论文导读：近年来，模糊技术、神经网络相融合的模糊神经网络充分利用神经网络的学习能力和模糊逻辑的表达能力，同时，它也被证明可以任意实现输入到输出的非线性映射，或者说可以逼近任何非线性函数。利用模糊神经网络对被控对象进行模糊辨识，同时，采用BP学习算法的神经网络自适应地调整PID控制器的参数。
关键词：模糊神经网络，PID控制器，自适应控制
PID控制是最早发展起来的控制策略之一，其算法简单、可靠性高、具有较强的鲁棒性，参数物理意义明确，对模型依赖程度小和工程上易于实现等优点，广泛应用于工业过程中。但是，当被控对象具有复杂非线性、时变不确定、滞后特性时，单一的常规PID控制已难以满足系统的品质要求。近年来，模糊技术、神经网络相融合的模糊神经网络充分利用神经网络的学习能力和模糊逻辑的表达能力，同时，它也被证明可以任意实现输入到输出的非线性映射，或者说可以逼近任何非线性函数。利用模糊神经网络对被控对象进行模糊辨识，同时，采用BP学习算法的神经网络自适应地调整PID控制器的参数。该方法综合了模糊技术、神经网络和PID控制的优点，具有结构简单，算法易于实现和适应能力强等特点。仿真试验表明，这种新的基于模糊神经网络的自适应PID智能控制器具有较高的控制品质。
1.控制系统结构
在PID控制中，连续PID控制算式为:  （1）
相应的增量式数字PID控制算式为:
 （2）
式中： 、 、 分别为比例系数、积分系数和微分系数， 为PID控制器的输出量， ， ， 为采样周期。
图1 PID智能控制系统结构
控制系统的结构如图1所示。该结构主要有4个部分组成：PID控制器、神经网络NN2、模糊神经网络FNN1和学习算法。
2.T-S模型及模糊神经网络FNN1
在模糊系统中，模糊模型的表示方法主要有两种:一种是模糊规则的后件为输出量的一个模糊集合;另一种是模糊规则后件为输入变量的函数，典型的情况为输入变量的线性组合，由于该模型表示是由Takagi和Sugeno首先提出，因而通常称之为模糊系统的T—S模型。
设描述输入输出关系的模糊规则为： ：如果 是 、 是   是 ，则： （3）
若输入量采用单点模糊集合的模糊化方法，按以下方法可求得给定输入X对于每条规则的适用度为:  （4）
模糊系统的输出量为每条规则的输出量的加权平均，即:
 （5）
2.1 模糊神经网络的结构
根据上面给出的T—S模糊模型，可以设计出如图2所示的模糊神经网络结构。该网络由前件网络和后件网络两部分组成，前件网络用来匹配模糊规则的前件，后件网络用来产生模糊规则的后件。
图2 基于T—S模型的模糊神经网络结构
(1)前件网络。前件网络由四层组成。第一层为输入层，它的每一个节点直接与输入向量的各分量连接，它将输入值传送到下一层的作用。该层的节点数 。免费论文参考网。
第二层每个节点代表一个语言变量值，如 ， 等。它的作用是计算各输入分量隶属于各语言变量模糊集合的隶属函数 ，其中 ， 。 是输入量的维数，  是 的模糊分割数。例如，若隶属函数采用高斯函数表示的铃形函数，则  ，其中 和 分别表示隶属函数的中心和宽度。该层的节点总数 。
1/3 1 2 3 下一页 尾页 |
