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 2305 个字符，预计需要花费 6 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、可靠性高而广泛应用。但面对复杂系统时，传统 PID 的局限性逐渐暴露：

参数固化问题 ：PID 的 Kp、Ki、Kd 参数一旦设定便无法自适应环境变化
非线性束手无策 ：当系统存在死区、滞环等非线性特性时控制效果骤降
时变系统失调 ：如机械臂负载变化导致模型参数漂移时需反复手动整定

BP 神经网络恰好能弥补这些缺陷：

动态调参能力 ：通过在线学习实时调整 PID 参数
非线性映射 ：隐藏层神经元可拟合任意复杂函数关系
自适应性 ：自动跟踪系统特性变化，无需人工干预

将 PID 控制器离散化后，其输出可表示为：

u(k) = K_p e(k) + K_i \sum_{i=0}^k e(i) \Delta t + K_d \frac{e(k)-e(k-1)}{\Delta t}

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

u_{NN}(k) = (K_p+\Delta K_p)e(k) + (K_i+\Delta K_i)\sum e + (K_d+\Delta K_d)\Delta e

输入层 ：7 个节点（当前误差 e(k)、前一时刻误差 e(k-1)、误差累计和、系统输出 y(k)、设定值 r(k)、控制量 u(k-1)、系统状态量）
隐藏层 ：采用 12 个节点（经验公式 $\sqrt{输入节点数 + 输出节点数}+5$）
输出层 ：3 个节点（对应 PID 参数的增量调整量）

# 关键参数设置
learning_rate = 0.01  # 经验值：从 0.1 开始逐步缩小
def sigmoid(x):
    return 1/(1+np.exp(-x))

def backward_propagation():
    # 输出层梯度
    delta_out = (y_true - y_pred) * sigmoid(y_pred)*(1-sigmoid(y_pred))
    # 隐藏层梯度
    delta_hidden = np.dot(self.weights_out.T, delta_out) * \
                  sigmoid(hidden_out)*(1-sigmoid(hidden_out))
    # 参数更新
    self.weights_out += learning_rate * np.outer(hidden_out, delta_out)
    self.weights_in += learning_rate * np.outer(inputs, delta_hidden)

import numpy as np

class BPPID:
    def __init__(self):
        # 网络参数初始化
        self.weights_in = np.random.randn(7, 12) * 0.1
        self.weights_out = np.random.randn(12, 3) * 0.1
        self.error_sum = 0  # 误差累计项
        self.last_error = 0

    def forward(self, inputs):
        """输入格式：[e(k), e(k-1), sum_e, y(k), r(k), u(k-1), state]"""
        hidden = sigmoid(np.dot(inputs, self.weights_in))
        outputs = sigmoid(np.dot(hidden, self.weights_out))
        return outputs * 0.5  # 限制调整幅度

    def update(self, error, y_true, y_pred):
        """在线学习更新权重"""
        # ... 反向传播代码见上一节...

    def control(self, setpoint, current):
        error = setpoint - current
        self.error_sum += error
        delta_error = error - self.last_error

        # 构建网络输入
        nn_inputs = np.array([
            error, self.last_error, self.error_sum,
            current, setpoint, self.last_u, 0  # 状态量
        ])

        # 获取 PID 调整量
        delta_Kp, delta_Ki, delta_Kd = self.forward(nn_inputs)

        # 计算控制量
        u = (self.base_Kp + delta_Kp)*error + \
            (self.base_Ki + delta_Ki)*self.error_sum + \
            (self.base_Kd + delta_Kd)*delta_error

        self.last_error = error
        self.last_u = u
        return u