RBF神經網絡結合PID控制系統優化方案及應用實現

尹亞南，韓 浩

（鄭州電力高等專科學校，河南 鄭州 450000）

傳統控制方法要求被控制對象具備更加精準的數學模型，同時該方法僅可應用于具有反饋能力的確定性線性系統中，但隨著社會生產水平的不斷進步，被控制的對象結構和控制條件變得更加復雜，在大多數的控制過程中會出現具備耦合特性的多輸入、多輸出系統，且通常情況下會受到控制系統自身參數及結構不確定性的影響，因此建立更加精準的數學模型困難程度較大，同時傳統控制方法的各項性能很難滿足當前社會生產的需要[1]。PID控制系統是當前工業生產中過程控制方面最常用的一類控制設備，在應對一般生產流程時，能夠表現出良好的魯棒性，且參數整定和實踐具有一定豐富的經驗積累，更具備結構簡單，易于操作等優勢。但對于控制過程中存在非線性較強，存在較多不確定因素的系統而言，PID控制系統的使用效果并不理想。基于此，本文結合RBF神經網絡對PID控制系統的優化方案進行研究，并將優化后的PID控制系統應用到實際。

1 RBF神經網絡結合PID控制系統優化方案

1.1 基于RBF神經網絡的PID控制系統參數優化

本文結合人工智能算法中的RBF神經網絡對PID控制系統的參數進行優化，通過在RBF神經網絡中學習輸入的數據，對PID進行學習優化，從而得到適用于PID控制系統的優化參數[2]。在RBF神經網絡中共有三層結構，其中隱層為回歸層。A=[a1，a2，a3，…，an]表示為神經網絡中的輸入集合。具體優化方法如下：

第一步：在RBF神經網絡中輸入特征參數。

第二步：引入神經網絡優化性能指標函數：

公式（1）中，I表示為神經網絡優化性能指標函數；x（p）和y（p）分別表示為RBF神經網絡中的輸入的兩個特征參數；p表示為網絡的迭代步驟。

第三步：根據公式（2）進行迭代運算：

公式（2）中，c（p）表示為迭代運算結果；λ表示為慣性效應因子；γ表示為學習速率。

第四步：利用雅克比矩陣的輸出結果對輸入特征參數的最優線性逼近點進行優化，并推導出優化目標輸出信息對變化的PID控制系統的輸入信息的靈敏度。

第五步：基于RBF神經網絡對數據進行分析，對PID控制系統學習的控制參數進行實時調整，從而自動實現對PID控制系統參數的調整和校正，提高控制水平[3]。

完成對PID控制系統參數優化后，利用如下公式，對其控制誤差進行計算：

公式（3）中，u（p）表示為PID系統控制誤差；v表示為PID控制系統輸出數據；rin表示為輸入信號。最終通過上述算法流程實現對PID控制系統參數的在線實時優化控制：

首先，設置PID控制系統控制參數到初始狀態，根據RBF神經網絡算法得到相應的控制參數。

其次，通過數據信息采樣，計算出輸入信號rin（p）和輸出數據v（p），根據公式（3）計算出u（p），最后得到神經網絡的輸入參數。

在PID控制系統運行過程中利用RBF神經網絡對網絡參數進行優化，并利用相關算法得到控制系統的各項權重，并經入到第二個周期的控制中。

1.2 PID控制系統結構優化

結合RBF神經網絡再對PID控制系統的整體結構進行優化，利用神經網絡中的混沌尋優具備的隨機性和遍歷性，將處于混沌狀態的參數變量引入到PID控制系統中的參數域，再利用混沌變量對全局進行粗略的搜索和采集，從而找出PID系統運行參數與RBF神經網絡權系數的次優值，并將此作為基礎，引入更加細致的局部搜索模式，最終找出PID控制系統的全局最優結構，圖1為優化后的PID控制系統結構。

圖1 優化后PID控制系統結構示意圖

優化后PID控制系統結構可以在變尺度優化算法中迅速下降，并將此優勢作為基礎，利用并行模式搜索，提高神經網絡的搜索可信度，從而將整個提供的優化效率及性能提升，進而實現對被控制對象的最優控制。

1.3 變尺度混沌策略優化

結合RBF神經網絡改變原有PID控制系統的變尺度混沌策略，首先改變系統初始化參數與初始追的選擇策略，假設p=0表示為混沌變量的迭代標志，B1為粗略搜索的次數，B2為細致搜索的次數，M=（p1，p2，p3，…，pn，g1，g2，g3，…，gm）表示為PID控制系統的所有控制參數集合，因此此時混沌變量的最優值變為M=（p1*，p2*，p3*…，pn*，g1*，g2*，g3*，…，gm*），則當前最優目標函數的輸出值應為集合中最大的數。假設在[0，1]區間當中的任意14個相異的初值為混沌變量，則各個初始值當中選擇滿足pn≠10gm的關系，同時不能取作Logistic算法的不動點為0，0.15，0.85，0.5，1，（1+3）/4。

再對PID控制系統的搜索策略進行優化，利用RBF神經網絡算法將混沌變量的線性關系映射到對應的變量取值區間當中，并將其視為系統搜索的初始階段[4]。當系統多次完成搜索結果，并且結果誤差滿足設定的終止條件時，視為搜索結束，并將搜索結果標記為最優搜索結果。將系統搜索初始值帶入到Logistic算法的映射當中，從而得到不同軌跡的混沌變量，并將其線性關系映射到設定的變量取值區間當中。利用混沌變量進行首次粗優化搜索，并計算出系統性能指標，采用ITAE目標函數準則對其記性離散處理。

最后對PID控制系統的混沌變量組成策略進行優化，利用RBF神經網絡算法對系統尺度進行轉換，并在當前最優點的周圍進行細致搜索[5]。將神經網絡混沌變量的迭代標志重新設置為0，利用全新的混沌變量在最優解的附近進行搜索。當搜索結果滿足精度的要求后，完成迭代，保存當前最優值。進行并搜索，找出最多函數共同的搜索值，在集合當中選擇最小的參數作為最優函數值，并提取出相應的優化變量組成混沌變量。

2 應用實現

將通過RBF神經網絡結合優化后的PID控制系統應用到實際的工程當中，其主要目的是對一個具備6個加熱釜的設備進行溫度控制調節。該裝置配備PID控制系統計算機，在上位機中安裝兩塊板卡，其中一塊作為采集卡，用于測量加熱釜的溫度以及加熱釜的壓力變化數據，另一塊作為模擬輸出卡，主要用于驅動可控硅，利用電熱絲提供熱量為各個加熱釜進行加熱。工程主要目的是要求加熱釜在300℃～600℃之間實現線性溫度控制及保溫，控制精度范圍在-3%～+3%。由于控制系統在補償的過程中辨識模型是粗糙的，因此沿用傳統PID控制系統很難滿足工程需要，因此采用本文優化后的PID控制系統對其進行控制，表1為優化后的PID控制系統控制過程中的效果數據表。

表1 優化后PID控制系統控制過程中的效果數據表

通過表1中的數據可以看出，本文優化后的PID控制系統的使用效果良好，即使是在由線性控溫到保溫的轉化過程中，溫度的偏差也得到了更好的控制，充分滿足工程項目的要求。

3 結語

本文研究方向在于對RBF神經網絡結合PIF控制系統優化方法的應用，目的是為了對一個未知的存在滯后時的非線性系統進行良好的控制，并從中總結出一套有效的控制策略。優化后的PID控制系統具有更高的動態響應速度和魯棒性，且控制品質得到了大幅度的提高。