BP神经网络PID控制器的原理与工业应用实战

1次阅读

共计 1690 个字符，预计需要花费 5 分钟才能阅读完成。

在工业控制领域，PID 控制器因其结构简单、鲁棒性强而被广泛应用。然而，当面对 时变系统 （系统参数随时间变化）和 非线性系统（输入输出关系不符合叠加原理）时，传统 PID 的局限性就暴露无遗：

超调问题：在阶跃响应中，输出量会超过目标值，产生振荡。例如在温度控制中，这可能导致设备过热损坏。
调节时间过长：为减少超调而降低增益，又会导致系统响应变慢。
参数固化：PID 的 Kp、Ki、Kd 参数一旦设定就无法自适应环境变化。

（横轴：时间 /s；纵轴：系统输出；红色曲线为传统 PID 的振荡响应，蓝色曲线为 BP-PID 的平滑收敛）

指标	常规 PID	模糊 PID	BP 神经网络 PID
收敛速度	慢	中等	快
稳态误差	较大	较小	最小
抗干扰性	弱	较强	最强
参数自适应	不支持	部分支持	完全支持

BP 神经网络通过以下公式计算输出：

$$
\begin{aligned}
隐藏层输出：h_j &= \sigma(\sum_{i} w_{ij}x_i + b_j) \
PID 参数调整：\Delta K_p &= f(\sum_{j} v_j h_j)
\end{aligned}
$$

其中 $\sigma(z)=\frac{1}{1+e^{-z}}$ 是 sigmoid 激活函数，保证输出在 (0,1) 区间。

通过链式法则更新权重：

$$
\frac{\partial E}{\partial w_{ij}} = \underbrace{\frac{\partial E}{\partial K_p}}{\text{PID 误差}} \cdot \underbrace{\frac{\partial K_p}{\partial h_j}}
$$}} \cdot \underbrace{\frac{\partial h_j}{\partial w_{ij}}}_{\text{激活梯度}

import numpy as np

class BPPID:
    def __init__(self, n_input=3, n_hidden=4):
        # 初始化网络权重（输入层 - 隐藏层）self.W = np.random.randn(n_input, n_hidden) * 0.1
        # 初始化隐藏层 -PID 参数权重
        self.V = np.random.randn(n_hidden, 3) 

    def forward(self, inputs):
        # 前向传播计算 PID 参数
        self.h = 1/(1 + np.exp(-np.dot(inputs, self.W)))  # sigmoid 激活
        self.delta_k = np.dot(self.h, self.V)
        return self.delta_k

    def backward(self, error, lr=0.01):
        # 反向传播更新权重
        grad_v = np.outer(self.h, error)
        grad_h = np.dot(self.V, error) * self.h * (1 - self.h)
        grad_w = np.outer(self.last_input, grad_h)

        self.V -= lr * grad_v
        self.W -= lr * grad_w

在二阶惯性系统 $G(s)=\frac{1}{(s+1)(s+2)}$ 中测试：