文档介绍：直流电机的比例积分微分控制研究
目录
直流电机的比例积分微分控制 1
引言 2
第一章 PID控制的分类及应用 3
数字PID控制 3
增量式PID控制 3
基于BP神经网络的PID控制 3
3
神经网络 3
PID控制方案 4
第二章直流电机的控制电路及特点 6
6
8051介绍 6
7
第三章模糊PID 控制器用于直流电机的控制 10
10
10
第四章具有 PID结构的改进广义预测控制算法 12
12
13
第五章直流电机的比例积分微分控制论文总结 17
参考文献 18
谢词 19
引言
PID控制是最早发展起来的应用经典控制理论的控制策略之一,由于算法简单,鲁棒性好和可靠性高, 被广泛应用于工业过程并取得了良好的控制效果。随着工业的发展,对象的复杂程度不断加深,尤其对于大滞后、时变的、非线性的复杂系统,常规PID 控制显得无能为力。因此常规PID 控制的应用受到很大的限制和挑战.。神经网络在控制系统中的应用提高了整个系统的信息系统处理能力和适应能力,提高了系统的智能水平。此外,神经网络具有逼近任意连续有界非线性函数的能力,对于非线性系统和不确定性系统,无疑是一种解决问题的有效途径。本文将常规PID 控制与神经网络控制相结合,发挥各自的优势,形成所谓的智能PID 控制。采用BP 神经网络方法设计的控制系统具有更快的速度(实时性)、更强的适应性和更好的鲁棒性。
第一章 PID控制的分类及应用
数字PID 控制
PID 控制原理
在模拟控制系统中,控制器最常用的控制规律是PID 控制。
PID 的控制规律为:
(1)
式中,KP—比例系数;TI—积分时间常数;TD—微分时间常数。
增量式PID 控制
计算机控制是一种采样控制,它只能根据采样时刻的偏差值计算控制量。因此,连续PID 控制算法不能直接使用,需要采用离散化方法。当采样周期T 较小时,可得到离散PID 表达式:
(2)
式中,u(k)为控制器在k 时刻的输出,ki=kp/TI , kd=kpTD , T 为采样周期,k 为采样序号,k=1,2,.,e(k- 1)和e(k)分别为第(k- 1)和第k 时刻所得的偏差信号。当执行机构需要的是控制量的增量时,采用增量式PID 控制。利用⑵式,用u(k)- u(k- 1),并进行一些变换,可得到增量式PID 控制算法:

基于BP 神经网络的PID 控制
PID 控制要取得较好的控制效果,必须通过调整好比例、积分和微分三种控制作用,形成控制量中既要相互配合又相互制约的关系。神经网络所具有的任意非线性表达能力,可以通过对系统性能的学习来实现具有最佳组合的PID 控制。采用BP 网络,可以建立参数kp, ki, kd 自学习的PID 控制器。基于BP 神经网络的PID 控制系统结构由常规的PID 控制器和神经网络两部分构成。
常规的PID 控制器
PID 控制器由比例(P)、积分(I)、微分(D)3 个部分组成,直接对被控对象进行闭环控制,并且三个参数kp,ki,kd 为在线调整方式。
神经网络
根据系统的运行状态,调节PID 控制器的参数, 以期达到某种性能指标的最优化,使输出层神经元的输出状态对应于PID 控制器的三个可调参数kp,ki,kd 通过神经网络的自学习、加权系数调整,使神经网络输出对应于某种最优控制规律下的PID 控制器的参数。误差反向传播(Back Propagation———BP)神经网络是一种有隐含层的多层前馈网络,具有M个输入节点和L 个输出节点的BP 神经网络可以看成是从M 维欧氏空间到L 维欧氏空间的非线性映射,这种映射是高度非线性的,可以逼近任意非线性的映射,从而
为非线性系统的辩识提供了一种简单有效的一般性方法。
基于BP 算法的三层前向网络的PID 控制方案。
本文用来控制对象的神经网络模型采用3 层BP 网络,其结构如图1 所示
图 BP 网络结构网络输入层的输入为:Oj(1)=x(j)(j=1,2,.,M) (4)
式中,输入变量的个数M取决于被控系统的复杂程度。网络隐含层的输入、输出为:
式中,为隐含层加权系数;上角标⑴、⑵、⑶分别代表输入层、隐含层和输出层。隐层神经元活化函数取正负对称的Sigmoid 函数
(6)
网络输出层的输入输出为:
(7)
因此,基于BP 神经网络的PID 控制算法可