0引言

　　控制器的參數整定是通過對PID控制器參數（K_P,K_I,K_D）的調整，使得系統的過渡過程達到滿意的質量指標要求。PID參數的整定一般需要經驗豐富的工程技術人員來完成，既耗時又耗力，加之實際系統千差萬別，又有滯后非線性等因素，使PID參數的整定有一定的難度，致使許多PID控制器沒能整定的很好;這樣的系統自然無法工作在令人滿意的狀態，為此人們提出了自整定PID控制器。將過程動態性能的確定和PID控制器參數的計算方法結合起來就可實現PID控制器的自整定[1,2]。

　　筆者設計出一種基于CMAC小腦模型神經網絡的PID參數自整定的控制系統，從而實現PID參數的快速整定，并且使得PID的參數整定達到一定的精度。

1CMAC神經網絡

　　CMAC（Cerebellarmodelarticulationcontroller）是J.S.Albus在1975年提出的一種模擬小腦功能的神經網絡模型。CMAC是一種聯想網絡，對每一輸出只有小部分神經元（由輸入決定）與之相關，它的聯想具有局部泛化能力，即相似的輸入將產生相似的輸出，而遠離的輸入產生幾乎獨立的輸出。CMAC與感知器比較相似，雖然從每個神經元看其關系是一種線性關系，但從結果總體看，它適合一種非線性的映射，因而可以把CMAC看作一個用于表達非線性映射（函數）的表格系統[3]。由于它的自適應調節（學習）是在線性映射部分，所以其學習算法是簡單的算法，收斂速度比BP快得多，且不存在局部極小問題[4]。CMAC神經網絡結構如圖1所示。

圖1CMAC結構

2系統原理

　　系統的工作原理為：當閉環控制系統受到擾動時，對系統誤差的時間特性進行模式識別，首先得出系統誤差曲線的峰值及時間，如圖2所示。

圖2給定值階躍變化時的誤差e（t）曲線

　　再根據以下公式得出該過程響應曲線的多個特征參數ei（i=1,2,3）分別為：超調量σ，阻尼比ζ和衰減振蕩周期T。

　　將識別出的三個特征參數作為輸入送入CMAC參數整定網絡，經計算后得出相應的PID參數的變化量（），再將所得參數送入PID控制器，從而實現PID參數的自整定。PID參數自整定系統如圖3所示。

圖3PID參數自整定控制系統

　　在本CMAC神經網絡中，獲取系統誤差特性曲線中的三個特征參數，每個特征參數根據表的劃分，成為一個特征參數等級。當每個區域的特征參數大小都確定時，就組成了一個特征參數模式。當獲取的特征值發生變化時，相應的模式也發生變化。因而本文建立的CMAC網絡的輸入是一個3個分量組成的向量，即選取的三個特征值（阻尼比，超調量百分比，衰減振蕩周期）也可稱為特征參數模式。由于PID控制器需整定的參數為3個，所以，CMAC網絡的輸出為3個分量組成的向量。每一個元素與PID控制器中的一個待整定參數相對應。