1. 课题来源及研究现状

按比例、积分和微分进行控制的调节器(简称为PID控制器)[1]，是最早发展起来的应用经典控制理论的控制策略之一，是工业过程控制中应用最广泛，历史最悠久，生命力最强的控制方式，在目前的工业生产中，90％以上的控制器为PID控制器。它采用基于对象数学模型的方法，优点是算法简单、鲁棒性好和可靠性高，控制效果良好，因此被广泛应用于工业控制过程，尤其适用于可建立精确数学模型的确定性控制系统。对于传统PID控制器，在把其投入运行之前，要想得到较理想的控制效果，必须先整定好三个参数：即比例系数Kp、积分系数Ki、微分系数Kd。这是因为生产部门中有各种各样的被控对象，它们对控制器的特性会有不同的要求，整定的目的就是设法使控制器的特性能够和被控对象配合好，以便得到最佳控制效果，如果控制器参数整定不好，即使控制器本身很先进，其控制效果也会很差。随着工业的发展，控制对象的复杂程度也在不断加深，许多大滞后、时变的、非线性的复杂系统，如温度控制系统，被控过程机理复杂，具有高阶非线性、慢时变、纯滞后等特点，常规PID控制显得无能为力；另外，实际生产过程中存在着许多不确定因素，如在噪声、负载振动和其他一些环境条件下，过程参数甚至模型结果都会发生变化，如变结构、变参数、非线性、时变等，不仅难以建立受控对象精确的数学模型，而且PID控制器的控制参数具有固定形式，不易在线调整，难以适应外界环境的变化，这些使得PID控制器在实际应用中不能达到理想的效果，越来越受到限制和挑战。因此，如何使PID控制器具有在线自整定其参数的功能，是自从使用PID控制以来人们始终关注的重要问题。并且，随着相关领域技术的不断发展，对控制系统的指标要求也越来越高。人们一直在寻求PID控制器参数的自适应技术[2]，以适应复杂系统的控制要求。

传统的PID参数优化方法主要是一些手动整定方法，阶跃响应是其整定PID参数的主要依据。这种方法仅根据系统的动态响应来整定控制器的参数，具有物理意义明确的优点，可以以较少的试验工作量和简便的计算，得出控制器参数，因其简单实用，因而在生产现场仍在大量应用，尤其是在单回路系统中。但运用该方法得到的控制器参数比较粗糙，控制效果只能满足一定要求，参数的优化远远不够，同时，对于一些系统，由于控制对象的复杂性、变化性，难以运用传统方法进行整定[8]。神经网络研究的兴起，为PID控制器的整定提供了新的方法和广阔的应用空间神经网络理论的发展使这种设想成为可能。

人工神经网络是由大量简单的基本神经元相互连接而构成的自适应非线性动态系统。神经网络控制能够充分任意地逼近任何复杂的非线性关系，具有很强的信息综合能力，能够学习和适应严重不确定系统的动态特性，故有很强的鲁棒性和容错性，可以处理那些难以用模型和规则描述的过程，在一些不确定系统的控制中已成功应用。误差反向传播神经网络(简称BP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。

基于BP神经网络的PID控制器由经典的PID控制器和BP神经网络组成，其基本思想是利用神经网络的自学习功能和非线性函数的表示能力，遵从一定的最优指标，在线调整PID控制器的参数，使之适应被控对象参数以及结构的变化和输入参考信号的变化，并能够抵御外来扰动的影响，达到具有良好的鲁棒性的目标。虽然BP神经网络的理论依据坚实，推导过程严谨，通用性强，在控制领域对复杂的多变量系统的控制有很大的优势，但是由于其算法是基于最陡梯度下降算法、以误差平方为目标函数的，所以其不可避免地存在着易陷入局部极小、收敛速度慢等缺陷。并且，神经网络的初始权值的选取直接影响着控制器的性能，采用反复试验初始权值的方法很难得到最优参数的控制器。因此，需要一种算法解决神经网络权值优化的问题。控制学术界广泛采用的算法是学习算法、遗传算法等等。学习算法，它的收敛速度很慢，一个简单的问题的求解，其训练次数也要几千代，甚至上万代。而且它对网络的初始权值、自身的学习速率和动量等参数极为敏感，稍小的变动就会引起网络震荡。正是这些原因使其训练速度和精度不是很理想。而用遗传算优化神经网络权值，无论精度和速度上都有了很大的提高。但是作为一种仿生算法，虽然可以用来解决各类复杂问题，但是难以克服过早收敛的缺点和控制参数过多，尤其在优化神经网络时候，优化过程总是难以控制。因此，为神经网络的优化寻求更简单更有效的全局优化算法，是优化领域的一个研究热点。

本次神经PID主要采用BP算法，因BP神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。通过神经网络的自身学习能力，加权系数调整，从而使其稳定状态对应用于某种最优控制率下的PID控制参数。

参考文献及书目:

[1] 胡寿松. 自动控制原理(第4版)[M]. 北京: 科学出版社, 2001.

[2] 刘金琨. 先进PID控制及MATLAB仿真[M]. 北京:电子工业出版社, 2004.

[3] 侯媛彬, 杜京义, 汪梅. 神经网络[M]. 西安:西安电子科技大学出版社, 2007 .