摘  要： 常規PID的控制，不但其參數難以整定，而且還依賴于對象的精確數學模型，適應性較差，對復雜過程不能保證其控制精度。根據反應釜溫度時間滯后具有非線性、強耦合、不確定性過程的控制需要，提出了一種基于BP神經網絡的PID控制方法。并介紹了神經網絡PID控制器的算法，對經典PID參數選取進行了分析。仿真結果表明，與傳統PID算法相比，該控制方法可實現有效的控制，具有實現簡單、控制效果好的特點。
關鍵詞： 常規PID；BP神經網絡；仿真

    常規PID控制算法對于大部分工業過程的被控對象控制效果良好[1，2]，但是對于反應釜溫度的時間滯后問題，PID控制算法在控制溫度跟蹤變化曲線時存在振蕩和精度低的缺點。近年來，神經網絡控制以其獨特的優點受到控制界的關注。神經網絡的優勢在于能夠逼近任意復雜的非線性映射，具有超強的自學習和自適應能力，具有很強的魯棒性和容錯性，因此用神經元網絡設計的控制系統具有良好的自適應性和控制性能[3，4]。為了克服反應釜溫度的時間滯后問題，本文結合BP神經網絡控制策略，采用基于BP神經網絡的PID控制方法對其進行控制，反應釜溫度能自動跟隨給定的溫度曲線，滿足工藝要求。
1 反應釜溫度控制系統
    反應釜按反應的特性可以分為吸熱反應和放熱反應。一般來說，聚合反應屬于放熱反應，而裂變反應屬于吸熱反應。反應釜的操作流程一般包括如圖1所示的四個階段[5]。
    圖1中恒溫段是反映工藝的關鍵階段，對于產品質量和產量有著重要的影響，所以提高恒溫段的控制精度是提高產品質量的關鍵。

    實際反應過程中常伴有強烈的放熱效應，使反應溫度有所變化。針對反應釜溫度控制的特點，本文采用基于BP神經網絡的PID控制方法。通過神經網絡的在線學習功能，增強系統的魯棒性和自適應能力，使系統具有良好的調節品質，在對象參數變化的情況下仍具有很強的魯棒性和抗干擾能力。
2 基于BP神經網絡的PID控制算法
    本文采用的是三層BP網絡，其結構如圖2所示[6]，輸入層神經元的個數取4，分別對應于輸入r、輸出y、誤差e和單位1，隱含層神經元為5個，輸出層神經元分別對應PID控制器的3個可調參數kp、ki、kd。系統運行過程中，神經網絡根據系統的狀態，通過加權系數調整，使神經網絡的輸出對應于某種最優控制律下的PID控制器參數[7]。

  
    按照梯度下降法修正網絡的權系數，并附加一個使搜索快速收斂全局極小的慣性項，修正公式為：

3 仿真研究
    本文設計的基于BP神經網絡的PID控制結構如圖3所示。

    針對反應釜的特性，為了使結果具有代表性，取被控對象時變參數的非線性被控對象的數學模型為：
  

    在第100個采樣時刻，控制器加外部干擾0.20時，仿真結果分別如圖6、圖7所示。

    從以上圖中可以看出，與傳統PID算法相比，基于BP神經網絡的PID控制算法的超調量幾乎為0，穩定速度快，而且能夠隨著系統參數的變化自動調整PID控制參數。當在第100個采樣時刻時控制器加外部干擾0.20時，基于BP神經網絡的PID控制算法中的PID參數隨之進行了調整，從而在系統受到外部干擾時影響很小，很快再次達到穩定。
    由于反應釜過程的時變、非線性等特點，本文結合神經網絡超強的自學習和非線性逼近能力，提出了基于BP神經網絡的PID控制算法。此算法可保證系統輸出響應快、超調量小、調整時間短、控制精度高，而且具有較強的適應內部參數變化和抗外部干擾的能力。通過對反應釜溫度仿真實驗控制，驗證了這種控制方法的有效性，并通過對比可知其性能明顯優于常規的PID算法。本文提出的基于BP神經網絡的PID控制算法具有廣闊的應用前景，同時也為進一步研究復雜系統的預估﹑預控等其他算法奠定了基礎。
參考文獻
[1] 許曉鳴，楊煜普，厲雋懌.基于神經網絡的智能控制第三講.神經網絡控制系統的控制結構[J].化工自動化及儀表，1995，22(5)：53-56.
[2] 戴曉瓏，孫一康.神經網絡控制系統的研究概況[J].冶金自動化，1994，18(2)：3-7.
[3] 李少遠，王群仙，劉浩，等.神經網絡在控制中的應用[J]. 天津紡織工學院學報，1997，16(4)：85-89.
[4] 朱仲邃.分段積分的PID算法在溫度控制系統中的應用[J].儀器儀表用戶，2005，12(1)：31-32.
[5] 于飛，劉喜梅，劉川來.神經網絡自適應控制系統[J].青島化工學院學報，1996，17(2)：185-189.