function [sys,x0,str,ts]=my_exppidf(t,x,u,flag)
switch flag,
    case 0,
        [sys,x0,str,ts]=mdlInitializeSizes;
    case 2,
        sys=mdlUpdates(x,u);
    case 3,
        sys=mdlOutputs(t,x,u);
    case {1,4,9},
        sys=[];
    otherwise
        error(['unhandled flag=',num2str(flag)]);%异常处理
end
function[sys,x0,str,ts]=mdlInitializeSizes
    sizes=simsizes;%用于设置模块参数的结构体用simsizes来生成
    sizes.NumContStates=0;%模块连续状态变量的个数
    sizes.NumDiscStates=3;%模块离散状态变量的个数
    sizes.NumOutputs=4;%模块输出变量的个数
    sizes.NumInputs=7;%模块输入变量的个数
    sizes.DirFeedthrough=1;%模块是否存在直接贯通，1表示存在直接贯通，若为0，则mdlOutputs函数里不能有u
    sizes.NumSampleTimes=1;%模块的采样时间个数,至少是一个
    sys=simsizes(sizes);%设置完后赋给sys输出
    x0=zeros(3,1);%系统状态变量设置
    str=[];
    ts=[0 0];%采样周期设为0表示是连续系统，
%     ts=[0.001 0];%采样周期设为0表示是连续系统，
function sys=mdlUpdates(x,u)
        T=0.001;
        x=[u(5);x(2)+u(5)*T;(u(5)-u(4))/T];%3个状态量（偏差、偏差和以及偏差变化量），u(5)是偏差，u(4)是上一次的偏差，x(2)则是之前的偏差和
        sys=[x(1);x(2);x(3)];
function sys=mdlOutputs(t,x,u)
            xite=0.2;
            alfa=0.05;
            IN=3;H=5;OUT=3;
            wi=rand(5,3);%产生一个5*3的随机数矩阵，随机数在（0，1）区间
            wi_1=wi;wi_2=wi;wi_3=wi;
            wo=rand(3,5);
            wo_1=wo;wo_2=wo;wo_3=wo;
            Oh=zeros(5,1);%产生一个1*5的零矩阵(行矩阵)
            I=Oh;
            xi=[u(1),u(3),u(5)];%神经网络训练的3个输入，期望值、误差以及实际值
            epid=[x(1);x(2);x(3)];%3个状态变量（偏差、偏差和、偏差变化量）（3*1矩阵，列向量）
            I=xi*wi';%隐层的输入
            for j=1:1:5
                Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j)));%隐层的输出值（1*5矩阵）行矩阵
            end
            K1=wo*Oh;%输出层的输入（3*1矩阵）
            for i=1:1:3
                K(i)=exp(K1(i))/(exp(K1(i))+exp(-K1(i)));%得到输出层的输出（KP、KI、KD）（1*3矩阵，行向量）
            end
            u_k=K*epid;%计算得到控制律u，1个值
            %%以下是权值调整
            %隐含层至输出层的权值调整
            dyu=sign((u(3)-u(2))/(u(7)-u(6)+0.0001));
            for j=1:1:3
                dK(j)=2/(exp(K1(j))+exp(-K1(j)))^2; %输出层的输出的一阶导
            end
            for i=1:1:3
                delta3(i)=u(5)*dyu*epid(i)*dK(i);  %输出层的delta
            end
            for j=1:1:3
                for i=1:1:5
                    d_wo=xite*delta3(j)*Oh(i)+alfa*(wo_1-wo_2);
                end
            end
            wo=wo_1+d_wo;
            %以下是输入层至隐含层的权值调整
            for i=1:1:5
                dO(i)=4/(exp(I(i))+exp(-I(i)))^2;%(1*5矩阵)
            end
            segma=delta3*wo;%（1*5矩阵，行向量）
            delta2 = dO.*segma;
            d_wi = delta2'*xi+alfa*(wi_1-wi_2);
            wi=wi_1+d_wi;
            wo_3=wo_2;
            wo_2=wo_1;
            wo_1=wo;%储存输出层本次调整后的权值
            wi_3=wi_2;
            wi_2=wi_1;
            wi_1=wi;%储存隐层本次调整后的权值
         Kp=K(1);Ki=K(2);Kd=K(3);
         sys=[u_k,Kp,Ki,Kd];       

1、仿真设置

2、关于 Transport Delay ，文章中要求延时80,但本例子中设置不延时，如果延时80s会出现一直是0直线

    最近在学习电机的智能控制，上周学习了基于单神经元的PID控制，这周研究基于BP神经网络的PID控制。

    神经网络具有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。利用BP神经网络可以建立参数Kp,Ki,Kd自整定的PID控制器。基于BP神经网络的PID控制系统结构框图如下图所示：

    控制器由两部分组成：经典增量式PID控制器；BP神经网络

    经典增量式PID控制器

    BP神经网络控制算法

    BP神经网络结构如下图所示：

    它是一种有隐含层的3层前馈网络，包括输入层、隐含层和输出层。输出层的三个输出分别对应PID控制器的三个可调参数Kp、Ki和Kd。由于Kp、Ki和Kd不能为负，所以输出层神经元的变换函数取非负的Sigmoid函数，而隐含层神经元的变换函数可取正负对称的Sigmoid函数。

    BP神经网络的输入（M为输入变量的个数）：

    隐含层的输入输出为：

    输出层的输入输出：

     采用以输出误差二次方为性能指标，其性能指标函数为：

    按照梯度下降法修正网络的加权系数，并附加一使搜索快速收敛全局极小的惯性项，则有BP神经网络输出层的加权系数修正公式为：

    同理，可得隐含层加权系数的计算公式为：

    由此，BP神经网络PID控制算法可总结为：

    （1）确定BP神经网络结构，即确定输入层和隐含层的节点个数，选取各层加权系数的初值wij(0)、wli(0),选定学习速率和惯性系数，此时k=1

    （2）采样给定和反馈信号，即r(k)和y(k),计算误差e(k)=r(k)-y(k)

    （3）确定输入量

    （4）根据上述公式，计算各层神经元的输入、输出，神经网络输出层即为PID控制器的三个可调参数Kp、Ki和Kd

    （5）由增量式PID控制公式，计算PID控制器的控制输出u(k)

    （6）进行神经网络学习，实时自动调整输出层和隐含层的加权系数wli(k)和wij(k)，实现PID控制参数的自适应调整

    （7）置k=k+1，返回步骤（2）

    Matlab Simulink仿真建模

    输入为阶跃信号，其参数为默认值，一个简单的闭环控制系统。BP神经网络PID控制器的内部结构如下图所示：

    S-function的输入为:u=[e(k);e(k-1);e(k-2);y(k);y(k-1);r(k);u(k-1);隐含层+输出层权值系数(k-2);隐含层+输出层权值系数(k-1)]=

[u(1);u(2);u(3);u(4);u(5);u(6);u(7);...u(隐含层权值个数+输出层权值个数）]，把所有的权值系数从输出再返回到输入是为了更新权值矩阵，从而自适应的调整PID三个参数。关于S-function的使用方法，请参考我写的另一篇博客：           https://blog.csdn.net/weixin_42650162/article/details/90488610

    S-function函数

    下面是S-function函数编写的控制算法：

    为了更好的理解下面的程序代码，先要理解Matlab中的几个函数

    通过(:)把一个矩阵变为一个列向量

    通过reshape函数，从列向量里任意组成矩阵如c=reshape(b,3,8)，b中元素按顺序排成一个3*8的矩阵，也就是还原了矩阵a，

    c=reshape(b(10:24),3,5)，b中第10个元素到第24个元素，按顺序排成一个3*5的矩阵。

    在我编写的S-function函数中，就是通过reshape函数，把输入的隐含层+输出层的列权值系数还原成：隐含层权值系数矩阵+输出层权值系数矩阵，通过算法完成这两个权值系数矩阵的更新。

    下面是M文件编写的S-function控制算法：

function [sys,x0,str,ts,simStateCompliance] = nnbp(t,x,u,flag,T,nh,xite,alfa)
switch flag,
  case 0,
    [sys,x0,str,ts,simStateCompliance]=mdlInitializeSizes(T,nh);
%初始化函数
  case 3,
    sys=mdlOutputs(t,x,u,nh,xite,alfa);
%输出函数
  case {1,2,4,9},
    sys=[];
  otherwise
    DAStudio.error('Simulink:blocks:unhandledFlag', num2str(flag));
end
function [sys,x0,str,ts,simStateCompliance]=mdlInitializeSizes(T,nh)
%调用初始画函数，两个外部输入参数 参数T确定采样时间，参数nh确定隐含层层数
sizes = simsizes;
sizes.NumContStates  = 0;
sizes.NumDiscStates  = 0;
sizes.NumOutputs     = 4+6*nh;
%定义输出变量，包括控制变量u,三个PID参数：Kp,Ki,Kd,隐含层+输出层所有加权系数
sizes.NumInputs      = 7+12*nh;
%定义输入变量，包括前7个参数[e(k);e(k-1);e(k-2);y(k);y(k-1);r(k);u(k-1)]
%隐含层+输出层权值系数（k-2),隐含层+输出层权值系数（k-1）
sizes.DirFeedthrough = 1;
sizes.NumSampleTimes = 1; 
sys = simsizes(sizes);
x0  = [];
str = [];
ts  = [T 0];
simStateCompliance = 'UnknownSimState';
function sys=mdlOutputs(t,x,u,nh,xite,alfa)
%调用输出函数
wi_2 = reshape(u(8:7+3*nh),nh,3);
%隐含层（k-2)权值系数矩阵，维数nh*3
wo_2 = reshape(u(8+3*nh:7+6*nh),3,nh);
%输出层（k-2）权值系数矩阵，维数3*nh
wi_1 = reshape(u(8+6*nh:7+9*nh),nh,3);
%隐含层（k-1)权值系数矩阵，维数nh*3
wo_1 = reshape(u(8+9*nh:7+12*nh),3,nh);
%输出层（k-1）权值系数矩阵，维数3*nh
xi = [u(6),u(4),u(1)];
%神经网络的输入xi=[u(6),u(4),u(1)]=[r(k),y(k),e(k)]
xx = [u(1)-u(2);u(1);u(1)+u(3)-2*u(2)];
%xx=[u(1)-u(2);u(1);u(1)+u(3)-2*u(2)]=[e(k)-e(k-1);e(k);e(k)+e(k-2)-2*e(k-1)]
I = xi*wi_1';
%计算隐含层的输入，I=神经网络的输入*隐含层权值系数矩阵的转置wi_1'，结果为：
%I=[net0(k),net1(k)...netnh(k)]为1*nh矩阵
Oh = exp(I)./(exp(I)+exp(-I));
%激活函数，可更改
%计算隐含层的输出，(exp(I)-exp(-I))./(exp(I)+exp(-I))为隐含层的激活函数Sigmoid
%Oh=[o0(k),o1(k)...onh(k)],为1*nh的矩阵
O = wo_1*Oh';
%计算输出层的输入，维数3*1
K = 2./(exp(O)+exp(-O)).^2;
%激活函数，可更改
%计算输出层的输出K=[Kp,Ki,Kd]，维数为1*3
%exp(Oh)./(exp(Oh)+exp(-Oh))为输出层的激活函数Sigmoid
uu = u(7)+K'*xx;
%根据增量式PID控制算法计算控制变量u(k)
dyu = sign((u(4)-u(5))/(uu-u(7)+0.0000001));
%计算输出层加权系数修正公式的sgn
%sign((y(k)-y(k-1))/(u(k)-u(k-1)+0.0000001)近似代表偏导
dK = 2./(exp(K)+exp(-K)).^2;
%激活函数，可更改
delta3 = u(1)*dyu*xx.*dK;
wo = wo_1+xite*delta3*Oh+alfa*(wo_1-wo_2);
%输出层加权系数矩阵的修正
dOh = 2./(exp(Oh)+exp(-Oh)).^2;
%激活函数，可更改
wi = wi_1+xite*(dOh.*(delta3'*wo))'*xi+alfa*(wi_1-wi_2);
%隐含层加权系数修正
sys = [uu;K(:);wi(:);wo(:)];
%输出层输出sys=[uu;K(:);wi(:);wo(:)]=
%[uu;Kp;Ki;Kd;隐含层+输出层所有权值系数]
%K(:),wi(:),wo(:),把这三个矩阵按顺序排为列向量

    本函数有四个外部输入变量：T，nh，xite,alfa T输入采样时间，nh确定隐含层层数，xite和alfa权值系数修正公式里的学习速率和惯性系数。

    为了更好地分配S-function的输出，需要对Demux进行如下设置：

    确保前三个输出变量为：控制变量u,Kp,Ki,Kd,剩下的变量为隐含层权值系数矩阵+输出层权值系数矩阵总数之和。

    然后对此S-function函数进行封装：

具体过程可以参考我的另一篇博客：

    https://blog.csdn.net/weixin_42650162/article/details/90488610

    完成后点击S-function函数，会弹出外部参数设置框，设置参数如下：

    注：T采样时间要和设置的控制算法的采样时间一样，不然会报错，如下：

    下面是仿真结果：

    Kp、Ki、Kd的自适应变化曲线：

    Kp：

    Ki：

    Kd:

    有关仿真的所有资源已上传，如有需要可自行下载：

    https://download.csdn.net/download/weixin_42650162/11216367

基于MATLAB的BP神经网络PID控制器设计

一、BP神经网络PID控制算法步骤：

（1）确定BP神经网络结构，即确定输入层和隐含层的节点个数，选取各层加权系数的初值wij(0)、wli(0),选定学习速率和惯性系数，此时k=1

（2）采样给定和反馈信号，即r(k)和y(k),计算误差e(k)=r(k)-y(k)

（3）确定输入量

（4）根据上述公式，计算各层神经元的输入、输出，神经网络输出层即为PID控制器的三个可调参数Kp、Ki和Kd

（5）由增量式PID控制公式，计算PID控制器的控制输出u(k)

（6）进行神经网络学习，实时自动调整输出层和隐含层的加权系数wli(k)和wij(k)，实现PID控制参数的自适应调整

（7）置k=k+1，返回步骤（2）

二、建立模型

2.1 BP_PID

2.2 Subsystem

2.3 S_Function

function [sys,x0,str,ts,simStateCompliance] = nnbp(t,x,u,flag,T,nh,xite,alfa)
switch flag,
  case 0,
    [sys,x0,str,ts,simStateCompliance]=mdlInitializeSizes(T,nh);
%初始化函数
  case 3,
    sys=mdlOutputs(t,x,u,nh,xite,alfa);
%输出函数
  case {1,2,4,9},
    sys=[];
  otherwise
    DAStudio.error('Simulink:blocks:unhandledFlag', num2str(flag));
end
function [sys,x0,str,ts,simStateCompliance]=mdlInitializeSizes(T,nh)
%调用初始画函数，两个外部输入参数 参数T确定采样时间，参数nh确定隐含层层数
sizes = simsizes;
sizes.NumContStates  = 0;
sizes.NumDiscStates  = 0;
sizes.NumOutputs     = 4+6*nh;
%定义输出变量，包括控制变量u,三个PID参数：Kp,Ki,Kd,隐含层+输出层所有加权系数
sizes.NumInputs      = 7+12*nh;
%定义输入变量，包括前7个参数[e(k);e(k-1);e(k-2);y(k);y(k-1);r(k);u(k-1)]
%隐含层+输出层权值系数（k-2),隐含层+输出层权值系数（k-1）
sizes.DirFeedthrough = 1;
sizes.NumSampleTimes = 1; 
sys = simsizes(sizes);
x0  = [];
str = [];
ts  = [T 0];
simStateCompliance = 'UnknownSimState';
function sys=mdlOutputs(t,x,u,nh,xite,alfa)
%调用输出函数
wi_2 = reshape(u(8:7+3*nh),nh,3);
%隐含层（k-2)权值系数矩阵，维数nh*3
wo_2 = reshape(u(8+3*nh:7+6*nh),3,nh);
%输出层（k-2）权值系数矩阵，维数3*nh
wi_1 = reshape(u(8+6*nh:7+9*nh),nh,3);
%隐含层（k-1)权值系数矩阵，维数nh*3
wo_1 = reshape(u(8+9*nh:7+12*nh),3,nh);
%输出层（k-1）权值系数矩阵，维数3*nh
xi = [u(6),u(4),u(1)];
%神经网络的输入xi=[u(6),u(4),u(1)]=[r(k),y(k),e(k)]
xx = [u(1)-u(2);u(1);u(1)+u(3)-2*u(2)];
%xx=[u(1)-u(2);u(1);u(1)+u(3)-2*u(2)]=[e(k)-e(k-1);e(k);e(k)+e(k-2)-2*e(k-1)]
I = xi*wi_1';
%计算隐含层的输入，I=神经网络的输入*隐含层权值系数矩阵的转置wi_1'，结果为：
%I=[net0(k),net1(k)...netnh(k)]为1*nh矩阵
Oh = exp(I)./(exp(I)+exp(-I));
%激活函数，可更改
%计算隐含层的输出，(exp(I)-exp(-I))./(exp(I)+exp(-I))为隐含层的激活函数Sigmoid
%Oh=[o0(k),o1(k)...onh(k)],为1*nh的矩阵
O = wo_1*Oh';
%计算输出层的输入，维数3*1
K = 2./(exp(O)+exp(-O)).^2;
%激活函数，可更改
%计算输出层的输出K=[Kp,Ki,Kd]，维数为1*3
%exp(Oh)./(exp(Oh)+exp(-Oh))为输出层的激活函数Sigmoid
uu = u(7)+K'*xx;
%根据增量式PID控制算法计算控制变量u(k)
dyu = sign((u(4)-u(5))/(uu-u(7)+0.0000001));
%计算输出层加权系数修正公式的sgn
%sign((y(k)-y(k-1))/(u(k)-u(k-1)+0.0000001)近似代表偏导
dK = 2./(exp(K)+exp(-K)).^2;
%激活函数，可更改
delta3 = u(1)*dyu*xx.*dK;
wo = wo_1+xite*delta3*Oh+alfa*(wo_1-wo_2);
%输出层加权系数矩阵的修正
dOh = 2./(exp(Oh)+exp(-Oh)).^2;
%激活函数，可更改
wi = wi_1+xite*(dOh.*(delta3'*wo))'*xi+alfa*(wi_1-wi_2);
%隐含层加权系数修正
sys = [uu;K(:);wi(:);wo(:)];
%输出层输出sys=[uu;K(:);wi(:);wo(:)]=
%[uu;Kp;Ki;Kd;隐含层+输出层所有权值系数]
%K(:),wi(:),wo(:),把这三个矩阵按顺序排为列向量

三、实验结果及分析

3.1 output

3.2 kp

3.3 ki

3.4 kd

参考文章

基于BP神经网络PID控制+Simulink仿真