[发明专利]基于非线性动态因子的复合PID神经网络控制方法

说明书

技术领域

本发明属自动控制领域，涉及一种将基于动态因子的非线性复合PID运算单元融入到隐层神经元的参数在线自镇定的智能控制方法。

背景技术

按偏差的比例、积分、微分(P、I、D)控制是历史最悠久、生命力最强的控制方式。尽管在先进控制策略逐渐推广的今天，目前正在运行的控制回路中，90％以上还是PID控制器。但是，随着系统复杂程度的提高和对象不确定因素的增多，传统的线性PID控制已不再适用，而非线性PID控制却能真实反映控制量与偏差信号之间的非线性关系，在一定程度上克服了线性PID控制器的缺点，因此，越来越受到控制界的关注。近年来，为了克服传统PID控制器的弱点，控制界提出了大量的将神经网络与PID控制相结合的改进方案，这种将神经网络和PID控制相结合的研究已经得到了许多研究成果。比如，用神经网络在线修正PID参数，获得了有效的自镇定PID型广义预测控制器；采用一个神经网络对被控系统进行辨识和预测，同时以P、I、D参数作为网络权值构成线性网络作为控制器来求解性能指标，获得了一种具有预测功能神经网络PID控制器；采用PID长程预测能量函数作为优化函数，并用局部递归神经网络(LCNN)在线调整控制器的参数，实现非线性PID神经网络多步预测控制算法，有很好的自适应能力和鲁棒性；采用神经网络在线自镇定PID参数获得线性控制信号，再经Sigmoid函数变换得到非线性控制信号以实现非线性控制等。

但是，以上方法仅局限于采用神经网络辅助选取或修改传统PID控制器的P、I、D参数，非线性控制能力差。为此，有学者提出了PID神经元网络(PIDNN)控制方法。其主要思想是将线性PID运算单元经过限幅处理后融入到神经网络隐层神经元中，构造了结构简单的动态网络，以实现非线性系统的控制。然而，该方法一方面涉及两层神经网络权值调整，存在权值耦合现象，因而算法收敛漫、计算量较大，不利于快速采样系统的实时控制；另一方面，该方法只是将线性PID运算单元经过限幅处理后融入到神经网络隐层神经元中，其非线性控制能力不强。

发明内容

本发明的目的是：针对现有技术的不足，首次提出了一种动态非线性复合PID控制律，并将动态非线性复合PID运算单元融入到神经网络隐层神经元中，从而构造一种基于动态非因子的线性复合PID神经网络控方法。该方法综合了非线性PID控制理论和神经网络理论的优点。

本发明的技术方案是：根据国外相关文献采用Ziegler-Nichols方法镇定基于动态非线性因子的PID控制器的一种改进方案进行了进一步的改进研究，有效避免了根据Ziegler-Nichols方法利用根轨迹法来确定PID的增益参数需要知道被控对象的数学模型的弊端。本发明旨在用神经网络方法实时在线训练基于动态非线性因子的复合PID控制器中的各增益参数和系数，以实现非线性系统的智能控制。

进一步地，具体分为以下步骤：

(1)根据国外基于动态非线性因子的PID控制律通过展开变为基于动态非线性因子的复合PID控制律；

(2)根据构造的基于非线性动态因子的复合PID控制律的数学模型，将1个动态线性比例项和1个动态非线性比例项、1个动态线性积分项和1个动态非线性积分项、1个动态线性微分项和1个动态非线性微分项共6个动态运算单元融入到隐层神经元中，构造具有传统PID基本特征的动态非线性复合PID神经网络控制器模型，如图1所示；

(3)选定神经网络学习率，按动态非线性复合PID控制律中各权值系数的相关要求随机给定权值系数的初始值，避免了凭经验给定初始值；

(4)采用梯度下降法在线实时更新神经网络权值，获取被控对象的控制信号，以实现非线性对象的在线实时智能控制。

本发明的优点是：结构简单、免模型预测、计算量小、便于未知对象和难以建模的时变时滞对象的非线性控制。

附图说明

图1是基于非线性动态因子的复合PID神经网络控制系统原理图。

具体实施方式

下面根据附图对本发明作进一步的说明。

1.基于非线性动态因子的复合PID运算单元

近年来，国外针对Ziegler-Nichols方法镇定的PID控制器提出了一种改进方案，即