有關(guān)神經(jīng)網(wǎng)絡(luò)PID 控制的文獻(xiàn)中使用的大都是PID 的一般控制算法，而性能相對優(yōu)于一般PID 控制算法的不完全微分PID算法則很少用于神經(jīng)網(wǎng)絡(luò)控制中。神經(jīng)網(wǎng)絡(luò)與不完全微分的PID 算法相結(jié)合應(yīng)用于神經(jīng)網(wǎng)絡(luò)控制，其中神經(jīng)網(wǎng)絡(luò)使用的是BP 網(wǎng)絡(luò)和神經(jīng)元。通過仿真實驗，證明控制效果良好。
關(guān)鍵詞PID 控制不完全微分PID 算法BP 網(wǎng)絡(luò)神經(jīng)元
Abstract In literatures about neural network PID control，mostly the ordinary PID algorithm is adopted，while the incomplete differential PID algorithm
which is much better than the ordinary PID algorithm has not been often used. In this paper the authors combine the incomplete differential PID algorithm
with the neural network that uses the BP network and neuron for neural network control. The simulation shows that the control result is excellent.
Keywords PID control Incomplete differential PID algorithm BP Network Neuron

PID 控制作為歷史最為悠久、生命力最強(qiáng)的控制
方式一直在生產(chǎn)過程自動化控制中發(fā)揮著巨大的作用［1］，多年以來其改進(jìn)算法層出不窮，如不完全微分的PID 算法［2 ～ 4］。但是隨著科學(xué)技術(shù)的不斷進(jìn)步和發(fā)展，被控對象正變得越來越復(fù)雜，而人們對其控制精度的要求卻日益提高，此時常規(guī)調(diào)節(jié)器不可能得到好的控制品質(zhì)［5］，基于以往工程方法來整定PID 參數(shù)已經(jīng)不能滿足控制要求了，這樣就產(chǎn)生了復(fù)雜性和精確性的尖銳矛盾。智能自適應(yīng)控制是解決上述問題的有效方法之一［6］，其中神經(jīng)網(wǎng)絡(luò)以其良好的自適應(yīng)自學(xué)習(xí)能力，使得它可以作為一種很好的方法而得以應(yīng)用。使用神經(jīng)網(wǎng)絡(luò)實現(xiàn)直接或間接的PID 控制，經(jīng)過證實是有效的，它實現(xiàn)了PID 的自適應(yīng)控制，使得傳統(tǒng)的PID控制得以能夠繼續(xù)發(fā)揮其在控制中的良好作用。然而，一般神經(jīng)網(wǎng)絡(luò)實現(xiàn)的PID 控制基本上都是使用一般的PID 控制算法，而并未使用不完全微分PID 控制算法。在本文中，將不完全微分PID 算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，組成基于不完全微分PID 算法的神經(jīng)網(wǎng)絡(luò)控制器，共同發(fā)揮二者的優(yōu)勢，通過仿真實驗可以看出該控制器提高了控制效果。