基于改进BP神经网络的电加热炉炉温PID控制研究
迈肯思科技
发布时间:2019-11-28
  摘 要:以电加热炉为控制对象,提出一种基于BP神经网络的PID控制策略。针对BP网络学习速度的缓慢性及较差的泛化能力,受Fletcher-Reeves线性搜索方法的指引,对传统BP神经网络进行改进,改善算法在训练过程中的收敛特性。最后仿真结果证明了该控制策略的有效性。
  关键词:电加热炉;BP神经网络;PID控制 
  
  1 基于BP神经网络的PID控制
  
  BP算法是在导师指导下,适合于多层神经元网络的一种学习,它是建立在梯度下降法的基础上的。理论证明,含有一个隐含层的BP网络可以实现以任意精度近似任何连续非线性函数。
  BP神经网络结构如图1所示,由三层(输人层、隐含层、输出层)网络组成,使输出层的神经元状态对应PID控制器的三个可调参数Kp、Ki、Kd。通过神经网络的自学习、加权系数调整使神经网络输出对应于某种最优控制律下的PID控制器参数。   
  
  基于BP(Baekpropgation)网络的PID控制系统结构如图2所示,控制器由常规的PID控制器和神经网络两部分组成,常规PID控制器直接对被控对象进行闭环控制,并且其控制参数为Kp、Ki、Kd在线调整方式;神经网络根据系统的运行状态,调节PID控制器的参数,以期达到某种性能指标的最优化,使输出层神经元的输出对应于PID控制器的三个可调参数Kp、Ki、Kd。通过神经网络的自学习、加权系数的调整,使神经网络输出对应于某种最优控制规律下的PID控制器参数。

  
  2 改进型BP神经网络
  
  基本BP神经网络主要存在以下两个缺陷:其一,传统BP网络是一个非线形优化问题,不可避免的存在局部极小问题。网络的权值和阀值沿局部改善的方向不断修正,力图达到使误差函数 最小化的全局解,但实际上常得到的是局部最优点;其二,学习过程中,误差函数下降慢,学习速度缓,易出现一个长时间的误差坦区,即出现平台。
  目前已有不少人对此提出改进的方法。如在修改权值中加入“动量项”,采用Catchy误差估计器代替传统的LMS误差估计器等。本文在此探讨通过变
  换梯度来加快网络训练的收敛速度的共轭梯度算法,利用这种算法改善收敛速度与收敛性能。改进共轭梯度算法在不增加算法复杂性的前提下可以提高收敛速度,并且可以沿共轭方向达到全局最优即全局极值点。它要求在算法进行过程中采用线性搜索,本文采用Fletcher-Reeves线性搜索方法,以保证算法的收敛速度。
  将改进共轭梯度法应用于BP网络的控制算法如下:

超级通云控

超级通微信云控

云控系统

云控

熊猫微信云控

微信云控系统

微信云控

微信云控系统

全国服务电话:
13066931819
Copyright©2019 深圳市迈肯思科技有限公司
粤ICP备16030717号