BP神经网络PID控制仿真在挤压机中的应用

２０１　１年３月　农机化研究　第３期　ＢＰ神经网络ＰＩ　Ｄ控制仿真在挤压机中的应用　王建鑫　，申德超　，马跃进　（１．河北农业大学机电工程学院，河北保定博２５５０４９）　０７１０００；２．山东理工大学农业工程与食品科学学院，山东淄　摘要：为了减少挤压机运行前的繁杂工作，针对自动供给系统提出了一种基于神经网络的ＰＩＤ控制方案，利　用神经网络的自学习能力对ＰＩＤ控制参数在线整定，使ＰＩＤ控制器具有自适应性。采用动态ＢＰ算法，达到了在　线实时控制的目的，显示了ＢＰ神经网络的ＰＩＤ控制方法很强的鲁棒性，同时也显示了神经网络在解决时变性和　严重不确定系统方面的潜能，并改变了运用试凑法调节参数的方法。运用Ｍａｆｌａｂ软件对挤压加料、加水和加酶　制剂自动控制系统进行仿真研究。仿真结果表明，神经网络ＰＩＤ控制器优于传统ＰＩＤ控制器，具有较高的精度和　较强的适应性，可以获得满意的控制效果。　关键词：神经网络；ＢＰ算法；ＰＩＤ控制；挤压机加料、加水和加酶制剂系统　中图分类号：ＴＰ２７３　．５　文献标识码：Ａ　文章编号：１００３—１８８Ｘ（２０１１）０３一Ｏ１９４－０４　０　引言　ＰＩＤ控制是最早发展起来且是目前工业过程控制　中应用最广泛的控制策略之一¨　。据统计，目前工业　相应的离散算式为　ｋ　（　）＝　ｅ（　）＋Ｋ　∑ｅ（　）＋　［ｅ（矗）一ｅ（　一１）］　其中，Ｋ　，Ｋ，，ＫＤ分别为比例、积分、微分系数；ｅ　控制中约有９０％仍是采用ＰＩＤ控制器。这是因为　ＰＩＤ控制器结构简单，易于实现且综合了关于系统过　去（Ｉ）、现在（Ｐ）、和未来（Ｄ）３方面的信息，对动态过　程无需太多的预测知识，鲁棒性强，控制效果也不　错　。在传统的ＰＩＤ调节器中，确定调节器的参数是　（ｋ）为第ｋ次采样的输入偏差值；Ｕ（　）为第ｋ次采样　时刻的输出值。ＰＩＤ控制器由比例（Ｐ）、积分（Ｉ）和微　分（Ｄ）等３个部分组成，直接对被控对象进行闭环控　制，并且３个参数　，　，　１．２神经网络　为在线调整方式。　控制的关键。但是ＰＩＤ参数的整定方法复杂，通常采　用试凑法来确定，经常要花费大量的时间和精力进行　反复的试验、修改，且不能得到最优的整定参数　．３ｊ。　ＢＰ神经网络通常采用基于ＢＰ神经元的多层前　向神经网络的结构形式。典型的ＢＰ神经网络是３层　网络，包括输入层、隐层和输出层，各层之间实行全连　接。输入层节点只是传递输入信号到隐含层；隐含层　神经元（即ＢＰ节点）的传递函数　常取可微的单调递　增函数，输出层神经元的特性决定了整个网络的输出　特性。当最后一层神经元采用Ｓｉｇｍｏｉｄ函数时，整个　网络的输出被限制在一个较小的范围内；如果最后一　１　神经网络ＰＩＤ控制　神经网络ＰＩＤ控制是神经网络应用于ＰＩＤ控制　并与传统ＰＩＤ控制相结合而产生的一种新型控制方　法，是对传统的ＰＩＤ控制的一种改进和优化［４］。　１．１　常规的ＰＩＤ控制器　层神经元采用Ｐｕｒｅｌｉｎ型函数，则整个网络的输出可以　取任意值　。　设　１，　２，…，　为ＢＰ网络的输入；Ｙｌ，Ｙ２，…，Ｙ　传统的ＰＩＤ控制器算式为　ｔ　Ｈ（ｔ）＝　［ｅ（ｆ）＋（１／ＴＩ）Ｉｅ（　）ｄｔ＋Ｔｏｄｅ（ｆ）／ｄｔ］　收稿日期：２Ｏ１０一１０—２９　基金项目：山东省自然科学基金项目（Ｙ２００８Ｂ１０）　作者简介：王建鑫（１９８６一），男，河北平乡人，硕士研究生，（Ｅ—　ｍａｉｌ）ｗａｎｇｊｉａｎｘｉｎ３５１１　８＠１６３．ｃｏｉｎ　为ＢＰ网络的输出；　１为输入层到隐含层的连接权值；　为隐含层到输出层的连接权值。　各参数之间的关系为　输入层：　＝　通讯作者：申德超（１９４６一），男，黑龙江克山人，教授，博士生导师，　（Ｅ—ｍａｉｌ）ｓｈｅｎｄｃ＠１２６．１７０１２１。　隐含层：０　＝∑　２　，　＝　￡：０　）　马跃进（１９５８一），男，河北肃宁人，教授，博士生导师，（Ｅ　ｍａｉｌ）ｍｙｊ＠ｈｅｂａｕ．ｅｄｕ　Ｃ１３　・输出层：　：∑　１　，　＝ｇ（０　）　Ｊ＝ｏ　ｌ９４・　２０１１年３月　农机化研究　ｕ—第３期　＿ＢＰ神经网络采用误差的反向传播来修正权值，使　性能指标Ｅ（后）＝（１／２）［ｒ（ｋ）一Ｙ（ｋ）］　最小。按照　梯度下降法修正网络的权值　输出层：　＝ｅ（ｋ）ｇ，［　（ｋ）］　ｗ　（　＋１）＝　（　）＋＇７　（ｋ）　（ｋ）　ｌ＝０；ｕ２＝０；ｕ３＝０；　ｔｓ＝０．００１；　ｆｏｒ　ｋ＝１：１：３００　ｔｉｍｅ（ｋ）＝ｋ　ｔｓ；　ｔｉｎ（ｋ）：０．５￥ｓｉｇｎ（ｓｉｎ（２　２　ｐｉ￥ｋ　ｔｓ））；　ｙｏｕｔ（ｋ）＝０．３６８　Ｙ－１＋０．２６　ｙ＿２＋０．１：ｌ＝ｕ一１＋０．　６３２　ｕ－２；　隐含层：６　＝　［　（ｋ）］　（ｋ＋１）＝　１（ｋ）＋叼　１．３神经网络ＰＩＤ控制器的控制算法【８　ｅｒｒｏｒ（ｋ）＝ｔｉｎ（ｋ）一ｙｏｕｔ（ｋ）；　％Ａｄｊｕｓｔｉｎｇ　Ｗｅｉｇｈｔ　Ｖａｌｕｅ　ｂｙ　ｈｅｂｂ　ｌｅａｒｎｉｎｇ　ａｌｇｏ・　ｒｉｔｈｍ　Ｍ：ｌ：　１）确定神经网络的结构，即确定输Ａ节点数和　隐含层节点数，并给出各层加权系数的初值ｗ　（０）和　２　（０），并选定学习速率田和惯性系数Ｏｔ，令ｋ：１；　２）采样得到ｒ（ｋ）和ｙ（ｋ），计算当前时刻的误　差ｅ（　）＝ｒ（　）一），（．ｉ｝）；　ｉｆ　Ｍ＝＝１％Ｎ０　Ｓｕｐｅｒｖｉｓｅｄ　Ｈｅｂ　ｌｅａｒｎｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｗｋｐ（ｋ）＝ｗｋｐ一１＋ｘｉｔｅＰ　ｕ　ｌ￥ｘ（１）；％Ｐ　ｗｋｉ（ｋ）＝ｗｋｉ—ｌ＋ｘｉｔｅＩ　ｕ—ｌ　ｘ（２）；％１　ｗｋｄ（ｋ）＝ｗｋｄ一１＋ｘｉｔｅＤ，Ｉ＝ｕ一１　ｘ（３）；％Ｄ　．　３）计算各神经网络的输人／输出，其输出层的输　出即为ＰＩＤ控制器的３个控制参数　，　，　；　４）计算ＰＩＤ控制器的输出；　５）进行神经网络学习，在线调整加权系数，实现　ＰＩＤ控制参数的自适应调整；　６）令ｋ：ｋ＋１，返回１）。ＢＰ神经网络自整在　ＰＩＤ控制系统结构如图１所示。　Ｋ：０．０６：　ｅｌｓｅｉｆ　Ｍ＝＝２％Ｓｕｐｅｒｖｉｓｅｄ　Ｄｅｌｔａ　ｌｅａｒｎｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｗｋｐ（ｋ）＝ｗｋｐ一１＋ｘｉｔｅＰ　ｅｒｒｏｒ（ｋ）　ｕ—ｌ；％Ｐ　ｗｋｉ（ｋ）＝ｗｋｉ—Ｉ＋ｘｉｔｅＩ　ｅｒｒｏｒ（ｋ）　ｕ—ｌ；％１　ｗｋｄ（ｋ）＝ｗｋｄ一１＋ｘｉｔｅＤ　ｅｒｒｏｒ（ｋ）　ｕ＿ｌ；％Ｄ　Ｋ＝０．１２；　ｅｎｄ　ｘ（１）＝ｅｒｒｏｒ（ｋ）一ｅｒｒｏｒ＿ｌ；％Ｐ　ｘ（２）＝ｅｒｒｏｒ（ｋ）；％Ｉ　ｘ（３）＝ｅｒｒｏｒ（ｋ）一２　ｅｒｒｏｒ一１＋ｅｒｒｏｒ＿２；％Ｄ　图１　ＢＰ神经网络自整定ＰＩＤ控制系统结构　Ｆｉｇ．１　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ａｕｔｏ—ｔｕｎｉｎｇ　ＰＩＤ　ｃｏｎｔｒｏｌ　ｓｙｓｔｅｍ　ｓｔｒｕｃｔｕｒｅ　ｗａｄｄ（ｋ）＝ａｂｓ（ｗｋｐ（ｋ））＋ａｂｓ（ｗｋｉ（ｋ））＋ａｂｓ（ｗｋｄ　（ｋ））；ｗｌ１（ｋ）＝ｗｋｐ（ｋ）／ｗａｄｄ（ｋ）；　ｗ２２（ｋ）＝ｗｋｉ（ｋ）／ｗａｄｄ（ｋ）；　其部分程序如下：　％Ｓｉｎｇｌｅ　Ｎｅｕｒａｌ　Ａｄａｐｔｉｖｅ　ＰＩＤ　Ｃｏｎｔｒｏｌｌｅｒ　ｃｌｅａｒ　ａｌｌ：　ｃｌｏｓｅ　ａｌｌ：　ｗ３３（ｋ）＝ｗｋｄ（ｋ）／ｗａｄｄ（ｋ）；　ｗ：［ｗｌ１（ｋ），ｗ２２（ｋ），ｗ３３（ｋ）］；　ｕ（ｋ）＝ｕ—ｌ＋Ｋ术ｗ木ｘ；％Ｃｏｎｔｒｏｌ　ｌａｗ　ｉｆ　ｕ（ｋ）＞１０　ｕ（ｋ）＝１０　ｘ＝［０，０，０］，．　ｘｉｔｅＰ＝２０．０：　ｘｉｔｅＩ＝１００：　ｘｉｔｅＤ＝２０．０：　．　ｅｎｄ　ｉｆ　ｕ（ｋ）＜一１０　ｕ（ｋ）＝一１０；　ｅｎｄ　ｅｒｒｏｒ＿％Ｉｎｉｔｉｌｉｚｉｎｇ　ｋｐ．ｋｉ　ａｎｄ　ｋｄ　ｗｋｐ１＝０．１０：　一２＝ｅｒｒｏｒｌ；　＿ｗｋｉ１＝０．１０：　～ｅｒｒｏｒ＿ｌ＝ｅｒｒｏｒ（ｋ）；　ｕ＿ｗｋｄ１＝０．１０：　一３＝ｕ　２；ｕ＿２＝ｕ＿１；ＩＩ＿１＝ｉ１（ｋ）；　％ｗｋｐ１＝ｒａｎｄ：　一ｙ＿３＝ｙ＿２；ｙ－２＝ｙ＿ｌ；ｙ－ｌ＝ｙｏｕｔ（ｋ）；　％ｗｋｉ１＝ｒａｎｄ；　一ｗｋｐ＿ｌ：ｗｋｐ（ｋ）；　％ｗｋｄ１＝ｒａｎｄ；　一ｗｋｄ＿Ｉ＝ｗｋｄ（ｋ）；　ｗｋｉ１＝ｗｋｉ（ｋ）；　一ｅｒｒｏｒ一１＝０：　ｅｒｒｏｒ—２＝０：　ｅｎｄ　ｙ＿ｌ：０；ｙ＿２＝０；ｙ＿３＝０；　・ｉｆｇｕｒｅ（１）；　１９５・　２０１　１年３月　ｐｌｏｔ（ｔｉｍｅ　ｌ，ｊ’　；　农机化研究　第３期　１３５，惯性系数取Ｏｔ＝０．１０８。将不同ＰＩＤ和测得不同　酶量数据输入网络训练后得到最优的Ｋ　，Ｋｊ，Ｋ。。　加权系数初始值取区间［一０．５，０．５］上的随机数。　２　４　４　２　３　５　３　Ｏ　３　２　３　４　３　４　驺　ｘｌａｂｅｌ（ｔｉｍｅ（Ｓ）　；ｙｌａｂｅｌ（，】’；　２　ＰｌＤ控制系统的仿真　为了检验神经网络ＰＩＤ控制系统的能力，在此进　行大量的实验。在此以加酶制剂系统为例进行试验　初始权值取随机值，运行稳定后用稳定权值代替随机　值。其跟踪结果和相应的曲线如图３所示。　Ｏ　Ｏ　Ｏ　０　Ｏ　０　Ｏ　０　Ｏ　仿真，设置加酶ＰＩＤ控制器ＳＶ值为４０ｍＬ／ｍｉｎ，以涡　轮流量计、智能电磁计量泵和输送管道设备为数学模　型的近似传递函数，即　Ｇ（ｓ）＝　＿＋　输入试凑法最优值Ｐ＝４２，，＝１１，Ｄ＝１，ＭＡＴＬＡＢ　仿真其跟踪结果和相应的曲线如图２所示。分别调节　∞　∞　∞　∞　∞　∞　∞　∞　Ｐ，，，Ｄ３个参数做以下实验测得数据如表１所示。　表１　加酶制剂数据对比表　Ｔａｂ．１　Ｐｌｕｓ　ｅｎｚｙｍｅ　ｐｒｅｐａｒａｔｉｏｎ　ｄａｔａ　ｃｏｎｔｒａｓｔ　ｔａｂｌｅ　如　粥　没定值　，Ｊ　｜Ｄ　测得值　／ｍｌ　．ｍｉｎ一　／ｍＩ　．ｍｉｎ　图３神经ｌ网络ＰＩＤ控制阶跃响应　Ｆｉｇ　３　Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ＰＩＤ　ｃｏｎｔｒｏｌ　ｕｎｉｔ　ｓｔｅｐ　ｒｅｓｐｏｎｓｅ　从图３中可以看出，采用传统的ＰＩＤ控制，其调节　时间ｔｓ＝１５０ｓ，超调量达到４５％；采用神经网络ＰＩＤ控　制，系统调节时间ｔｓ＝ｌＯＯｓ，超调量只有１０％，超调量　和调节时间得到改善。测得实验数据加酶制剂量每小　时的误差＜２％，很好地改善了原加酶制剂量的精度，　尤其对于本系统加料、加水和酶制剂的多少对产品的　品质有重大影响，超调量的较大改善对本系统有很大　促进。由此说明，后者神经网络ＰＩＤ的控制响应的快　速性和平稳性都比前者要好。　同理，将加粉料系统和加水系统也应用此方法，分　别利用任意１０组不同ＰＩＤ参数的结果设计ＢＰ神经网　络并进行ＭＡＴＬＡＢ仿真得到最优的ＰＩＤ参数。结果如　表２所示　表２各自系统最优ＰＩＤ参数　Ｔａｂ．２　Ｅａｃｈ　ｓｙｓｔｅｍ　ｏｐｔｉｍａｌ　ＰＩＤ　ｐａｒａｍｅｔｅｒｓ　图２传统ＰＩＤ控制阶跃响应　Ｆｉｇ．２　Ｔｒａｄｉｔｉｏｎａｌ　ＰＩＤ　ｃｏｎｔｒｏｌ　ｕｎｉｔ　ｓｔｅｐ　ｒｅｓｐｏｎｓｅ　将３组参数分别输入各系统ＰＩＤ调节控制器，同　时运行３个自动控制系统。实验结果表明，３个系统能　够快速稳定并互无干扰地进行自动控制，精确地完成　ｔ９６・　通过在ＭＡＴＬＡＢ中编程实现，３００个数据仿真点，　神经网络的结构选择３—５—３，学习效率取ｒ／＝０．　・２０１　１年３月　任务，达到了预期效果。　农机化研究　社，２００３．　第３期　赵文峰．基于ＭＡＴＬＡＢ控制系统设汁与仿真［Ｍ］．西安：　３结束语　ＢＰ神经网络与ＰＩＤ控制的结合，弥补了传统ＰＩＤ　控制的缺陷，神经网络具有非线性映射、自学习，非常　适合复杂非线性加工过程的建模与控制，并大大减少　了传统ＰＩＤ人工调节参数的繁杂过程。本文采用了　ＢＰ神经网络自整定的ＰＩＤ对挤压自动加水、加酶制　西安电子科技大学出版社，２００３．　刘明俊，于明祁．自动控制原理［Ｍ］．长沙：国防科技大　学出版社，２０００．　曾军，方厚辉．神经网络ＰＩＤ控制及其Ｍａｔｌａｂ仿真［Ｊ］．现　代电子技术，２００４，２７（２）：５１—５２．　吴伟，晏梦云，魏航信．基于神经网络的ＰＩＤ控制及其仿　真［Ｊ］．现代电子技术，２００９（１０）：１４３—１４５．　王亚斌．基于ＢＰ神经网络ＰＩＤ控制及其仿真［Ｊ］．江苏冶　金，２００８（２）：３３—３５．　剂加工过程系统进行控制。仿真结果可以看出，在抑　制系统超量、增强系统鲁棒性方面均优于普通ＰＩＤ控　制。ＢＰ神经网络自整定的ＰＩＤ控制为实现加工过程　的自适应控制提供了一种有效的应用方法。　参考文献：　１］赖寿宏．微型计算机控制技术［Ｍ］．北京：机械工业出版　吴淑娟．ＭＡＴＬＡＢ仿真在ＰＩＤ控制器参数整定中的应用　［Ｊ］．闽西职业技术学院学报，２００８，１０（２）：１１２—１１４．　何义，姚锡凡．基于ＢＰ网络自整定的ＰＩＤ控制在加工过　程中的应用［Ｊ］．控制与检测，２００９（１０）：４８—５１．　ｒｆ２　］ｊＴｈｅ　Ａｐｐｌｉｃａｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　ＰＩＤ　Ｃｏｎｔｒｏｌ　Ｓｉｍｕｌａｔｉｏｎ　ｏｆ　ＢＰ　　ｒ：ｒ●Ｌ　３　４　５　６　７　　８　］ｊ１ｊ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ｔｏ　Ｅｘｔｒｕｄｅｒ　Ｗａｎｇ　Ｊｉａｎｘｉｎ　，Ｓｈｅｎ　Ｄｅｃｈａｏ　，Ｍａ　Ｙｕｅｊｉｎ　（１．Ｃｏｌｌｅｇｅ　ｏｆ　Ｅｌｅｃｔｉｒｃａｌ　ａｎｄ　Ｍｅｃｈａｎｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ａｇｒｉｃｕｌｔｕｒａｌ　ｏｆ　Ｈｅｂｅｉ　Ｕｎｉｖｅｒｓｉｔｙ，Ｂａｏｄｉｎｇ　０７　１　００　１，Ｃｈｉｎａ；２．Ａｇ－　ｒｉｃｕｈｕｒａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｆｏｏｄ　Ｓｃｉｅｎｃｅ　Ｃｏｌｌｅｇｅ，Ｓｈａｎｄｏｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｚｉｂｏ　２５５０４９，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｂｅｆｏｒｅ　ｏｒｄｅｒ　ｔｏ　ｒｅｄｕｃｅ　ｔｈｅ　ｅｘｔｒｕｄｅｒ　ｍｏｖｅｍｅｎｔ　ｔｈｅ　ｎｕｍｅｒｏｕｓ　ａｎｄ　ｄｉｖｅｒｓｅ　ｗｏｒｋ，ｉｎ　ｖｉｅｗ　ｏｆ　ｔｈｅ　ａｕｔｏｍａｔｉｃ　ｓｕｐｐｌｙ　ｓｙｓｔｅｍ　ｐｒｏｐｏｓｅｄ　ｔｈａｔ　ｏｎｅ　ｋｉｎｄ　ｂａｓｅｄ　ｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ＰＩＤ　ｃｏｎｔｒｏｌ　ｐｌａｎ，ｕｓｉｎｇ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｆｒｏｍ　ｔｈｅ　ｌｅａｒｎｉｎｇ　ｅａｐａ—　ｂｉｌｉｔｙ　ｔｏ　ｔｈｅ　ＰＩＤ　ｃｏｎｔｒｏｌｌｅｄ　ｖａｒｉａｂｌｅ　ｏｎｌｉｎｅ　ｉｎｓｔａｌｌａｔｉｏｎ，ｅｎａｂｌｅｓ　ｔｈｅ　ＰＩＤ　ｃｏｎｔｒｏｌｌｅｒ　ｔｏ　ｈａｖｅ　ａｕｔｏ—ａｄａｐｔｅｄ．Ｕｓｉｎｇ　ｔｈｅ　ｄｙ—　ｎａｍｉｃ　ＢＰ　ａｌｇｏｒｉｔｈｍ，ｈａｓ　ｓｅｒｖｅｄ　ｔｈｅ　ｏｎｌｉｎｅ　ｒｅａｌ—ｔｉｍｅ　ｃｏｎｔｒｏｌ　ｐｕｒｐｏｓｅ，ｈａｄ　ｄｅｍｏｎｓｔｒａｔｅｄ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｋ　ＰＩＤ　ｃｏｎｔｒｏｌ　ｍｅｔｈｏｄ　ｖｅｒｙ　ｓｔｒｏｎｇ　ｒｏｂｕｓｔｎｅｓｓ，ｓｉｍｕｌｔａｎｅｏｕｓｌｙ　ａｌｓｏ　ｈａｄ　ｄｅｍｏｎｓｔｒａｔｅｄ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｗｈｅｎ　ｓｏｌｕｔｉｏｎ　ｄｅｎａｔｕｒｅｄ　ａｎｄ　ｔｈｅ　ｓｅ—　ｒｉｏｕｓ　ｉｎｄｅｆｉｎｉｔｅ　ｓｙｓｔｅｍ　ａｓｐｅｃｔ　ｇ　ｐｏｔｅｎｔｉａｌ，ａｎｄ　ｃｈａｎｇｅｓ　ｔｈｅ　ｕｔｉｌｉｚａｔｉｏｎ　ｃｕｔ　ａｎｄ　ｔｙｒ　ｍｅｔｈｏｄ　ａｄｊｕｓｔｍｅｎｔ　ｐａｒａｍｅｔｅｒ　ｔｈｅ　ｍｅｔｈ—　ｏｄ．Ｔｈｅｎ　ｅｘｔｒｕｓｉｏｎ　ａｄｄ　ｐｏｗｄｅｒ，ａｄｄ　ｗａｔｅｒ　ａｎｄ　ａｄｄ　ｅｎｚｙｍｅ　ｐｒｅｐａｒａｔｉｏｎ　ｏｆ　ａｕｔｏｍａｔｉｃ　ｃｏｎｔｒｏｌ　ｓｙｓｔｅｍ　ｆｏｒ　ｓｉｍｕｌａｔｉｏｎ　ｗｉｔｈ　ｔｈｅ　Ｍａｔｌａｂ　ｓｏｆｔｗａｒｅ　ｔｏ　ｃｏｎｄｕｃｔ　ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｅａｒｃｈ．Ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔ　ｉｎｄｉｃａｔｅｄ　ｔｈａｔ　ｔｈｅ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ＰＩＤ　ｃｏｎｔｒｏｌｌｅｒ　ｓｕｒｐａｓｓｅｓ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ＰＩＤ　ｃｏｎｔｒｏｌｌｅｒ，ｈａｓ　ｔｈｅ　ｈｉｇｈ　ｐｒｅｃｉｓｉｏｎ　ａｎｄ　ｔｈｅ　ｓｔｒｏｎｇ　ｃｏｍｐａｔｉｂｉｌｉｔｙ，ｍａｙ　ｏｂｔａｉｎ　ｓａｔｉｓｆａｃｔｉｏｎ　ｔｈｅ　ｃｏｎｔｒｏｌ　ｅｆｆｅｃｔ．　Ｋｅｙ　ｗｏｒｄｓ：ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；ＢＰ　ａｌｇｏｒｉｔｈｍ；ＰＩＤ　ｃｏｎｔｒｏｌ；ｅｘｔｒｕｓｉｏｎ　ａｄｄ　ｐｏｗｄｅｒ；ａｄｄ　ｗａｔｅｒ　ａｎｄ　ａｄｄ　ｅｎｚｙｍｅ　ｐｒｅｐａｒａｔｉｏｎ　ｓｙｓｔｅｍ　・１９７・