论文部分内容阅读
[摘要] 本文论述了在恶劣环境下电子秤配料系统可采用的一种控制算法,BP神经网络PID控制器,设计出了控制器构成的神经元、激活函数与神经元权系数的算法。该控制器通过神经网络所具有的自组织、自学习、自适应的能力,将人工计算与传统PID控制相结合,互相补充,共同提高了控制质量,经Matlab仿真,效果良好。
[关键词] 配料控制 神经网络 误差反传
一、概述
电子秤的配料系统通常使用积分分离法等的PID控制算法,因其鲁棒性好、结构简单、易于实现。但该PID控制也有其自身的缺点,因为该PID控制器的参数是根据被控对象数学模型确定的,当被控对象的数学模型是变化的、非线性的时候,PID参数不易根据其实际的情况做出调整,影响了控制质量,使控制系统的控制品质下降。特别是在具有纯滞后特性的工业过程中,该PID控制更难满足控制精度的要求。由于神经网络具有自组织、自学习、自适应的能力,因此,我们设计出基于BP神经网络的PID控制器,使人工与传统PID控制相结合,互相补充,共同提高控制质量,并把该方法在配料控制系统中用Matlab语言进行了仿真。
二、BP神经网络的模型构成及算法
BP神经网络的模型构成。
B P神经网络的学习过程主要由两个阶段构成:
第一阶段(正向传播过程),输入信号通过输入层,经过隐含层逐层处理在输出层计算出每个神经元的实际输出值。
第二阶段(误差反向传播过程),如果在输出层未得到期望的输出值,则逐层递推地计算实际输出与期望输出的差值,并且根据这个误差调节权系数。
三、神经网络PID控制器的构成及算法
在传统的PID控制中,经典增量式PID的控制形式:
[关键词] 配料控制 神经网络 误差反传
一、概述
电子秤的配料系统通常使用积分分离法等的PID控制算法,因其鲁棒性好、结构简单、易于实现。但该PID控制也有其自身的缺点,因为该PID控制器的参数是根据被控对象数学模型确定的,当被控对象的数学模型是变化的、非线性的时候,PID参数不易根据其实际的情况做出调整,影响了控制质量,使控制系统的控制品质下降。特别是在具有纯滞后特性的工业过程中,该PID控制更难满足控制精度的要求。由于神经网络具有自组织、自学习、自适应的能力,因此,我们设计出基于BP神经网络的PID控制器,使人工与传统PID控制相结合,互相补充,共同提高控制质量,并把该方法在配料控制系统中用Matlab语言进行了仿真。
二、BP神经网络的模型构成及算法
BP神经网络的模型构成。
B P神经网络的学习过程主要由两个阶段构成:
第一阶段(正向传播过程),输入信号通过输入层,经过隐含层逐层处理在输出层计算出每个神经元的实际输出值。
第二阶段(误差反向传播过程),如果在输出层未得到期望的输出值,则逐层递推地计算实际输出与期望输出的差值,并且根据这个误差调节权系数。
三、神经网络PID控制器的构成及算法
在传统的PID控制中,经典增量式PID的控制形式: