基于改进RBF神经网络的PID控制

【摘要】： 经典PID控制依赖于对象的数学模型,且其控制参数难以精确整定,很难适应具有非线性、时变不确定性系统的控制,而神经网络具有很强的适应复杂环境和多目标控制要求的自学习能力,并能以任意精度逼近任意非线性连续函数。本文旨在探索一种新的方法,将二者的优点进行有效融合。 首先,本文提出一种新型的径向基函数(RBF)辨识网络的控制算法,根据RBF网络在线辨识被控对象的离散模型,得到被控对象的Jacobian信息,再利用BP网络在线自适应整定PID参数。通过RBF网络对系统在线辨识,从而克服不确定性对系统性能的不利影响,从而解决传统PID控制鲁棒性差及受精确数学模型限制的问题。文中对一个二阶的非线性系统进行仿真,结果表明,该控制算法有较强的自适应性和鲁棒性,其抗干扰和适应参数变化的能力都优于常规PID控制。 其次,本文简单介绍了磁悬浮系统的构成及工作原理,详细分析了系统的动态模型,指出该系统具有不稳定和非线性特点。本文在MATLAB环境下利用S-函数建立了磁悬浮的非线性动态模型,利用RBF神经网络的自学习、自适应特点,在传统PID控制器基础上设计了自适应PID控制器。 最后,本文在传统PID控制器的基础上构建了一种改进的自适应PID控制器,用于解决磁悬浮球控制系统的动态和静态性能要求,仿真结果表明,改进的RBF在线辨识的自适应PID控制与常规PID相比,具有更好的自适应性和鲁棒性。