神经网络控制算法应用探索

摘要：采用神经网络控制，选取应用最广泛的BP算法，与传统PID控制结合的控制策略来实现对主汽温的有效控制，仿真结果表明基于BP神经网络的自整定PID控制具有良好的自适应能力和自学习能力，对大迟延和变对象的系统可取得良好的控制效果，是采用多策略的智能控制与PID结合实现主汽温控制的一次有益的尝试与探索。

关键词：PID；BP：ANN；MATLAB仿真

中图分类号：TP3

文献标识码：A

文章编号：1671-7597(2011)0120151-01

神经网络控制是一种基本上不依赖于模型的控制方法，适用于那些具有不确定性或高度非线性的控制对象，具有较强的适应和学习功能。对自动控制来说，神经网络具有自适应能力，非线性映射功，高度并行处理功能等优势。

神经网络源于对人脑神经功能的模拟，它的某些类似人的智能特性有可能被用于解决现代控制面临的一些难题。目前，随着神经理论的发展和新算法的相继提出，神经网络的应用越来越广泛。

从神经网络的基本模式看，主要有：前馈型、反馈型、自组织型及随机型神经网络。前馈网络中主要有BP网络及RBF网络；反馈网络主要有Hopfield网络；自组织网络主要有ART网。

神经网络模型参考自适应控制，将神经网络同模型参考自适应控制相结合，就构成了神经网络模型参考自适应控制，其系统的结构形式和线性系统的模型参考自适应控制系统是相同的，只是通过神经网络给出被控对象的辨识模型，根据结构的不同可分为直接与间接神经网络模型。

由于神经网络可以精确描述非线性动态过程，因此，可用神经网络设计预测控制系统。预测控制是近年来发展起来的一类新型计算机控制算法，它利用内部模型预测被控对象未来输出及其与给定值之差，然后据此以某种优化指标计算当前应加于被控对象的控制量，以期使未来的输出尽可能地跟踪给定参考轨线。

1　立论依据

BP算法就是在模拟生物神经元的基础上建立起来的在人工神经网络上的一种搜索和优化算法。对于人工神经网络，网络的信息处理是由神经元间的相互作用来实现，网络的学习和训练决定于各神经元连接权系数的动态调整过程。PID控制是最早发展起来的控制策略之一，适用于可建立精确数学模型的确定性控制系统。而实际工业生产过程中往往具有非线性，时变不确定性，难以建立精确的数学模型，应用常规PID控制器不能达到理想的控制效果。是否可以把神经网络和PID结合在一起，利用两者的优点，使新算法既有神经网络的学习能力又有PID控制的简单性呢?本文采用神经网络控制，选取应用最广泛的BP算法，与传统PID控制结合的控制策略来实现对主汽温的有效控制，可以说这是采用多策略的智能控制与PID结合实现主汽温控制的又一次有益的尝试与探索。

2　神经网络的基本原理

人工神经网络(ANN，Artifieial Neural Networks)是对人脑神经系统的模拟而建立起来的。它是由简单信息处理单元互联组成的网络，能够接受并处理信息。人脑神经元是组成人脑神经系统的最基本单元，对人脑神经元进行抽象得到一种称为McCulloch-Pitts模型的人工神经元，人工神经元是人工神经网络的基本单元，它相当于一个多输入单输出的非线性阐值器件。根据活化函数的不同，人们把人工神经元分成以下几种类型：分段线性活化函数、sigmoid活化函数、双曲正切活化函数、高斯活化函数。

学习是神经网络的主要特征之一。学习就是修正神经元之间连接强度或加权系数的算法，使获得的知识结构适应周围环境的变化。神经网络的学习方式主要分为有导师(指导式)学习、无导师(自学式)学习和再励学习(强化学习)三种：误差纠正学习规则、Hebb学习规则、竞争学习规则。

为网络的输入和输出，每个神经元用一个节点表示，网络包含一个输出层和一个输入层，隐含层可以是一层也可以是多层。BP网络中采用梯度下降法，即在网络学习过程中，使网络的输出与期望输出的误差边向后传播边修正连接权值，以使其误差均方值最小。一般来说，基于神经网络的PID控制器的典型结构主要有两种，一种是基于神经网络的整定PID控制。另一种是把神经网络的权值做为比例，积分和微分。

PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用，在形成控制量中相互配合又相互制约的关系。神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。可以通过对系统性能的学习来实现具有最佳组合的PID控制。

3　基于BP神经网络的PID控制在主汽温控制系统中的应用

主汽温的控制任务：锅炉的主蒸汽温度与火电厂的经济性和安全性有重要的关系，因此主蒸汽温度是火电厂的一个极其重要的参数。其控制的好坏直接影响到电厂的整个经济效益。

主汽温被控对象的动态特性：影响主汽温变化的扰动因素很多，如蒸汽负荷、烟气温度和流速、火焰中心位置、减温水量、给水温度等。主要扰动有3个：蒸汽量扰动D，烟气量扰动Q，减温水量扰动W。

主汽温控制策略：对于主蒸汽的上述三个基本扰动，其中蒸汽流量的扰动由用户决定，根据负荷的多少来决定所用蒸汽的多少，所以蒸汽流量信号是不可以调节的，因此不能做调节信号。而烟气量扰动可以做调节信号，但是烟气与燃烧系统有关，如果用烟气作为控制信号，会影响到燃烧控制系统的设计，所以一般也不采用烟气控制。常常用减温水量扰动做调节信号，可通过控制减温水的多少来控制主蒸汽温度，实践证明是可以的。主汽温控制有两种策略：

策略一：在火电厂中，对主汽温的控制有较高的要求，然而在实际生产过程中，由于主蒸汽流量、压力、烟气温度和流速等的外扰，以及减温水内扰频繁且幅度较大，加上对象模型参数随工况参数的变化而变化，因而难以建立精确的数学模型，因此，主汽温控制是一个存在大时滞、时变性、大干扰，具有不确定性和非线性的复杂热工对象。常规汽温控制系统为串级PID控制。

策略二：传统的控制都需要人工整定PID，且要求对象模型精确，而对于主汽温被控对象的模型往往是很难精确得到的，我们利用神经网络的非线性特性和不依赖于对象精确模型的优点，对主汽温的控制方案加以改进。改进后加入BP神经网络，搭建成基于BP神经网络的PID控制系统，用以完成对锅炉主汽温的控制。

通过实验得知，基于BP神经网络的自整定PID控制能依据被控对象的变化自适应的调整PID的三个参数，依据一定的最优准则以求满足不同负荷下的控制要求。

4　结论与展望

本文针对规PID控制自身的缺陷，在许多场合已经不能再好的满足控制性能要求的情况下，研究了改进型的基于神经网络的PID控制器，提出了基于BP算法的神经网络自整定PID控制器。利用MATLAB对大迟延大惯性的锅炉主汽温系统仿真，从仿真结果看，神经PID不依赖于被控对象的模型，在对象变化的时候仍然能表现出良好的控制性能。明显优于传统的PID控制。

参考文献：

[1]张立明，人工神经网络的模型及其应用，上海：复旦大学出版社，1993：6-10.

[2]易继锴、侯媛彬，智能控制技术，北京工业大学出版社，1999：126-127

推荐访问:神经网络 算法 探索 控制