薛昊洋 刘红军
(华北电力大学自动化系,保定市 071003 Xue Haoyang Liu Hongjun
(Automatic Department of North China Electric Power University, Baoding 071003 基于BP神经网络的多变量PID解耦控制
Multivariate Decoupling Control Based on Back Propagation Neural Network Abstract: Intelligent PID control strategy, which is based on neural network, is according to classical PID control,realized through neural network parameter setting which has self study function for multivariate decoupling control.The structure and the algorithm were given and the real-time simulation results of double variable and strong-coupled time-varying system were shown in the paper. It proved that PID control based on neural network has preferably self study and self adapting decoupling control ability through simulation. The system, which inosculates the decoupler and controler, is easy to implement and applicable for multivariate decoupling control. It makes the decoupled system have better dynamic behavior and static characteristic. Especially, it makes parameters astringe fast when determing initial value of network according to BP control law.
Key words: PID Control Neural Network Multivariable System Decoupling Control 【摘 要】基于神经网络实现智能PID 控制的策略,它以经典的PID控制为基础,通过神经网络参数整定
实现,进而进行自学,用于多变量系统的解耦控制。本文给出了网络的结构和算法,对一组二变量强耦合时变系统进行了仿真。通过计算机仿真证明了基于神经网
络的PID控制器网络结构简单规范具有良好的自学习和自适应解耦控制能力。系统易于实现,融解耦器与控制器于一体,适用于非线性多变量系统的解耦控制。能够使解耦后的系统具有良好的动态和静态性能,特别是依据BP 控制规律来确定网络连接权的初值,还具有参数快速收敛的优点。
【关键词】PID控制 神经网络 多变量系统 解耦控制 引言
多变量控制系统(MIMO属于高级而又复杂的过程控制系统,从广度和深度上都超过了单变量控制系统。而工业过程控制则要求系统能够安全稳定地运行;有较好的调节性能;能以较小的误差跟踪设定值的变化,或使误差为零。但是,由于系统有多个输入和多个输出,内部结构比较复杂,往往存在有一定程度的耦合作用,因此经常需要对控制系统进行解耦。多变量系统的解耦控制大体可分为三大类:传统解耦控制、自适应解耦控制以及智能解耦控制。传统的多变量系统的解耦控制是采用微分几何的方法,利用状态反馈,将多变量系统化为从外部看完全解耦的线性系统。这种方法要求被控对象必须用精确的数学模型来描述,因此难于实现自适应控制。
本文则建立了一种新型的基于BP神经网络的参数自整定多输人多输出神经网络PID控制器,用来对有强耦台的一类多输人多输出系统进行解耦控制。它根据设定的控制规律,通过网络在线调整PID控制器的比例、积分和微分参数,从而利用经典的PID控
制算法得到相应各变量的控制量参与控制,并能在
该过程中实现解耦控制,而不用给定样本信号进行离线的学习。由于神经网络还可以在指定的紧集上以任意精度逼近解析非线性函数,因此神经网络成为了实现非线性系统自适应控制的有力的工具。1 基于神经网络参数自学习PID解耦控制原理
基于神经网络的PID 控制属于多层前向神经元网络的范畴。传统的PID调节器具有结构简单、调整方便和参数整定与工程指标联系密切等特点,而神经网络又
具有自学习和自适应的能力。若将两者结合,则可以在一定程度解决传统PID调节器不易在线实时整定参数、难于对一些复杂过程和参数慢时变系统进行有效控制的不足。PID控制要取得好的控制效果,就必须通过调整好比例、积分和微分三种控制作用在形成控制量中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关系。神经网络所具有的任意非线性表示能力,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。
而通过PID控制,可实现对多变量系统的解耦控制,控制器由两部分组成[1]: ①经典的PID控制器:直接对被控对象过程闭环 收稿日期:2005-06-20
作者简介:薛昊洋(1979-,男,河北保定人,华北电力大学硕士生,研究方向为现代控制理论及应用。
论述与研究 Review and Research
控制,并且三个参数k p 、k i 、k d 为再线整定式;
②神经网络NN:根据系统的运行状态,调节PID 控制器参数,以期达到某种性能指标的最优化。即使输出层神经元的输出状态对应于PID 控制器的三个可调参数k 、k 、k ,通过神经网络的自身学习、加权系统调整,从而使其稳定状态对应于某种最优控制律下的PID 控制器参数[2]。图1给出了二变量PID解耦控制系统框图:
图1 二变量PID解耦控制系统结构示意图 该系统由两个增量式数字PID控制器构成,其解 耦控制算法为:
u (k =u (k -1+k (e (k -e (k -1+k (e (k - 2e 1(k -1+e 1(k -2+k i 1e 1(k