PID神经网络的非线性系统辨识与控制问题分析

孙振保 许书娟 广西城市职业学院

PID神经网络作为一种多层向前网络，它不仅具备逼近能力、非线性变换、并行计算等多种性能，还具备积分、微分、比例等动态特点，若把PID神经网络应用到非线性系统中，可通过对PID神经网络结构算法的不断优化，制定出一个可行性的PID神经网络控制方案，通过辨识和控制，达到比较理想的控制效果，改变工业等控制领域中传统控制方法不足之处。

1 PID神经网络系统辨识分析

2×3×1是PID神经网络的基本结构，如下所示:

图1 PID神经网络基本结构

由上图可知，PID神经网络基本结构中包含了若干个组成部分。包括输入层神经元、积分、微分、比例、微分函数等等。在PID神经网络基本结构中其上限限幅值和下线限幅值分别是+1和-1，主要采取反转算法学习方式。而从PID神经网络系统辨识角度来看，其是选择一个神经网络来逼近实际系统的过程。定义如下:

则说明，这个神经元组成的向前神经网络可以任意逼近任何连续函数。当向非线性系统中输入函数u(k)=0.6sin(2πk/50)+0.4sin(2πk/75）时，PID神经网络在学习20步、50步之后，被辨别对象将会输出相应的响应曲线。如下所示:

图2 PID神经网络学习20步后的被辨识对象响应曲线

图3 PID神经网络学习50步后的被辨识对象响应曲线

由上述图例可知，经过PID神经网络短时间的学习，可更好的优化辨识过程，有效反馈被辨识系统性能。PID神经网络与BP网辨识效果相比，当BP网学习2000次以上时，才能达到PID神经网络辨识效果。因而，在工业等控制领域的非线性系统优化时，应强调对PID神经网络的运用，增强系统的整体辨识效果。

2 基于PID神经网络的非线性系统控制问题

基于PID神经网络的非线性系统控制需要经过以下几个步骤:

第一，推导控制规律。本文选用了2-1NNC结构的PID神经网络，在PID神经网络结构确定以后，向系统中输入了:。而在控制规律具体推导时，根据NNI辨识结果和利用BP学习算法调整了NNC网络的权值，达到了PID自适应控制目的。

第二，NNC输入的选取。当NNC结构是前向神经网络时，它输入是，那么它的输出便是u（k）。当NNC网络输入节点是3，输出节点是1时，在仿真过程中就会发现NNC输入的选取必须考虑非线性系统这个问题，简化处理NNC网络。

第三，PID控制规律。在NNC结构是两层前向神经网络的基础上，若向系统中输入。此时，输出是u（k），则根据PID规律可知，3-1是PID网络的基本结构。

总之，结合PID控制策略改进非线性系统自适应控制，可进一步提高控制行为有效性、正确性。但是，在利用PID神经网络优化非线性系统控制时，应全方位考虑网络结构设计问题，逐一完善网络结构中的网络隐层数、各个隐层节点数、层间连接关系、隐性节点特性等组成要素，并保证在网络结构具体设计时，在其网络结构内部布置无穷个合理结构的采样点，任意多个隐节点，给对象进行逼近，达到最佳的控制效果。此外，在基于PID神经网络的非线性系统设计时，应充分考虑工业等控制领域传统控制方法不包含控制作用变化数据的特点，从过去的操作数据获取一些信息的同时，剔除可疑数据。同时，由于计算机操作失误、非正常操作、校验失误等等会在一定程度上影响数据的采集，应尽可能的解决这一问题，以上下限方式，控制数据采集界限，更好的完成非线性系统的控制问题。

3 结论

综上可知，工业等控制领域的非线性系统传统控制方法已经无法满足现代产业发展需求，始终达不到比较理想的控制状态。在这一背景下，为了提高非线性系统的灵敏度，应尝试在非线性系统研究中应用PID神经网络，结合PID控制策略，改进传统非线性系统控制方法存在的不足之处，最终将其应用于各个控制领域中，不断提高各个控制领域的控制水平和质量。

[1]许素安，金玮，梁宇恩等.压电陶瓷迟滞神经网络建模与线性补偿控制[J].传感技术学报，2017，20(12)：1884-1889.

[2]陆文昌，张勇，张厚忠.轮毂电机驱动汽车电子差速系统P-模糊PID控制研究[J].机械制造与自动化，2017，46(06)：193-196.

[3]汪先兵，费树岷，徐清扬等.BP神经网络PID控制的永磁真空开关储能电容恒流充电特性分析[J].电工技术学报，2015，30(10)：212-218.

[4]胡锦添，舒怀林.基于PID神经网络的四旋翼飞行器控制算法研究[J].自动化与信息工程，2015，36(01)：18-22.