基于BP神經網絡的PID參數智能整定

李博

（西安工程大學 陜西省西安市 710048）

PID控制是工業(yè)生產過程中應用最早、最普遍和最受歡迎的一種經典控制策略。因為其具有結構簡單、控制性能良好和抗干擾性較強等優(yōu)點，一直倍受工程技術人員所青睞，同時在工業(yè)控制應用領域也占據至關重要的地位。許多新式的控制算法都是將PID控制器作為設計基礎，將其他改進后的算法應用到PID控制器中，使其既具有創(chuàng)新點，又有經典控制方式的諸多優(yōu)點[1]。PID控制的穩(wěn)定性很大程度上取決于PID參數與被控對象的模型是否匹配。整定參數的過程中觀察被控對象的運行狀態(tài)，由人工根據運行的性能指標對參數進行整定，經過多次整定，尋找最佳的參數組合。

在實際工程應用中，被控對象會因為多種外界因素的長時間的積累，導致使用工況發(fā)生變化，造成原有的PID參數與當下的系統(tǒng)不匹配，最終影響系統(tǒng)運行的穩(wěn)定性。此時，就需要工程技術人員介入對PID參數重新整定，以滿足系統(tǒng)的穩(wěn)定性要求。本文以改進金屬擠壓機中擠壓速度的PID控制為目標，展開了研究。

1 性能指標與PID參數

人工調試PID參數的過程中，最主要的問題在于系統(tǒng)性能不滿足要求時，明白應該調整哪個參數，應該增大或是減小。有經驗的工程技術人員可以較快地獲得讓人滿意的調試結果。

控制系統(tǒng)的PID參數和性能指標之間的詳細關系如表1所示。PID參數與性能指標之間的關系也并非完全固定的，只是一定范圍內的相對關系。因為PID各參數之間的作用相互影響，所以任意一個參數的改變都會影響其他兩個參數的作用效果。而PID參數的調試過程，也就是根據觀察系統(tǒng)的性能指標不斷修正各個參數，尋找最佳的參數組合，使得系統(tǒng)此時的性能指標處于一個合理的區(qū)間。

總之，PID參數的整定過程是一個統(tǒng)一的、各個參數之間相互影響的過程，實際調試過程中的多次嘗試是至關重要的，也是必不可少的。在人工參數的調試過程中必須遵循PID調試的策略。利用人工神經網絡具有較強的自我學習功能和強大的信息處理能力，學習PID調試的“規(guī)則”，研究PID參數的智能整定是本文的主要內容。

2 改進型BP神經網絡

從上文分析得出，系統(tǒng)的性能指標與PID參數之間存在特定關系，即PID參數調試的規(guī)則。人工在整定參數的過程中，觀察被控對象的實際運行值，與目標值相比較后，從感官上判斷性能指標的狀態(tài)，然后判斷該對哪個參數做出怎樣的調整。調整完成后，再次觀察實際運行值，進行下一輪的參數調整。直到性能指標滿足穩(wěn)定性要求，此時參數整定結束。如果整個整定過程由神經網絡來完成，就實現(xiàn)了PID參數的智能整定。如圖1所示，根據設定的目標速度和實際的擠壓速度對比后，分析后得到系統(tǒng)的性能指標，然后將性能指標送給神經網絡，讓神經網絡判斷需要對參數如何調整。經過多次調整，穩(wěn)定性滿足要求后，參數整定結束。整個調試過程是模擬人腦的決策方式，讓控制系統(tǒng)實現(xiàn)智能化。

BP神經網絡傳遞函數采用tansig函數，結構如圖2所示，采用了4-5-3的網絡結構，其中輸入層為設定速度、上升時間、超調量和調節(jié)時間，輸出層為ΔKp、ΔTi、ΔTd，分別為比例分量、積分時間、微分時間的單次調整增量。這種網絡結構依據的是上文討論的參數整定方式給出的結構，即觀察性能指標對參數做出調整，依據PID參數調試的規(guī)則，模擬人腦在調試PID控制器時的行為方式。神經網絡經過多次運行進行參數調整，直到性能指標達到要求，參數無需進行調整為止[2]。

本文提出的方案，是讓BP神經網絡學習PID參數調試的規(guī)則，模仿人腦的工作方式進行參數的整定。這種方案訓練完成的神經網絡，在參數整定過程中，根據性能指標進行參數調整，不會受到被控對象模型的約束，理論上能夠應用于各種模型的PID控制器的參數整定，使用范圍極大地增加[3][4]。

3 數據收集與網絡訓練

為了能夠讓神經網絡能夠學習PID參數調試的策略，就需要用能夠表現(xiàn)出性能指標與參數之間動態(tài)關系的數據來訓練網絡。這就需要在PID控制器從初始參數調試到最佳參數組合的過程中，收集訓練數據。表2為收集到的部分數據。

圖1：神經網絡PID控制流程圖

表1：性能指標與參數之間的關系

表2：性能指標與參數之間的關系

表3：參數修正時網絡輸入層和輸出層的變化情況

圖2：BP神經網絡結構圖

隨機選取數據的70%作為訓練集，剩余30%作為測試集。訓練數據處理的代碼在Matlab中編寫。創(chuàng)建BP神經網絡后，設置隱含層的層數為5，設置學習率為0.01后，開始進行訓練，在Matlab中創(chuàng)建神經網絡，網絡結構為4-5-3。經過52次迭代之后，網絡訓練完成。之后進行仿真驗證，對結果進行統(tǒng)計后ΔKp、ΔTi、ΔTd的平均誤差為1.73%、4.12%、9.83%。

4 運行測試

金屬擠壓機作為重型機械，設備模型復雜，經歷了長期的運行后，器件磨損和工況改變，造成了設備的模型發(fā)生了的變化。設備調試初期整定的PID參數不再適用于當下的狀態(tài)，造成被控對象穩(wěn)定性下降。此時就需要對參數進行調整，以此來提高控制的穩(wěn)定。

本文選擇了一臺運行穩(wěn)定性較差的25MN鋁擠壓機進行測試。此時設備的性能指標分別為上升時間2.5s、超調量47.11%、調節(jié)時間9.4s，已經超過了上升時間小于2s、超調量小于20%、調節(jié)時間小于7s的要求。當前PID控制器的參數為Kp=2.0、Ti=25.0、Td=1.2。在啟動設備后，開始了對PID參數的調整。表3記錄了BP神經網絡對PID參數的整定過程中，各個數據的變化。在經歷了6次的調整之后，性能指標已經變成上升時間為1.9s、超調量為18.22%、調節(jié)時間為6.6s，符合了穩(wěn)定性要求。第6次參數調整量趨近于0，表示當下性能指標下PID參數已經無需調整。調整后的參數Kp=3.5383、Ti=19.9501、Td=2.0205。調整后的參數使得系統(tǒng)的穩(wěn)定性得以提高，PID參數整定的應用結果，達到了設計要求。

5 結語

本文的方案主要創(chuàng)新點在于，將性能指標和參數的單次調整量作為神經網絡的輸入層和輸出層，訓練數據是人工整定PID參數的過程中收集的，等同于讓神經網絡跟隨工程人員學習PID調試的規(guī)則以及人工調試的經驗。這樣訓練完成的網絡，不再受到控制模型的約束，適用的范圍大幅增加，當穩(wěn)定性不達標時，投入到整定PID參數的過程中，實現(xiàn)控制系統(tǒng)的智能化。