图19 GUI仿真界面下的仿真结果
1、在仿真界面中，根据需要在小范围（-5%~+5%）内改变参数a、b，可修改状态空间模型，对系统做静态稳定分析。
2、修改控制量扰动delta_u的值就可以由其值的大小而决定是对系统做静态稳定分析还是动态稳定性分析，同时设定time的值可以根据需要设定控制量扰动的出现时间，缺省设置为0，即无控制量扰动。
3、在仿真界面中，设定a_d和b_d的值，以改变系统模型失配后的仿真模型，界面的默认设定为a_d=[0 1;-28 -8]、b_d=[0 8]。设定对应方框中的time即设定模型失配出现的时间，默认设置为0。
4、当同时调节1、2和3中所作的设定时，可以对更加复杂的情况进行仿真分析。 5、每次仿真结束后，The result框中将给出模型仿真的结果，包括最终的PID参数整定结果，5%调节时间t_5、2%调节时间t_2、超调xite和存在扰动时系统的最大动态调节时间transition time。
6、在仿真界面中，单击Reset时，准备仿真，将界面上的历史数据还原为默认的设定值。
图19给出了某次仿真的结果。
6 结论
PID控制是最经典的控制方法之一，其要取得较好的控制效果，就必须调整比例、积分和微分三种控制作用作用权重，即整定最佳的PID参数。而这个寻优过程也是一个非线性优化的过程，具有其固有的困难。在模型摄动时，系统的稳定性和控制品质将明显下降。采用固定参数的常规PID来控制时，难以在稳定性和控制品质间取得折衷，即使整定出一组相当理想的参数，在对象模型变化时，控制品质也难以保证。
神经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。采用BP网络，可以建立kp,ki,kd参数自学习的PID控制器。通过在线学习，可以不断自适应地调整PID参数，使得系统满足稳定性、快速性的要求。
通过我们的仿真，表明：基于BP神经网络的PID参数自适应整定方法，能够根据系统
16
的实时在线情况，来调整系统控制量的输出，使得系统的快速性能和稳定性能都得到很大的优化。值得注意的是，由于是在线跟踪系统的实时响应，当系统模型失配或存在大的扰动时，整个系统的控制效果仍然十分出色。也就是说，该方法不仅消除了原始模型中存在的稳态误差，而且还大大提高了系统的静态、动态稳定性，控制品质高、鲁棒性强。
参考文献
[1] 梅晓榕.自动控制原理[M].北京:科学出版社,2002
[2] de Villiers J, et al. Backprogation neural nets with one and two hidden layers [J]. IEEE Transactions on Neural Networks, 1993,4(1): 136-141.
[3] 程启明.改进型PID参数神经网络自学习的船舶操纵控制器[J].系统仿真学报,2001(5). [4] 马平,朱燕飞,牛征.基于神经网络的主汽温控制系统[J].华北电力大学学报,2001(4).
[5] Humpert B K.Improved back propagation with a new error function[J].Neural Networks,1994,7(1):1191-1192. [6] 陈永春.MATLAB高级编程[M].北京:清华大学出版社2003.
17
附录 模拟退火算法流程图
确定初始温度t0，末了温度tf，降温系数?，初解S0 确定初始温度ti??ti?1 从Ti的领域中产生新的分区方案S?，计算S与S?之间的代价函数差?f?f(S?)?f(S) ?f?0exp(?f/ti)?rand(0,1)Y 按准则更新分区方案 N 跳出内循环 当前温度ti下降 跳出外循环 结束 模拟退火算法流程图
18