[发明专利]基于神经网络的PID控制器参数整定方法

说明书

本发明提供了一种基于神经网络的PID控制器参数整定方法，旨在解决现有PID参数整定方法使用复杂，以及大量工程实践需要工程师手工整定的问题。本发明包括以下步骤：步骤1、采集训练样本；步骤2、搭建卷积神经网络学习框架；步骤3、利用神经网络对训练样本进行训练；步骤4、得到训练模型；本发明的有益技术效果在于：相对于人工整定PID参数，节约了大量时间和精力，相对于现阶段的整定软件，能够快速的根据频率响应伯德图整定出良好的PID参数。

技术领域

本发明涉及控制器参数整定技术领域，具体涉及一种基于神经网络的PID控制器参数整定方法。

背景技术

PID控制器是目前应用最广泛的控制器，在运动控制、过程控制等控制方法应用中，它应用量占据了90％以上。PID控制器的参数整定是控制系统设计的核心内容。它是根据被控过程的特性确定PID控制器的比例系数、积分时间和微分时间的大小。传统的方法通过软件自动整定的PID参数一般不能达到控制器的最佳性能，故在应用中多是经验丰富的工程师根据被控对象的传递函数等特性手工进行PID参数正定，而普通工程师在整定时会耗费大量时间精力。

发明内容

本发明要解决的技术问题是提供一种基于神经网络的PID控制器参数整定方法，以解决现有PID参数整定软件整定效果没有人工整定效果好，人工整定耗时耗力的问题。

为解决上述技术问题，本发明采用如下技术方案：基于神经网络的PID控制器参数整定方法，包括以下步骤：

步骤1、采集训练样本：通过对不同的传递函数手工整定出符合要求的PID控制器参数，将传递函数作为训练样本，将手工整定的PID参数作为样本标签；

步骤2、搭建卷积神经网络学习框架：采用卷积神经网络，所采用的卷积神经网络由3个带压缩操作的残差模块和两个全连接层，两个池化层，一个卷积层构成，最后一层全连接层为3个神经元分别对应输出PID参数；

步骤3、利用卷积神经网络对训练样本进行训练需要将数据集的传递函数画成伯德图，将伯德图输入卷积网络用于训练，同时将传递函数对应的手工整定出的PID参数作为神经网络的标签进行学习。采用最小均方差损失函数，用Adam优化器优化网络。

步骤4、得到训练模型：得到训练模型，将待整定传递函数的频率响应伯德图作为输入，通过模型即可得到整定的PID参数。

本发明与现有技术相比具有如下优点：

(1)本发明通过卷积神经网络学习经验丰富的工程师手工整定PID参数的方法，相比同类项软件可以整定出更符合工程师要求的参数。

(2)本发明封装后可以给大量普通工程师使用，只需要将对象的频率响应曲线作为输入即可得到满意的PID参数，而不用再拟合传递函数，省时省力。

附图说明

图1是本发明基于神经网络的PID控制器参数整定方法原理示意图；

图2是本发明基于神经网络的PID控制器参数整定方法整体框架图；

图3是本发明所采用的带挤压操作的残差模块；

图4是本发明所采用的残差网络结构示意图；

图5是本发明测试所得出的PID参数的阶跃响应曲线。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

如图1-2所示，本发明基于神经网络的PID控制器参数整定方法，具体包括如下步骤：

步骤1、采集训练样本：通过对不同的传递函数手工整定出符合要求的PID控制器参数，将传递函数作为训练样本，将手工整定的PID参数作为样本标签，通常一个传递函数对应一个PID参数；具体地：