基于BP神经网络的PID控制器：从理论到工程实践

1次阅读

没有评论

共计 1902 个字符，预计需要花费 5 分钟才能阅读完成。

传统 PID 控制器在工业界广泛应用，但在处理非线性、时变系统时会遇到三大痛点：

参数固化 ：一旦整定完成，Kp/Ki/Kd 系数无法随系统变化自动调整
强耦合难解耦 ：多变量系统中各通道 PID 参数相互影响
依赖经验 ：Ziegler-Nichols 等整定方法需要人工反复调试

而 BP 神经网络恰好具备三大优势：

非线性映射能力：可逼近任意复杂函数关系
在线学习特性：实时根据误差调整网络权重
分布式存储：参数变化被分散到各层神经元

将传统 PID 离散化：

\Delta u(k) = K_p[e(k)-e(k-1)] + K_i e(k) + K_d[e(k)-2e(k-1)+e(k-2)]

用神经网络输出层三个节点分别对应 $K_p$、$K_i$、$K_d$，则控制量变为：

u(k) = u(k-1) + NN_{output} \cdot [e(k), e(k-1), e(k-2)]^T

推荐采用 3 -5- 3 结构：

输入层 ：当前及前两次误差值 $[e(k), e(k-1), e(k-2)]$
隐藏层 ：5 个神经元（经验值，复杂系统可增至 7 个）
输出层 ：PID 三参数 $[K_p, K_i, K_d]$

激活函数选择：

隐藏层：双曲正切 tanh（输出对称且梯度稳定）
输出层：Sigmoid（将参数限制在合理范围）

import numpy as np

class BPPID:
    def __init__(self):
        # 网络参数初始化
        self.w1 = np.random.randn(3, 5) * 0.01
        self.w2 = np.random.randn(5, 3) * 0.01
        self.learning_rate = 0.01

    def forward(self, errors):
        """前向传播计算 PID 参数"""
        self.hidden = np.tanh(np.dot(errors, self.w1))
        self.output = 1/(1+np.exp(-np.dot(self.hidden, self.w2)))
        return self.output

    def backward(self, errors, grad_u):
        """反向传播更新权重"""
        # 输出层梯度
        delta2 = grad_u * self.output * (1 - self.output)
        # 隐藏层梯度
        delta1 = (1 - np.square(self.hidden)) * np.dot(delta2, self.w2.T)
        # 权重更新
        self.w2 += self.learning_rate * np.outer(self.hidden, delta2)
        self.w1 += self.learning_rate * np.outer(errors, delta1)

    def control(self, setpoint, measured):
        """完整控制流程"""
        e = setpoint - measured
        self.errors = np.array([e, self.prev_e1, self.prev_e2])

        # 神经网络计算 PID 参数
        kp, ki, kd = self.forward(self.errors)

        # 计算控制量
        du = kp*(e-self.prev_e1) + ki*e + kd*(e-2*self.prev_e1+self.prev_e2)
        u = self.prev_u + du

        # 反向传播训练
        grad_u = -e * du  # 简化梯度计算
        self.backward(self.errors, grad_u)

        # 更新状态
        self.prev_u = u
        self.prev_e2, self.prev_e1 = self.prev_e1, e
        return u