基于RBF神经网络的PID控制整定

许笑梅 赵东亚 曹磊

摘  要：基于RBF神经网络的PID控制整定分析，通过MATLAB构建CSTR对象模型，综合生产环境与各种干扰性因素，利用整定PID参数的方式进行控制分析，效果显著。基于此，文章主要对基于RBF神经网络的PID控制整定的相关内容进行了简单的分析论述。

关键词：RBF神经网络;PID控制整定;CSTR

中图分类号：TP273        文献标志码：A         文章编号：2095-2945（2019）13-0032-02

Abstract： The PID control setting analysis based on RBF neural network， the CSTR object model is constructed by MATLAB， the production environment and various interference factors are integrated. The control analysis is carried out by setting PID parameters， and the effect is remarkable. Based on this， this paper mainly analyzes and discusses the related contents of PID control setting based on RBF neural network.

Keywords： RBF neural network; PID control setting; CSTR

1 基于RBF神经网络分析

1.1 神经元基础模型分析

单神经元主要就是模仿生物神经元的具体结构、功能，在数学角度对其进行描述的一种基本单位模式，通过人脑神经元进行抽象简化获得。人工神经元是在神经网络系统中最为基础的构成部分。

1.2 基于神經网络辨识

系统辨识属于现代控制理论中较为重要的内容，因为现代控制系统越来越复杂，被控制对象的数据模型无法精准描述，要通过控制理论为基础，掌握分析被控对象的变化规律特征，通过另一种方式确定近似、便于描述以及控制的数学模型替代这种不可预知的相对较为复杂的一种模型。

神经网络系统中具有较为强大的神经网络非线性函数逼近能力，在满足神经网络条件的时候，可以通过任意精度逼近任意非线性的连续函数以及分段连续特征的函数。

神经网络系统中主要可以分为并联与串-并联两种结构。其中并联模型主要就是通过辨识系统、神经网络系统以及误差反馈得以实现。其中串并联模型主要分为辨别系统、时延网络以及误差反馈、神经网络等共同构成，这两种系统均可以通过误差实现对系统的在线调整处理，但是串并联系统通过辨识系统中输入输出信息作为主要的辨识信息，通过误差矫正，可以提升系统的稳定性，增强系统收敛性，对此，在应用中此种系统应用广泛。

2 基于神经网络非线性自整定PID控制

PID控制是一种较为经典的控制算法，此种方式算法简单、可靠性较高，可以利用系统偏差问题，通过比例、积分以及微分等方式进行控制。

2.1 PID控制基本原理

PID控制器属于线性控制器，其主要是通PID控制系统与被控对象构成。合理的应用PID控制系统可以完成较为复杂的计算以及控制，因为计算机处理属于是一种数字量的形式，对此要将PID控制算法进行数字化处理。

2.2 PID参数工程整定

基于PID控制算法与模糊神经网络预测控制算法仿真分析，首先要进行PID参数进行整定，如果没有合理选择参数就会导致CSTR系统出现温度失控等问题，严重的甚至会出现浇灭或者暴聚等问题。

调节器参数整定方式主要可以分为理论计算以及工程整定两种类型，一般状况之下主要就是应用根轨迹法与数频率特性法。理论计算方式要了解数学模型，但是因为无法获得被控过程较为精准的数学模型系统，因此理论计算方式应用较少。

工程整定方式在应用中无需数学模型，可以直接的进行参数整定分析，此种方式相对较为简单，操作也更为便捷，在工程实际中应用较为广泛。综合CSTR温度系统的参数整定问题，可以通过衰减曲线的方式进行处理，此种方式具有良好的整定质量，在应用中对于工艺的干扰相对较小，整个过程安全可靠。

3 Matlab仿真与双态软件实验

3.1 CSTR的基本方程

3.2 预测控制器的实现

在仿真实验中，基于连续反应开车的步骤以及控制要求进行手动控制，记录其稳态状态之下的实验数据，构建多布预测模型，取m=2，n=2，d=2，T=1s，通过记录历史数据对比分析，在模糊神经网络预测模型方式支持之下对被控制模型对象进行预测建模。通过多次仿真实验分析，通过试验台中CSTR温度控制仿真系统分析，其参数值如下：？着=0.02，CmaX=106，？琢c=0.1，？滋min=0.002，？浊=0.01。通过此种方式构建模糊神经网络预测模型系统，将其在预测控制闭环系统中应用，可以实现对CSTR的预测控制，步骤具体如下：

第一，测量分析获得现阶段温度输出量y（k），通过模糊神经网络预测获得系统预测值，计算模型的当前偏差修正量。第二，通过误差反馈矫正方式，获得闭环系统输出，通过滚动优化算法，将获得的参数带入到二次型性能指标函数中，可以获得控制增量？驻u=-？滋？啄Ju，获得控制量;在实验中采样周期为1s，在采样时刻中要采集下一刻的实时数据信息，在进行测量分析。

3.3 仿真结果

分析模糊神經网络预测控制响应曲线，确定被控制变量的反应釜温度，其中V-08主要表示的控制量冷却水的阀门开度。通过分析可以发现，在模糊神经网络预测控制系统中，45℃在过渡为69℃的区间中耗时不到160秒，在系统运行中并没有出现超调等问题，整体上来说，温度曲线以及冷却水阀门曲线较为平滑，系统稳定性、稳态性能以及动态性能良好。

分析简单控制系统单回路PID控制响应曲线，参数取值主要就是现阶段系统模型之下的整定参数信息，分析可以确定温度在45℃上升到69℃的时候，耗费的时间不到200秒，PID控制虽然上升时间相对较快，但是整体上来说稳态无误差，系统温度响应曲线存在超调，在冷却水阀门变化相对来说并不平滑。

CSTR系统在运行中会受到各种干扰因素的影响，例如，冷却水压力缺乏温度性等都会造成温度控制不足等问题。分析加入扰动之后的网络预测控制以及PID控制系统响应曲线，其中V-07属于另一路的冷却水阀门开度，在通过模糊神经网络系统进行预测分析的时候，因为系统对于扰动具有较快的响应，其超调相对较小。而在通过PID控制的时候，系统的稳态性能良好，但是抑制扰动的整体超调却相对较大。

而出现此种问题主要就是因为反应釜的热容量相对较大，在其运行中主要就是通过夹套传热，在反应釜中的内物料以及夹套中的冷却介质进行热交换过程中也要耗费一定的时间，这样就会导致系统出现惯性与时滞性。在冷却水压力出现不同程度的波动过程中，就会影响冷却水的流量，进而影响夹套的温度。传感器测量温度变化，通过PID控制器则就会产生一定的控制作用，在对其进行调整就会出现滞后性，进而造成超调等问题。

通过预测控制通过模型则可以对系统今后的动态行为进行预测分析，可以制定控制策略，滚动优化策略则会补偿不确定性等问题，进而有效的改善动态性能。

因为在系统中不同物料的成分与质量也存在一定的差异性，这样就会导致其反应过程出现特性区别。

PID调节器参数固定不变，没有进行及时调整则无法满足系统要求，就会导致出现不同程度的振动问题，因为预测控制对模型的要求相对较低，是一种在有限时阈中的滚动优化性策略。在采样时刻中，优化性能指标主要就是涉及到此时刻起的未来的有限时间段中，在下一个采样时刻到来的时候，其优化时域也会出现向前移动的状态，也就是说在整个优化过程中并不是一次的离线完成，是一种反复的在线状态。此种滚动优化方式就会补偿模失配、时变以及扰动等问题，提升整体的确定性，达到控制精度的效果。

在上述研究基础上，将两个CSTR串联，形成串联结构的CSTR，运用分布式的结构，设计非线性PID控制器及神经网络PID控制器，探讨串联CSTR控制器设计问题，以期获得更好的控制性能，提高系统的鲁棒性，降低在线计算负担，节约控制成本。Matlab仿真与双态软件实验验证了所提出基于RBF神经网络整定的PID控制算法的有效性。

4 结束语

本文以CSTR为研究对象。从CSTR的基本能量方程出发，经过一系列公式推导，最终得到机理模型。并代入实验时常用的基本参数，求得CSTR的无量纲模型。对CSTR系统分别设计了非线性PID控制和基于RBF神经网络整定的PID控制算法，通过MATLAB软件模拟仿真，得到控制结果，并对结果进行对比分析，最后将优化后的神经网络PID控制器通过实验平台进行验证，实验验证了本文所设计的神经网络PID控制方法对CSTR温度控制具有良好的控制效果。

参考文献：

[1]胡宗镇，赵延立.基于改进型BP神经网络自整定的PID控制[J].电脑与信息技术，2019（01）：11-13.

[2]刘凯，廖然.基于RBF神经网络的PID车辆主动悬架控制[J].制造业自动化，2018，40（09）：87-89.

[3]沈乾坤.基于PLC的智能PID方法研究与实现[D].西安理工大学，2017.

[4]高富强，李萍，张磊敏，等.基于BP神经网络整定的PID控制及其仿真[J].山东陶瓷，2017，40（03）：27-31.

[5]谢宁.神经网络算法在自整定PID控制中的运用[J].电子技术与软件工程，2017（01）：30+48.