基于PID和小脑模型神经网络的自适应控制器设计

基于PID和小脑模型神经网络的自适应控制器设计南阳理工学院本科毕业设计（论文）基于PID和小脑模型神经网络的自适应控制器设计DesignofAdaptiveControllerBasedonPIDandCMACNeuralNetwork学院（系）：电子系专业：自动化学生姓名：张景杰学号：96106060指导教师（职称）：崔世林（副教授）评阅教师：完成日期：南阳理工学院NanyangInstituteofTechnology基于PID和小脑模型神经网络的自适应控制器设计I基于PID和小脑模型神经网络的自适应控制器设计自动化贺南南[摘要]将PID控制与CMAC结合起来,介绍了一种能够反映人类小脑认知的非线性和连续性的小脑模型控制器(CMAC)。该控制器采用有导师的学习算法，把计算出的CMAC输出与总控制输入相比较，修正权重，进行训练学习，使总控制输入与CMAC的输出之差最小，从而使系统的总控制输出由CMAC产生。对整个系统进行仿真，由仿真结果可以看出，CMAC神经网络的加入使得控制效果比单独的PID控制效果好很多，减小了超调，加快了控制响应速度。实现小脑模型(CMAC)与PID复合的控制策略，最终设计出完整的控制系统。[关键词]PID控制；小脑模型(CMAC)；复合控制；MATLAB仿真DesignofAdaptiveControllerBasedonPIDandCMACNeuralNetworkAutomationMajorHENan-nanAbstract：PIDcontrolandCMACwillbecombinedtointroduceacerebellarmodelcontrollerwhichcanreflectahumancerebellarcognitivecontinuityandnonlinear.Thecontrollerusethelearningalgorithm,andthencomparescalculatedCMACoutputwiththetotalinput,correcttheweightandgoontrainingandlearning,sothatthedifferencebetweenthetotalcontrolinputandCMACoutputisthesmallest.thenthetotalcontroloutputofsystemisgeneratedfromCMAC.ThesimulationresultsshowthatthesystemincorporatedwithCMACneuralnetworkperformsbetterthanconventionalPIDcontrolwithshortenovershootandhighspeedofresponse.ThispaperdesignsacompletecontrolsystemtoachieveCMA-PIDcompositecontrol.Keywords:PIDcontrol；CMAC；compositecontrol；MATLABsimulation基于PID和小脑模型神经网络的自适应控制器设计II目录1引言................................................................................................................................11.1研究背景与动机..............................................................................................11.2研究目的和意义..............................................................................................22PID控制与CMAC控制的原理....................................................................................22.1PID控制...........................................................................................................22.1.1PID控制的原理.................................................................................22.1.2数字PID控制...................................................................................42.2CMAC的原理..................................................................................................52.2.1CMAC概述........................................................................................52.2.2CMAC的空间划分和量化机制........................................................62.2.3CMAC神经网络的基本结构............................................................72.2.4CMAC神经网络的基本原理............................................................82.2.5CMAC学习过程的泛化能力研究....................................................93传统的PID与CMAC复合控制器的设计................................................................103.1神经网络控制系统的设计............................................................................103.1.1CMAC神经网络的设计步骤..........................................................103.1.2CMAC中神经元数目的确定..........................................................113.2CMAC与PID并行控制................................................................................124系统仿真......................................................................................................................144.1仿真实例........................................................................................................144.2仿真结论........................................................................................................144.3仿真结果图.....................................................................................................15结束语..............................................................................................................................17参考文献..........................................................................................................................17附录..................................................................................................................................18致谢..................................................................................................................................21基于PID和小脑模型神经网络的自适应控制器设计11引言1.1研究背景与动机传统的PID控制器由于结构简单、易于调整，以及特别适合用于可建立精确数学模型的确定性控制系统等优点，至今工业过程控制80﹪回路还都采用的是PID控制策略。在PID控制中一个至关重要的问题是参数（比例、积分、微分）的整定，典型的PID参数整定方法是在获取对对象数学模型的基础上，根据一定整定原则来确定PID参数。另一方面，在实际的应用中，许多被控过程机理复杂，具有高度非线性、时变不确定性和纯滞后等特点。在噪声、负载扰动等因素的影响下，过程参数甚至模型结构均会随时间和工作环境的变化而变化。这时采用传统的PID控制就不能取得令人满意的控制效果。建立被控对象的数学模型是十分复杂的事情，在建立过程中常常需要将系统降价或将系统以线性化近似，或忽略系统中某些认为不重要的参数，以简化分析难度。因此，到最后所得到的数学模型，即使可快速且准确地算出控制量，但与实际的物理系统可能出现相当大的差距，容易与实际脱节，导致产生性能不佳的控制。PID参数整定的优劣不但会影响到控制质量，而且还会影响到控制系统的稳定性和鲁棒性。在一篇关于加拿大造纸厂的统计报告中表明，一座典型的造纸厂一般有2000多个控制回路，其中97﹪以上的回路采用PID控制，但仅有20﹪的控制回路工作比较满意，控制回路性能普遍偏差的原因中，参数整定不适合占30﹪，阀门问题占30﹪，传感器问题、采样频率选取问题、滤波问题等占20﹪。可见PID参数整定是非常重要的。小脑模型关节控制器(CMAC)是由Albus最初于1975年基于神经生理学提出的,它是一种基于局部逼近的简单快速的神经网络,类似于Perception的相联记忆方法，能够学习任意多维非线性映射。迄今已广泛用于许多领域。特别是Miller等的突破性应用研究，已使CMAC受到越来越多的关注。CMAC具有许多优点，它具有局部逼近能力，每次修正的权值极少，学习速度快，适合于在线学习；具有一定的泛化能力，相近输入给出相近输出，不现输入给出不同输出；具有连续（模拟）输入能力；具有寻址编程方式，在利用串行计算机仿真时，它使回响速度加快。因此将CMAC与传统的PID控制相结合，构成智能型的神经网络PID控制器，能够自动辨识被控过程参数、自动整定控制参数、能够适应被控过程