基于神经网络的PID控制,pid神经网络什么原理

如何对PID实现同步控制，什么样可以实现呢？

在工业控制中，PID控制（比例-积分-微分控制）得到了广泛的应用，这是因为PID控制具有以下优点：01不需要知道被控对象的数学模型。

实际上大多数工业对象准确的数学模型是无法获得的，对于这一类系统，使用PID控制可以得到比较满意的效果。据日本统计，目前PID及变型PID约占总控制回路数的90%左右。

02PID控制器具有典型的结构，程序设计简单，参数调整方便。

03有较强的灵活性和适应性，根据被控对象的具体情况，可以采用各种PID控制的变种和改进的控制方式，如PI、PD、带死区的PID、积分分离式PID、变速积分PID等。

随着智能控制技术的发展，PID控制与模糊控制、神经网络控制等现代控制方法相结合，可以实现PID控制器的参数自整定，使PID控制器具有经久不衰的生命力。

二，PLC实现PID控制的方法如图所示为采用PLC对模拟量实行PID控制的系统结构框图。

用PLC对模拟量进行PID控制时，可以采用以下几种方法：如图用PLC实现模拟量PID控制的系统结构框图使用PID过程控制模块。

这种模块的PID控制程序是PLC生产厂家设计的，并存放在模块中，用户在使用时只需要设置一些参数，使用起来非常方便，一块模块可以控制几路甚至几十路闭环回路。

但是这种模块的价格昂贵，一般在大型控制系统中使用。如三菱的A系列、Q系列PLC的PID控制模块。

三，FX2N的PID指令PID指令的编号为FNC88，如图6-36所示源操作数［S1］、［S2］、[S3]和目标操作数[D]均为数据寄存器D，16位指令，占9个程序步。

［S1］和［S2］分别用来存放给定值SV和当前测量到的反馈值PV，［S3］~[S3]＋6用来存放控制参数的值，运算结果MV存放在［D］中。源操作数［S3］占用从［S3］开始的25个数据寄存器。

如图PID指令PID指令是用来调用PID运算程序，在PID运算开始之前，应使用MOV指令将参数（见表6-3）设定值预先写入对应的数据寄存器中。如果使用有断电保持功能的数据寄存器，不需要重复写入。

如果目标操作数[D]有断电保持功能，应使用初始化脉冲M8002的常开触点将其复位。表6-3PID控制参数及设定ID指令可以同时多次使用，但是用于运算的[S3]、[D]的数据寄存器元件号不能重复。

PID指令可以在定。

谷歌人工智能写作项目：神经网络伪原创

什么是PID调节器，并举例说明P、I、D的调节作用。

PID调节器是一个在工业控制应用中常见的反馈回路部件，PID是以它的三种纠正算法而命名的好文案。这三种算法都是用加法调整被控制的数值。而实际上这些加法运算大部分变成了减法运算因为被加数总是负值。

以下是PID的调节作用举例：1.比例-来控制当前，误差值和一个负常数P（表示比例）相乘，然后和预定的值相加。P只是在控制器的输出和系统的误差成比例的时候成立。

这种控制器输出的变化与输入控制器的偏差成比例关系。比如说，一个电热器的控制器的比例尺范围是10°C，它的预定值是20°C。

那么它在10°C的时候会输出100%，在15°C的时候会输出50%，在19°C的时候输出10%，注意在误差是0的时候，控制器的输出也是0。

2.积分-来控制过去，误差值是过去一段时间的误差和，然后乘以一个负常数I，然后和预定值相加。I从过去的平均误差值来找到系统的输出结果和预定值的平均误差。

一个简单的比例系统会振荡，会在预定值的附近来回变化，因为系统无法消除多余的纠正。通过加上一个负的平均误差比例值，平均的系统误差值就会总是减少。所以，最终这个PID回路系统会在预定值定下来。

3.微分 -来控制将来，计算误差的一阶导，并和一个负常数D相乘，最后和预定值相加。这个导数的控制会对系统的改变作出反应。导数的结果越大，那么控制系统就对输出结果作出更快速的反应。

这个D参数也是PID被称为可预测的控制器的原因。D参数对减少控制器短期的改变很有帮助。一些实际中的速度缓慢的系统可以不需要D参数。

扩展资料：用更专业的话来讲，一个PID控制器可以被称作一个在频域系统的滤波器。这一点在计算它是否会最终达到稳定结果时很有用。

如果数值挑选不当，控制系统的输入值会反复振荡，这导致系统可能永远无法达到预设值。

有没有应用到飞控上的成熟一点的神经网络PID控制算法

您好，非常感谢您发出这个帖子。我现在也在考虑做或者学习相关四轴飞行器的神经网络控制算法。之前我的飞机是用双闭环PID控制算法实现控制飞行的。

最近在学习神经网络，我准备用神经网络控制算法来对四轴飞行器姿态误差进行修正，看看能不能实现稳定飞行，或者看是否稳定飞行效果会好点。

现在我正处在学习神经网络过程中，之前的基础就是对四轴飞行器的PID控制算法了解的多一点，自己实现了PID算法的编程，飞机可以稳定飞行，我想以后将神经网络控制应用于四轴飞行器中。

您出了这个帖子，尽管现在没有人回答，但是我希望您能够更新一下，毕竟经过了这么长时间了，谈谈您的收获吧。让我们学习学习，也可以一起讨论讨论。谢谢！

要做毕业设计了！我就搞不清楚神经元控制器跟神经元PID控制器有啥区别呢？

帮忙从cnki上找一篇论文 30

。

修改稿收到日期:2009-08-26。第一作者熊祥,男,1984年生,现为华东理工大学控制科学与控制工程专业在读硕士研究生;主要从事先进控制和自适应控制方面的研究。

基于MRAS的交流异步电机变频调速系统研究StudyonMRAS2basedVariable2frequencyDrivingSystemofACAsynchronousMotors熊祥郭丙君(华东理工大学信息科学与工程学院,上海200237)摘要:依据矢量控制的基本原理和方法,在基于转子磁场定向的旋转坐标系下,采用Matlab/Simulink模块构建了一个具有转矩、磁链闭环的交流异步电机矢量控制系统仿真模型。

在此基础上,应用模型参考自适应方法,对无速度传感器矢量控制系统的转速估计进行研究,并针对常规速度辨识器中的基准模型易受积分初值和漂移影响的问题,对传统的MRAS方法进行改进,并对其进行建模仿真。

仿真结果表明,该设计具有较强的可行性,且其推算转速能够很好地跟踪实测转速。

关键词:Matlab/SimulinkMRAS矢量控制变频调速系统神经网络无速度传感器中图分类号:TM343文献标志码:AAbstract:Inaccordancewiththebasicprincipleandmethodofvectorcontrol,byusingMatlab/Simulinkmodule,asimulationmodelofvectorcontrolsystemthatisofferingtorqueandmagneticlinkforACasynchronousmotorisbuiltbasedonrotorfluxdirectionalrotatingcoordinates.Onthebasis,withmodelreferenceadaptivemethod,therotatingspeedestimationforvectorcontrolsystemwithno2speedsensorisstudied.Inaddition,aimingattheproblemthatthereferencemodeliseasilyinfluencedbytheinitialvalueanddriftofintegralinnormalspeedrecognizer,thetraditionalMRASisimproved,andmodelingsimulationisalsoconducted.Theresultofsimulationverifiesthefeasibilityofthedesignandthecalculatedrotatingspeedcanwelltracethemeasuredrotatingspeed.Keywords:Matlab/SimulinkModelreferenceadaptivesystemVectorcontrolVariable2frequencydrivingsystemNeuralnetworkNo2speedsensor0引言随着电力电子技术的发展,交流异步电机控制技术已由标量控制转向了矢量控制。

在矢量控制系统中,转速的闭环控制环节一般是必不可少的。为了实现转速闭环控制和磁场定向,通常采用速度传感器来进行转速检测。

而速度传感器在安装、维护等方面易受环境影响,从而严重影响异步电动机的简便性、廉价性和可靠性。因此,无速度传感器的矢量控制系统成为交流调速的主要研究内容。

目前,人们提出了各种速度辨识的方法来取代速度传感器,如动态估计法、模型参考自适应方法、扩展卡尔曼滤波法、神经网络法等。其中模型参考自适应方法的转速观测具有稳定性好、计算量小等特点[1]。

本文从转子磁场定向的矢量控制理论出发,在静止坐标系上提出了一种基于模型参考自适应法理论的速度推算法,并利用Matlab/Simulink软件对系统进行了仿真。

1交流异步电机矢量控制根据用于定向的参数矢量的不同,矢量控制可以分为按转子磁场定向和按定子磁场定向的矢量控制。

按转子磁场定向的矢量控制方法是目前应用较为广泛的一种高性能的交流电动机控制方法[2]。

当两相同步旋转坐标系按转子磁链定向时,应有ψrd=ψr,ψrq=0,即得:Te=npLmLrisqisd=1+TrpLmψrψr=Lm1+Trpisdλ=LmTrψrisq(1)式中:Lm=32M为d2q坐标系同轴等效定子与转子绕组间的互感;Lr=Lrl+Lm为d2q坐标系等效二相转子绕组的自感;λ为d2q坐标系相对于转子的旋转角速度;p为求导算符,即p=d/dt;s表示定子;r表示转子;d表示d轴;q表示q轴;m表示同轴定、转子间的互感;np为极对数;Tr=Lr/Rr为转子时间常数。

系统由电机、逆变器、磁链观测器、转速辨识等环节组成,是一个带电流内环的转速、磁链闭环矢量控制系统。

图1无速度传感器矢量控制系统框图Fig.1Blockdiagramofthevectorcontrolsystemwithno2speedsensor基于矢量控制变频调速系统的仿真模型,其具体实现步骤是:先将异步电机在三相坐标系下的定子电流Ia、Ib、Ic通过三相/二相(Clarke)变换,再通过二相/二相旋转(Park)变换得到同步旋转坐标系d2q下的电流Id、Iq,然后模仿直流电动机的控制方法,求得直流电动机的控制量,最后,经过相应的坐标反变换,实现对异步电动机的控制。

其实质是将交流电动机等效为直流电动机,分别对速度(speedcontrol)、磁场(phircontrol)两个分量进行独立控制。

通过控制转子磁链,分解定子电流而获得转矩和磁场两个分量,然后经坐标变换,实现正交或解耦控制[3]。

2.1基于MRAS的转速辨识2.1.1基本模型参考自适应系统要实现按转子磁链定向的矢量控制系统,磁链观测是非常重要的。

在无速度传感器控制中,通常采用基于两相静止α2β坐标系下定子电压和定子电流的电压模型对转子磁链进行估计[4-5]。

根据两相静止坐标系下异步电动机的基本方程,可以得到电压和电流这两种形式的转子磁链估算模型。

电压模型计算如下:ψrα=LrLm[∫(usα-Rsisα)dt-σLsisα]ψrβ=LrLm[∫(usβ-Rsisβ)dt-σLsisβ](2)在计算得到电压模型值后,基本模型参考自适应系统的电流模型计算如下:pψrα=LmTrisα-ψrαTr-ωrψrβpψrβ=LmTrisβ-ψrβTr-ωrψrα(3)式中:ψrα、ψrβ分别为两相静止α2β坐标系下α轴和β轴的转子磁链;isα、isβ为两相静止α2β坐标系下α轴和β轴的定子电流;usα、usβ为两相静止α2β坐标系下α轴和β轴的定子电压;σ为漏感系数。

参考模型与可调模型输出(转子磁链)的差值定义为:e=ψr-ψ3r(4)利用波波夫超稳定理论推导得出估算转子的自适应收敛率为[6]:ωr=kp+kiSe(5)式中:kp、ki分别为自适应结构PI调节器中的比例系数和积分常数。

基于MRAS的转速、辨识的具体步骤为:选取电压模型为参考模型、电流模型为理想模型,构造一个模型参考自适应系统,并选择合适的自适应规律,使可调模型的转速逼近真实的电机转速。该方法结构框图如图2所示。

在模型参考自适应系统中,参考模型应该是理想的,即式(2)应能始终映射出电动机的真实状态。该方程中定子电阻Rs是一个变化的参数,Rs若不准确,对低频积分结果影响会很大。

另外,采用低通滤波器来代替纯积分环节,可以有效克服积分器的部分缺陷,如误差积累或直流漂移问题;但在频率接近或低于截止频率时,所产生的幅度和相位偏差会严重影响磁链估计的精确性。

2.1.2改进型模型参考自适应系统模型参考自适应结构的优势在于模型的输出不必是实际的转子磁链,只要是与其相关的辅助变量即可。

因此,可采用新的辅助变量作为模型的输出,构造出其他的MRAS速度辨识方法。将图2进行改进,可以得出相应的原理方框图,如图3所示。

图3改进型模型参考自适应系统框图Fig.3BlockdiagramofimprovedMRAS参考模型的定子电压矢量方程可写成以下形式,即:LmLr×dψrαdt=usα-Rsisα-σLs×disαdtLmLr×dψrβdt=usβ-Rsisβ-σLs×disβdt(6)式中:Ls=Lsl+Lm为d2q坐标系下的等效二相定子绕组的自感。

在基于转子磁场定向的矢量控制中,由其等效电路可以看出,εr=LmLrdψrdt为转子磁链矢量生成的感应电压,于是式(6)可以转换为:εrα=LmLr×dψrαdt=usα-Rsisα-σLs×disαdtεrβ=LmLr×dψrβdt=usβ-Rsisβ-σLs×disβdt(7)2.2转速控制模块在实际系统中,由于系统状态和参数等发生变化时,过程中会出现状态和参数的不确定性,系统很难达到最佳控制效果。

基于上述问题考虑,本文利用RBF神经网络对PID控制器的参数进行在线调整。基于RBF神经网络的PID控制系统如图4所示。

图4基于RBF神经网络的PID控制系统Fig.4PIDcontrolsystembasedonRBFneuralnetwork系统的控制误差为:e(k)=r(k)-y(k)(8)PID的输入为:x(1)=e(k)-e(k-1)x(2)=e(k)x(3)=e(k)-2e(k-1)+e(k-2)(9)采用增量式PID的控制算法具体表达式为:u(k)=u(k-1)+kp[r(k)-y(k)]+ki[e(k)]+kd[e(k)-2e(k-1)+e(k-2)]Du=kp[r(k)-y(k)]+ki[e(k)]+kd[e(k)-2e(k-1)+e(k-2)](10)神经网络整定性能指标函数为:J(k)=12[r(k)-y(k)]2(11)由梯度下降法,可得[7]:Δkp=-η9J9kp=-η9J9y×9y9Du×9Du9kp=ηe(k)9y9Dux(1)Δki=-η9J9ki=-η9J9y×9y9Du×9Du9ki=ηe(k)9y9Dux(2)Δkd=-η9J9kd=-η9J9y×9y9Du×9Du9kd=ηe(k)9y9Dux(3)(12)式中:η为学习速率。

被控对象的输出对控制输入变化的灵敏度信息Jacobian阵信息算法为:9y9Du≈9yL(k)9Du=∑mj=1ωjhjcji-u(k)b2j(13)式中:hj为第j个隐含层点输出;cji为高斯转换函数的中心位置参数;bj为第j个隐节点高斯函数的宽度参数。

该神经网络的结构为3-6-1,即输入层有3个节点,隐含层有6个节点,输出层有1个节点,学习率为53基于MRAS的交流异步电机变频调速系统研究熊祥,等©1994-2010ChinaAcademicJournalElectronicPublishingHouse.Allrightsreserved.PROCESSAUTOMATIONINSTRUMENTATIONVol131No12February20100.25,a=0.05,β=0.01,PID初值=[0.03,0.001,0.1],权重初值=[3,4,1],采样周期为0.001。

由于RBF神经网络PID控制器不能直接用传递函数加以描述,若简单地应用Simulink,则将无法对其进行仿真。本文中RBF神经网络PID控制器采用Matlab中的s2function实现[8]。

2.3转矩控制模块和磁链控制模块转矩控制器和磁链控制器均采用PI控制算法,可得:Iq3=kp(T3e-Te)+ki∫(T3e-Te)dt(14)I3d=kp(phir3-phir)+ki∫(phir3-phir)dt(15)式中:kp、ki分别为比例增益系数和积分增益系数。

2.4仿真实验结果及分析采用上述仿真模型,对矢量控制变频调速系统进行空载及恒速加载运行仿真。当负载转矩值为0时,得到的异步电机定子电流、转速、转矩仿真图形如图5所示。

图5定子电流、转速、转矩仿真图形Fig.5Simulationcurvesofcurrent,rotatingspeed,torqueofthestator选用的异步电动机有关参数如下:额定数据为41kW、380V、4极、50Hz、转动惯量J=1.662kg·m2、Rs=0.087Ω、Rr=0.228Ω、Ls=Lr=0.8mH、Lm=34.7mH。

逆变器电流直流母线电压为780V;转子磁链参考值取0.96Wb;在powerful中指定所有的状态变量初始条件为0,或者对异步电机设定初始条件为[1,0,0,0,0,0,0,0],这样就可以在停止状态启动电机。

为了加快仿真速度,采用ode23t仿真算法。电机启动阶段,磁链和电磁转矩处于上升阶段,在开始空载状态下,电磁转矩最后下降为0。

在t=0s、1s时,由于转速给定的量从60rad/s瞬间跳到80rad/s,而在启动时,转子转速在0.5s已经趋于稳定状态,因此,定子电流在启动时有较大的变化,转矩电流和电磁转矩在启动及给定速度指令改变时有超调。

在系统的自动调节下,转矩电流和电磁转矩量开始慢慢降低并趋于稳定。

从仿真可以看出,在该控制系统所采用的控制方法下,系统具有良好的静态性能和动态性能,定子电流正弦度较好;且估计的转速稳态精度好,能准确地跟踪电机转速的变化;电机的机械角速度能够很快跟踪给定机械角速度的变化,电机具有良好的启动性能。

实际转速与辨识转速仿真图形比较如图6所示。

图6实际转速与辨识转速仿真图形比较Fig.6Comparisonbetweenactualandidentificationrotatingspeed3结束语本仿真试验利用易于测量的电机定子电压和电流,结合矢量控制和MRAS原理,实时辨识电机转速。

通过理论分析和仿真研究,应用模型参考自适应方法估算交流异步电机转子转速,计算量小,收敛速度快。仿真结果验证了该系统的可行性和有效性。

参考文献[1]CirrincioneM,PucciM.AnMRASbasedonspeedestimationmeth2odwithalinearneuronforhighperformanceinductionmotordrivesanditsexperimentation[C]‖IEEEInternationalConferenceonE2lectricMachinesandDrives,IEMDC’03,2003(s1):617-623.[2]陈伯时.电力拖动自动控制系统[M].2版.北京:机械工业出版社,2004.[3]王忠礼,段慧达,高玉峰.Matlab应用技术———在电气工程与自动化专业中的应用[M].北京:清华大学出版社,2007.[4]王庆龙,张崇崴,张兴.交流电机无速度传感器矢量控制系统变结构模型参考自适应转速辨识[J].中国电机工程学报,2007,27(15):70-74.[5]戴瑜兴,王耀南,陈际达.基于DSP的模型参考自适应无速度传感器矢量控制[J].信息与控制,2003,32(6):507-511.[6]刘兴堂.应用自适应控制[M].西安:西北工业大学出版社,2003.[7]ZhangMingguang,LiWenhui,LiuManqiang.AdaptivePIDcontrolstrategybasedonRBFneuralnetworkidentification[C]‖17thIEEEInternationalConferenceonNeuralNetworkandBrain,2005,ICNN&B,2005:1854-1857.[8]刘金琨.先进PID控制及其Matlab仿真[M].北京:电子工业出版社,2003.54基于MRAS的交流异步电机变频调速系统研究熊祥,等。

各位大大请帮我翻译下!!!急！！ 50

。

Inthispaper,neuralnetworkPIDalgorithmisthemostsimplestructure-singleneuronadaptivePIDalgorithm,usingtheVBlanguageprogram,onthecommonfirst,secondobjectPIDneuralnetworksimulation,andthesingleneuronadaptivePIDcontrolparametersoncontroleffect,alsoanalyzedthesingleneuronPIDcontrolovertheadvantagesofPID.Themaincontentsarethefollowing:Outlinesthebackgroundtothestudyofthistopic,PIDcontrolanddevelopmentofintelligentcontroltheoryConventionalPIDcontroltheoryandsimulationpresentation,introducestheprincipleandPIDcontroltuningoftheengineeringapproach,anditssimulationusingMATLAB.SingleNeuronAdaptivePIDControl.IntroducesasingleneuronadaptivePIDcontroltheoryandsingleneuronadaptivePIDcontrolalgorithm,writeVBprogramanditssimulation,onthefirstorder,secondordersystemsaresingleneuronadaptivePIDcontrolandconventionalPIDContrastcontrolsimulation,andanalysisofsingleneuronadaptivePIDcontrolproportional,integral,differentiallearningrateonsystemperformance.ThesingleneuronadaptivePIDalgorithmPIDcontrolalgorithmwiththetraditionalcomparativeanalysisshowedthatthesingleneuronadaptivePIDcontrolalgorithm,ingeneral,betterthantraditionalPIDcontrolalgorithm,whichisconducivetotheimprovementofthequalitycontrolsystemofcontrolbytheenvironmentlittleeffectonthecontrolofstrongrobustness,isapromisingcontroller.终于翻译完了。

。。。。。。。。。