没有合适的资源?快使用搜索试试~ 我知道了~
基于RBF神经网络整定的PID控制器设计与与认真设计说明.doc
需积分: 11 3 下载量 103 浏览量
2022-07-16
08:33:49
上传
评论
收藏 529KB DOC 举报
温馨提示
试读
34页
基于RBF神经网络整定的PID控制器设计与与认真设计说明.doc
资源详情
资源评论
资源推荐
基于 RBF 神经网络整定的 PID 控制器设计与
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
2 / 34
SETTING OF THE PID CONTROLLER BASED ON
RBF NEURAL NETWORK DESIGN AND
SIMULATION
Abstract
At present, because the PID control has a simple control structure,
through adjusting the proportional integral and differential gain basic
satisfactory control performance, and is relatively easy to setting in
practical application, so widely used in process control and motion control,
especially in the accurate model can be built more deterministic control
system application. With the increasingly complex of the modern industrial
process, however, increased step by step to control requirements (e.g.,
stability, accuracy and quickness, etc.), classical control theory is faced
with severe challenges. Non-linear systems in industrial control field, using
the traditional PID control can not obtain satisfactory control effect.
Optimized RBF neural network based on gradient descent algorithm, it will be
integrated neural network and PID control technology, with a conventional PID
controller has simple structure, physical meaning is clear advantages, at the
same time with neural network self-learning, adaptive function. Therefore,
this article through to the RBF neural network structure and the calculation
method of learning, to design a setting of the PID controller based on RBF
neural network, constructs its model, and then write M language program.
Using the MATLAB software to design the RBF neural network setting of PID
control algorithm simulation research. Data and then further through
simulation experiment, the control system stability, robustness,
anti-interference ability, etc.
Keywords:PID; RBF neural network; Parameter setting
1 / 34
目 录
摘要Ⅰ
AbstractⅡ
1 绪论 1
1.1 课题研究背景与意义 1
1.2 神经网络的发展历史 2
1.3 本课题研究的主要容 5
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
2.5 RBF 神经网络 9
2.5.1 RBF 神经网络的发展简史 9
2.5.2 RBF 的数学模型 9
2.5.3 被控对象 Jacobian 信息的辨识算法 10
2.5.4 RBF 神经网络的学习算法 11
2.6 本章小结 12
3 PID 控制器 13
3.1 PID 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
3.4 PID 控制的局限 15
3.5 本章小结 16
4 基于 RBF 神经网络整定的 PID 控制器设计 17
4.1 RBF 神经网络的 PID 整定原理 17
4.2 神经网络 PID 控制器的设计 17
4.3 本章小结 18
5 仿真分析 19
1 / 34
1 绪论
1.1 课题研究背景与意义
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。
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与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
剩余33页未读,继续阅读
智慧安全方案
- 粉丝: 3609
- 资源: 59万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0