神经网络PID在温度控制系统中的研究与仿真摘要：本文提出一种基于BP神经网络的新型智能PID控制方法和一些BP神经网络的基本概念。同传统的PID控制相比较，神经网络智能PID控制有许多优点。把BP神经网络的PID控制方法应用到工业领域的温度控制系统中，仿真结果表明：这种控制方法具有较高控制精度和较强的适应性以及良好的控制效果。关键词 ： 神经网络 ，PID控制器 ，温度控制系统1 引言 在工业控制过程中，PID控制是一种最基本的控制方式 ，其鲁棒性好、结构简单、易于实现，但常规的PID控制也有其自身的缺点，因为常规PID控制器的参数是根据被控对象数学模型确定的，当被控对象的数学模型是变化的、非线性的时候，PID参数不易根据其实际的情况做出调整，影响了控制质量，使控制系统的控制品质下降。特别是在具有纯滞后特性的工业过程中，常规的PID控制更难满足控制精度的要求。由于神经网络具有自组织、自学习、自适应的能力，本文提出基于BP神经网络的PID控制器，使人工神经网络与传统PID控制相结合互相补充，共同提高控制质量，并把该方法在温度控制系统中用Matlab语言进行了仿真应用。2 BP神经网络的模型构成及算法2.1 BP神经网络的模型构成B P神经网络的学习过程主要由两个阶段构成：第一阶段（正向传播过程），输入信号通过输入层，经过隐含层逐层处理，在输出层计算出每个神经元的实际输出值。第二阶段(误差反向传播过程)，如果在输出层未得到期望的输出值，则逐层递推地计算实际输出与期望输出的差值，并且根据这个误差调节权系数。 2.2神经网络PID控制器的构成及算法 在传统的PID控制中，经典增量式PID的控制形式： u(k)=u(k-1)+e(k)-e(k-1)+e(k)+e(k)-2e(k-1)+e(k-2) K ：比例系数 = ：积分系数 ：微分系数 建立BP神经网络PID控制器结构： NNPIDPlantArithmeticr(k) e(k) u(k) y(k) + _ 为了达到自适应调节目的，输出层为三个神经元，分别对应。输入层、隐含层的神经元的数目根据被控对象的复杂性固定下来。隐含层采用的激活函数为正负对称的sigmoid函数： 输出层的激活函数采用非负的sigmoid函数： 我们假定， 是输出层的输出，它们分别对应于，。我们取性能指标函数为： 当实际输出与期望输出之间存在偏差时，则误差反向传播。反向传播的实质就是通过调整权系数使偏差最小，因此可以利用最速下降法，按误差函数的负梯度方向对各层神经元权系数进行调整修正。则有： = - ：学习速率 ：动量项由链法则可得： = =-e(k+1) 其中： =1, 2 ,3因此可以得到BP神经网络的输出层权系数的计算公式： 其中： 由于在PID控制算法中一般情况下是未知的，可以用符号函数来取代，并通过调整来修正误差。同理可得到隐含层权系数计算公式： 其中： 在上面各式中，上角标 （1）、（2）、（3）分别表示输入层、隐含层、输出层、 ：输出层神经元个数：隐含层神经元个数：输入层神经元个数 综上所述可以得到BP神经网络的控制算法：（1） 确定神经网络结构，初始化各层权系数。控制量、输出量、误差的初值取0。（2） 对系统进行采样，得到、。计算得到误差。然后根据增量式PID算式把误差分量作为输入层的输入。（3） 根据各层权系数正向计算BP神经网络各层的输入、输出。输出层分量分别为K、K、K。根据增量式PID算式可以得到控制器的输出。（4） 将作为BP神经网络的监督信号，进行BP算法的反向传播。在线根据输出层、隐含层的学习算法调整各层的权系数，使PID系数达到自适应调整。（5） 返回到（2）。3 .在温度控制系统中的仿真实验 在工业生产过程中，控制的生产过程各种各样，常常要对像温度过程这样的纯滞后的过程进行控制。设被控的温度控制过程的传递函数为： 仿真结果如下图所示： 图1 图2 图(1)为常规的PID控制，图(2)为BP神经网络PID控制。从图中我们可以看到常规的PID控制所产生的超调量和过渡时间比BP神经网络PID控制所产生的超调量和过渡时间大得多，由此可以看出BP神经网络PID控制具有较强的自适应性和较高的控制精度。4 .结束语本文根BP神经网络的控制算法对纯滞后的温度控制系统进行了仿真实验，实验结果表明BP神经网络PID自适应性强，鲁棒性好，控制精度高，其控制品质比普通PID的控制品质有了显著的改善。随着研究的不断深入这种控制方法在工业过程控制中有着广泛的应用前景。