基于神经网络的实验锅炉炉温Antiwindup控制系统设计与实现项目可行性方案.docx
《基于神经网络的实验锅炉炉温Antiwindup控制系统设计与实现项目可行性方案.docx》由会员分享，可在线阅读，更多相关《基于神经网络的实验锅炉炉温Antiwindup控制系统设计与实现项目可行性方案.docx（21页珍藏版）》请在冰豆网上搜索。
基于神经网络的实验锅炉炉温Antiwindup控制系统设计与实现项目可行性方案
学号
基于神经网络的实验锅炉炉温Anti-windup控制系统设计与实现项目可行性方案
摘要
本文展示了一种基于BP神经网络的PID控制器，利用神经网络的自学习特性，将神经网络与PID控制方法相结合，采用3层前向网络，动态BP算法，实现对温度控制系统的在线智能控制，显示了BP神经网络PID控制法很强的鲁棒性，同时也显示了神经网络在解决高度非线性和严重不确定系统方面的能力。
结合神经网络PID技术，实现抗饱和。
仿真结果表明，此种PID在温度控制中能够取得较满意的效果。
关键词：
神经网络；PID控制；温度控制；抗饱和
1绪论
1.1选题的背景及意义
近年来，在我国以信息化带动的工业化正在蓬勃发展，温度已成为工业对象控制中一种重要参数，任何物理变化和化学反应过程都与温度密切先关，因此温度控制是生产自动化的重要任务。
在工业控制领域，研究如何进行精确温度控制是一个十分重要的课题，特别是在冶金、化工、机械等行业中加热炉、热处理炉、反应炉等设备被广泛使用，如何精确的进行温度控制就显得更加重要。
在工业生产中，被控对象大多在不同程度上存在纯滞后的特性，致使被调量不能及时反映控制信号的动作，当对象受到干扰而引起被调量改变时，控制器产生的控制作用不能立即对干扰产生抑制作用。
因此，含有纯滞后环节的闭环控制系统必然存在着较大的超调量和较长的调节时间。
Smith预估补偿方法从理论上解决了纯滞后对象的控制问题，是解决大滞后过程的最有效途径，但由于其对模型误差十分敏感，对过程动态特性的精确度要求较高，鲁棒性差，难以取得满意的控制效果，严重时甚至引起系统不稳定，因而限制了它在工业控制中的广泛应用。
加热炉热处理炉，反应炉，现代化集中要求对现象装置进行时控制，需要对现场数据进行统计，分析，打印，绘图，报警等。
在某些温度控制系统中，可以采用单片机做控制器。
选择监控软件对系统的运行进行实时监控。
加热炉是具有大惯性、纯滞后等特点的非线性系统,对它采用传统的经典控制方法难以收到令人满意的效果。
随着信息技术和计算机应用技术的发展,以人工智能、控制理论和计算机科学等为基础的智能控制技术在工业加热炉领域得到愈来愈广泛的应用。
神经网络是最近发展起来的非常热门的交叉学科，它设计生物、电子、计算机、数学和物理等学科，有着非常广泛的应用前景，这门学科的发展对目前和未来的科学技术的发展都有很重要的影响。
神经网络方法主要是将定量预测问题状花为模式识别问题，并通过模拟人脑思维能力来增强模型的分析、控制和预测功能。
神经网络是模拟人的神经系统而建立起来的自适应非线性动力系统。
神经网络的主要特征为网络的全局作用、大规模并行分布处理、高度的鲁棒性和自学习联想能力，其功能重要由网络的拓扑结构和节点的处理功能所决定。
在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。
直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。
BP（BackPropagation）神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。
输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。
当实际输出与期望输出不符时，进入误差的反向传播阶段。
误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。
周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
饱和非线性系统是实际控制系统中的常见现象，这类系统的研究由于其重要的理论和实际意义，历来是控制理论的研究热点之一[1]。
所有的控制系统都存在各种各样的控制输入饱和现象。
导致饱和现象发生，有如下两个主要原因：
（1）控制输人受限；
（2）控制模式的相互切换[2]饱和现象的本质可以归结为，被控对象的输入信号不等于控制器的输出信号[3]所以，大量关于抗饱和的文献所采用的方法，都是类似地将的值反馈补偿到控制器的积分环节，从而达到削弱积分环节的作用，使系统尽快退出饱和区域。
在此基础上，1994年，针对易受输入非线性影响的线性时不变系统，提出了抗积分饱和问题的统一框架。
在此之前，几乎所有已知的线性时不变AWBT框架都可以被看作是统一框架的特例，而且只需要用反馈补偿器以中的两个矩阵参数和，就可以对线性时不变AWBT问题进行分析和设计了。
抗饱和补偿控制器将仅在饱和发生时产生作用，保证饱和发生时系统的稳定性性能。
1.2方案论证
饱和问题不同于一般的非线性问题，它是基于对工作在线性条件下的系统在特殊条件下进入非线性区域的考虑，单纯地应用目前相对不成熟的非线性系统理论解决饱和问题代价太大，而且往往无法得到性能良好且全局稳定的系统。
所以目前对于饱和问题，通常是在线性系统框架下进行适当地扩展，以便充分利用较成熟的线性系统理论找到解决饱和问题的方法。
从60年代开始，抗饱和控制问题的研究就从框架和理论两方面娱乐飞速的发展，不断有新的抗饱和控制理论出现。
如基于观测器的抗饱和，内膜控制抗饱和，基于神经网络的抗饱和等。
本文采用了基于神经网络的抗饱和控制系统，它在很多方面优于其他控制系统。
内模控制的设计思路是将对象模型与实际对象相并联，并根据对象模型设计内模控制器。
内模控制的特点是当模型精确匹配时，只要对象和控制器同时稳定就能保证闭环系统稳定。
传统的内模控制并不能作为抗饱和控制框架，实际应用中内模控制的主要困难正是对控制量饱和的敏感性，饱和非线性虽然不会改变内模控制系统的稳定性，但会使内模控制系统丧失伺服性能，跟踪出现静差。
1994年，针对输入饱和非线性提出了改良的内模控制，并可以通过设定一个滤波器参数，确定其控制器参数，但参数，的选择有很大的随意性，没有一定的优化方法。
BP神经网络是一种多层前馈神经网络，广泛的应用于分类、模式识别及只能处理等多种领域。
它是一种有老师的学习网络，其原理是以一定量的样本作为输入，按照网络的初始连接权值和阈值，在选定的传递函数作用下得到输出值，然后让实际输出值与预期输出值进行比较，若有偏差，从输出值开始，反向传播，不断调整连接权和阈值[4]，从而使实际输出与期望值的均方根误差越来越小，当误差打到要求的精度，表明神经网络已经训练好，可以投入使用了。
BP神经网络其算法简单、参数整定直观，受到了工业控制界的广泛关注，其最大优点是把伺服问题与鲁棒及抗干扰性问题分开处理、使分析、设计和调整都大为简化，只需调整一个滤波器参数，就可影响系统的动态指标并得到所需的系统鲁棒性。
且明确考虑了模型的不确定性，消除不可测干扰的影响。
PID控制器是一个在工业控制应用中常见的反馈回路部件。
这个控制器把收集到的数据和一个参考值进行比较，然后把这个差别用于计算新的输入值，这个新的输入值的目的是可以让系统的数据达到或者保持在参数值。
和其他简单的控制运算不同，PID控制器可以根据历史数据和差别的出现率来调整输入值，这样可以使系统更加准确，更加稳定。
可以通过数学的方法证明，在其他控制方法导致系统有稳定误差或过程繁复的情况下，一个PID反馈回路却可以保持系统的稳定。
本文采用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和任意函数的逼近能力，通过两者的有机结合寻找到一个最佳的P,I,D非线性组合控制规律。
仿真实验表明这样的控制系统能够实现对温度进行在线控制,并具备适应控制环境变化的能力和自学习的能力。
2控制系统分析及设计
2.1控制系统分析
基于BP神经网络参数自整定PID控制系统结构图如图2-1所示。
控制系统采用负反馈,将设定温度与实际温度比较形成偏差,经过PID控制器输出控制量对被控对象进行控制。
PID控制器参数,,采用神经网络自调整。
电阻炉属于带滞后环节的一阶惯性系统,其传递函数,式中k为比例系数,T为电阻炉时间常数,为纯滞后时间。
图2-1 BP神经网络PID控制系统结构
2.2控制器的设计
2.2.1PID控制原理
PID控制系统原理框图如图2-2所示,系统由PID控制器和被控对象组成。
图2-2 PID控制系统原理框图
PID控制器是一种线性控制器,它根据给定值与实际输出值构成偏差
（2-1）
简单来说,PID控制器各校正环节的作用如下:
（1）比例环节:
成比例地反映控制系统的偏差信号,偏差一旦产生,控制器立即产生控制作用,以减少偏差。
（2）积分环节:
该环节主要来消除静差,提高系统的无差度.积分时间常数,越小积分作用越强,反之则越弱。
（3）微分环节:
反映偏差信号的变化趋势,在预防偏差信号变的太大之前,在系统中引入一个有效的早期修正信号,从而加快系统的动作速度,减少调节时间。
PID控制作为一种传统的控制算法以它的实时性好、易于实现等特点广泛应用于各种控制系统中。
由于电机存在着非线性、时变性等不确定因素，因此,采用理想的PID控制器很难达到要求的为控制器对无刷直流电动机系统进行研究.研究结果表明,系统存在静差,调节积分系数和比例均无法满足控制要求。
发生这种现象主要归因于控制器输出限幅作用引起的饱和非线性特性,存在控制器的windup问题。
控制器windup问题一般被认为是控制器输出与输入之间存在非线性特性时,产生于控制器PI/PID积分部分的一种不良现象。
为了使控制系统在出现此类饱和现象时仍能达到比较满意的性能指标,本文采用了Anti-windup设计技术对具有此饱和特性的控制系统进行设计,取得较好的控制效果。
2.2.2基于神经网络的PID系统结构
基于BP（BackPropagation）网络的PID控制系统结构图如图2-3所示,控制器由两部分构成:
图2-3 基于BP神经网络整定的PID控制器结构
（1）经典的PID控制器,该控制器直接对被控对象进行控制,其比例、积分、微分,，三个参数为在线调整。
（2）神经网络根据系统的运行状态调节PID控制器的参数,从而达到控制系统性能的最优化。
使输出层神经元的输出状态对应于PID控制器的三个可调整参数,，通过神经网络的自学习,加权系数调整,使神经网络输出对应于某种最优控制规律下的PID控制器参数。
2.2.3BP神经网络PID算法
神经网络PID控制器计算方法由两部分组成,包括经典PID控制算法和基于BP神经网络整定的时变学习算法,本文应用的基于BP神经网络的算法。
神经网络NN包括学习算法和神经网络NN两部分,它可以根据系统的运行状态,按照学习算法,在线调整PID控制器的参数,以使得给定性能指标最优化,满足系统的要求。
神经网络NN是一个由3层BP神经元网络构成的子网络,其结构如图2-4所示，它有个输入节点，个隐含节点，个输出节点。
图2-4 神经元网络NN结构图
为充分反映输入PID控制器信号的特性,其输入层神经元个数选为3：
，，，为误差量,可以反映出误差累计的效果,类似于连续系统中的积分环节,可以反映出误差的变化快慢,类似于连续系统中微分环节。
采用，和作为输入,能够比较全面的反映误差量的状态,因此,用它们作为网络输入层的3个输入量,输出层输出节点分别对应三个可调参数,，故输出层神经元个数为3由于,，不能为负值,所以输出层神经元的激发函数取非负的Sigmoid函数:
（2-2）
隐层的神经元个数可由以下经验公式确定：
（2-3）
式中,n,q,m分别为输入层、隐层和输出层神经元个数,综合考虑,此处q取5，
升级会员 