同济智能控制实验报告-基于BP神经网络的自整定PID控制仿真.doc

同济大学电子与信息工程学院实验报告姓名： 学号： 学院： 专业： 实验课程名称： 任课教师： 实验项目名称： 基于BP神经网络的自整定PID控制仿真 实验日期： 一、 实验内容：1. 熟悉神经网络的特征、结构及学习算法。2. 通过实验掌握神经网络自整定PID的工作原理。3. 了解神经网络的结构对控制结果的影响。4. 掌握用MATLAB实现实现神经网络控制系统仿真的方法。二、 实验步骤及结果演示1.实验步骤：（1）被控对象为一时变非线性对象，数学模型可表示为式中系数a(k)是慢时变的，（2）如图5所示确定BP网络的结构，选4-5-3型的BP网络，各层加权系数的初值取区间-0.5,0.5上的随机数，选定学习率=0.25和惯性系数=0.05.（3）在MATLAB下依据整定原理编写仿真程序并调试。（4）给定输入为阶跃信号，运行程序，记录实验数据和控制曲线。（5）修改神经网络参数，如学习速率、隐含层神经元个数等，重复步骤（4）。（6）分析数据和控制曲线。 图5 BP神经网络结构2.结果展示：（1）实验代码：xite=0.25;alfa=0.02;IN=4;H=10;Out=3;wi= 0.4634 -0.4173 0.3190 0.4563; 0.1839 0.3021 0.1112 0.3395; -0.3182 0.0470 0.0850 -0.0722; -0.6266 0.0846 0.3751 -0.6900; -0.3224 0.1440 -0.2873 -0.0193; -0.0232 -0.0992 0.2636 0.2011; -0.4502 -0.2928 0.0062 -0.5640; -0.1975 -0.1332 0.1981 0.0422; 0.0521 0.0673 -0.5546 -0.4830; -0.6016 -0.4097 0.0338 -0.1503;wi_1=wi;wi_2=wi;wi_3=wi;wo= -0.1620 0.3674 0.1959; -0.0337 -0.1563 -0.1454; 0.0898 0.7239 0.7605; 0.3349 0.7683 0.4714; 0.0215 0.5896 0.7143; -0.0914 0.4666 0.0771; 0.4270 0.2436 0.7026; 0.0215 0.4400 0.1121; 0.2566 0.2486 0.4857; 0.0198 0.4970 0.6450 ;wo_1=wo;wo_2=wo;wo_3=wo;x=0,0,0;u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;y_1=0;y_2=0;y_3=0;oh=zeros(H,1);I=oh;error_2=0;error_1=0;ts=0.001;for k=1:1:6000time(k)=k*ts;rin(k)=1;a(k)=1.2*(1-0.8*exp(-0.1*k);yout(k)=a(k)*y_1/(1+y_12)+u_1;error(k)=rin(k)-yout(k);xi=rin(k),yout(k),error(k),1;x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2;epid=x(1);x(2);x(3);I=xi*wi;for j=1:H oh(j)=(exp(I(j)-exp(-I(j)/(exp(I(j)+exp(-I(j);endK=wo*oh;for l=1:Out; K(l)=exp(K(l)/(exp(K(l)+exp(-K(l);endKp(k)=K(1);Ki(k)=K(2);Kd(k)=K(3);Kpid=Kp(k),Ki(k),Kd(k);du(k)=Kpid*epid;u(k)=u_1+du(k);if u(k)=10; u(k)=10;endif u(k)=-10; u(k)=-10;enddyu(k)=sign(yout(k)-y_1)/(u(k)-u_1+0.0000001);for j=1:Out dk(j)=2/(exp(K(j)+exp(-K(j)2;endfor l=1:Out delta3(l)=error(k)*dyu(k)*epid(l)*dk(l);endfor l=1:Out for i=1:H d_wo=xite*delta3(l)*oh(i)+alfa*(wo_1-wo_2); endendwo=wo_1+d_wo;for i=1:H dO(i)=4/(exp(I(i)+exp(-I(i)2;endsegma=delta3*wo;for i=1:H delta2(i)=dO(i)*segma(i);endd_wi=xite*delta2*xi+alfa*(wi_1-wi_2);wi=wi_1+d_wi;u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);y_2=y_1;y_1=yout(k);wo_3=wo_2;wo_2=wo_1;wo_1=wo;wi_3=wi_2;wi_2=wi_1;wi_1=wi;error_2=error_1;error_1=error(k);endfigure(1)plot(time,rin,r,time,yout, b);xlabel(time);ylabel(rin,yout);figure(2)plot(time,error,r);xlabel(time(s);ylabel(error);figure(3)plot(time,u,r);xlabel(time(s);ylabel(u);figure(4)subplot(311);plot(time,Kp,r);xlabel(time(s);ylabel(Kp);subplot(312);plot(time,Ki,g);xlabel(time(s);ylabel(Ki);subplot(313);plot(time,Kd,b);xlabel(time(s);ylabel(Kd);（2）控制曲线初始情况学习率alpha=0.02;惯性系数xite=0.25;隐藏层节点数H=10.增大学习率学习率alpha=0.05;惯性系数xite=0.25;隐藏层节点数H=10.学习率减小学习率alpha=0.01;惯性系数xite=0.25;隐藏层节点数H=10.增大惯性系数学习率alpha=0.02;惯性系数xite=0.5;隐藏层节点数H=10.减小惯性系数学习率alpha=0.02;惯性系数xite=0.1;隐藏层节点数H=10.增大隐含层节点数学习率alpha=0.02;惯性系数xite=0.1;隐藏层节点数H=5.减小隐含层节点数学习率alpha=0.02;惯性系数xite=0.1;隐藏层节点数H=15.三、 遇到的主要困难及解决对策1. 主要困难：运行程序一直报错，显示矩阵维度不同。解决对策：检查了矩阵，发现文档中的程序对矩阵的表示有误，每行末尾少了分号，导致运行出错。2. 主要困难：解决了上述问题，运行程序仍然报错，且错误相同。解决对策：检查程序，发现在矩阵表示中有很多以“”表示转置，很容易漏看，一旦漏看，就会使矩阵维度出错。3. 主要困难：在减小隐含层节点数时，程序报错。解决对策：检查后发现少了前两行“clear all;close all;”，这使得之前实验的数据影响到了这次实验。四、 感想和体会PID控制器结构简单，实现简单且控制效果良好，已被广泛应用。但其具有一定的局限性：被控对象参数随时间变化时，控制器的参数难以自动调整以适应外界环境的变化。因此，引入神经网络控制的方法，使控制器具有较好的自适应性，实现控制器参数的自动调整。基于BP神经网络的控制器由两部分组成：一是常规PID控制器，用以直接对对象进行闭环控制，且对参数进行整定；二是神经网络NN，根据系统的运行状态，学习调整权参数，从而调整PID参数，达到某种性能指标的最优化。