基于BP神经网络的PID控制器

BP-PID神经网络控制器

1. 增量式PID

PID控制器是目前在实际控制系统中使用最多的控制方法，增量式PID通过位置式PID相减得到，不用做累加计算，更加适合于计算机运算。增量式PID表达式为：

2. BP-PID推导

BP神经网络是比较简单的前馈神经网络，包括正向计算输出结果和反向球梯度更新参数两个过程，网络在这里的作用就是拟合一个非线性关系，简单的来说就是根据系统的输出误差调整PID控制器参数。已有学者证明三层BP网络足以拟合任何非线性关系，以下来推导这里过程。

这里只是简单的说明BP-PID的工作流程，至于输入层-中间层的参数梯度，不再赘述，详细的文献多不胜数，原理上不做多余的说明。需要说明的是，我们的目标是使输出值接近指定值，在反向求梯度的过程中，模型输出对于模型输入的导数采用的符号矩阵近似，当然也有文献将这里过程通过利用BP神经网络辨识模型从而给出实际值。另外，对于多输入多输出过程，注意求导过程中的前后关系，也就是注意向量对向量的导数以及标量对向量的导数。

3.用于稳定模型的BP-PID仿真

设SISO的系统，离散表达式为：

模型出自<基于BP神经网络的PID控制系统研究与设计_李捷菲>论文，这里网络结构同样采用论文中的4-5-3结构，学习率0.3，网络初值[-1,1],输入为参考信号，实际信号，误差，偏置项1.激活函数采用双曲函数。
仿真结果如下：


需要注意的是，我实验了好几次才得到一次可行的实验结果，主要是网络初值影响的。

4.总结

BP-PID网络需要注意的一些事项：

1. 网络初值的选择问题，有文献采用寻优算法给定初值，但是对于初值的具体范围，我没有发现有什么好的方法。
2. 网络的输出范围，本例的输出范围0-1，实际中PID参数不可能只在0-1之间变化，可以更改最后一层激活函数或是接一个增益层。
3. 对于不稳定的适应能力，一般来说可以首先计算能够使系统稳定的PID参数范围，我也尝试过采用镇定器先让系统整定，然后在用PID完成跟踪，也是可行的，但是镇定器的镇定程度需要调整，过度的整定可能使系统偏向于镇定而不是跟踪。
4. 执行器饱和问题，这里PID输出是没有考虑执行器饱和的，在实际系统中是不可原谅的，笔者尝试过在输出参数层后增加一层网络完成输出约束。
5. 对于梯度消失问题，尽管有一些方法通过改进学习方式、激活函数形式来改善这一问题，但是针对某一个控制系统而言，这些方法也是需要大量时间去调节的。
6. 网络输入，有很多种形式，尝试过误差和延迟误差，记忆本文的参考信号，实际信号，误差，偏置。
   simulink文件见 BP-PID