一区二区三区三上|欧美在线视频五区|国产午夜无码在线观看视频|亚洲国产裸体网站|无码成年人影视|亚洲AV亚洲AV|成人开心激情五月|欧美性爱内射视频|超碰人人干人人上|一区二区无码三区亚洲人区久久精品

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

基于單神經(jīng)元的PID控制實(shí)現(xiàn)

電子設(shè)計(jì) ? 作者:工程師飛燕 ? 2018-08-31 08:31 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

介紹了一種單神經(jīng)元自適應(yīng)控制的方法,并提出了在線調(diào)整的方法。該方法結(jié)構(gòu)簡(jiǎn)單,便于在分散控制系統(tǒng)中實(shí)現(xiàn)。

0 引言

在工業(yè)過(guò)程控制中,PID控制是歷史最悠久、生命力最強(qiáng)的控制方式。這主要是因?yàn)檫@種控制方式具有直觀、實(shí)現(xiàn)簡(jiǎn)單和魯棒性能好等一系列優(yōu)點(diǎn)。在火電廠分散控制系統(tǒng)中,單輸入單輸出(SISO)、采用PID控制規(guī)律、簡(jiǎn)單的控制回路一般占80%以上。但是,許多熱工對(duì)象都具有大時(shí)延、大慣性的特性,使得過(guò)渡過(guò)程時(shí)間變長(zhǎng),調(diào)節(jié)品質(zhì)變差;另外,對(duì)于高階或多變量強(qiáng)耦合過(guò)程,PID的整定與控制都存在困難。由于整定條件常常受到限制,以及對(duì)象的動(dòng)態(tài)特性隨著工況、環(huán)境等變化而發(fā)生變化,PID參數(shù)往往難以達(dá)到最優(yōu)狀態(tài)。

為此,本文提出一種單神經(jīng)元自適應(yīng)控制的方法。通過(guò)大量的仿真實(shí)驗(yàn)表明,該方法簡(jiǎn)單易行,具有比普通PID算法好得多的控制效果。

1基于單神經(jīng)元的自適應(yīng)控制

神經(jīng)元的輸入信號(hào)由4部分組成:前饋控制信號(hào)x1(t)、反饋比例控制信號(hào)x2(t)、反饋微分控制 信號(hào)x3(t)、反饋積分控制信號(hào)x4(t)。它是一種多層次多模式的控制結(jié)構(gòu),集前饋和反饋于一體,互為關(guān)聯(lián),互為補(bǔ)償。前饋控制信號(hào)x1(t)通過(guò)ω′1(t) 直接作用于受控對(duì)象,加快了系統(tǒng)的響應(yīng)速度;x2(t)能迅速減小跟蹤誤差;x3(t) 可以改善系統(tǒng)的響應(yīng)速度,減小超調(diào)量;x4(t) 使系統(tǒng)趨近于穩(wěn)態(tài)無(wú)差,提高了控制的準(zhǔn)確性。權(quán)值ω′i(t)(i=1,2,3,4)反映了受控對(duì)象和過(guò)程的動(dòng)態(tài)特性,神經(jīng)元通過(guò)自身的學(xué)習(xí)策略不停地調(diào)整ω′i(t)(i=1,2,3,4),在4種控制的關(guān)聯(lián)作用下迅速消除偏差,進(jìn)入穩(wěn)態(tài)。

權(quán)值調(diào)整方法采用有監(jiān)督Hebb學(xué)習(xí)算法[2],同時(shí)為了保證學(xué)習(xí)算法的收斂性和控制的魯棒性,可采用規(guī)范化的學(xué)習(xí)算法??刂扑惴ㄈ缦率剑?/p>

基于單神經(jīng)元的PID控制實(shí)現(xiàn)

2仿真實(shí)驗(yàn)研究

進(jìn)行單神經(jīng)元自適應(yīng)控制仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果見(jiàn)圖2。PID的參數(shù)Ti、δ和Td是通過(guò)尋優(yōu)得到的最優(yōu)參數(shù)。在t=0.56 s時(shí)加了一個(gè)內(nèi)擾。可見(jiàn)單神經(jīng)元自適應(yīng)控制比普通PID控制響應(yīng)速度快,控制效果好。

大量的仿真實(shí)驗(yàn)表明,單純調(diào)節(jié)學(xué)習(xí)速率η對(duì)控制效果的影響不明顯。K是神經(jīng)元的比例系數(shù),它對(duì)開(kāi)環(huán)放大倍數(shù)較大的受控對(duì)象,可以起到衰減神經(jīng)元控制效果、消除學(xué)習(xí)過(guò)程的沖擊的作用;而對(duì)開(kāi)環(huán)放大倍數(shù)較小的受控對(duì)象,則可以起到增強(qiáng)神經(jīng)元控制效果、保證神經(jīng)元在全局范圍內(nèi)搜索到E{[r(t)-y(t)]2} 的最小值的作用。仿真實(shí)驗(yàn)表明,K取的較大時(shí),系統(tǒng)動(dòng)態(tài)啟動(dòng)快,但超調(diào)量大,調(diào)整時(shí)間長(zhǎng);K取的較小時(shí),系統(tǒng)響應(yīng)變慢,超調(diào)量下降,但如果K取的太小,則響應(yīng)跟蹤不上給定信號(hào)。

對(duì)K的分析表明,應(yīng)當(dāng)在響應(yīng)初期取較大的值,以提高響應(yīng)速度;而在進(jìn)入穩(wěn)態(tài)以后,K應(yīng)逐步減少到某一穩(wěn)定值,以保證系統(tǒng)不出現(xiàn)過(guò)大的超調(diào)量。為了滿足上述要求,可以采用非線性變換法對(duì)K進(jìn)行在線修改,調(diào)整公式如下:

基于單神經(jīng)元的PID控制實(shí)現(xiàn)

式中,K0為K的穩(wěn)態(tài)值;α為待定參數(shù),其值視控制效果進(jìn)行調(diào)整。取偏差的3次方是使偏差較大時(shí)K較大,增加響應(yīng)速度,而偏差較小時(shí),后一項(xiàng)幾乎不起作用,以減小超調(diào)量。

也可以采用如下簡(jiǎn)單的分段線性化方法來(lái)調(diào)整K:

基于單神經(jīng)元的PID控制實(shí)現(xiàn)

對(duì)無(wú)自平衡對(duì)象G(s)=(0.325s+1)-1×(0.5s+1)-1 進(jìn)行單神經(jīng)元自適應(yīng)控制仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果見(jiàn)圖3。在t=5.6 s時(shí)加一個(gè)內(nèi)擾??梢?jiàn)控制的響應(yīng)速度進(jìn)一步加快。

3結(jié)論

以上提出的神經(jīng)元自適應(yīng)預(yù)測(cè)PID控制器,能夠提高控制系統(tǒng)的自適應(yīng)能力和魯棒性,該控制器結(jié)構(gòu)簡(jiǎn)單,易于實(shí)現(xiàn),特別是便于在分散控制系統(tǒng)中實(shí)現(xiàn)。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • PID控制
    +關(guān)注

    關(guān)注

    10

    文章

    461

    瀏覽量

    41246
  • 神經(jīng)元
    +關(guān)注

    關(guān)注

    1

    文章

    368

    瀏覽量

    18836
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    無(wú)刷直流電機(jī)神經(jīng)元自適應(yīng)智能控制系統(tǒng)

    摘要:針對(duì)無(wú)刷直流電機(jī)(BLDCM)設(shè)計(jì)了一種可在線學(xué)習(xí)的神經(jīng)元自適應(yīng)比例-積分-微分(PID)智能控制器,通過(guò)有監(jiān)督的 Hebb學(xué)習(xí)規(guī)則調(diào)整權(quán)值,每次采樣根據(jù)反饋誤差對(duì)
    發(fā)表于 06-26 13:36

    無(wú)刷直流電機(jī)神經(jīng)元PI控制器的設(shè)計(jì)

    摘要:研究了一種基于專家系統(tǒng)的神經(jīng)元PI控制器,并將其應(yīng)用于無(wú)刷直流電機(jī)調(diào)速系統(tǒng)中。控制實(shí)現(xiàn)了PI參數(shù)的在線調(diào)整,在具有
    發(fā)表于 06-26 13:34

    PID串級(jí)控制在同步發(fā)電機(jī)勵(lì)磁控制中的應(yīng)用

    摘 要:為提高發(fā)電機(jī)勛磁控制系統(tǒng)的穩(wěn)定性,分析了同步發(fā)電機(jī)的自并勵(lì)勵(lì)磁系統(tǒng)的結(jié)構(gòu)和數(shù)學(xué)模型,介紹了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制的結(jié)構(gòu)和算法,分別基于PID控制
    發(fā)表于 06-16 21:56

    用硬件電路去實(shí)現(xiàn)PID控制

    和得到控制量,本文希望通過(guò)模擬電子電路方式實(shí)現(xiàn)PID。基本的電路圖如下所示輸入端電流通過(guò)電容對(duì)反饋的電壓與參考電壓的差值進(jìn)行微分處理,并且借助電感對(duì)差值實(shí)現(xiàn)積分,而
    的頭像 發(fā)表于 03-03 19:33 ?1091次閱讀
    用硬件電路去<b class='flag-5'>實(shí)現(xiàn)</b><b class='flag-5'>PID</b>的<b class='flag-5'>控制</b>

    PID控制算法的C語(yǔ)言實(shí)現(xiàn)PID算法原理

    在工業(yè)應(yīng)用中 PID 及其衍生算法是應(yīng)用最廣泛的算法之一,是當(dāng)之無(wú)愧的萬(wàn)能算法,如果能夠熟練掌握 PID 算法的設(shè)計(jì)與實(shí)現(xiàn)過(guò)程,對(duì)于一般的研發(fā)人員來(lái)講,應(yīng)該是足夠應(yīng)對(duì)一般研發(fā)問(wèn)題了,而難能可貴
    發(fā)表于 02-26 15:24

    BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的比較

    多層。 每一層都由若干個(gè)神經(jīng)元構(gòu)成,神經(jīng)元之間通過(guò)權(quán)重連接。信號(hào)在神經(jīng)網(wǎng)絡(luò)中是前向傳播的,而誤差是反向傳播的。 卷積神經(jīng)網(wǎng)絡(luò)(CNN) : CNN主要由卷積層、池化層和全連接層組成。
    的頭像 發(fā)表于 02-12 15:53 ?661次閱讀

    BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)步驟詳解

    網(wǎng)絡(luò)的層數(shù)、每層神經(jīng)元的數(shù)量以及激活函數(shù)。 初始化權(quán)重和偏置 : 隨機(jī)初始化輸入層與隱藏層、隱藏層與隱藏層、隱藏層與輸出層之間的連接權(quán)重,以及各層的偏置項(xiàng)。這些權(quán)重和偏置在訓(xùn)練過(guò)程中會(huì)逐漸調(diào)整。 設(shè)置學(xué)習(xí)率 : 學(xué)習(xí)率決定了
    的頭像 發(fā)表于 02-12 15:50 ?644次閱讀

    深度學(xué)習(xí)入門:簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的構(gòu)建與實(shí)現(xiàn)

    深度學(xué)習(xí)中,神經(jīng)網(wǎng)絡(luò)是核心模型。今天我們用 Python 和 NumPy 構(gòu)建一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)。 神經(jīng)網(wǎng)絡(luò)由多個(gè)神經(jīng)元組成,神經(jīng)元之間通過(guò)
    的頭像 發(fā)表于 01-23 13:52 ?528次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較

    神經(jīng)網(wǎng)絡(luò),也稱為全連接神經(jīng)網(wǎng)絡(luò)(Fully Connected Neural Networks,F(xiàn)CNs),其特點(diǎn)是每一層的每個(gè)神經(jīng)元都與下一層的所有神經(jīng)元相連。這種結(jié)構(gòu)簡(jiǎn)單直觀,但在
    的頭像 發(fā)表于 11-15 14:53 ?1865次閱讀

    如何使用Python實(shí)現(xiàn)PID控制

    PID控制(比例-積分-微分控制)是一種常見(jiàn)的反饋控制算法,廣泛應(yīng)用于工業(yè)控制系統(tǒng)中。在Python中實(shí)
    的頭像 發(fā)表于 11-14 09:09 ?1581次閱讀

    如何調(diào)節(jié)PID參數(shù) PID控制器的調(diào)試方法

    控制器通過(guò)計(jì)算誤差信號(hào)(期望值與實(shí)際值之差)的比例、積分和微分來(lái)調(diào)整控制量,以減少誤差并實(shí)現(xiàn)系統(tǒng)的穩(wěn)定。比例項(xiàng)(P)對(duì)當(dāng)前誤差進(jìn)行響應(yīng),積分項(xiàng)(I)對(duì)過(guò)去累積的誤差進(jìn)行響應(yīng),而微分項(xiàng)(D)則預(yù)測(cè)未來(lái)誤差的變化。 調(diào)節(jié)
    的頭像 發(fā)表于 11-13 14:31 ?9233次閱讀

    什么是PID控制與傳統(tǒng)控制的區(qū)別

    在自動(dòng)化控制系統(tǒng)中,PID控制(比例-積分-微分控制)是一種廣泛應(yīng)用的控制算法。它以其簡(jiǎn)單、魯棒和易于實(shí)
    的頭像 發(fā)表于 11-06 10:34 ?1619次閱讀

    關(guān)于卷積神經(jīng)網(wǎng)絡(luò),這些概念你厘清了么~

    可以不局限于已知的訓(xùn)練圖像開(kāi)展識(shí)別。該神經(jīng)網(wǎng)絡(luò)需要映射到MCU中。 5、AI的模式識(shí)別內(nèi)部到底是什么? AI的神經(jīng)元網(wǎng)絡(luò)類似于人腦的生物神經(jīng)元網(wǎng)絡(luò)。一個(gè)神經(jīng)元有多個(gè)輸入,但只有一個(gè)輸出
    發(fā)表于 10-24 13:56

    光遺傳學(xué) – 用光控制細(xì)胞和動(dòng)物

    利用光遺傳學(xué)技術(shù),研究人員只需使用光(通常來(lái)自激光器)就能激活、失活和操控神經(jīng)細(xì)胞。 三百多年前,路易吉·伽伐尼發(fā)現(xiàn)青蛙的腿在通電后會(huì)產(chǎn)生抽搐。 這是因?yàn)?b class='flag-5'>神經(jīng)細(xì)胞(神經(jīng)元)是通過(guò)產(chǎn)生電脈沖來(lái)工作
    的頭像 發(fā)表于 08-23 06:24 ?494次閱讀
    光遺傳學(xué) – 用光<b class='flag-5'>控制</b>細(xì)胞和動(dòng)物

    Python自動(dòng)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)

    人工神經(jīng)網(wǎng)絡(luò)(ANN)是機(jī)器學(xué)習(xí)中一種重要的模型,它模仿了人腦神經(jīng)元的工作方式,通過(guò)多層節(jié)點(diǎn)(神經(jīng)元)之間的連接和權(quán)重調(diào)整來(lái)學(xué)習(xí)和解決問(wèn)題。Python由于其強(qiáng)大的庫(kù)支持(如TensorFlow、PyTorch等),成為了
    的頭像 發(fā)表于 07-19 11:54 ?698次閱讀