基于RBF神經網絡的PID控制系統 優化控制研究

2019-09-28 04:09:07 中國水運 2019年9期

波斯波利斯vs吉达阿赫利 www.torhrd.com.cn

張強 安小剛

摘 要:液壓啟閉機運行工況復雜、本身具有非線性特性,普通PID參數無法較好地實現系統在整個運行過程中的精確控制,為了解決這一問題,本文采用RBF算法對P、I、D參數進行優化,從而實現對PID控制系統的優化控制。經仿真試驗,本文提出的控制系統參數優化方法能夠優化對液壓啟閉機的控制。

關鍵詞:RBF;PID;參數優化

中圖分類號:TP273? ? ? ? ? ? 文獻標識碼:A? ? ? ? ? ? 文章編號:1006—7973(2019)09-0048-02

1 引言

泄洪系統的控制技術雖然有了較好發展,但在復雜的工作環境條件下,控制系統的控制性能還需要進一步提升,主要表現在控制的靈敏度,故障處理不及時則會對泄洪系統產生嚴重的影響。因此泄洪系統的對控制系統的穩定性、可靠性要求比較高。經實踐研究,PID控制能夠較精確和快速的實現對閘門液壓啟閉機的控制,使閘門控制系統穩定運行。但是由于液壓啟閉機具有非線性特性,在不同的階段模型是變化的,所以PID參數無法較好的實現系統在整個運行過程中的精確控制,輸出響應存在一些波動,且在某些運行區域很難達到良好的控制效果。為解決該問題,本文采用RBF神經網絡進行PID參數優化來實現對液壓啟閉機的優化控制。

2 RBF神經網絡特點

隨著科學技術的發展,人工智能算法也逐漸在復雜控制對象中不斷應用,并成為主要研究熱點。人工智能算法可以有效克服復雜控制對象中多個參數的動態變化問題,可以及時根據環境的變化、控制輸入目標的變化等調整控制參數。而徑向基函數神經網絡(RBF)算法就是人工智能算法之一,RBF主要學習網絡是:①輸入層連接各學習網絡和輸入數據;②隱含層是對輸入的數據進行變換分析;③輸出層進行響應輸出。

神經網絡的激活函數是學習網絡運行的核心。得益于激活函數Gauss函數和網絡優化性能指標函數,RBF神經網絡具有局部逼近性,主要實現方法是:首先將研究目標分解為若干個局部目標;其次,在隱含層對每一個分解目標進行優化;最終,在輸出層對各個分解目標進行全局化逼近建造研究目標。RBF神經網絡比其他的神經網絡具有更多的優勢:

(1)當優化的數據與研究目標逼近時,RBF網絡能夠把數據之間的誤差控制在較為理想的局部范圍,讓局部得到更大可能的優化;

(2)有較強的能力去學習數據之間的非線性關系,能夠克服大批量不規則數據之間的關聯規則;

(3)能夠避免呈現局部范圍出現最優解的情況;

(4)RBF神經網絡具備自調節學習能力,能及時根據環境變化,對控制參數進行優化控制,能夠對較為隨機而不規則性的數據和噪聲實現濾波。

3 基于RBF神經網絡的PID的參數優化

RBF神經網絡是PID參數優化的核心。為了優化泄洪系統的控制,通過RBF網絡學習輸入的數據,不斷進行學習優化,輸出適應于PID控制器的參數。優化方法如下:

首先,輸入特征向量為:

然后,引入網絡優化性能指標函數:

迭代運算:

式中:α為動量因子;η是學習速率。

利用雅可比矩陣(Jacobian)的輸出對輸入的最優線性逼近優點,推導計算研究目標的輸出信息對變化的控制輸入信息之間的靈敏度變化情況:

式中 。

結合RBF分析的數據,PID控制系統能夠實時的調整學習到的控制參量,自動實現對PID參量的調整和矯正,從而達到較高的控制水平,并且能夠滿足控制要求。通過采用數字PID控制算法(增量式)進行控制誤差e計算,計算如下:

(3-8)

P、I、D參量的輸入為:

(3-9)

(3-10)

(3-11)

RBF的PID整定指標為。

利用梯度下降法,輸出kp,ki,kd的變化量:

其中是被控制目標的雅可比矩陣信息,可以依據RBF算法識別計算。

最終分析,按以下算法實現RBF-PID控制系統的實時在線控制:

(1)設置控制參數處于初始狀態,確定RBF算法得到相關參數;

(2)通過采樣,計算出輸入信號rin(k)以及輸出數值v(k),根據(3-8)公式算出e(k),最終的得到神經網絡的輸入xc(1),xc(2),xc(3);

(3)實時學習RBF神經網絡,優化網絡參量。計算RBF識別器的輸出vm (k),利用(3-7)公式計算出Jacobian矩陣的識別數據;

(4)利用(3-12)、(3-13)、(3-14)的相關公式得到控制器的各項權重,計算出參量kp,ki,kd;

(5)利用參量kp,ki,kd計算得到iq (k);

(6)令k=k+1,進入(2),緊接著進入T+1周期的控制。

本文選擇傳遞函數為,結合以上理論推導和神經網絡學習方法,MATLAB仿真得出系統優化控制結果如圖1所示,紅色直線是輸入信號,藍色曲線為階躍響應的PID參量得到的結果,綠色曲線為RBF-PID參量得到的結果。通過對比PID控制和RBF-PID控制的實驗仿真曲線,分析得出:對于確定的系統,假若PID參量調整的比較準確,PID控制結果情況與RBF-PID控制結果相比較好;但是,對于不斷發生環境變化的系統,RBF-PID則具有更加突出的效果。因此,要想實現對液壓啟閉機的閉環控制,首先,需要得到控制系統的預估模型;其次,明確確切的PID參量域;最后運用RBF的迭代方法,學習適配PID參量。

4 結語

本文主要介紹了RBF的應用特點和RBF-PID優化控制算法的推導和驗證。針對經典PID控制在液壓啟閉機中應用的不足,采用RBF神經網絡技術,對PID控制系統參數進行優化。經仿真驗證,面對復雜的工作應用環境,RBF神經網絡PID控制不僅具有學習調整能力強的特點,還能夠得到更好的控制效果,促進了控制系統控制技術的發展,為泄洪系統穩定可靠運行提供技術保障。

參考文獻:

[1]姜麗芳.基于PLC的水電站閘門監控系統的研究[D].東北農業大學,2008.

[2]張志學.水利樞紐閘門綜合集成自動化研究與實踐[D].華中科技大學,2004.

[3]曹文霞. RBF神經網絡整定PID控制直線永磁同步電機的研究[D]. 合肥工業大學, 2009.

?