发布时间 : 星期二 文章基于BP神经网络PID整定原理和算法步骤-精品更新完毕开始阅读
?u(k)?e(k)?e(k?1)(3)?o1(k)
?u(k)(3)?o2(k)?u(k)(3)?o3(k)?????e(k)? (3-12)
???e(k)?2e(k?1)?e(k?2)??这样，可得BP神经网络输出层权计算公式为
)(2)3) ?wl(i3( ) (3-13) k)???l(3o)i(k)???wli((k? 1 ?(3)l??y(k)?uk()'?e(k)gnet(l(3)?u(k)?olk()(3)k( ) ) l=1,2,3 (3-14)
同理可得隐含层权计算公式为
(2)(2)?wij(k)???i(2)o(1)(k)???w) (3-15) jli(k?13?(2)i?f(neit(k)?)?'(2)l?1l(3)li 3w( (k) ) i=1,2,…, q (3-16)
基于BP网络的PID控制器控制算法归纳如下：
1．确定BP神经网络结构，即确定输入层节点及数目m、隐含层数目q，并给出各层
(2)(3)权系数的初值wij(0)和wli(0)、选定学习率?、惯性系数γ，此时k=1；
2．采样得到rin (k)、yout (k)，计算该时刻误差error(k)?rin(k)?yout(k)； 3．计算神经网络NN各层神经元的输入、输出，NN输出层的输出即为PID控制器的三个可调参数kp、ki、kd；
4．计算PID控制器的输出u (k)；
(2)(3)5．进行神经网络学习，在线调整加权系数wij(k)和wli(k)；实现PID控制参数的自
适应调整；
6．置k =k+1，返回到1。 其算法流程图如图3-3所示:
18
初始化 给定输入向量和目标输出
求隐含层、输出层各节点输出
求目标值与实际输出的偏差
计算反向误差 权值学习 学习结束？ N Y 结束
图3-3 BP网络算法流程图
3.3 本章小结
本章主要是对BP神经网络的PID控制的方法进行了详细的阐述，为下一章的仿真打下了理论基础。
19
第4章 仿真研究
4.1 BP神经网络自整定PID控制系统
直流电动机具有良好的运行和控制特性，长期以来直流调速系统一直占据垄断地位，近年来交流调速系统发展很快，并有望在不太久的时间内取代直流调速系统。但就目前而言，直流调速系统仍然是自动调速系统的主要形式，在续断工业部门，如轧钢，矿山采掘，纺织，造纸等需要高性能调速系统的主要形式，所以直流调速在目前占据重要地位，有很多方式都可以实现其调速。
如图所示：中直流电机参数：Pnom=10kw，nom=1000r/min，Unom=220V, I=55A,电枢电阻Ra=0.5Ω，V-M系统主电路总电阻R=1Ω,额定磁通下的电机电动势转速比
Ce=0.1925V.min/r，电枢回路电磁时间常数Ta=0.017s，系统运动部分飞轮距相应的机电时
间常数Tm=0.075，整流触发装置的放大系数Ks=44，三相桥平均失控时间Ts=0.00167s,拖动系统测速反馈系数Kt=0.001178V.min/r。
图4-1 BP神经网络自整定PID控制系统
在S函数中，用的BP神经网络的结构，学习速率??0.3和惯性系数??0.3，加权系数初始值取区间[-0.5，0.5]上的随机数。输入指令信号分rin(k)?1.0，初始权值取随机值，运行稳定后用稳定权值代替随机值。
当BP网络隐含层和输出层初始权值在[-0.5,0.5]内取随机数,分别为
wi=[-0.6394 -0.2696 -0.3756 -0.7023;
-0.8643 -0.2013 -0.5024 -0.2596; -1.0749 0.5543 1.6820 -0.5437;
-0.3625 -0.0724 -0.6463 -0.2859;
20
-0.7826 0.0279 -0.5406 -0.7662];
wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325; -0.1146 0.2949 0.8352 0.2250 0.4508; 0.7201 0.4566 0.7672 0..4962 0.3692];
rin(k)?1.0
通过调用函数得到单闭环调速系统的四种曲线如下
160140120100rin,yout80604020000.511.522.5time(s)33.544.55
图4-2 BP网络的阶跃跟踪曲线
10.80.60.40.2error0-0.2-0.4-0.6-0.8-100.511.522.5time(s)33.544.55
图4-3 BP网络的误差跟踪曲线
21