TY - JOUR ID - TI - Neural Networks for Optimal Selection of The PID Parameters and Designing Feedforward Controller AU - Mr. Ahmed S. Al-Araji AU - Miss May N. Bunny PY - 2006 VL - 6 IS - 2 SP - 92 EP - 111 JO - IRAQI JOURNAL OF COMPUTERS, COMMUNICATIONS, CONTROL AND SYSTEMS ENGINEERING المجلة العراقية لهندسة الحاسبات والاتصالات والسيطرة والنظم SN - 18119212 AB - Abstract:A neural network-based feedforward controller and self-tuning PID controllerwith optimization algorithm is presented. The scheme of the controller is based on twounknown models that describe the system and optimization algorithm. These models aremodified Elman recurrent neural network and NARMA-L2. The modified Elmanrecurrent neural network (MERNN) model and NARMA-L2 model are learned withtwo stages off-line and on-line, in order to guarantee that the output of the modelaccurately represents the actual output of the system. The aim from the NARMA-L2model is to find the Inverse Feedforward Controller (IFC) which controls the steadystateoutput of the system. The MERNN model after being learned is called theidentifier. The feedback PID self tuning control signal for N-step ahead can becalculated the PID parameters by using the optimization algorithm with the quadraticperformance index which is quadratic in the error between the desired set point and themodel output, as well as quadratic of the control action. The paper explains thealgorithm for a general case, and then a specific application on non-linear dynamicalplant is presented.

الخلاصةأن الشبكة العصبية أساس المسيطر التغـذيـة الأمامـية(Feedforward Neural Controller) و المسيطرPID ذات التنغيم التلقائي مع الخوارزمية المثالية قدمت في هذا البحث.أن هيكلية المسيطر المستخدم تتألف من نموذجين غير معرفين يصفان المنظومة مع خوارزمية المثلى هذان النموذجين هما (Modified Elman Neural Network & NARMA-L2) . أن نموذجين يتعلماً بمرحلتين (On-line & Off-line) لكي يضمن أن إخراج النموذج يمثل ألا خراج الحقيقي وبصورة دقيقة.أن الهدف من النموذج (NARMA-L2) هو أيجاد معكوس مسيطر التغذية الأمامية(Inverse Feedforward Controller) و الذي يتحكم بالاستجابة النهائية للمنظومة. ويطلق على النموذج(Modified Elman Neural Network) الناتج بعد التعلم "المعرف" (Identifier) ومن المعرف و الخوارزمية المثلية يمكن حساب القيم المثلى للعناصر المسيطر PID ومن ثم يمكن حساب إشارة التغذية العكسية لعدد ( ن) من الخطوات اللاحقه ولكل لحظه من اجل السيطرة على الاستجابة العابرة للمنظومة عن طريق تقليل معامل الأداء وهو مربع الفرق بين ألا خراج المرغوب واخراج النموذج إضافة إلى مربع إشارة السيطرة. وتم شرح هذه الخوارزمية واخذ مثال ذات تصرف لاخطي. ER -