基于遗传算法改进的BP神经网络加热炉控制系统参数优化(1)

    关键词  PID控制；BP神经网络；遗传算法；参数优化

 

    由于常规PID控制具有鲁棒性好，结构简单等优点，在工业控制中得到了广泛的应用。PID控制的基本思想是将P（偏差的比例），I（偏差的积分）和 D（偏差的微分）进线性组合构成控制器，对被控对象进行控制。所以系统控制的优劣取决于这三个参数。但是常规PID控制参数往往不能进行在线调整，难以适应对象的变化，另外对高阶或者多变量的强耦合过程，由于整定条件的限制，以及对象的动态特性随着环境等的变化而变化，PID参数也很难达到最优的状态。

    神经网络具有自组织、自学习等优点，提出了利用BP神经网络的学习方法，对控制器参数进行在线调整，以满足控制要求。由于BP神经网络学习过程较慢，可能导致局部极小点^[2]。本文提出了改进的BP算法，将遗传算法和BP算法结合对网络阈值和权值进行优化，避免权值和阈值陷入局部极小点。

    加热炉控制系统如图1所示，控制规律常采用PID控制规律。

图1 加热炉控制系统简图

若加热炉具有的数学模型为：

则PID控制过程箭图可以用图2表示。

    其中，   

采用经典参数整定方法——临界比例度对上述闭环系统进行参数整定，确定PID控制器中 K_p=2.259， K_i=0.869， K_d=0.276。参考输入为单位阶跃信号，仿真曲线如图3所示。

图2  PID控制系统

图3  Z—N整定的控制曲线

    仿真曲线表明，通过Z—N方法整定的参数控制效果不佳，加上PID参数不易实现在线调整，所以该方法不宜用于加热炉的在线控制。

    对于加热炉控制系统设计的神经网络自整定PID控制，它不依赖对象的模型知识，在网络结构确定之后，其控制功能能否达到要求完全取决于学习算法。

    一般BP网络结构如图4所示，其算法步骤为：

    （1）输入训练样本，按网络结构得到输出；

    （2）将实际输出与希望输出比较，得到误差，根据误差调节阈值和权值。重复两个步骤，直到误差满足要求为止；

图4  BP网络结构