基于CMAC神经网络的PID参数自整定方法的研究
训练收敛后，权值体现了特征参数与PID控制器的待整定参数的关系。图4所示为CMAC神经网络对1620组特征参数模式的训练误差曲线。
图4CMAC训练误差曲线
Fig.4TrainingerrorcurveofCMAC
图5训练数据在各误差区间中的个数
Fig.5Numbersoftrainingdataindifferentsectionoferror
图6CMAC测试误差曲线
Fig.6TestingerrorcurveofCMAC
图7测试数据在各误差区间中的个数
Fig.7Numbersoftestingdataindifferentsectionoferror
图8整定前后的响应曲线
图4CMAC训练误差曲线
Fig.4TrainingerrorcurveofCMAC
图5所示为1620组训练数据送入CMAC神经网络训练后，训练数据在各个误差区间中的个数，可看出超过90%的训练数据具有较高的误差精度，即误差精度0.1。
图5训练数据在各误差区间中的个数
Fig.5Numbersoftrainingdataindifferentsectionoferror
把选取的2000种特征参数模块中剩下的380组作为测试集，对训练后的CMAC参数整定网络进行测试。输出的控制参数变化值与学习样本期望结果进行对比，错误率为7.8%，说明CMAC网络训练比较成功，具有一定的泛化能力。图6所示为CMAC神经网络的测试误差曲线。图7所示为测试数据在各误差区间中的个数。
图6CMAC测试误差曲线
Fig.6TestingerrorcurveofCMAC
图7测试数据在各误差区间中的个数
Fig.7Numbersoftestingdataindifferentsectionoferror
5仿真结果
选取被控对象为：
，原控制器对此对象的控制性能达到要求，阶跃扰动曲线如图8中线1所示。当进行PID参数自整定，整定后的响应曲线为图8中线2，把特征参量送入CMAC参数整定网络，整定后参数为
。从仿真图中，我们可以看出PID参数的整定效果比较理想，且CMAC神经网络的达到稳定的训练时间也比较短。
图8整定前后的响应曲线
6结论
仿真结果表明，CMAC神经网络的特性使其适合在PID参数自整定中使用。CMAC神经网络权值的调整是局部的，学习速度快，收敛性好，而且PID参数的整定效果也满足整定要求。文章的创新点：在基于模式识别的PID参数自整定系统中，直接利用CMAC网络获取整定规则，避免了传统的大量专家整定经验的建立。
加入微信
获取电子行业最新资讯
搜索微信公众号：EEPW
或用微信扫描左侧二维码
