神经网络PID控制在电机调速系统的仿真研究

张玲娜,张 鹏（陕西国防工业职业技术学院,西安 710302）



神经网络PID控制在电机调速系统的仿真研究

张玲娜,张 鹏
（陕西国防工业职业技术学院,西安 710302）

摘 要：本论文主要应用BP网络算法，利用输入值与实际测量值之间的数值，以及期望的输出值采集样本，设定BP网络值训练BP网络的Kp、Kd、Ki值，满足误差条件时BP网络则会自动停止训练，将可以通过仿真满足要求的Kp、Kd、Ki值用作控制系统。

关键词：PID控制；神经网络；仿真

0 引言

科学技术的发展带动人工智能的发展，人工神经网络技术也随着人工智能的发展得到了相应长足的发展。人工神经网络是非线性的动力系统，其中包括具有广泛非线性映射能力连接在一起的大量神经元，人工神经网络其基本特点也是根据其自身修正完成非线性映射，而神经网络的自组织，自学习以及独特的适应性推理等强大的非线性处理能力能完成复杂多变的非线性映射函数。其基本思路是通过神经网络训练的输入和输出的训练样本，以适用于实现的，使用神经网络的输入数据实现自校正输出数据映射，BP网络是基于最小二乘法来实现自我纠正。

目前所利用的人工神经元网络百分之九十以上是BP（Back Porpgaatino）网络和径向基函数（rdaial BasiS Function）神经网络，其中超过80%的人工神经元网络是采用的BP网络算法。这种BP网络其拟合的准确度高，误差特性小，具有较高的收敛性，其突出的优点是可以通过设计自身的网络结构，隐含层的层数，改变训练数据来实现，以提高映射功能BP网络，由于BP的数据网络是一个动态的拟合过程，并通过训练输入样本和目标样本使BP神经网络方法误差最小的方向，BP网络具有泛化能力，因此控制精度更高。在本设计中的主要应用是BP网络算法，利用输入值与实际测量值之间的数值，以及期望的输出值采集样本，设定BP网络值训练BP网络的Kp、Kd、Ki值，满足误差条件时BP网络则会自动停止训练，将可以通过仿真满足要求的Kp、Kd、Ki值用作控制系统。

1 BP网络介绍

神经网络模型是目前应用最广泛的神经网络模型，该模型被分成一个输入层，隐含层和输出层共记三层网络结构，通常使用的是一个输入层，而隐含层则可以扩展，层与层之间多是采用全互连方式的，同一层的各个神经元单元之间不存在相互的连接作用。用训练数据来训练BP神经网络模型是通过信息的动态组合物的前向和后向误差传播扩散实现的，在正向传播的BP神经元网络输入模式中则是从输入层经过隐含层处理并输送到输出层，如果BP网络的输出层数值与所期望的目标数值进行比较误差较大，没有得到所设定范围内的误差数值，则BP网络会自动将误差信号作为输入信号，沿着原来的通路返回，并且沿着梯度方向逐步的修改各层的权值，完成一个循环，然后再按周期逐次运算，直到所生成的误差达到最小，最终得到期望的目标值。在这里，利用变步长和带动量因子的算法实现对BP神经网络训练，LM算法不仅可以加快网络训练速度，并能防止网络仅限于局部极小。BP神经网络结构如图1。

在图1所示BP神经网络结构图中，P表示输入向量，R表示输入向量的维数，神经元上的激励函数用f1来表示，ni表示输入的节点数，各个神经元之间所连接的权值用Wij字母来表示，SI表示相应输入的各个神经元个数，ai表示节点的对应输出，WI表示神经元的层数，bi表示神经元的阈值。根据BP神经网络的正向传播与反向计算数学特征，BP神经网络的相应计算方法表示如下：

每个神经元节点的输出如式1-1：

对于每个训练时整个网络的输出模式误差为方差形式的误差，如式1-2：

上式中api表示神经元节点上的实际输出值，dpi表示神经元节点上的所期望输出值。求整个输出误差之和如式1-3所示：

神经元动态权值修正函数如式1-4：

神经网络PID控制系统的设计核心是BP神经网络控制器，在MATLAB 神经网络工具箱中实现，本文不做具体阐述。

2 仿真过程及结果

在MATLAB 神经网络工具箱中，利用PID控制器，采集多组PID参数下的误差值即误差变化作为输入样本，满足条件的PID参数作为输出样本。由输入样本和输出样本构成的数组，暂时保存到MATLAB 的存储区内。打开MATLAB的主界面，输入nntool就可以打开神经网络工具箱，在工具箱中我们创建BP网络，网络输入维数取2个神经元，隐含层取5个神经元，输出层取1个神经元，利用BP网络的训练样本训练网络，达到设定误差值满足训练要求。将最终BP网络的权值、阈值及神经元处理函数编辑S函数，实现BP网络对不同误差，误差变化率条件下的PID参数的不同切换。在MATLAB SIMULINK中实现构建框架，如图2所示，得到仿真曲线。如图3所示。

由图3可知，BP网络PID控制系统能够达到控制收敛性，上升时间少，动态响应高。但是系统有一定的超调量，神经网络PID需要样本的采集与训练，和模糊PID控制比较较差。神经网络PID控制系统由于训练参数的不稳定性，以及训练误差调节PID参数，系统的变化造成控制系统的滞后性，但是优于常规PID控制。

随着控制对象变得越来越复杂，常规的PID控制器由于其缺少自适应性，很难满足控制要求，其控制精度以及整体鲁棒性的控制效果低，控制效果很难达到要求。而模糊自调整PID控制器，可以很好的提高控制系统的精度，稳定性和快速性都较好，控制系统相对简单却具有很好的鲁棒性的控制算法，所以在模糊PID控制领域模糊PID控制算法得到了很好的发展。常规PID对控制对象变得相对复杂的系统已不能够适用，为了提高复杂系统的控制效果，得到期望较高的输出量。这里我们可以综合常规PID与模糊控制器各自的优点，提高整体系统的简便性与灵活性，来构造一个具有自适应、自调节PID参数能力的模糊PID控制器。结合具体的控制实例，利用该控制算法在Matlab Simulink上做了相应的控制系统仿真。

3 结论

仿真结果表明：BP网络PID控制系统能够达到控制收敛性，上升时间少，动态响应高。但是系统有一定的超调量，神经网络PID需要样本的采集与训练，和模糊PID控制比较较差。神经网络PID控制系统由于训练参数的不稳定性，以及训练误差调节PID参数，系统的变化造成控制系统的滞后性，但是优于常规PID控制。可适合于电机调速系统。

参考文献：

［1］唐红雨,陈迅.基于DSP和神经网络PID控制的交流数字伺服系统［J］.电气自动化,2007（06）：22-23+35.

［2］朱小娟,张家生,顾新宇.基于神经网络PID的协调控制系统的研究与应用［J］.沈阳工程学院学报（自然科学版）,2008（01）：50-52.

［3］李楠,吴玉厚.基于神经网络PID控制算法的自动调平系统的仿真研究［J］.机电产品开发与创新,2015（06）：109-110.

［4］杨景明,刘宇明,徐雅洁,车海军.神经网络自适应控制在冷轧机AGC系统中的应用［J］.冶金设备,2009（02）：14-17.

［5］陈满儒,王海峰,张文明.神经网络PID在包装机控制系统中的应用研究［J］.包装工程,2009（04）：10-11+26.

DOI：10.16640/j.cnki.37-1222/t.2016.12.222

作者简介：张玲娜（1978-），女，陕西长安人，讲师，研究方向：传感器技术与应用。