基于模糊神经网络PID算法的液位串级控制

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]。