器。

经典的增量式数字PID控制算法为：

u(k)=u(k−1)+∆u(k)

∆u(k)=k_p(error(k)−error(k−1))+k_ierror(k)+k_d(error(k)−2error(k−1)+error(k−2))

BP神经网络结构：

学习算法

仿真模型

Matlab代码

略做优化及解释

%BP based PID Controlclear all;close all;xite=0.20;alfa=0.05;S=2; %Signal typeIN=4;H=5;Out=3; %NN Structureif S==1 %Step Signal% wi=[-0.6394 -0.2696 -0.3756 -0.7023;% % -0.8603 -0.2013 -0.5024 -0.2596;% % -1.0749 0.5543 -1.6820 -0.5437;% % -0.3625 -0.0724 -0.6463 -0.2859;% % 0.1425 0.0279 -0.5406 -0.7660];wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;% wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325;% % -0.1146 0.2949 0.8352 0.2205 0.4508;% % 0.7201 0.4566 0.7672 0.4962 0.3632];wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endif S==2 %Sine Signal% wi=[-0.2846 0.2193 -0.5097 -1.0668;% % -0.7484 -0.1210 -0.4708 0.0988;% % -0.7176 0.8297 -1.6000 0.2049;% % -0.0858 0.1925 -0.6346 0.0347;% % 0.4358 0.2369 -0.4564 -0.1324];% wi=[0.2909 0.0504 -0.5608 0.8765;% -0.4225 0.5890 0.1840 0.5660;% -0.2075 -0.4704 0.1246 -0.3400;% -0.2277 -0.0930 -0.0809 0.3108;% 0.3456 -0.1417 -0.5223 0.298]wi=0.50*rands(H,IN)wi_1=wi;wi_2=wi;wi_3=wi;% wo=[1.0438 0.5478 0.8682 0.1446 0.1537;% % 0.1716 0.5811 1.1214 0.5067 0.7370;% % 1.0063 0.7428 1.0534 0.7824 0.6494];% wo=[-0.5582 -0.4503 -0.5845 -0.1433 0.2659;% -0.3943 -0.3942 0.2685 -0.1449 -0.2649;% -0.5109 -0.2169 0.3106 -0.2965 -0.5230]wo=0.50*rands(Out,H)wo_1=wo;wo_2=wo;wo_3=wo;endx=[0,0,0];du_1=0;u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;y_1=0;y_2=0;y_3=0;Oh=zeros(H,1); %Output from NN middle layerI=Oh; %Input to NN middle layererror_2=0;error_1=0;ts=0.001;for k=1:1:6000time(k)=k*ts;if S==1rin(k)=1.0;elseif S==2rin(k)=sin(1*2*pi*k*ts);end%Unlinear modela(k)=1.2*(1-0.8*exp(-0.1*k));yout(k)=a(k)*y_1/(1+y_1^2)+u_1;error(k)=rin(k)-yout(k);xi=[rin(k),yout(k),error(k),1];x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2;epid=[x(1);x(2);x(3)];I=xi*wi'; % [1,4]*[4,5]% 中间层激活函数for j=1:1:H Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %Middle LayerendK=wo*Oh; %Output Layer [3,5]*[5,1]% 输出层激活函数for l=1:1:Out K(l)=exp(K(l))/(exp(K(l))+exp(-K(l))); %Getting kp,ki,kdend% 输出层输出结果，PID系数kp(k)=K(1);ki(k)=K(2);kd(k)=K(3);Kpid=[kp(k),ki(k),kd(k)];% 增量PID计算du(k)=Kpid*epid;u(k)=u_1+du(k); %PID控制量输出% 符号函数，模型输出变化量/控制增量的变化量（+0.0001避免出现除0）dyu(k)=sign((yout(k)-y_1)/(du(k)-du_1+0.0001));%Output layer% 输出层激活函数求导 for j=1:1:Out dK(j)=2/(exp(K(j))+exp(-K(j)))^2;endfor l=1:1:Out delta3(l)=error(k)*dyu(k)*epid(l)*dK(l);endfor l=1:1:Out for i=1:1:H d_wo(l,i)=xite*delta3(l)*Oh(i)+alfa*(wo_1(l,i)-wo_2(l,i)); endendwo=wo_1+d_wo+alfa*(wo_1-wo_2);%Hidden layer% 中间层激活函数求导for i=1:1:H dO(i)=4/(exp(I(i))+exp(-I(i)))^2;endsegma=delta3*wo;for i=1:1:H delta2(i)=dO(i)*segma(i);endd_wi=xite*delta2'*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2);%Parameters Updatedu_1=du(k);u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);y_2=y_1;y_1=yout(k);wo_3=wo_2;wo_2=wo_1;wo_1=wo;wi_3=wi_2;wi_2=wi_1;wi_1=wi;error_2=error_1;error_1=error(k);endwiwofigure(1);plot(time,rin,'r',time,yout,'b--');xlabel('time(s)');ylabel('rin,yout');legend('rin','yout');grid onfigure(2);plot(time,error,'r');xlabel('time(s)');ylabel('error');grid onfigure(3);plot(time,u,'r');xlabel('time(s)');ylabel('u');grid onfigure(4);subplot(311);plot(time,kp,'r');xlabel('time(s)');ylabel('kp');grid onsubplot(312);plot(time,ki,'g');xlabel('time(s)');ylabel('ki');grid onsubplot(313);plot(time,kd,'b');xlabel('time(s)');ylabel('kd');grid on

仿真效果图

结论

由图可知，该算法经过一段时间的自动调参后误差趋于稳定，PID参数随着误差的变化而变化，证明了算法的有效性。实际使用时可增加一些限制条件，使算法更加鲁棒。

python仿真

单位阶跃信号响应，可根据实际模型使用PID或PI、PD控制，把不用的项系数设为0即可。

参考文献

[1]: 先进PID控制MATLAB仿真（第二版）刘金琨 第4章 神经PID控制