利用神经网络原理与自动控制原理实现工业过程自动控制的串级PID控制器实践

简介: PID控制器由比例单元 P、积分单元 I 和微分单元 D 组成,是一个在工业控制应用中常见的反馈回路部件。由两个PID控制器串联组成并分别对主副控制对象进行控制的控制器为串级控制器。传统的PID控制器在P 环节输入整定值、I环节输入整定值和D环节输入整定值分别整定后无法在控制过程中针对控制对象因各种因素引起的变化对整定值进行调整;随着神经网络理论在人工智能发展过程中不断被完善和应用,为神经网络理论能够用于新型控制器开发并作为串级控制器的组成部分提供了理论基础。

前言

PID控制器由比例单元 P、积分单元 I 和微分单元 D 组成,是一个在工业控制应用中常见的反馈回路部件。由两个PID控制器串联组成并分别对主副控制对象进行控制的控制器为串级控制器。传统的PID控制器在P 环节输入整定值、I环节输入整定值和D环节输入整定值分别整定后无法在控制过程中针对控制对象因各种因素引起的变化对整定值进行调整;随着神经网络理论在人工智能发展过程中不断被完善和应用,为神经网络理论能够用于新型控制器开发并作为串级控制器的组成部分提供了理论基础。

名词解释

PID控制器:由比例单元(P)、积分单元(I)和微分单元(D)组成,主要适用于基本上线性,且动态特性不随时间变化的系统。
PID串级控制器:两个控制器串联起来工作,其中主控制器的输出作为副控制器的设定值的控制器。
核心层:PID串级控制器的内层,由副控制器进行控制。
外层:PID串级控制器的外层,由主控制器进行控制。
主控制对象:PID串级控制器的外层控制对象。
副控制对象:PID串级控制器的核心层控制对象。
神经元PID控制器:采用神经网络原理开发的PID控制器,能够通过反向传播对控制器的参数进行循环自动整定。
增量式PID控制器:PID控制器的一种,其输出的是控制的增量。
P环节:PID控制器的比例单元。
I环节:PID控制器的积分单元。
D环节:PID控制器的微分单元。
反馈值:控制对象的测量值,作为控制器的反馈。
设定值:控制对象经过控制器控制所需要达到的值。
偏差:设定值与反馈值的差。
参数整定:PID控制器需要对P、I、D三个环节的值进行确定后方可投入,这个过程称为参数整定。
学习速率:控制网络的权重,并对损失梯度进行调整。
反向传播:简称BP算法,适合于神经网络的一种学习算法,建立在梯度下降法的基础上。
神经网络:模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。
单神经元:只含有一个神经元的特殊神经网络。

实验过程

在复杂工业系统中,当控制对象受到外部影响而发生扰动后,因传统PID控制器和串级控制器的参数在预先整定后无法跟随控制对象变化做出实时调整,控制器缺少应对外界环境变化的灵活性,即增加了控制过程中所需要投入的人力也不利于控制系统的高效稳定运行。
本次实验利用神经网络原理与自动控制原理实现了新型串级PID控制器开发,将神经元PID作为主控制器,能够在控制过程中通过神经网络原理的反向传播定律自动整定主控制器P、I、D三个环节的参数,在主控制对象存在因环境复杂、干扰较大而引起的自身不稳定时能够自动重新整定主控制器的P、I、D参数,使主控制器的参数能够适应控制对象的变化;副控制器采用增量式PID副控制器,确保对与主控制对象存在耦合关系的副控制对象进行增量式控制。整个串级控制器既确保了控制的及时性也能够面对因复杂工业环境而引起的控制对象不稳定变化。
本次实验中的串级控制器充分融合了神经网络原理和控制原理,考虑了不同算法原理下所设计的PID控制器的差异,根据各类控制器的特点将神经元PID控制器作为主控制器来应对外界的影响和扰动,通过神经网络反向传播定律实现参数整定自动化,确保控制系统的灵活性和对外界变化感知的灵敏性;将增量式PID控制器作为副控制器,其设定值输入来自于神经元PID控制器的输出,确保控制器动作的及时性。两种控制器在外层和核心层的串联使整个串级控制器能够应对复杂工业环境对于控制对象的不利影响。

串级控制器原理图

串级控制器原理图.png

神经元PID控制器原理图

神经元控制器原理图.png

开源地址

本项目已经发布至pypi,如需研究或使用,可以直接访问以下链接
smartPID

目录
相关文章
|
6天前
|
安全 测试技术 虚拟化
VMware-三种网络模式原理
本文介绍了虚拟机三种常见网络模式(桥接模式、NAT模式、仅主机模式)的工作原理与适用场景。桥接模式让虚拟机如同独立设备接入局域网;NAT模式共享主机IP,适合大多数WiFi环境;仅主机模式则构建封闭的内部网络,适用于测试环境。内容简明易懂,便于理解不同模式的优缺点与应用场景。
49 0
|
1月前
|
机器学习/深度学习 算法 机器人
【PID】基于人工神经网络的PID控制器,用于更好的系统响应研究(Matlab&Simulink代码实现)
【PID】基于人工神经网络的PID控制器,用于更好的系统响应研究(Matlab&Simulink代码实现)
173 15
|
4月前
|
机器学习/深度学习 自然语言处理 数据可视化
基于图神经网络的自然语言处理:融合LangGraph与大型概念模型的情感分析实践
本文探讨了在企业数字化转型中,大型概念模型(LCMs)与图神经网络结合处理非结构化文本数据的技术方案。LCMs突破传统词汇级处理局限,以概念级语义理解为核心,增强情感分析、实体识别和主题建模能力。通过构建基于LangGraph的混合符号-语义处理管道,整合符号方法的结构化优势与语义方法的理解深度,实现精准的文本分析。具体应用中,该架构通过预处理、图构建、嵌入生成及GNN推理等模块,完成客户反馈的情感分类与主题聚类。最终,LangGraph工作流编排确保各模块高效协作,为企业提供可解释性强、业务价值高的分析结果。此技术融合为挖掘非结构化数据价值、支持数据驱动决策提供了创新路径。
269 6
基于图神经网络的自然语言处理:融合LangGraph与大型概念模型的情感分析实践
|
4天前
|
机器学习/深度学习 人工智能 算法
卷积神经网络深度解析:从基础原理到实战应用的完整指南
蒋星熠Jaxonic带你深入卷积神经网络(CNN)核心技术,从生物启发到数学原理,详解ResNet、注意力机制与模型优化,探索视觉智能的演进之路。
70 11
|
16天前
|
机器学习/深度学习 算法 搜索推荐
从零开始构建图注意力网络:GAT算法原理与数值实现详解
本文详细解析了图注意力网络(GAT)的算法原理和实现过程。GAT通过引入注意力机制解决了图卷积网络(GCN)中所有邻居节点贡献相等的局限性,让模型能够自动学习不同邻居的重要性权重。
72 0
从零开始构建图注意力网络:GAT算法原理与数值实现详解
|
2月前
|
机器学习/深度学习 人工智能 PyTorch
零基础入门CNN:聚AI卷积神经网络核心原理与工业级实战指南
卷积神经网络(CNN)通过局部感知和权值共享两大特性,成为计算机视觉的核心技术。本文详解CNN的卷积操作、架构设计、超参数调优及感受野计算,结合代码示例展示其在图像分类、目标检测等领域的应用价值。
163 7
|
4月前
|
监控 应用服务中间件 Linux
掌握并发模型:深度揭露网络IO复用并发模型的原理。
总结,网络 I/O 复用并发模型通过实现非阻塞 I/O、引入 I/O 复用技术如 select、poll 和 epoll,以及采用 Reactor 模式等技巧,为多任务并发提供了有效的解决方案。这样的模型有效提高了系统资源利用率,以及保证了并发任务的高效执行。在现实中,这种模型在许多网络应用程序和分布式系统中都取得了很好的应用成果。
127 35
|
4月前
|
机器学习/深度学习 算法 测试技术
图神经网络在信息检索重排序中的应用:原理、架构与Python代码解析
本文探讨了基于图的重排序方法在信息检索领域的应用与前景。传统两阶段检索架构中,初始检索速度快但结果可能含噪声,重排序阶段通过强大语言模型提升精度,但仍面临复杂需求挑战
131 0
图神经网络在信息检索重排序中的应用:原理、架构与Python代码解析
|
3月前
|
安全 Java 程序员
分析Muduo网络库源码中的TcpServer组件工作原理
简言之,TcpServer 在 Muduo 中的角色,就是一位终极交通指挥员,它利用现代计算机网络的魔法,确保数据如同车辆一般,在信息高速公路上自由、安全、高效地流动。
42 0
|
6天前
|
机器学习/深度学习 算法 调度
14种智能算法优化BP神经网络(14种方法)实现数据预测分类研究(Matlab代码实现)
14种智能算法优化BP神经网络(14种方法)实现数据预测分类研究(Matlab代码实现)

热门文章

最新文章