关键词：BP神经网络PID控制MATLAB仿真
１序 言
随着我国现代工业过程的日益复杂，经典的现代控制理论面临着比较严峻的挑战，原因是它存在着很多不确定的控制因素，而且还存在着难以确定的非线性的特性，因此我们也一直在研究如何让系统更加的智能化，从而让他适应各种控制环境。
温室是一个非线性、强时变、强耦合、参数变化范围大的复杂的对象。针对常规PID控制的温室环境控制系统，存在的参数难以整定，和超调量大，以及调节时间过长，抗干扰能力比较差的问题等，利用BP神经网络，对系统性能的自学习使系统达到最佳的PID参数提高控制效果。
2 基于BP神经网络的PID温室控制系统设计
2.1 温室控制系统的模型建立
由于温室系统是一个复杂多变的系统，要想建立精确的数学模型来描述它，是很难实现的，所以，根据实验模型进行近似建模。控制对象为温室内的温度，范围要求在0℃—30℃。设计中假设温室的初始温度为0℃，要求对其进行控制，使其维持在25℃左右，并且要达到平稳性好、调节时间短、超调量为零和稳态误差在1℃内的要求。
在实际的工业生产的过程中，存在种类繁多的控制对象，通过多变量的解耦，经过人们的经验及许多测量结果表明：对于二阶不振荡的系统，通过参数辨识器可以降为一阶的模型。所以，通常可以用一阶的比例惯性滞后环节来表示对温室温度控制的数学模型。系统的一阶比例惯性滞后模型的传递函数为：
（2-1）
式中：对象的静态增益，：对象的时间常数，：对象的纯滞后时间常数。
根据系统的一阶大惯性和大延时的特点，并假定该温室是一个比较大一些的温室大棚，设定本系统的参数为：。该温室温度控制系统的一阶比例惯性滞后模型的传递函数为：
（2-2）
2.2 基于BP神经网络PID控制器的设计
采用BP神经网络，我们可以利用它具有任意的非线性函数的能力和自学习能力，来建立参数自学习的PID控制器。神经网络本身的自学习能力，可以找到某一最优控制下的P、I、D参数。基于BP神经网络的PID控制系统结构如图2-1所示，控制器由两个部分组成：
（1）经典的PID控制器：直接对被控对象过程闭环控制，三个参数为在线整定的形式；
（2）神经网络NN：根据系统运行状态，来调节PID控制器的参数，来达到性能指标的最优化。通过神经网络的自身学习、加权系数调整，使其稳定状态对应最优控制律下的PID控制器参数。
3 控制系统 MATLAB仿真
3.1常规PID仿真结果
用MATLAB对常规PID的温度控制系统仿真结果如图3-1所示，由图可见，调节时间在0.1秒左右，但是超调量比较大最高达到了30摄氏度，并且波动比较大稳定性不好调节到1秒钟之后采趋于稳定。所以常规的PID控制效果不是很理想存在很多缺点。下一步对BP神经网络PID控制程序进行仿真。
3.2 BP神经网络PID仿真结果
同样用MATLAB对BP神经网络PID控制系统进行仿真，结果如图3-2，由图可见，BP神经网络PID控制系统的调节时间很迅速，而且能使温度保持在25摄氏度，稳定的时间在0.13秒左右，稳定的也很迅速，而且并没有明显的超调量，因为BP神经网络PID控制器具有自学习能力，系统可以自动的调整三个参数改善控制性能。
结论
本文是在研究传统的常规PID控制理论基础上结合BP神经网络理论的特点，将BP神经网络和常规的PID相结合，并且设计出基于BP神经网络PID控制器。同时将这种控制系统与常规PID控制器和单神经元控制器的仿真相比较，从图中可以分析出BP神经网络PID控制器在各个方面都比常规控制系统控制效果要好。主要表现在基于BP神经网络PID控制器的温室环境控制系统输出没有超调、系统相应更加快速准确。
参考文献
[1] 王哲.基于先进控制理论的PMSM控制研究[D].江南大学.2009
[2] 涂川川.基于BP神经网络PID控制的温室环境控制系统的仿真研究[D].吉林农业大学.2012
[3] 陈波.基于神经网络PID控制的两轮自平衡小车研究[D].西南交通大学.2014
[4] 余倩倩.温室环境小气候模型的构建及智能控制算法的研究[D].南京农业大学.2010
[5] 蒋鼎国.基于改进型BP神经网络PID控制器的温室温度控制技术[J].实验室研究与探索.2015
论文作者:徐智超 张甜 赵金秋
论文发表刊物:《科学与技术》2019年第12期
论文发表时间:2019/11/15
标签：神经网络论文; 温室论文; 控制系统论文; 控制器论文; 参数论文; 常规论文; 系统论文; 《科学与技术》2019年第12期论文;