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η0.25和惯性系数α=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 03021 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=1:1:6000
time(k)=k*ts;
rin(k)=1;
a(k)=1.2*(1-0.8*exp(-01*k));
yout(k)=a(k)*y_1/(1+y_1^2)+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)));
end
K=wo*oh;
for l=1:Out;
K(l)=exp(K(l))/(exp(K(l))+exp(-K(l)));
end
Kp(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;
end
if u(k)<=-10;
u(k)=-10;
end
dyu(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;
end
for l=1:Out
delta3(l)=error(k)*dyu(k)*epid(l)*dk(l);
end
for l=1:Out
for i=1:H
d_wo=xite*delta3(l)*oh(i)+alfa*(wo_1-wo_2);
end
end
wo=wo_1+d_wo;
for i=1:H
dO(i)=4/(exp(I(i))+exp(-I(i)))^2;
end
segma=delta3*wo;
for i=1:H
delta2(i)=dO(i)*segma(i);
end
d_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);
end
figure(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('times)');
ylabel('Ki');
subplot(313);
plot(time,Kd,'b');
xlabel('time(s)');
ylabel('Kd');

（2）控制曲线
①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.

②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.

③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.

④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.

⑤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.

⑥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.

⑦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。