由于二阶液位系统具有一定的非线性和时滞性的特点,所以普通PID算法的控制效果并不理想。神经网络有自学习能力和大规模并行处理能力,在认知处理上比较擅长;模糊控制系统能够充分利用学科领域的知识,能以较少的规则数来表达知识,在技能处理上比较擅长[1][2]。模糊神经网络控制算法是神经网络算法和模糊算法的有机结合,该算法既有模糊算法控制灵活和鲁棒性强的优点,又具有较强的非线性跟踪学习能力,有很大的实际意义和广阔的应用前景。
模糊神经网络PID控制器的结构如图1所示。控制器由三部分组成:1模糊化模块:用来对系统状态变量进行模糊量化和归一化处理[2][3]。这样做可以利用模糊控制的鲁棒性和非线性控制作用,对作为神经网络输入的状态变量进行模糊规则的预处理,避免了神经网络的活化函数采样Sigmoid函数时,直接输入量过大而造成的输出饱和,使输出不再对输入敏感的缺点。2神经网络(NN):用于表示模糊规则,经过神经网络的学习,以加权系数的形式表现出来,规则的生成就转化为加权系数初值的生成和修改。根据系统的运行状态,自行整定PID参数,以期达到最优的控制效果。也就是将神经网络的输出层输出对应于PID控制期的三个可调参数、、,通过神经网络的自学习,加权系数的调整,从而使稳定状态对应于某种最优控制下的PID参数。3普通PID控制器:直接对控制对象进行闭环控制,并且、、三个参数为在线整定式[3]。