基于FPGA的神經(jīng)元自適應PID控制器設計
引言
迄今為止,PID控制器因其具有結構簡單、容易實現(xiàn)等特點,仍是實際工業(yè)過程中廣泛采用的一種比較有效的控制方法。但當被控對象存在非線性和時變特性時,傳統(tǒng)的PID 控制器往往難以獲得滿意的控制效果。神經(jīng)網(wǎng)絡以其強大的信息綜合能力為解決復雜控制系統(tǒng)問題提供了理論基礎,許多學者也通過軟件仿真的形式驗證了神經(jīng)網(wǎng)絡控制的可行性并提出了一些新的算法,但由于目前沒有相應的硬件支持,只通過軟件編程,利用串行方法來實現(xiàn)神經(jīng)網(wǎng)絡控制必然導致運算速度低,難以保證實時控制。FPGA結構靈活、通用性強、速度快、功耗低,用它來構造神經(jīng)網(wǎng)絡,可以靈活地實現(xiàn)各種運算功能和學習規(guī)則,并且設計周期短、系統(tǒng)速度快、可靠性高。
本文主要介紹了用FPGA實現(xiàn)單神經(jīng)元自適應PID控制器的方法,并對基于BP神經(jīng)網(wǎng)絡整定的PID控制器的FPGA設計做了概述。
神經(jīng)元自適應PID控制器的
基本原理和算法
單神經(jīng)元PID控制器的結構
三輸入單神經(jīng)元模型如圖1所示。其中x1,x2,x3是輸入量,w1、w2、w3是對應的權值,K為比例系數(shù)。
與傳統(tǒng)PID控制器經(jīng)離散處理后的增量表達式
苪(k)=kie(k)+kp(e(k)-e(k-1)+kd(e(k)-2e(k-1)+e(k-2))
比較而知,圖1是用單神經(jīng)元實現(xiàn)了自適應PID控制,權值w1、w2、w3分別對應于傳統(tǒng)PID控制器的ki,kp和kd。
學習算法
經(jīng)過大量的實際應用,實踐表明PID參數(shù)的在線學習修正主要與芿(k)和e(k)有關。因此可將單神經(jīng)元自適應PID控制算法中的加權系數(shù)學習修正部分進行修改
本文里用FPGA實現(xiàn)的單神經(jīng)元學習算法就采用了這種基于改進規(guī)則的方法。
神經(jīng)元算法在FPGA
上的實現(xiàn)
FPGA上浮點數(shù)的運算
浮點加、減、乘、除運算單元
的設計
神經(jīng)元PID算法離不開浮點運算,浮點運算在高級語言中使用很方便,但是通過硬件來實現(xiàn)就比較復雜,所以大多數(shù)的EDA軟件目前還不支持浮點運算,浮點運算器件只能自行設計,其中主要考慮的是運算精度、運算速度、資源占用以及設計復雜度。
浮點數(shù)的加法和減法需要經(jīng)過對階、尾數(shù)運算、規(guī)格化、舍入操作和判斷結果正確性5個步驟,其設計原理圖如圖2所示,整個運算過程由op_state狀態(tài)機控制,op輸入端決定運算法則(0為加法,1為減法),a、b兩端分別輸入24位浮點數(shù)格式的加數(shù)和被加數(shù),經(jīng)過float_add_minus模塊的對階、尾數(shù)加(減)、舍入操作和判斷結果正確性四步運算,再由result_ normalization模塊規(guī)格化處理后輸出。
浮點乘法相對比較簡單,兩個浮點數(shù)相乘,其乘積的階碼是兩個數(shù)的階碼之和,乘積的尾數(shù)是兩個數(shù)尾數(shù)的乘積,符號是相乘數(shù)符號的異或,結果一樣需要規(guī)格化。
同理,浮點除法運算中,商的階碼是兩個數(shù)的階碼之差(被除數(shù)減除數(shù)),商的尾數(shù)是兩個數(shù)尾數(shù)的商,符號是兩個數(shù)符號的異或,注意這里結果的規(guī)格化與以往不同,是向右規(guī)格化操作。
由于篇幅所限,本文在此不再給出乘法器和除法器的詳細設計圖,在具體實現(xiàn)中,乘法器的尾數(shù)乘積運算采用了booth算法,除法器的尾數(shù)相除運算采用了移位相減的方法。
二進制與十進制浮點數(shù)相互
轉換電路的設計
系統(tǒng)輸入值、從傳感器反饋回來的系統(tǒng)輸出值以及送給DAC的輸出控制量都不是上述二進制的浮點數(shù)類型,因此就需要能夠將兩種類型的數(shù)據(jù)進行相互轉換的電路。完成二進制浮點數(shù)轉換成十進制浮點數(shù)的全部操作所需要的時鐘數(shù)取決于二進制浮點數(shù)的大小,最少232個,最多1069個;而十進制浮點數(shù)轉換成二進制浮點數(shù)時,不論浮點數(shù)的大小,都只需要194個時鐘周期。
神經(jīng)元算法在FPGA上的實現(xiàn)
有了以上加、減、乘、除浮點運算模塊以及進制轉換模塊,要實現(xiàn)神經(jīng)元算法只需合理地把他們組織到一起。在FPGA里,是通過一個狀態(tài)機來完成這一功能的。狀態(tài)轉換圖如圖3所示,在圖中每個標有計算字樣的狀態(tài)里,所有運算都是并行完成的,大大節(jié)省了運算時間。圖中的START信號可以由微控制器給出,需要注意的是,并不只是在最后的狀態(tài)里START=0才使狀態(tài)機復原到IDLE狀態(tài),實際情況是,任意時刻只要START=0,狀態(tài)機都會復原。這一點由于篇幅所限沒能在圖上標示出來,在此做一簡要說明。
使用 Synplify Pro 7.1在Xilinx Virtex2 XC2V1500fg676-4上實現(xiàn)了該系統(tǒng)的綜合,時鐘頻率為98.4MHz,LUT資源占用率為76%。
基于BP神經(jīng)網(wǎng)絡整定的PID
控制器的FPGA設計概述
基于BP(Back Propagation)網(wǎng)絡的PID控制系統(tǒng)參數(shù)整定結構如圖4所示,控制器由兩部分構成:
(1) 經(jīng)典的PID控制器:直接對被控對象進行閉環(huán)控制,三個參數(shù)kp、ki、kd為在線調(diào)整方式;
(2)神經(jīng)網(wǎng)絡:根據(jù)系統(tǒng)的運行狀態(tài),調(diào)節(jié)PID控制器的參數(shù),以期達到某種性能指標的最優(yōu)化。即使輸出層神經(jīng)元的輸出狀態(tài)對應于PID控制器的三個可調(diào)參數(shù)kp、ki、kd,通過神經(jīng)網(wǎng)絡的自學習、加權系數(shù)調(diào)整,使神經(jīng)網(wǎng)絡的輸出對應于某種最優(yōu)控制率下的PID控制器參數(shù)。
用FPGA實現(xiàn)BP神經(jīng)網(wǎng)絡,除了各個浮點運算模塊之外,還需要實現(xiàn)隱層神經(jīng)元的活化函數(shù)——正負對稱的Sigmoid函數(shù):
和輸出層神經(jīng)元的活化函數(shù)——非負的Sigmoid函數(shù):
其中超越函數(shù)ex的實現(xiàn),常用的有兩大類:一是多項式迭代,該方法實現(xiàn)速度快,但需要乘法器,當計算精度較高時,硬件成本大;二是移位加迭代,此方法只需加法器,結構簡單易于實現(xiàn),但實現(xiàn)速度慢。參考文獻2中還提到了一種采用分段線性化的方法,雖然實現(xiàn)容易,但是精度較低。筆者擬在現(xiàn)有浮點四則運算模塊的基礎上,采用指數(shù)函數(shù)冪級數(shù)展開式前n項和的形式實現(xiàn)超越函數(shù)ex。這雖然也是采用了多項式迭代的方式,但采用FPGA實現(xiàn),可以在保證精度的前提下,減少硬件成本。有了這一模塊后,經(jīng)過合理安排BP算法的運算順序,就可以在FPGA上實現(xiàn)基于BP神經(jīng)網(wǎng)絡整定的PID控制器了。
結語
當今神經(jīng)網(wǎng)絡的應用大多以軟件方式完成核心算法,但受限于微處理器(或DSP)工作頻率太慢或PC機體積較大的弱點,難以大規(guī)模應用。鑒于此,本文提出了一種基于FPGA、以硬件方式完成神經(jīng)網(wǎng)絡算法的方案,在保證運算精度的前提下,運算速度可比同頻率的處理器以軟件方式實現(xiàn)快上百倍。另外,文中各個浮點運算模塊的實現(xiàn)還有一些有待優(yōu)化的地方,因此可以在硬件資源上更為節(jié)省。由此可見,硬神經(jīng)網(wǎng)絡是解決其學習速度慢、滿足實時控制需要的必由之路。