基于RBF神經網絡的PID控制整定

許笑梅 趙東亞 曹磊

摘 ?要：基于RBF神經網絡的PID控制整定分析，通過MATLAB構建CSTR對象模型，綜合生產環境與各種干擾性因素，利用整定PID參數的方式進行控制分析，效果顯著。基于此，文章主要對基于RBF神經網絡的PID控制整定的相關內容進行了簡單的分析論述。

關鍵詞：RBF神經網絡;PID控制整定;CSTR

中圖分類號：TP273 ? ? ? ?文獻標志碼：A ? ? ? ? 文章編號：2095-2945（2019）13-0032-02

Abstract： The PID control setting analysis based on RBF neural network， the CSTR object model is constructed by MATLAB， the production environment and various interference factors are integrated. The control analysis is carried out by setting PID parameters， and the effect is remarkable. Based on this， this paper mainly analyzes and discusses the related contents of PID control setting based on RBF neural network.

Keywords： RBF neural network; PID control setting; CSTR

1 基于RBF神經網絡分析

1.1 神經元基礎模型分析

單神經元主要就是模仿生物神經元的具體結構、功能，在數學角度對其進行描述的一種基本單位模式，通過人腦神經元進行抽象簡化獲得。人工神經元是在神經網絡系統中最為基礎的構成部分。

1.2 基于神經網絡辨識

系統辨識屬于現代控制理論中較為重要的內容，因為現代控制系統越來越復雜，被控制對象的數據模型無法精準描述，要通過控制理論為基礎，掌握分析被控對象的變化規律特征，通過另一種方式確定近似、便于描述以及控制的數學模型替代這種不可預知的相對較為復雜的一種模型。

神經網絡系統中具有較為強大的神經網絡非線性函數逼近能力，在滿足神經網絡條件的時候，可以通過任意精度逼近任意非線性的連續函數以及分段連續特征的函數。

神經網絡系統中主要可以分為并聯與串-并聯兩種結構。其中并聯模型主要就是通過辨識系統、神經網絡系統以及誤差反饋得以實現。其中串并聯模型主要分為辨別系統、時延網絡以及誤差反饋、神經網絡等共同構成，這兩種系統均可以通過誤差實現對系統的在線調整處理，但是串并聯系統通過辨識系統中輸入輸出信息作為主要的辨識信息，通過誤差矯正，可以提升系統的穩定性，增強系統收斂性，對此，在應用中此種系統應用廣泛。

2 基于神經網絡非線性自整定PID控制

PID控制是一種較為經典的控制算法，此種方式算法簡單、可靠性較高，可以利用系統偏差問題，通過比例、積分以及微分等方式進行控制。

2.1 PID控制基本原理

PID控制器屬于線性控制器，其主要是通PID控制系統與被控對象構成。合理的應用PID控制系統可以完成較為復雜的計算以及控制，因為計算機處理屬于是一種數字量的形式，對此要將PID控制算法進行數字化處理。

2.2 PID參數工程整定

基于PID控制算法與模糊神經網絡預測控制算法仿真分析，首先要進行PID參數進行整定，如果沒有合理選擇參數就會導致CSTR系統出現溫度失控等問題，嚴重的甚至會出現澆滅或者暴聚等問題。

調節器參數整定方式主要可以分為理論計算以及工程整定兩種類型，一般狀況之下主要就是應用根軌跡法與數頻率特性法。理論計算方式要了解數學模型，但是因為無法獲得被控過程較為精準的數學模型系統，因此理論計算方式應用較少。

工程整定方式在應用中無需數學模型，可以直接的進行參數整定分析，此種方式相對較為簡單，操作也更為便捷，在工程實際中應用較為廣泛。綜合CSTR溫度系統的參數整定問題，可以通過衰減曲線的方式進行處理，此種方式具有良好的整定質量，在應用中對于工藝的干擾相對較小，整個過程安全可靠。

3 Matlab仿真與雙態軟件實驗

3.1 CSTR的基本方程

3.2 預測控制器的實現

在仿真實驗中，基于連續反應開車的步驟以及控制要求進行手動控制，記錄其穩態狀態之下的實驗數據，構建多布預測模型，取m=2，n=2，d=2，T=1s，通過記錄歷史數據對比分析，在模糊神經網絡預測模型方式支持之下對被控制模型對象進行預測建模。通過多次仿真實驗分析，通過試驗臺中CSTR溫度控制仿真系統分析，其參數值如下：？著=0.02，CmaX=106，？琢c=0.1，？滋min=0.002，？濁=0.01。通過此種方式構建模糊神經網絡預測模型系統，將其在預測控制閉環系統中應用，可以實現對CSTR的預測控制，步驟具體如下：

第一，測量分析獲得現階段溫度輸出量y（k），通過模糊神經網絡預測獲得系統預測值，計算模型的當前偏差修正量。第二，通過誤差反饋矯正方式，獲得閉環系統輸出，通過滾動優化算法，將獲得的參數帶入到二次型性能指標函數中，可以獲得控制增量？駐u=-？滋？啄Ju，獲得控制量;在實驗中采樣周期為1s，在采樣時刻中要采集下一刻的實時數據信息，在進行測量分析。

3.3 仿真結果

分析模糊神經網絡預測控制響應曲線，確定被控制變量的反應釜溫度，其中V-08主要表示的控制量冷卻水的閥門開度。通過分析可以發現，在模糊神經網絡預測控制系統中，45℃在過渡為69℃的區間中耗時不到160秒，在系統運行中并沒有出現超調等問題，整體上來說，溫度曲線以及冷卻水閥門曲線較為平滑，系統穩定性、穩態性能以及動態性能良好。

分析簡單控制系統單回路PID控制響應曲線，參數取值主要就是現階段系統模型之下的整定參數信息，分析可以確定溫度在45℃上升到69℃的時候，耗費的時間不到200秒，PID控制雖然上升時間相對較快，但是整體上來說穩態無誤差，系統溫度響應曲線存在超調，在冷卻水閥門變化相對來說并不平滑。

CSTR系統在運行中會受到各種干擾因素的影響，例如，冷卻水壓力缺乏溫度性等都會造成溫度控制不足等問題。分析加入擾動之后的網絡預測控制以及PID控制系統響應曲線，其中V-07屬于另一路的冷卻水閥門開度，在通過模糊神經網絡系統進行預測分析的時候，因為系統對于擾動具有較快的響應，其超調相對較小。而在通過PID控制的時候，系統的穩態性能良好，但是抑制擾動的整體超調卻相對較大。

而出現此種問題主要就是因為反應釜的熱容量相對較大，在其運行中主要就是通過夾套傳熱，在反應釜中的內物料以及夾套中的冷卻介質進行熱交換過程中也要耗費一定的時間，這樣就會導致系統出現慣性與時滯性。在冷卻水壓力出現不同程度的波動過程中，就會影響冷卻水的流量，進而影響夾套的溫度。傳感器測量溫度變化，通過PID控制器則就會產生一定的控制作用，在對其進行調整就會出現滯后性，進而造成超調等問題。

通過預測控制通過模型則可以對系統今后的動態行為進行預測分析，可以制定控制策略，滾動優化策略則會補償不確定性等問題，進而有效的改善動態性能。

因為在系統中不同物料的成分與質量也存在一定的差異性，這樣就會導致其反應過程出現特性區別。

PID調節器參數固定不變，沒有進行及時調整則無法滿足系統要求，就會導致出現不同程度的振動問題，因為預測控制對模型的要求相對較低，是一種在有限時閾中的滾動優化性策略。在采樣時刻中，優化性能指標主要就是涉及到此時刻起的未來的有限時間段中，在下一個采樣時刻到來的時候，其優化時域也會出現向前移動的狀態，也就是說在整個優化過程中并不是一次的離線完成，是一種反復的在線狀態。此種滾動優化方式就會補償模失配、時變以及擾動等問題，提升整體的確定性，達到控制精度的效果。

在上述研究基礎上，將兩個CSTR串聯，形成串聯結構的CSTR，運用分布式的結構，設計非線性PID控制器及神經網絡PID控制器，探討串聯CSTR控制器設計問題，以期獲得更好的控制性能，提高系統的魯棒性，降低在線計算負擔，節約控制成本。Matlab仿真與雙態軟件實驗驗證了所提出基于RBF神經網絡整定的PID控制算法的有效性。

4 結束語

本文以CSTR為研究對象。從CSTR的基本能量方程出發，經過一系列公式推導，最終得到機理模型。并代入實驗時常用的基本參數，求得CSTR的無量綱模型。對CSTR系統分別設計了非線性PID控制和基于RBF神經網絡整定的PID控制算法，通過MATLAB軟件模擬仿真，得到控制結果，并對結果進行對比分析，最后將優化后的神經網絡PID控制器通過實驗平臺進行驗證，實驗驗證了本文所設計的神經網絡PID控制方法對CSTR溫度控制具有良好的控制效果。

參考文獻：

[1]胡宗鎮，趙延立.基于改進型BP神經網絡自整定的PID控制[J].電腦與信息技術，2019（01）：11-13.

[2]劉凱，廖然.基于RBF神經網絡的PID車輛主動懸架控制[J].制造業自動化，2018，40（09）：87-89.

[3]沈乾坤.基于PLC的智能PID方法研究與實現[D].西安理工大學，2017.

[4]高富強，李萍，張磊敏，等.基于BP神經網絡整定的PID控制及其仿真[J].山東陶瓷，2017，40（03）：27-31.

[5]謝寧.神經網絡算法在自整定PID控制中的運用[J].電子技術與軟件工程，2017（01）：30+48.