基于憶阻神經(jīng)網(wǎng)絡的光伏面板清掃機器人PID 控制器研究

張 勁， 應 櫻， 宋 鵬， 陳子琪， 王紹安， 高明煜， 董哲康，

（1.國網(wǎng)浙江省電力有限公司電力科學研究院， 浙江 杭州 310014； 2.浙江大學 電氣工程學院， 浙江 杭州310027； 3.杭州電子科技大學 電子信息學院， 浙江 杭州 310018； 4.浙江省裝備電子研究重點實驗室， 浙江杭州 310018）

0 引言

工業(yè)自動化的發(fā)展助推了世界各國對能源的需求。 在化石能源逐漸枯竭以及人類環(huán)保意識逐漸增強的背景下，如何高效利用可再生能源成為學者們研究的主要方向[1]。 太陽能作為一種可再生能源，具有易獲取、可持續(xù)和低污染的優(yōu)點，因此，受到人們的廣泛關(guān)注。 光伏發(fā)電是一種太陽能利用技術(shù)，學者們對光伏發(fā)電系統(tǒng)進行了大量研究。

目前， 光伏發(fā)電系統(tǒng)主要存在2 個問題：一是，大氣中懸浮的塵埃顆粒會造成光伏面板表面玻璃積灰，進而影響光伏面板對太陽輻射能的接收，降低了其光電轉(zhuǎn)換效率；二是，植物殘留物和動物排泄物可能遮蓋局部光伏面板，導致光伏面板表面接收到的太陽輻照強度不均勻，容易出現(xiàn)“熱島效應”，進而燒壞光伏面板。 因此，定期清掃光伏面板表面， 可以有效提高其光電轉(zhuǎn)換效率、延長其使用壽命[2]，[3]。清掃光伏面板的方法包括人工清掃、工程車清掃和機器人清掃[4]。 其中，人工清掃的效果難以保證且效率低下；工程車清掃對路面環(huán)境等要求嚴苛； 機器人清掃具有高效，便捷和節(jié)省人力、物力的優(yōu)點。 因此，機器人清掃成為光伏面板日常運維的最佳選擇。

PID 控制方法因其原理簡單、 魯棒性較強和對模型依賴性低等優(yōu)點， 成為光伏面板清掃機器人控制系統(tǒng)中使用最廣泛的方法。 現(xiàn)有光伏面板清掃機器人的控制系統(tǒng)， 主要通過對各模塊進行PID 參數(shù)的整定和優(yōu)化來實現(xiàn)。 然而，光伏面板清掃機器人控制系統(tǒng)具有復雜性、多變量、強耦合非線性的特點。 現(xiàn)有PID 控制方法在控制精度和動態(tài)性能上仍然存在一定的局限性[5]，[6]，尤其，現(xiàn)有PID 控制器因其物理結(jié)構(gòu)和組成元件限制， 存在體積大、功耗高和控制效率低的問題，且PID 控制器在控制過程中， 存在主要參數(shù)無法自適應改變等問題。 2008 年，惠普實驗室科研人員發(fā)現(xiàn)的新型納米級電路元器件—憶阻器， 為構(gòu)建光伏面板清掃機器人中參數(shù)自適應的微型智能PID 控制器提供了全新的思路[7]，[8]。本文設(shè)計了一種新型的憶阻神經(jīng)網(wǎng)絡， 并將其應用于光伏面板清掃機器人的控制系統(tǒng)中， 構(gòu)建了新一代微型智能PID 控制器。本文方案為減少光伏組件損壞、提高光伏組件效率和增加系統(tǒng)發(fā)電量提供了堅實的理論基礎(chǔ)和技術(shù)支持。

1 神經(jīng)網(wǎng)絡PID 控制器

1.1 傳統(tǒng)PID 控制器

基于現(xiàn)代控制理論，光伏面板清掃機器人中的控制系統(tǒng)依賴于傳統(tǒng)PID 控制器，傳統(tǒng)PID 控制器基本結(jié)構(gòu)框圖如圖1 所示[9]。 圖1 中：y（t），r（t）分別為控制對象的實際輸出值和既定目標值；e（t）為誤差信號，即為y（t）與r（t）的差值；u（t）為獲得的新的控制信號，當其作用于控制對象時，能夠使控制對象的輸出達到或者始終保持在設(shè)定的目 標 值；KP，KI，KD分 別 為 傳 統(tǒng)PID 控 制 器 的 比例、積分和微分系數(shù)，KP，KI，KD均為常數(shù)。

圖1 傳統(tǒng)PID 控制器基本結(jié)構(gòu)框圖Fig.1 System block diagram of traditional PID controller

離散型PID 控制器的輸出形式為

式中：u（k）為第k 次（k∈N）采樣時傳統(tǒng)PID 控制器的輸出值；e（k），e（k－1）分別為第k 次和第k－1次采樣時的誤差信號。

基于式（1），得到傳統(tǒng)PID 控制器增量式的輸出形式為

式中：Δu（k）為第k 次采樣時傳統(tǒng)PID 控制器輸出值相較第k－1 次的增量；e（k－2）為第k－2 次采樣時的誤差信號。

1.2 神經(jīng)網(wǎng)絡PID 控制器

人工神經(jīng)網(wǎng)絡 （Artificial Neural Network，ANN） 是由眾多神經(jīng)元通過突觸連接而形成的智能信息處理系統(tǒng)[9]。 在神經(jīng)網(wǎng)絡PID 控制器中，人工神經(jīng)網(wǎng)絡起到?jīng)Q定PID 控制器超參數(shù)（KP，KI，KD）的作用。

圖2 神經(jīng)網(wǎng)絡PID 控制器框圖Fig.2 Block diagram of neural network based PID controller

神經(jīng)網(wǎng)絡PID 控制器框圖如圖2 所示。 圖2中，BPNN 為經(jīng)典的反向傳播神經(jīng)網(wǎng)絡（Back-Propagation Neural Network，BPNN）， 網(wǎng)絡參數(shù)迭代更新的學習算法主要由2 個步驟組成， 即輸入信號的正向傳播和誤差信號的反向傳播。

神經(jīng)網(wǎng)絡PID 控制器主要是利用神經(jīng)網(wǎng)絡良好的學習能力和非線性處理能力，通過對樣本/數(shù)據(jù)集進行訓練，改變傳統(tǒng)PID 控制器中KP，KI，KD這3 個主要參數(shù)， 實現(xiàn)對復雜系統(tǒng)的有效控制。

圖3 為BP 神經(jīng)網(wǎng)絡的基本網(wǎng)絡結(jié)構(gòu)圖。

圖3 BP 神經(jīng)網(wǎng)絡的基本網(wǎng)絡結(jié)構(gòu)圖Fig.3 Basic construction of BP neural network

由圖3 可知，BP 神經(jīng)網(wǎng)絡為3 層結(jié)構(gòu)。 j，i，l分別為網(wǎng)絡結(jié)構(gòu)中的輸入層、隱含層和輸出層；記Oj為神經(jīng)網(wǎng)絡的輸入樣本集，則Oj=[x1，x2，x3，…，xn]，其中，輸入變量的個數(shù)n 由被控對象的復雜程度決定，xi為神經(jīng)網(wǎng)絡的輸入信號， 其中i∈[1，n]。

基于輸入樣本集Oj可得， 隱含層的輸入信號neti（k）和輸出信號Oi（k）的計算式分別為

式中：wij，θj分別為輸入層和隱含層神經(jīng)元之間的權(quán)值和偏置；h（x）為輸入層和隱含層之間的激活函數(shù)[8]；Q 由隱含層神經(jīng)元的個數(shù)決定。

輸出層的輸入信號netl（k）和輸出信號Ol（k）的計算式分別為

式中：wli，θi分別為隱含層與輸出層神經(jīng)元之間的權(quán)值和偏置；g（x）為隱含層與輸出層之間的激活函數(shù)[10]。

基于文獻[8]可得，BP 神經(jīng)網(wǎng)絡的輸出層和隱含層的權(quán)值更新公式分別為

式中：η，α 分別為BP 神經(jīng)網(wǎng)絡的學習速率和動量項；δl，δi均為輔助變量[7]；Δwli（k）為第k 次采樣時隱含層和輸出層神經(jīng)元之間的權(quán)值相較第k－1次采樣時的增量；Δwij（k）為第k 次采樣時輸入層和隱含層神經(jīng)元之間的權(quán)值相較第k－1 次采樣時的增量；Δwli（k－1）為第k－1 次采樣時隱含層和輸出層神經(jīng)元之間的權(quán)值相較第k－2 次采樣時的增量；Δwij（k－1）為第k－1 次采樣時輸入層和隱含層神經(jīng)元之間的權(quán)值相較第k－2 次采樣時的增量。

綜上可知，神經(jīng)網(wǎng)絡PID 控制器中各層權(quán)值的更替較為復雜。同時，現(xiàn)有的權(quán)值更新過程完全基于軟件實現(xiàn)， 不能較好地應用于光伏面板清掃機器人的節(jié)點控制中。因此，本文將憶阻器引入到神經(jīng)網(wǎng)絡PID 控制器中，將憶阻器作為神經(jīng)網(wǎng)絡中的電子突觸， 這樣不僅能有效地簡化權(quán)值的更新過程，又有利于實現(xiàn)神經(jīng)網(wǎng)絡的硬件化，為優(yōu)化控制光伏面板清掃機器人的節(jié)點提供了良好的理論基礎(chǔ)和實驗支持。

2 憶阻器

憶阻器的物理模型是由2 層二氧化鈦（TiO2）薄膜和2 個獨立的鉑（Pt）片電極構(gòu)成。 2 層TiO2薄膜夾在2 個Pt 片電極之間[7]，其中，一層TiO2薄膜中未摻雜氧空位（Oxygen Vacancy），表現(xiàn)出高阻抗特性，稱為非摻雜層；另一層TiO2薄膜中缺失了部分氧原子，表現(xiàn)出半導體特性，稱為摻雜層（TiO2-x層）。 憶阻器的總阻值為2 層TiO2薄膜阻值之和。存在外加偏壓時，摻雜層中的氧空位會在電場的作用下發(fā)生離子遷移的現(xiàn)象， 引起摻雜層和非摻雜層之間的邊界移動， 從而改變憶阻器的有效阻值[8]。

憶阻器的物理模型如圖4 所示。 圖中，D 為2層二氧化鈦薄膜的總厚度 （約為10 nm）；w 為摻雜層的厚度。

圖4 憶阻器的物理模型Fig.4 The HP memristor physical model

基于文獻[8]，憶阻器的阻值M（t）的計算式為

式中：x（t）為憶阻器內(nèi)部的狀態(tài)變量；RL，RH分別為憶阻器的極小憶阻值和極大憶阻值。

x（t）的計算式為

x（t）對應的動態(tài)方程計算式為

式中：k 為常數(shù)；ζ 為憶阻器的極性參數(shù)，ζ=±1；ν（t），i（t）分別為加載在憶阻器兩端的電壓和流經(jīng)憶阻器的電流；νth為憶阻器的電壓閾值。

3 憶阻器與神經(jīng)網(wǎng)絡PID 控制器相結(jié)合

憶阻器獨特的納米級尺寸、 非易失性和低功耗特性比較適合構(gòu)建新一代電子突觸， 進而實現(xiàn)基于憶阻器的神經(jīng)網(wǎng)絡。 憶阻器與神經(jīng)網(wǎng)絡PID控制器結(jié)合可以模擬BP 神經(jīng)網(wǎng)絡中的突觸電路。 基于此， 本文提出了一種新型的憶阻突觸電路，憶阻突觸電路結(jié)構(gòu)圖如圖5 所示。

圖5 憶阻突觸電路結(jié)構(gòu)圖Fig.5 The proposed memristor-based synaptic circuit

由圖5 可知， 憶阻突觸電路由2 個支路組成，分別用虛線框（右邊）和實線框（左邊）標記。虛線框中的電路是一個經(jīng)典的差分放大器， 主要用于電壓和電流的轉(zhuǎn)換。 其中：V+為正向電壓；V-為負向電壓；Vb為偏執(zhí)電壓；Vss為源集電壓。實線框中的電路由2 個CMOS 晶體管 （橢圓虛線框標記）和2 個憶阻器（反向串聯(lián)）混合而成，主要用于實現(xiàn)權(quán)值處理和權(quán)值規(guī)劃操作。 其中：T1～T4為晶體管；g 為控制電壓；m1，m2為憶阻器；Vin為輸入電壓；Vout為輸出電壓；Gnd 為接地信號。

3.1 權(quán)值處理操作

憶阻突觸電路中， 突觸權(quán)值常用憶阻器的阻值或阻值關(guān)系表示，并且存儲在憶阻器內(nèi)部[10]。突觸權(quán)值處理操作是將突觸權(quán)值和憶阻突觸電路中憶阻器的阻值形成一一對應（線性）關(guān)系的操作。本文設(shè)定2 個相同的憶阻器， 二者的阻值分別為M1，M2?？刂齐妷篻 用于控制4 個相互連通的晶體管T1～T4（T1，T2為PMOS 晶體管；T3，T4為NMOS晶體管）的工作狀態(tài)。當憶阻突觸電路中的4 個晶體管同時工作時，起到“開關(guān)”的作用。當憶阻突觸電路的輸入電壓為Vin時，對應的輸出電壓Vout定義為節(jié)點A 處電壓VA和節(jié)點B 處電壓VB的差，即Vout=VA－VB。 Vout的工作狀態(tài)須要根據(jù)控制電壓g 的工作狀態(tài)進行分類討論。

①當控制電壓g 處于高電平（即g＞Vth）時，晶體管T2和T3處于導通狀態(tài)，晶體管T1和T4處于截止狀態(tài)。 此時，電流從節(jié)點B 流向節(jié)點A，Vout的計算式為

②當控制電壓g 處于低電平（即g=0）時，晶體管T2和T3處于截止狀態(tài)，晶體管T1和T4處于導通狀態(tài)。 此時， 電流從節(jié)點A 流向節(jié)點B，Vout的計算式為

基于式（12），（13）得到憶阻突觸電路的輸入電壓Vin和輸出電壓Vout之間的關(guān)系為

式中：ψ 為突觸權(quán)值。

基于式（12），（13），（14）得到ψ 的計算式為

需要注意的是，式（14），（15）共同定義了憶阻突觸電路的權(quán)值處理操作。同時，為了保證突觸權(quán)值處理操作的準確性， 需要保持2 個憶阻器的阻值不變。 此時，利用憶阻器的閾值特性，即將輸入電壓Vin控制在[0，νth]范圍內(nèi)。 由于加載在憶阻器兩端的電壓始終小于其閾值電壓νth，因此，2 個憶阻器的阻值不會發(fā)生改變。

3.2 權(quán)值規(guī)劃操作

不同于突觸權(quán)值處理操作， 權(quán)值規(guī)劃操作中須要改變憶阻突觸電路中憶阻器的阻值。因此，設(shè)定權(quán)值規(guī)劃操作中，外部激勵電壓為Vpro且Vpro＞2νth。 基于串聯(lián)電路的基本特性，當外部激勵電壓Vpro作用于憶阻突觸電路時， 其等效憶阻器的阻值M 為2 個憶阻器的阻值之和，即M=M1+M2。 并且2 個反向串聯(lián)的憶阻器的阻值將朝著相反的方向變化， 即M1增加、M2減少或者M1減少、M2增加。 M1，M2變化的定量分析如下。

基于式（9）～（11），得到計算憶阻器阻值M 的變式為

式中：M0為憶阻器的初始值；q（t）為流經(jīng)憶阻器的電荷量；ΔR 為憶阻器的極大憶阻值和極小憶阻值的差值，即ΔR=RH－RL為常數(shù)。

基于式（16），得到2 個憶阻器的阻值表達式為

或者

式 中：M10，M20分 別 為 憶 阻 器m1和m2的 初 始 阻值；q1（t），q2（t）分別為流經(jīng)m1，m2的電荷量。 特別地， 由于反向串聯(lián)電路中流經(jīng)m1，m2的電荷量相同，即q1（t）=q2（t），則憶阻突觸電路的等效憶阻值M 的計算式為

由式（19）可知，2 個憶阻器的反向串聯(lián)電路在外部激勵作用下滿足總阻值不變， 且等于2 個憶阻器的初始阻值之和。因此，當輸入激勵為固定幅值的電壓時，基于歐姆定律，整個電路的電流I保持不變。

針對提出的憶阻突觸電路， 在權(quán)值規(guī)劃階段輸入一個固定幅值的恒定電壓Vpro（Vpro＞2νth），則等效電流I=Vpro/（M10+M20） 為固定值且滿足q=It。根據(jù)控制電壓g 的狀態(tài)進行分類討論。

①當控制電壓g 處于高電平時，晶體管T2和晶體管T3處于導通狀態(tài)， 晶體管T1和晶體管T4則處于截止狀態(tài)。此時電流從節(jié)點B 流向節(jié)點A，基于式（14），得到Ψ（t）的計算式為

式中：α1，β1為輔助變量，且均為固定不變的常數(shù)。α1，β1的計算式分別為

②當控制電壓g 處于低電平時，晶體管T2和晶體管T3處于截止狀態(tài)， 晶體管T1和晶體管T4則處于導通狀態(tài)，電流從節(jié)點A 流向節(jié)點B。 此時，Ψ（t）的計算式為

式中：α2，β2為輔助變量，且均為固定不變的常數(shù)。

α2，β2的計算式分別為

由式（20）和（23）可知，無論控制電壓g 處于高電平或者低電平狀態(tài)， 權(quán)值ψ 與時間t 之間均呈現(xiàn)良好的線性關(guān)系，即權(quán)值隨時間t 線性改變。綜上所述， 憶阻突觸電路的權(quán)值規(guī)劃操作具有良好的線性特性。

3.3 憶阻神經(jīng)網(wǎng)絡PID 控制器

本文基于傳統(tǒng)神經(jīng)網(wǎng)絡PID 控制器方案，設(shè)計了一種全新的憶阻神經(jīng)網(wǎng)絡PID 控制器。 該控制器以憶阻神經(jīng)網(wǎng)絡替代傳統(tǒng)神經(jīng)網(wǎng)絡PID 控制器中的BP 神經(jīng)網(wǎng)絡，其中，憶阻神經(jīng)網(wǎng)絡最基本組成單元為憶阻神經(jīng)元電路， 憶阻神經(jīng)元電路結(jié)構(gòu)圖如圖6 所示。圖中：W1，W2為支路上的突觸權(quán)值；C1為神經(jīng)元電路的輸出；Rload為有源負載；Vin1，Vin2為電壓信號；Vdd為電源端電壓。

由圖6 可知， 來自其他神經(jīng)元的輸入信息須要轉(zhuǎn)變?yōu)橄鄳碾妷盒盘朧in1和Vin2，通過一系列的加權(quán)操作可以得到相應的輸出信號。 須要說明的是，2 個支路共享一個有源負載Rload。 根據(jù)經(jīng)典的基爾霍夫電流定律可得到， 各支路電流的總和經(jīng)過電流反射鏡的輸出。

圖6 憶阻神經(jīng)元電路結(jié)構(gòu)圖Fig.6 Electric circuit of memristive neuron

4 仿真結(jié)果與分析

4.1 實驗平臺及參數(shù)描述

本文采用計算機軟件仿真的方式， 測試光伏面板清掃機器人中憶阻神經(jīng)網(wǎng)絡PID 控制器的性能。 本文中所有實驗基于工作站（戴爾T3620）來完成，其主要設(shè)備參數(shù)如下：酷睿i77700 處理器、3.4 GHz CPU 頻 率、16 GB DDR4 內(nèi) 存 和Windows 10 操作系統(tǒng)。 同時，本文通過PSpice 軟件構(gòu)建憶阻神經(jīng)網(wǎng)絡電路（包括憶阻器模型、憶阻突觸電路、神經(jīng)元電路和神經(jīng)網(wǎng)絡電路），該電路主要負責實現(xiàn)神經(jīng)網(wǎng)絡的前向計算。 神經(jīng)網(wǎng)絡訓練過程中的權(quán)值更新是通過工作站中的計算模塊來完成。實驗過程中涉及到的所有參數(shù)設(shè)置如下：憶阻器的極小憶阻值RL=0.1 kΩ，憶阻器的極大憶阻值RH=16 kΩ， 二氧化鈦薄膜總厚度D=10 nm，憶阻器初始阻值[M10，M20]=[110，15 900]，閾值電壓νth=2 V，高電平控制電壓g=5 V，學習率α=0.1，終止誤差Error=10-5。

4.2 實驗仿真結(jié)果及分析

實驗仿真結(jié)果分為3 個部分， 即憶阻器基本電路特性的仿真結(jié)果、 憶阻突觸電路的仿真結(jié)果和憶阻神經(jīng)網(wǎng)絡PID 控制器的仿真結(jié)果。

憶阻器的基本電路特性仿真結(jié)果如圖7 所示。

由圖7 可知， 當外部激勵電壓V=1.5sin（2 πt）時，外部激勵電壓與流經(jīng)憶阻器的電流之間呈現(xiàn)出典型的“斜8”磁滯回線，這表明憶阻器是一種非線性電路元器件。 憶阻器兩端的電壓大于0時，憶阻器的狀態(tài)變量x 呈現(xiàn)增大的趨勢；反之，當電壓小于0 時， 憶阻器的狀態(tài)變量x 呈現(xiàn)減小的趨勢。在電壓的作用下，憶阻器阻值可以在高阻值與低阻值之間進行切換（極限阻值范圍內(nèi)）。

圖7 憶阻器的基本電路特性仿真結(jié)果Fig.7 The circuit characteristics of memristor

憶阻突觸電路進行權(quán)值處理和權(quán)值規(guī)劃操作的仿真結(jié)果如圖8 所示。 圖8 中的空白區(qū)域為憶阻突觸電路進行權(quán)值處理操作， 陰影區(qū)域為憶阻突觸電路進行權(quán)值規(guī)劃操作。

圖8 憶阻突觸電路進行權(quán)值處理和權(quán)值規(guī)劃操作的仿真結(jié)果Fig.8 The simulation results of the memristor-based synaptic circuit

由圖8（a）可知，當憶阻突觸電路在進行權(quán)值規(guī)劃操作時，輸入電壓Vin滿足Vin=Vpro＞2 νth。由圖8 （b）可知，憶阻突觸電路在權(quán)值處理階段，輸入電壓Vin小于憶阻器的閾值電壓νth，2 個憶阻器的阻值以及憶阻突觸電路的等效阻值固定不變；當憶阻突觸電路在權(quán)值規(guī)劃階段， 外部輸入激勵電壓大于憶阻器的閾值電壓νth，2 個憶阻器的阻值將以相反的方向發(fā)生改變， 并且憶阻器m1增加（減少）的阻值等于憶阻器m2減少（增加）的阻值，即憶阻突觸電路的等效阻值固定不變。 由圖8（c）可知， 由于各階段憶阻突觸電路的外部激勵電壓幅值固定，且憶阻突觸電路的等效阻值不變，基于歐姆定律得到各階段憶阻突觸的電流保持不變。當控制電壓g 為高電平時， 憶阻突觸電路的電流為方向從節(jié)點B 到節(jié)點A 的負電流；當控制電壓g 為低電平時， 憶阻突觸電路的電流為方向從節(jié)點A 到節(jié)點B 的正電流。 由圖8（d）可知，當憶阻突觸電路在權(quán)值處理階段， 憶阻突觸電路能夠?qū)崿F(xiàn)“負”、“零”和“正”的突觸權(quán)值；當憶阻突觸電路在權(quán)值規(guī)劃階段， 突觸權(quán)值隨著時間t 呈線性變化， 并且可計算出對應的斜率Slope=kΔRI/（M10+M20）=1.840 2×104。

當輸入信號r（t）為階躍信號時，為了更好地體現(xiàn)憶阻神經(jīng)網(wǎng)絡PID 控制算法的性能優(yōu)勢，本文引入傳統(tǒng)神經(jīng)網(wǎng)絡PID 控制器（方法1）以及傳統(tǒng)PID 控制器（方法2）進行對比分析[11]，[12]。 憶阻神經(jīng)網(wǎng)絡PID 控制器仿真結(jié)果如圖9 所示。

圖9 憶阻神經(jīng)網(wǎng)絡PID 控制器仿真結(jié)果Fig.9 The simulation results of the memristive neural network PID controller

憶阻神經(jīng)網(wǎng)絡PID 控制器中3 個主要參數(shù)KP、KI，KD的訓練樣本數(shù)據(jù)集源于文獻[9]。 同時，憶阻神經(jīng)網(wǎng)絡PID 控制器可表示為

式中：y（t），y（t－1）分別為憶阻神經(jīng)網(wǎng)絡PID 控制器在t 時刻和t－1 時刻的輸出；u（t－1）為t－1 時刻控制對象的輸入信號；a（t）為關(guān)于時間t 的時變系數(shù)。

a（t）的計算式為

由圖9 可知，基于本文方案得到的輸出結(jié)果在t=0.5 s 時趨于穩(wěn)定，從而取得了較為理想的調(diào)控效果， 同時也驗證了將該方案應用在光伏面板清掃機器人中的可行性。

5 結(jié)論

光伏面板清掃機器人內(nèi)部的PID 控制器會受到物理結(jié)構(gòu)和組成元件的限制， 導致清掃機器人存在的體積大、功耗高、控制效率低，以及在控制過程中主要參數(shù)無法自適應改變等問題， 本文提出了一種智能的自適應PID 控制器，模擬結(jié)果如下。

①本文基于憶阻器設(shè)計了一種新型的突觸電路。 該突觸電路可以實現(xiàn)正、 零和負的突觸權(quán)值， 且在權(quán)值處理和權(quán)值規(guī)劃2 個階段具備良好的線性特征。

②本文基于憶阻突觸電路， 設(shè)計對應的神經(jīng)元以及神經(jīng)網(wǎng)絡電路， 這樣有利于神經(jīng)網(wǎng)絡的硬件化實現(xiàn)。

③將憶阻神經(jīng)網(wǎng)絡應用于光伏面板清掃機器人內(nèi)部的PID 控制器中，不僅有利于提高其控制效率， 同時能夠?qū)崿F(xiàn)KP，KI，KD系數(shù)的自適應改變。