BP神經網絡控制優化論文

導語：BP神經網絡控制優化論文一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要以加熱爐控制系統為研究對象，提出了一種基于遺傳算法改進的bp網絡優化PID控制參數方法，并與經典的臨界比例度—Ziegler-Nichols方法進行比較。仿真結果表明該算法具有較好的控制效果。

關鍵詞PID控制；BP神經網絡；遺傳算法；參數優化

1引言

由于常規PID控制具有魯棒性好，結構簡單等優點，在工業控制中得到了廣泛的應用。PID控制的基本思想是將P（偏差的比例），I（偏差的積分）和D（偏差的微分）進線性組合構成控制器，對被控對象進行控制。所以系統控制的優劣取決于這三個參數。但是常規PID控制參數往往不能進行在線調整，難以適應對象的變化，另外對高階或者多變量的強耦合過程，由于整定條件的限制，以及對象的動態特性隨著環境等的變化而變化，PID參數也很難達到最優的狀態。

神經網絡具有自組織、自學習等優點，提出了利用BP神經網絡的學習方法，對控制器參數進行在線調整，以滿足控制要求。由于BP神經網絡學習過程較慢，可能導致局部極小點[2]。本文提出了改進的BP算法，將遺傳算法和BP算法結合對網絡閾值和權值進行優化，避免權值和閾值陷入局部極小點。

2加熱爐的PID控制

加熱爐控制系統如圖1所示，控制規律常采用PID控制規律。

圖1加熱爐控制系統簡圖

若加熱爐具有的數學模型為：

則PID控制過程箭圖可以用圖2表示。

其中，

采用經典參數整定方法——臨界比例度對上述閉環系統進行參數整定，確定PID控制器中Kp=2.259，Ki=0.869，Kd=0.276。參考輸入為單位階躍信號，仿真曲線如圖3所示。

圖2PID控制系統

圖3Z—N整定的控制曲線

仿真曲線表明，通過Z—N方法整定的參數控制效果不佳，加上PID參數不易實現在線調整，所以該方法不宜用于加熱爐的在線控制。

3基于遺傳算法改進的BP神經網絡PID控制器參數優化整定

對于加熱爐控制系統設計的神經網絡自整定PID控制，它不依賴對象的模型知識，在網絡結構確定之后，其控制功能能否達到要求完全取決于學習算法。

3.1遺傳算法改進的BP算法實現

一般BP網絡結構如圖4所示，其算法步驟為：

（1）輸入訓練樣本，按網絡結構得到輸出；

（2）將實際輸出與希望輸出比較，得到誤差，根據誤差調節閾值和權值。重復兩個步驟，直到誤差滿足要求為止；

研究表明，采用上述BP算法逐步調整權值和閾值，可能導致學習過程收殮速度慢，訓練時間過長，又易陷入局部極小點而得不到最佳的權值和閾值分布。為了加快學習速率，已經有了一些優化BP算法[3]，采用動態學習因子和慣性因子。這些方法在加快網絡收殮速度方面比較顯著，能較好地避免網絡陷入局部極小。遺傳算法不要求目標函數具有連續性，而且可以對復雜的多峰的，非線性及不可微的函數實現全局尋優，因此容易得到全局最優解或性能很好的次優解。將遺傳算法和BP算法相結合可以具有尋優的全局性和精確性。算法過程為：

（1）對權值和閾值編碼生成初始種群，由于是多參數優化問題，采用多參數映射編碼；

（2）計算適應度值；

（3）如果不滿足遺傳算法停止條件，則對當代種群進行交叉、選擇和變異產生新的個體，轉(2)；否則，轉（4）；

（4）對遺傳算法找到的較好的解空間，采用BP算法在這些小的解空間中搜索出最優解。

3.2PID參數優化

由圖5可知，神經網絡根據系統的運行狀態，通過在線調整PID的三個參數Kp，Ki，Kd，以達到某種性能指標的最優化。

圖5BP網絡整定PID參數原理圖

經典增量式PID的控制算法：

算法步驟：

(1)確定網絡結構，采用3—4—3的結構，輸入分別為e(k)，e(k)-e(k-1)，e(k)-2e(k-1)+e(k-2)。輸出為Kp，Ki，Kd。

(2)選擇初始種群N=60，交叉概率Pc=0.08，權值，閾值的范圍和初始化。選取目標函數為（偏差絕對值積分）：，適應度函數為：

(3)采樣得到rin（k）和yout（k），計算該時刻的誤差。

(4)對網絡進行學習，在線調整權值，閾值，計算神經網絡的各層輸入，輸出，得到三個可調參數Kp，Ki，Kd。計算系統輸出。

(5)計算適應度若不滿足要求，轉入第（3）步。

(6)找到最優的Kp，Ki，Kd，對系統仿真。

圖6BP網絡整定的控制曲線

仿真結果顯示，用BP神經網絡整定的PID控制系統比經典的Z—N（臨界比例度）法有更快的響應特性，良好的動態特性和比較強的魯棒性。

4結束語

由于神經網絡具有自組織、自學習等優點，本文提出的優化的BP神經網絡相結合的方法對控制器參數進行尋優，可根據對象的變化情況對控制器參數的在線調整，滿足控制對象的動態特性隨著環境變化而變化的要求。達到好的控制效果。遺傳算法與BP網絡的結合彌補了BP網絡學習過程收斂速度慢，可能陷入局部級小的不足。

參考文獻

[1]王樹青等編著.工業過程控制工程[M].北京：化學工業出版社，2002

[2]李士勇著.模糊控制、神經控制和智能控制論[M].哈爾濱：哈爾并工業大學出版社，1996

[3]胡志軍，王建國，王鴻斌.基于優化BP神經網絡的PID控制研究與仿真[J].微電子學與計算機2006，23(12)：138—140

[4]張文修著.遺傳算法的數學基礎[M].西安：西安交通大學出版社，2003

[5]韓力群著.人工神經網絡理論、設計及應用[M].北京：化學工業出版社，2002

[6]趙文峰著.Matlab控制系統設計與仿真[M].西安：西安電子科技大學出版社，2003