神经网络pid本科学位论文.docx

神经网络pid本科学位论文.docx

《神经网络pid本科学位论文.docx》由会员分享，可在线阅读，更多相关《神经网络pid本科学位论文.docx（43页珍藏版）》请在冰豆网上搜索。

神经网络pid本科学位论文

摘要

目前，由于PID具有结构简单，可通过调节比例积分和微分取得基本满意的控制性能，广泛应用在电厂的各种控制过程中。

电厂主汽温的被控对象是一个大惯性大迟延非线性且对象变化的系统。

常规汽温控制系统为串级PID控制或导前微分控制,当机组稳定运行时,一般能将主汽温控制在允许的范围内。

但当运行工况发生较大变化时,却很难保证控制品质。

因此本文研究BP神经网络的PID控制，利用神经网络的自学习、非线性和不依赖模型等特性实现PID参数的在线自整定，充分利用PID和神经网络的优点。

本处用一个多层前向神经网络，采用反向传播算法依据控制要求实时输出Kp、Ki、Kd，依次作为PID控制器的实时参数，代替传统PID参数靠经验的人工整定和工程整定，以达到对大迟延主气温系统的良好控制。

对这样一个系统在MATLAB平台上进行仿真研究，，仿真结果表明基于BP神经网络的自整定PID控制具有良好的自适应能力和自学习能力，对大迟延和变对象的系统可取得良好的控制效果。

关键词：

主汽温，PID，BP神经网络，MATLAB仿真

ABSTRACT

Atpresent,becausePIDhasasimplestructureandcanbeadjustedproportionalintegralanddifferentialtosatisfactorycontrolperformance，,itiswidelyusedinpowerplantsofvariouscontrolprocess.ThesystemofPowerplantmainsteamtemperatureisanlargeinertia、bigtime-delayedandnonlineardynamicsystem.ConventionalsteamtemperaturecontrolsystemadoptedcascadePIDcontrolorthedifferentialcontrolofleadbefore,whentheunitisstable,generalwillallowthesteamtemperaturecontrolintherange,butwhenoperatingconditionschangedgreatly,itisdifficulttoensurethequalityofcontrol.ThisarticlestudiesPIDcontrolbasedBPneuralnetwork.Usingsuchcharacteristicsofneuralnetworkself-learning,nonlinearanddon'trelyonmodelrealizePIDparametersonlineauto-tuning.ItcanmakefulluseoftheadvantagesofPIDandneuralnetwork.Here,weuseamultilayerfeedforwardneuralnetworkusingbackpropagationalgorithmandbasedoncontrolrequirements.Thisnetcanreal-timeoutputKp,Ki,KdasthePIDcontrollerparameters,insteadingofthetraditionalPIDparametersdeterminedbyexperience.Soitcanobtaingoodcontrolperformance.Forsuchasystem,wecansimulateinMATLABsimulationplatform.ThesimulationresultsshowthatthePIDcontrolbasedBPneuralnetworkhasgoodadaptiveabilityandself-learningability.Forthesystemoflargedelayandfree-modelcanobtaingoodcontroleffect.

KEYWORDS:

mainsteamtemperature，PID，BPneuralnetwork，MATLABsimulation

第一章绪论

1.1选题背景和意义

在控制系统设计中,最主要而又最困难的问题是如何针对复杂、变化及具有不确定性的受控对象和环境作出有效的控制决策。

经典控制理论和现代控制理论的基础是建立数学模型,以此进行控制系统设计,然而面对工程实际问题和工程应用对控制要求的不断提高,基于数学模型的控制理论和方法的局限性日益明显。

无模型控制能有效提高控制系统的适应性和鲁棒性,因此,走向无模型控制是自动控制发展的另一个重要方向。

在1943年，麦卡洛克和皮茨首次提出了脑模型，其最初动机在于模仿生物的神经系统。

随着超大规模集成电路（VLSl）、光电子学和计算机技术的发展，人工神经网络（ANN）己引起更为广泛的注意。

近年来，基于神经元控制的理论和机理已获得进一步的开发和应用。

尽管基于神经元的控制能力还比较有限，但由于神经网络控制器具有学习能力和记忆能力、概括能力、并行处理能力、容错能力等重要特性，仍然有许多基于ANN的控制器被设计出来,这类控制器具有并行处理、执行速度快、鲁棒性好、自适应性强和适于应用等优点，广泛的应用在控制领域[1]。

神经网络控制是一种基本上不依赖于模型的控制方法,它比较适用于那些具有不确定性或高度非线性的控制对象,并具有较强的适应和学习功能,它是智能控制的一个重要分支。

对于自动控制来说,神经网络有具有自适应功能，泛化功能，非线性映射功，高度并行处理功能等几方面优势〔2〕，这使得神经网络成为当今一个非常热门的交叉学科,广泛应用在电力，化工，机械等各行各业，并取得了比较好的控制效果。

1.2国内外研究现状

随着现代工业过程的日益复杂，经典现代控制理论面临严峻挑战，例如被控系统越来越巨大，存在多种不确定因素，存在难以确定描述的非线性特性，而控制的要求越来越高（如控制精度、稳定性、容错、实时性等），因此人们一直在探索如何使控制系统具有更高的智能，使之能够适应各种控制环境。

而神经网络源于对人脑神经功能的模拟，它的某些类似人的智能特性有可能被用于解决现代控制面临的一些难题。

因此，从20世纪60年代起，人们就开始研究神经网络在控制中的应用了，取得了一定效果。

目前，随着神经理论的发展和新算法的相继提出，神经网络的应用越来越广泛。

从神经网络的基本模式看,主要有:

前馈型、反馈型、自组织型及随机型神经网络〔3〕。

这四种类型各自具有不同的网络模型：

前馈网络中主要有Adaline、BP网络及RBF网络；反馈网络主要有Hopfield网络；自组织网络主要有ART网，当前，已经比较成熟的神经网络控制模型主要有神经自校正控制，神经PID控制，神经模型参考自适应控制，神经内膜控制等等[4]

（1）、神经网络自校正控制

神经自校正控制结构如图，它由两个回路组成：

（1）自校正控制器与被控对象构成的反馈回路；

（2）神经网络辨识器与控制器设计，以得到控制器的参数。

这种方案的设计思想是利用神经网络辨识器的计算估计能力对常规控制器参数进行约束优化求解,从而实现对常规控制器的参数或结构进行调整。

方框图如下[5]：

图1-1神经自校正控制结构图

可见，辨识器与自校正控制器的在线设计是自校正控制实现的关键。

（2）、神经网络PID控制。

PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，从变化无穷的非线性组合中可以找出最佳的关系。

神经网络所具有的任意非线性表示能力，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。

方框图如下[6]：

图1-2神经PID控制结构图

对于一般神经PID常采用BP算法，因BP神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。

通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。

（3）、神经网络模型参考自适应控制

神经网络模型参考自适应控制,将神经网络同模型参考自适应控制相结合，就构成了神经网络模型参考自适应控制，其系统的结构形式和线性系统的模型参考自适应控制系统是相同的，只是通过神经网络给出被控对象的辨识模型。

根据结构的不同可分为直接与间接神经网络模型参考自适应控制两种类型，分别如图中（a）和（b）所示。

间接方式比直接方式中多采用一个神经网络辨识器，其余部分完全相同[7]。

图1-3神经模型参考自适应控制结构图

NN控制器的权重修正目标是使过程输出最后以零误差跟踪参数模型输出。

对于直接方式，由于未知的非线性对象处于误差和NN控制器的中间位置，给参数修正造成困难。

为了避免这一问题，增加NN辨识器，变为间接方式

（4）、神经网络内模控制

神经网络内模控制系统如下图所示。

NNC称为神经网络控制器，NNI称为神经网络状态估计器。

图中的神经网络状态估计器NNI用于充分逼近被控对象的动态模型，相当于正向模型。

神经网络控制器NNC不是直接学习被控对象的逆模型，而是间接地学习被控对象的逆动态特性，这样就回避了要估计y（K十1）对u（k）求偏导而造成的困难。

图1-4神经内膜控制结构图

在神经网络内模控制系统中，NNI状态估计器作为被控对象的近似模型与实际对象并行设置，它们的差值用于反馈，同期望的给定值之差经一线性滤波器处理后，送给NNC神经网络控制器，经过多次训练，它将间接地学习对象的逆动态特性。

此时，系统误差将趋于零[8]。

（5）、神经网络预测控制

由于神经网络可以精确描述非线性动态过程，因此，可用神经网络设计预测控制系统。

预测控制是近年来发展起来的一类新型计算机控制算法，它利用内部模型预测被控对象未来输出及其与给定值之差，然后据此以某种优化指标计算当前应加于被控对象的控制量，以期使未来的输出尽可能地跟踪给定参考轨线。

下面是神经网络预测控制系统的一般方框图[9]。

图1-5神经预测控制结构图

这种算法的基本特征是建立预测模型方便，采用滚动优化策略和采用模型误差反馈校正，预测模型根据系统的历史信息和选定的未来输入，预测系统未来的输出。

根据预测模型的输出，控制系统采用基于优化的控制策略对被控对象进行控制。

（6）、其他先进的神经控制

模糊神经网络控制：

模糊系统是以模糊集合论、模糊语言变量及模糊逻辑推理的知识为基础，力图在一个较高的层次上对人脑思维的模糊方式进行工程化的模拟。

而神经网络则是建立在对人脑结构和功能的模拟与简化的基础上。

由于人脑思维的容错能力源于思维方法上的模糊性以及大脑本身的结构特点，因此将两者综合运用便成为自动控制领域的一种自然趋势。

模糊系统与神经网络主要采用以下综合方式，既将人工神经网络作为模糊系统中的隶属函数、模糊规则的描述形式[10]。

多层神经网络控制：

一个普通的多层神经控制系统如下图所示，基本上是一种前馈控制器。

该系统存在两个控制作用：

前馈控制和常规反馈控制。

前馈控制由神经网络实现，训练目标是使期望输出与受控对象实际输出间的偏差为最小。

该误差作为反馈控制器的输入。

反馈作用与前馈作用被分别考虑[11]。

图1-6多层神经网络控制结构图

1.3立论依据

BP算