基于RBF神经网络整定的PID控制器设计及仿真_毕业设计(论文).docx
《基于RBF神经网络整定的PID控制器设计及仿真_毕业设计(论文).docx》由会员分享，可在线阅读，更多相关《基于RBF神经网络整定的PID控制器设计及仿真_毕业设计(论文).docx（39页珍藏版）》请在冰点文库上搜索。
华北电力大学
毕 业 设 计（论文）
题 目基于RBF神经网络整
定的PID控制器设计及仿真
系 别
专业班级
学生姓名 秦术员指导教师
I
年 月
基于RBF神经网络整定的PID控制器设计及仿真
摘 要
目前，因为PID控制具有简单的控制结构，可通过调节比例积分和微分取得基本满意的控制性能，在实际应用中又较易于整定，所以广泛应用于过程控制和运动控制中，尤其在可建立精确模型的确定性控制系统中应用比较多。
然而随着现代工业过程的日益复杂，对控制要求的逐步增高（如稳定性、准确性、快速性等），经典控制理论面临着严重的挑战。
对工业控制领域中非线性系统，采用传统PID控制不能获得满意的控制效果。
采用基于梯度下降算法优化RBF神经网络，它将神经网络和PID控制技术融为一体，既具有常规PID控制器结构简单、物理意义明确的优点，同时又具有神经网络自学习、自适应的功能。
因此，本文通过对RBF神经网络的结构和计算方法的学习，设计一个基于
RBF神经网络整定的PID控制器，构建其模型，进而编写M语言程序。
运用MATLAB软件对所设计的RBF神经网络整定的PID控制算法进行仿真研究。
然后再进一步通过仿真实验数据，研究本控制系统的稳定性，鲁棒性，抗干扰能力等。
关键词：
PID；RBF神经网络；参数整定
Ⅰ
SETTINGOFTHEPIDCONTROLLERBASEDONRBFNEURALNETWORKDESIGNANDSIMULATION
Abstract
Atpresent,becausethePIDcontrolhasasimplecontrolstructure,throughadjustingtheproportionalintegralanddifferentialgainbasicsatisfactorycontrolperformance,andisrelativelyeasytosettinginpracticalapplication,sowidelyusedinprocesscontrolandmotioncontrol,especiallyintheaccuratemodelcanbebuiltmoredeterministiccontrolsystemapplication.Withtheincreasinglycomplexofthemodernindustrialprocess,however,increasedstepbysteptocontrolrequirements（e.g.,stability,accuracyandquickness,etc.）,classicalcontroltheoryisfacedwithseverechallenges.Non-linearsystemsinindustrialcontrolfield,usingthetraditionalPIDcontrolcannotobtainsatisfactorycontroleffect.OptimizedRBFneuralnetworkbasedongradientdescentalgorithm,itwillbeintegratedneuralnetworkandPIDcontroltechnology,withaconventionalPIDcontrollerhassimplestructure,physicalmeaningisclearadvantages,atthesametimewithneuralnetworkself-learning,adaptivefunction.Therefore,thisarticlethroughtotheRBFneuralnetworkstructureandthecalculationmethodoflearning,todesignasettingofthePIDcontrollerbasedonRBFneuralnetwork,constructsitsmodel,andthenwriteMlanguageprogram.UsingtheMATLABsoftwaretodesigntheRBFneuralnetworksettingofPIDcontrolalgorithmsimulationresearch.Dataandthenfurtherthroughsimulationexperiment,thecontrolsystemstability,robustness,anti-interferenceability,etc.
Keywords:
PID;RBFneuralnetwork;Parametersetting
Ⅱ
目 录
摘 要 Ⅰ
Abstract Ⅱ
1绪论 1
1.1课题研究背景及意义 1
1.2神经网络的发展历史 2
2神经网络 6
2.1神经网络的基本概念和特点 6
2.2人工神经网络构成的基本原理 6
2.3神经网络的结构 7
2.3.1前馈网络 7
2.3.2反馈网络 7
2.4神经网络的学习方式 8
2.4.1监督学习（有教师学习） 8
2.4.2非监督学习（无教师学习） 8
2.4.3再励学习（强化学习） 9
2.5RBF神经网络 9
2.5.1RBF神经网络的发展简史 9
2.5.2RBF的数学模型 9
2.5.3被控对象Jacobian信息的辨识算法 10
2.5.4RBF神经网络的学习算法 11
2.6本章小结 12
3PID控制器 13
3.1PID控制器简介 13
3.2经典PID控制原理 13
3.3现有PID控制器参数整定方法 15
3.4PID控制的局限 15
3.5本章小结 15
4基于RBF神经网络整定的PID控制器设计 16
4.1RBF神经网络的PID整定原理 16
4.2神经网络PID控制器的设计 16
4.3本章小结 17
5仿真分析 18
5.1系统的稳定性分析 18
5.2系统抗干扰能力分析 19
5.3系统鲁棒性分析 20
5.4本章小结 22
结 论 23
参考文献 24
致 谢 25
附录仿真程序 26
1.1课题研究背景及意义
1绪论
34
PID控制器（按比例、积分和微分进行控制的调节器）是最早发展起来的应用经典控制理论的控制策略之一，是工业过程控制中应用最广泛，历史最悠久，生命力最强的控制方式，在目前的工业生产中，90％以上的控制器为PID控制器。
PID控制器算法简单、鲁棒性好和可靠性高，控制效果良好，因此被广泛应用于工业控制过程中，尤其适用于可建立精确数学模型的确定性控制系统。
对于传统PID控制器，在把其投入运行之前，要想得到较理想的控制效果，必须先整定好三个参数：
即比例系数Kp、积分系数Ki、微分系数Kd。
但是如果控制器参数整定不好，即使控制器本身很先进，其控制效果也会很差。
随着工业的发展，控制对象的复杂程度也在不断加深，许多大滞后、时变的、非线性的复杂系统，如温度控制系统，被控过程机理复杂，具有高阶非线性、慢时变、纯滞后等特点，常规PID控制显得无能为力；另外，实际生产过程中存在着许多不确定因素，如在噪声、负载振动和其他一些环境条件下，过程参数甚至模型结果都会发生变化，如变结构、变参数、非线性、时变等，不仅难以建立受控对象精确的数学模型，而且PID
控制器的控制参数具有固定形式，不易在线调整，难以适应外界环境的变化，这些使得
PID控制器在实际应用中不能达到理想的效果，越来越受到限制和挑战[9]。
因此，如何使PID控制器具有在线自整定其参数的功能，是自从使用PID控制以来人们始终关注的重要问题。
并且，随着相关领域技术的不断发展，对控制系统的指标要求也越来越高。
人们一直在寻求PID控制器参数的自适应技术，以适应复杂系统的控制要求，神经网络理论的发展使这种设想成为可能。
人工神经网络是由大量简单的基本神经元相互连接而构成的自适应非线性动态系统。
神经网络控制能够充分任意地逼近任何复杂的非线性关系，具有很强的信息综合能力，能够学习和适应严重不确定系统的动态特性，故有很强的鲁棒性和容错性，可以处理那些难以用模型和规则描述的过程；神经网络所具有的大规模的并行处理和分布式的信息存储；极强的自学、联想额容错能力；良好的自适应和自组织性；多输入、多输出的非线性系统都基本符合工程的要求。
人工神经网络作为生物控制论的一个成果，其触角几乎延伸到各个工程领域，并且在这些领域中形成新的生长点。
径向基神经网络（简称RBF网络），是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。
同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。
基于RBF神经网络的PID控制器由经典的PID控制器和RBF神经网络组成，其基本思想是利用神经网络的自学习功能和非线性函数的表示能力，遵从一定的最优指标，在线调整PID控制器的参数，使之适应被控对象参数以及结构的变化和输入参考信号的变化，并能够抵
御外来扰动的影响，达到具有良好的鲁棒性的目标。
神经网络应用时不需考虑过程或现象的内在机理，一些高度非线性和高度复杂的问题能较好地得到处理，因此神经网络在控制领域取得了较大的发展，特别在模型辨识、控制器设计、优化操作、故障分析与诊断等领域迅速得到应用。
神经网络控制作为二十一世纪的自动化控制技术，国内外理论与实践均充分证明，其在工业复杂过程控制方面大有用武之地。
而工业现场需要先进的控制方法，迫切需要工程化实用化的神经网络控制方法，所以研究神经网络在控制中的应用，对提高我国的自动化水平和企业的经济效益具有重大意义。
神经网络具有很强的非线性逼近能力和自学习能力，所以将RBF神经网络算法与PID控制相结合产生的间接自校正控制策略，能自动整定控制器的参数，使系统在较好的性能下运行。
虽然人工神经网络存在着以上的许多优点及广泛的应用，但同时也存在着一些不足，由于神经网络的不足阻碍了神经网络的发展，在现实应用中RBF神经网络是最为广泛的神经网络模型之一，RBF神经网络是在1988年被Moody和Darken提出的一种神经网络结构，它从根本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。
RBF网络和模糊逻辑能够实现很好的互补，提高神经网络的学习泛化能力，本课题是以RBF神经网络模型研究为主，RBF神经网络的优缺点主要表现在以下几个方面：
优点：
①它具有唯一最佳逼近的特性，且无局部极小问题存在。
②RBF神经网络具有较强的输入和输出映射功能，并且理论证明在前向网络中RBF网络是完成映射功能的最优网络。
③网络连接权值与输出呈线性关系。
④分类能力好。
⑤学习过程收敛速度快。
缺点：
①最严重的问题是没能力来解释自己的推理过程和推理依据。
②不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。
③把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。
④理论和学习算法还有待于进一步完善和提高。
此外，RBF 神经网络用于非线性系统建模需要解决的关键问题是样本数据的选择，在实际工业过程中，系统的信息往往只能从系统运行的操作数据中分析得到，因此如何从系统运行的操作数据中提取系统运行状况信息，以降低网络对训练样本的依赖，在实际应用中具有重要的价值。
隐含层基函数的中心是在输入样本集中选取的，这在许多情况下难以反映出系统真正的输入输出关系，并且初始中心点数太多；另外优选过程会出现数据病态现象等问题的存在严重阻碍了RBF神经网络的发展，致使其理论发展缓慢。
同时也因为RBF网络的这些缺点限制了其应用领域的拓宽及应用程度的深入，不利于国民经济的健康发展。
因此，研究RBF神经网络显然具有重要理论意义和重要的应用价值
[5]。
1.2神经网络的发展历史
神经网络的研究最早可以追溯到人类考试研究自己智能的时期。
这一时期截止到
1949年。
1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先从信息处理的观点出发，合作提出了一种简单的人工神经元数学模型。
在该模型中，神经元表现为二个状态，即“兴奋”和“抑止”。
此模型沿用至今，并且直接影响着这一领域研究的进展。
因而，他们两人可称为人工神经网络研究的先驱。
1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。
1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动化网络结构。
但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。
虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人人工神经网络研究的先驱之一。
1949年，心理学家D.O.Hebb发表了论著《Tlleoriganizationofbehavior》,提出来很多有价值的观点，特别是他认为在一个神经网络里信息是分布式地存储在突触连接的权值中，而权值可以通过网络的学习来调整。
Hebb同时提出了网络学习的规则，即Hebbian规则，从而使神经网络具有了可靠性。
Hebb的工作对后来的神经网络结构和算法产生了很大的影响，目前的一些神经网络的学习规则仍在采用Hebbian规则或它的改进型规则。
第一次研究高潮：
五十至六十年代，1958年F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。
用于模拟一个生物视觉模型，第一次从理论研究转图工程实践阶段。
这是第一个真正的神经网络，因为它在IBM704计算机上得到了成功的模拟。
最初感知机的学习机制是自组织的，响应的发生与随机的初始值有关，后来加入了训练过程，这与后来的BP算法和Kohone自组织算法类似。
当时，世界上不少实验室仿效感知机，设计出了各种各样的电子装置。
1959年B.Widrow和M.Hoff发表了论文《 AdaptiveSwitchCircuits》,提出了自适应线性元件网络，简称Adaline,Adaline实质上是一个二层前馈感知机型网络。
1962年，Rosenblatt出版了一本名为《The Priciples of Neuro
dynamics》的书，书中详述了他的感知机。
感知机具有输入层、输出层和中间层，它可以模仿人的特性，并用它做了实验。
1967年，Stephen Grossberg通过对生理学的研究来开发神经网络模型，提出了一种网络称作Avalanche（雪崩网），这种网络可以连续语声识别和控制机器人手臂的运动。
低潮时期：
六十年代末至七十年代，1969年，Minsky和
Paper等发表了专著《Perceptrons》，该书指出，简单的神经网络只能进行线性分类和求解一阶谓词问题，而不能进行非线性分类和解决比较复杂的高阶谓词问题，如XOR、对称性判别和宇称等问题。
在当时的技术条件下，解决此类问题是极其困难的。
该书在学术界产生正反二方面的影响，它的副作用促使20世纪60年代人们对神经网络研究的热情骤然下降，迅速转入低潮。
同时由于当时没有功能强大的数字计算机来支持各种实验，
从而导致许多研究者离开这一研究领域，使神经网络的研究停滞了十多年。
即使如此，
20世纪70年代，科学家们仍然在该领域开展了许多重要的工作。
19721年，芬兰的
Kohonen开始从事随机连接变化表的研究工作。
从1972年开始，他很快集中到联想记忆方面。
1968年，Anderson具有基于神经元突触的激活联想记忆模型的ANS模型开始工作。
1973年和1977年又把LAM应用到诸如识别、重构和任意可视模式的联想这样的问题上。
这一时期，Stephen Grossberg在自组织网络方面的研究也十分活跃。
同时，东京NHA广播科学研究室大阪大学教授Fukushima提出了一种称为Neocognitron的神经网络，它是一个视觉识别机制，与生物视觉理论相符合。
第二次研究高潮：
八十年代初至现在，前面我们讲过，在60年代，由于缺乏新思想和用于实验的高性能计算机，曾一度动摇了人们对神经网络的研究兴趣。
到了80年代，随着个人计算机和工作站的计算能力的急剧增强和广泛应用，以及不断引入新的概念，克服了摆在神经网络研究面前的障碍，人们对神经网络的研究热情空前高涨。
有二个概念对神经网络的复兴具有极其重大的意义。
其一是：
用统计机解释某些类型的递归网络的操作，这类网络课作为两厢存储器。
物理学家JohnHopfiled研究论文论述了这些思想。
其二是：
在20世纪80年代，几个不同的研究者分别开发出了用于训练多层感知机的反串算法。
其中最有影响力的反传算法是DavidRumelhart和JamesMcClelland提出的。
该算法有力的回答了60年代Minsky和Papert对神经网络的责难。
1982年生物物理学家
J.Hoppield教授提出了Hoppield神经网络模型，引入了能量函数概念，这一成果的取得使神经网络的研究取得了突破性进展。
84年他用此模型成功地解决了复杂度为NP的旅行商问题（TSP）。
1987年6月在美国加州举行了第一届神经网络国际会议。
有一千多名学者参加，并成立了国际神网络学会。
后确定为每年召开两次国际联合神经网络大会。
1990年我国的863高技术研究计划，批准了关于人工神经网络的三项课题，自然科学基金与国防科技预研基金也都把神经网络的研究列入选题指南，对中选的课题提供研究上的资助。
如今，神经网络的应用，已渗透到模式识别、图像处理、非线性优化、语音处理、自然语言理解、自动目标识别、机器人、专家系统等各个领域，并取得了令人瞩目的成果。
从众多应用研究领域取得的丰硕成果来看，人工神经网络的发展具有强大的生命力。
当前存在的问题是智能水平还不高，许多应用方面的要求还不能得到很好的满足：
网络分析与综合的一些理论性问题（如稳定性、收敛性的分析，网络的结构综合等）还未得到很好的解决。
随着人们对大脑信息处理机理认知的深化，以及人工神经网络智能水平的提高，人工神经网络必将在科学技术领域发挥更大的作用。
当今的自动控制技术都是基于反馈的概念。
反馈理论的要素包括三个部分：
测量、比较和执行。
测量关心的变量，与期望值相比较，用这个误差纠正调节控制系统的响应。
PID（比例-积分-微分）控制器作为最早实用化的控制器已有50多年历史，现在仍然是应用最广泛的工业控制器。
PID控制器简单易懂，使用中不需精确的系统模型等先决条件，因而成为应用最为广泛的控制
器。
PID控制器由比例单元（P）、积分单元（I）和微分单元（D）组成。
在实际生产过程中，由于受到参数整定方法繁杂的困扰，因此常规PID控制的应用受到很大的限制和挑战。
人们对PID应用的同时，也对其进行各种改进，主要体现在两个方面：
一是对常规
PID本身结构的改进，即变结构PID控制。
如积分分离算法，抗积分饱和算法和微分项的改进等等。
另一方面，与模糊控制、神经网络控制和专家控制相结合，扬长避短，发挥各自的优势，形成所谓智能PID控制。
神经网络是一个由大量简单的处理单元广泛连接组成的系统，用来模拟人脑神经系统的结构和功能。
它从开始研究到发展并不是一帆风顺的，经历了兴起到低潮，再转入新的高潮的曲折发展道路。
20世纪80年代中期以来，在美国、日本等一些西方工业发达国家里，掀起了一股竞相研究、开发神经网络的热潮。
近十多年来人工神经网络的发展也表明了，这是一项有着广泛的应用前景的新型学科，它的发展对目前和未来科学技术水平的提高将有重要影响。
近十年来，神经网络理论与实践有了引人注目的进展，它再一次拓展了计算概念的内涵，使神经计算、进化计算成为新的学科，神经网络的软件模拟得到了广泛的应用。
科技发达国家的主要公司对神经网络芯片、生物芯片情有独钟。
例如Intel公司、IBM公司和HNC公司已取得了多项专利，已有产品进入市场，被国防、企业和科研部门选用，许多公众手中也拥有神经网络实用化的工具，其商业化令人鼓舞。
神经网络在国民经济和国防科技现代化建设中具有广阔的应用领域和发展前景。
神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适用于处理需要同时考虑多因素和多条件的、不精确和模糊的信息处理问题。
它主要应用领域有：
语音识别、图像识别、计算机视觉、智能机器人、故障诊断、实时语言翻译、企业管理、市场分析、决策优化、物资调运、自适应控制、专家系统、智能接口、神经心理学、心理学和认知科学研究等等。
PID控制要取得较好的控制效果，就必须通过调整好比例、积分、微分三种控制作用，形成控制量中既有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关系。
神经网络所具有的任意非线性表达能力，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。
因此基于神经网络的PID不仅能适应环境变化，且有较强的鲁棒性[4]。
2神经网络
2.1神经网络的基本概念和特点
人工神经网络（ANN，ArtificialNeuralNetwork），又称并行分布处理模型或连接机制模型，是基于模仿人类大脑的结构和功能而构成的一种信息处理系统或计算机系统。
神经网络系统是指利用工程技术手段，模拟人脑神经网络的结构和功能的一种技术系统，它是一种大规模并行的非线性动力学系统。
由于它是由人工方式构造的网络系统，因此也称为人工神经网络系统。
基于人工神经网络的控制简称为神经网络控制[7]。
人工神经网络的以下几个突出的优点使它近年来引起人们的极大关注：
（1）能逼近任意L2上的非线性函数；
（2）信息的并行分布式处理与存储；
（3）可以多输入、多输出；
（4）便于用超大规模集成电路或光学集成电路系统实现，或用现有的计算机技术实现；
（5）能进行学习，以适应环境的变化；
人工神经网络的特点和优越性，主要表现在三个方面：
第一，具有自学习功能。
例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就 会通过自学习功能，慢慢学会识别类似的图像。
自学习功能对于预测有特别重要的意义。
预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效
升级会员 