[发明专利]一种PIαDβ 控制器分数阶参数整定控制器算法

摘要

本发明公开了一种分数阶PIαDβ控制器参数自整定算法，包括以下步骤：为神经网络赋初始权；通过每个控制周期获得的系统输出误差，计算误差的变化率，从而获得神经网络的输入变量；根据选择的转移函数，运用公式(1)-(8)正向计算网络隐层与输出层的输出；计算系统输出误差；判断是否满足误差要求。由于本发明采用神经网络进行参数调整，又是分数阶控制器，故与目前被普遍采用的线性定常整数阶PID控制器相比，从适应性上具有更大的优势。本发明既可以采用先自动整定参数，在使用中将整定得到的参数固定；又可以采用应用过程中实时自动整定的方式。本发明可实现不同对象情况下的参数自动整定，实现更优的控制性能。

主权项

1.一种分数阶PI^αD^β控制器参数自整定算法，所述的分数阶PI^αD^β控制器其参数的整定是通过一个由输入层、一个隐层和输出层构成的神经网络来实现的，用(e，e_-1， ce，ce_-1)和(k_p，k_i，k_d，α，β)分别表示神经网络的输入和输出；w_ij和w_li分别为输入层到隐层和隐层到输出层的权连接；分别表示各层节点的输出；该神经网络输入输出之间的关系可由如下一组方程来描述：设所采用的神经网络有4个输入节点、h个隐层节点和5个输出节点，则有Oj(1)=X(j),j=1,2,3,4---(1)]]>X＝(x₁，x₂，x₃，x₄)＝(e，e_-1，ce，ce_-1)    (2)neti(2)(k)=Σj=14wij(2)Oj(1),i=1,···,h---(3)]]>Oi(2)(k)=f(neti(2)(k)),i=1,···,h,---(4)]]>选择如下的隐层节点转移函数f(x)=tanh(x)=ex-e-xex+e-x,---(5)]]>则可得到输出节点的输入和输出为netl(3)(k)=Σi=1hwli(3)Oi(2),---(6)]]>Ol(3)(k)=g(netl(3)(k)),l=1,2,3,4,5---(7)]]>O(3)=(O1(3),O2(3),O3(3),O4(3),O5(3))=(kp,ki,α,kd,β)]]>其中g(·)为输出层转移函数，本发明采用形式如下：g(x)=12(1+tanh(x))=exex+e-x---(8)]]>这样便可以得到分数阶PI^αD^β控制器的五个参数；分数阶PI^αD^β控制器根据误差E(k)＝x(k)-y(k)，经误差反传算法可得神经网络连接权的更新公式如下：Δwli(3)(k)=-η∂E(k)∂wli(3)+λΔwli(3)(k-1)---(9)]]>Δwli(2)(k)=-η∂E(k)∂wli(2)+λΔwli(2)(k-1)---(10)]]>通过更新公式，可以获得一组新的权值；从而完成一次控制循环，又称为一个控制周期；式(1)-(10)构成了神经网络的学习算法；神经网络根据每个控制周期得到的误差，不断地修正权值并输出新的控制器参数，使得分数阶PI^αD^β控制器对被控对象产生更好的控制作用，从而提高控制性能；其特征在于：具体算法包括以下步骤：A、为神经网络赋初始权，所述的初始权为随机数；B、通过每个控制周期获得的输出误差，计算误差的变化率，从而获得神经网络的输入变量；C、根据选择的转移函数，运用公式(1)-(8)正向计算网络隐层与输出层的输出；D、计算输出误差E(k)＝x(k)-y(k)E、判断是否满足误差要求ε，即|E(k)|≤ε，不满足，则根据公式(9)-(10)更新神经网络权值，转步骤B；所述的ε根据具体情况确定；F、结束。