神经网络双容水箱液位控制系统Word格式文档下载.docx
《神经网络双容水箱液位控制系统Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《神经网络双容水箱液位控制系统Word格式文档下载.docx（28页珍藏版）》请在冰豆网上搜索。
Dual-tankwater,controller,neuralnetwork,Neuralnetworkcontroller
目录
1.绪论1
1.1双容水箱的实际应用1
1.2水箱液位的控制方法2
2.双容水箱模型简介3
2.1立体背景3
2.2数学模型的建立4
2.3特性分析5
3.神经网络控制5
3.1神经网络控制理论6
3.2网络7
3.3控制器及其参数整定方法11
3.4基于网络的控制器13
4.设计方案19
4.1控制器控制的双容水箱液位控制系统的仿真19
4.2神经网络控制器22
4.3神经网络控制器28
4.4小结30
5.总结31
参考文献33
附录34
致谢35
1.绪论
双容水箱液位控制就是一个典型的大滞后、非线性、强耦合的复杂控制系统。
而液位控制作为过程控制系统中的一类重要控制系统在现代工业中已经占有越来越重要的位置，采用传统控制的方法已经难以满足当代工业对控制方法快速性、准确性的要求。
本文首先介绍了双容水箱液位控制系统数学模型的建立、确定其传递函数并采用三种方法对该系统进行控制，分别为传统控制器、神经网络控制器和神经网络控制器，并对其进行仿真获得结果曲线比较后从而得出神经网络控制理论在双容水箱液位控制系统中的具有优势的结论。
本次毕业设计着重讨论了神经网络控制器中各个神经元权值及阈值的调整，依据神经网络具有自学习的能力为指导思想通过多次训练神经网络使其达到最优的控制效果。
本文共分为五个章节，第一章主要介绍了双容水箱的实际应用及其常用的控制方法；
第二章着重介绍双容水箱的特点及其数学模型的建立；
第三章列举了神经网络相关的理论知识；
第四章是总体设方案以及结果的仿真与比较；
第五章为本论文的总结。
1.1双容水箱的实际应用
在工业生产实际中，液位控制系统是使用频率较高的控制系统之一。
双容水箱液位控制系统是典型大滞后系统而且还具有非线性、强耦合等特点，控制理论研究人员认为其特别地适合于对各种控制算法的研究以及理论实现。
其中双容水箱在船舶工业过程控制系统中得到了越来越多的应用，实现对双容水箱的自动控制是想要真正实现无人机舱操作首要解决的问题，对工业的无人操作也具有重大的里程碑的意义。
同时，在某些化工产业和能源工业中，也在非常普遍的应用了可以提炼为双容水箱模型的液体反应罐。
因此，许多智能控制理论研究人员一直将双容水箱液位控制系统视为典型的研究对象，不断尝试各种新的控制方案，不断探索智能控制在各种不同类型的控制系统中的应用以获得更好的控制效果。
1.2水箱液位的控制方法
生产实践中对水箱液位控制的方式有很多种，但随着水箱数目的增加，准确、快速地控制水箱液位已经成为控制领域的一项挑战。
因此人们更加热衷于对其稳定性和快速性以及如何更好的克服由于其的容量滞后而引起的反应滞后时间的研究。
在其控制方法中最普遍的有三种控制方法：
（1）线性理论控制方法
首先将非线性的双容水箱液位控制系统的模型进行近似线性化的处理，以获得近似的线性可控模型，然后在使用各种已有的线性的控制器对其进行控制，或者利用优化的控制算法进行控制。
（2）预测控制
预测控制是优化控制算法，它关心的是模块的功能是一种非连续的控制方式。
预测控制、变结构控制和自适应控制在理论研究时均能取得有较好的控制效果，但是在实际应用时，由于它们的控制方法比较复而且实现的成本也比较高昂，因此一直没有在快速变化的控制系统上实现。
（3）人工神经网络控制
因为人工神经网络控制方案具有高效的自学习的能力，所以具有特别好的耐故障能力而且其总体处理能力也比较快。
这特别适于非线性、大迟滞、强耦合的控制系统的实时控制和动态控制。
2.双容水箱模型简介
2.1立体背景
如上图所示，为双容水箱系统的原理框图。
其中设上水箱的流入量为；
上水箱初始液位高度为；
上水箱底面积为即上水箱的容量系数；
上水箱的流阻为；
上水箱流入下水箱的流量为；
下水箱初始液位为；
下水箱底面积为；
下水箱的流阻为；
下水箱的流出量为。
2.2数学模型的建立
根据各已经量，可知两个水箱的物料平衡方程式为：
（2-1）
式中各变量前加Δ符号表示增量。
消去上式中间变量后可得
（2-2）
上式中，为上水箱的时间常数，；
为下水箱的时间常数，；
为对象的放大系数，。
这是一个二阶微分方程式。
传递函数为
（2-3）
经查阅相关的学术研究论文及资料可得双容水箱的具体传递函数为
（2-4）
从图一分析可以得出，当控制阀门突然加大开度，即流量加一阶跃变化时，流体先经过上水箱再进入下水箱。
由于多了一个容积，水位不是立刻就有了变化而是在在一段时间后发生变化也就是说该系统的响应过程在时间上落后一步，响应曲线呈现S形，如图所示。
双容对象的特性就是当有扰动加入后，被控量没有立刻就产生变化，而是要经过一段延迟时间以后响应速度才能达到最大，这段时间主要是由于被控对象容器数量的增加和各个器件之间存在着阻力而造成的，这段时间称为容量滞后时间。
由于双容水箱容量滞后的存在，对调节过程影响很大，它就反应出了控制过程的不及时，控制方法的不准确等问题，对各种控制方案都是一个大的挑战，亟需控制理论研究人员的解决。
3.神经网络控制
3.1神经网络控制理论
神经网络控制是一种旨在模仿人类大脑的神经中枢系统智能活动的控制方式，通过多个神经元和各神经元相互间连接权值的控制，初步实现了生物神经系统的部分控制的功能。
从20世纪80年代起，人工神经网络逐渐引起了控制理论研究人员的关注，已经逐渐在人工智能、自动控制、机器人、信息处理等各种不易控制的领域内得到广泛应用。
神经网络根据它的结构不相同在控制系统当中起的作用大致的可以分成四大类别：
第一类是充当对象的模型即基于模型中的各种控制结构对象模型；
第二类是充当控制器；
第三类是起优化计算的作用；
第四类是跟其他智能控制相结合组成各种多功能控制器。
人工神经网络近年来得到迅速发展，具有广大的应用前景，主要依赖于神经网络控制系统的明显优点。
（1）神经网络的本质就是一个非线性控制系统。
它可以实现任何形式的非线性映射，应用范围十分广泛。
（2）神经网络具有很强的信息综合能力。
（3）神经网络的硬件实现越来越方便。
3.2网络
所谓网络就是误差反向传播神经网络的简称。
误差反向传播算法简称算法。
算法的基本思想就是神经网络自学习的过程是由输入信号的正向传播和误差的反向传播这两个过程组成的。
信号正向传播的时候，输入的数据从输入层传入，经过隐层的各神经元处理后再将信号传送给输出层。
如果网络的输出值与期望输出值之间相差较大，那么就进入到误差反传阶段。
所谓误差反传就是将误差信号以某种形式通过隐层反向传播至向输入层，并将这个误差信号作为修正每个神经元权值系数的依据。
权值不断调整的过程，就是神经网络不断自学习训练的过程。
3.2.1网络的数学模型
三层网络结构如图所示，所谓三层即包括了输入层、隐层、和输出层。
三层网络中输入向量；
图中是为隐层神经元引入的阈值而设置的；
输出层输出向量为，图中是为输出层神经元引入的阈值而设置的；
中间层输出向量为；
期望输出向量为。
各神经元间的权值用权值矩阵表示。
图3-1三层神经网络结构
对于输出层，可得
（3-1）
对于中间层，可得
（3-2）
以上两式中，转移函数均为单极性Sigmoid函数
（3-3）
3.2.2网络权值的调整规则
设输入输出模型之间对应的二次型误差函数定义为
（3-4）
1）输出层权值系数的调整权值系数的修正公式为
（3-5）
式中，为学习速率，；
升级会员 