圖2 神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)圖

由圖可知：控制器由兩部分組成，分別為常規(guī)PID控制和神經(jīng)網(wǎng)絡(luò)，其中，常規(guī)PID直接對被控對象進(jìn)行閉環(huán)控制，并且其控制參數(shù)Kp、Ki、Kd為在線調(diào)整方式；神經(jīng)網(wǎng)絡(luò)，根據(jù)系統(tǒng)的運行狀態(tài)，調(diào)節(jié)PID控制器的參數(shù)，以期達(dá)到某種性能指標(biāo)的最優(yōu)化，使輸出層神經(jīng)元的輸出對應(yīng)于PID控制器的三個可調(diào)參數(shù)。通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、加權(quán)系數(shù)的調(diào)整，使神經(jīng)網(wǎng)絡(luò)輸出對應(yīng)于某種最優(yōu)控制規(guī)律下的PID控制器參數(shù)。
2、控制算法
神經(jīng)網(wǎng)絡(luò)PID的控制算法[5]如下：
(1). 確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，即確定輸入節(jié)點數(shù)和隱含層節(jié)點數(shù),并給出各層加權(quán)系數(shù)的初值和，并選定學(xué)習(xí)速率 和慣性系數(shù) ，令k =1；
(2). 采樣得到r(k)和y(k)，計算當(dāng)前時刻誤差error(k)= r(k)-y(k)；
(3). 計算各神經(jīng)網(wǎng)絡(luò)的輸入、輸出，其輸出層的輸出即為PID控制器的三個控制參數(shù)Kp、Ki、Kd；
(4). 計算 PID控制器的輸出；
(5). 進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，在線調(diào)整加權(quán)系數(shù)，實現(xiàn) PID控制參數(shù)的自適應(yīng)調(diào)整；
(6). 令k=k+1，返回第(1)步。
4.仿真實例
4.1被控對象
設(shè)被控對象的近似數(shù)學(xué)模型為：，所選的輸入信號為一時變信號：
神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)選擇4-5-3，學(xué)習(xí)速率為0.55，慣性系數(shù)為0.04，加權(quán)系數(shù)初始值為區(qū)間[-0.5，0.5]上的隨機(jī)數(shù)，采樣頻率為1000Hz。
Matlab仿真結(jié)果如圖三所示：

圖3-1 輸入輸出曲線

圖3-2 誤差曲線

4.2 仿真結(jié)果分析
由仿真曲線可以看出，神經(jīng)網(wǎng)絡(luò)PID穩(wěn)態(tài)誤差小，解決了常規(guī)PID超調(diào)，抖動等問題，控制精度高，實現(xiàn)了對控制信號幾乎相同的跟蹤，具有較好的快速性和適應(yīng)性。
5. 結(jié)語
神經(jīng)網(wǎng)絡(luò)PID控制器實現(xiàn)了兩種算法本質(zhì)的結(jié)合，借助于神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)，自組織能力，可實現(xiàn)PID參數(shù)的在線調(diào)整，控制器自適應(yīng)性好；該算法不要求被控對象有精確的數(shù)學(xué)模型，擴(kuò)大了應(yīng)用范圍，控制效果良好；在合理選擇神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)的情況下，該算法有很強(qiáng)的泛化能力。基于以上優(yōu)點，神經(jīng)網(wǎng)絡(luò)PID控制器具有很好的發(fā)展應(yīng)用前景。