基于改良BP神经网络的电加热炉炉温PID控制研究
摘 要:以电加热炉为控制对象,提出一种基于 bp 神经网络的 pid 控制策略。针对 bp 网络
学习速度的缓慢性及较差的泛化能力,受 fletcher-reeves 线性搜索方法的指引,对传统 bp
神经网络进行改良,改善算法在训练过程中的收敛特性。最后仿真结果证明了该控制策略的
有效性。
关键词:电加热炉;bp 神经网络;pid 控制
1 基于 bp 神经网络的 pid 控制
bp 算法是在导师指导下,适合于多层神经元网络的一种学习,它是建立在梯度下降法
的根底上的。理论证明,含有一个隐含层的 bp 网络可以实现以任意精度近似任何连续非线
性函数。
bp 神经网络结构如图 1 所示,由三层(输人层、隐含层、输出层)网络组成,使输出层的
神经元状态对应 pid 控制器的三个可调参数玨 p、ki、kd。通过神经网络的自学习、加权系
数调整使神经网络输出对应于某种最优控制律下的 pid 控制器参数。
基于 bp(baekpropgation)网络的 pid 控制系统结构如图 2 所示,控制器由常规的 pid 控制
器和神经网络两局部组成,常规pid 控制器直接对被控对象进行闭环控制,并且其控制参数
为玨 p、ki、kd 在线调整方式;神经网络根据系统的运行状态,调节 pid 控制器的参数,以
期到达某种性能指标的最优化,使输出层神经元的输出对应于 pid 控制器的三个可调参数玨
p、ki、kd。通过神经网络的自学习、加权系数的调整,使神经网络输出对应于某种最优控
制规律下的 pid 控制器参数。
2 改良型 bp 神经网络
根本 bp 神经网络主要存在以下两个缺陷:其一,传统 bp 网络是一个非线形优化问题,
不可防止的存在局部极小问题。网络的权值和阀值沿局部改善的方向不断修正,力图到达使
误差函数 最小化的全局解,但实际上常得到的是局部最优点;其二,学习过程中,误差函
数下降慢,学习速度缓,易出现一个长时间的误差坦区,即出现平台。
目前已有不少人对此提出改良的方法。如在修改权值中参加“动量项〞,采用 catchy 误
差估计器代替传统的 lms 误差估计器等。本文在此探讨通过变
换梯度来加快网络训练的收敛速度的共轭梯度算法,利用这种算法改善收敛速度与收敛
性能。改良共轭梯度算法在不增加算法复杂性的前提下可以提高收敛速度,并且可以沿共轭
方向到达全局最优即全局极值点。它要求在算法进行过程中采用线性搜索,本文采用
fletcher-reeves 线性搜索方法,以保证算法的收敛速度。
将改良共轭梯度法应用于 bp 网络的控制算法如下:
评论0
最新资源