火电厂自动化专题结课论文.docx

火电厂自动化专题结课论文.docx

《火电厂自动化专题结课论文.docx》由会员分享，可在线阅读，更多相关《火电厂自动化专题结课论文.docx（8页珍藏版）》请在冰豆网上搜索。

火电厂自动化专题结课论文

结课论文

（2012—2013年度第1学期）

名称：

火电厂自动化专题结课论文

题目：

智能控制在火电厂中的应用

院系：

自动化系

班级：

自动化0904

学号：

200902020403

学生姓名：

陈莉丽

指导教师：

李大中

成绩：

日期：

2012年10月17日

摘　　　要:

分析比较了PID控制和模糊控制算法,针对一般PID控制容易产生超调、模糊控制的稳态精度不高的缺陷,提出了相应的改进算法—复合PID算法和带动态补偿的模糊控制算法,并通过水温控制仿真实验,比较了这几种控制算法的控制效果。

实验结果证明,这两种改进算法不仅系统超调小,而且具有较高的稳态控制精度,可广泛应用于精确控制领域。

关　键　词:

PID控制;复合PID控制;模糊控制;神经网络；遗传算法

1　引　言

PID控制与模糊控制是两种常用的控制方法,但它们还存在一些不足,如一般PID控制容

易产生超调、模糊控制的稳态精度不高,在这两种控制方法基础上进行改进,可产生多种更好的控制方法。

本文提出的复合PID控制算法和带动态补偿的模糊控制算法克服了以上缺陷,取得了较好的实验效果。

2　PID控制算法及改进的PID控制算法

1）PID控制算法　

PID调节的实质就是根据输入的偏差值,按比例、积分、微分的函数关系,进行运算,将其运算结果用以输出控制,将基本PID算式离散化可得到位置型PID控制算法,对位置型PID进行变换可得到增量型PID控制算法。

对控制精度要求较高的系统一般采用位置型算法,而在以步进电机或多圈电位器做执行器件的系统中,则采用增量型算法。

2）改进的PID控制算法　

在实际控制中,为提高系统调节品质,可根据系统的实际要求对PID控制进行改进,主要有不完全微分的PID控制[1]、积分分离的PID控制[1]和变速积分的PID控制[2]等。

在实际过程控制中,对于不同控制流程的不同阶段,分别采用不同的控制方法,被称之为复合PID控制。

如在温度控制流程中,根据温度变化的特点可将整个流程分为3个阶段：

①升温阶段　采用PID控制。

②过渡阶段　即在温度升至接近恒温处（ΔE≤Ek）时,应主要防止系统超调,因此,清除积分项,采用PD控制算法。

③恒温阶段　要求较高的控制精度,采用PID算法。

另外,为防止因负载突变而引起积分饱和现象,采用积分分离法。

3　模糊控制算法及改进的模糊控制算法

1）模糊控制算法　模糊控制是通过计算机完成人们用自然语言所描述的控制活动,模糊控制有许多良好的特性,它不需要事先知道对象的数学模型,具有系统响应快、超调小、过渡过程时间短等优点。

模糊控制器主要由3个功能模块组成:

输入量的模糊化、模糊运算和模糊判决输出。

　模糊推理一般采用最大最小推理。

对于模糊控制规则Ri,其条件部分是由and算子联接的两个子条件组成,总条件的满足度由子条件隶属函数的最小值算出。

在模糊逻辑中,if-then关系可用条件和结论的叉积表示,叉积的隶属函数是条件和结论隶属函数的最小值,所有规则由or算子联接起来即可得到总的模糊关系R。

由于模糊推理的输出是模糊值,还必须去模糊化,将模糊输出转化为非模糊值。

常用面积重心法去模糊化,对于离散式模糊控制器,可采用数字积分求和。

通过模糊化、模糊推理和解模糊的过程,最终可以得到系统的模糊控制输出表。

2）改进的模糊控制算法　模糊控制器与PID控制器相比具有调节速度快、鲁棒性好等优点,但也有需要进一步改进和提高的地方。

首先稳态精度欠佳是模糊控制的一个弱点,模糊控制与PID控制相结合是一种常用的方法。

其次应与自适应控制技术、人工智能技术、神经元网络技术和模糊控制技术相结合,进一步提高模糊控制器的适应能力及智能水平。

然后是研究多变量模糊控制器,以适用于多变量控制系统。

以下给出一个具有上述优点的模糊控制器模型。

在模糊控制器设计时,将论域上的基本模糊子集定义为不均匀的模糊划分,即在零左右的模糊子集划分得较细,使得控制器在工作点附近有更细腻的控制动作,而左右的区段定义则逐步增大,这样即可保证有足够的控制精度,控制规则数也可大大减少。

在实际控制过程中,有许多因素会对系统产生较大影响,为了减少输入输出变量,简化模糊控制器设计,可以将其分解为两类:

难以抽象出数学模型的变量因素采用模糊推理,而易于抽象出数学模型的变量因素则以动态方程的形式在线加以补偿。

这样可得到一个带动态补偿的多变量模糊控制器模型。

它在一般模糊控制器的基础上增加了动态补偿及反馈调节环节,从而

减少了模糊控制器变量个数,用较为简单的规则及推理实现复杂的多变量模糊控制,使系统设计简洁、灵活。

其动态补偿公式的提取可根据影响控制系统的各因素绘出对应的系统输出曲线,然后根据这些曲线拟合出不同条件下的补偿公式,最后综合起来即可得到总的补偿公式。

　另外,考虑到系统还要受其他诸多因素的影响,这些因素也很难用精确的数学模型来描述,因此再在控制器输出中增加一调整变量,根据系统实际控制的反馈情况进行调节,进一步增强系统的适应性。

4遗传算法

遗传算法的基本思想是基于Darwin进化论和Mendel的遗传学说的。

Darwin进化论最重要的是适者生存原理。

它认为每一物种在发展中越来越适应环境。

物种每个个体的基本特征由后代所继承，但后代又会产生一些异于父代的新变化。

在环境变化时，只有那些熊适应环境的个体特征方能保留下来。

Mendel遗传学说最重要的是基因遗传原理。

它认为遗传以密码方式存在细胞中，并以基因形式包含在染色体内。

每个基因有特殊的位置并控制某种特殊性质；所以，每个基因产生的个体对环境具有某种适应性。

基因突变和基因杂交可产生更适应于环境的后代。

经过存优去劣的自然淘汰，适应性高的基因结构得以保存下来。

1）遗传算法的基本原理

长度为L的n个二进制串bi（i＝1，2，…，n）组成了遗传算法的初解群，也称为初始群体。

在每个串中，每个二进制位就是个体染色体的基因。

根据进化术语，对群体执行的操作有三种：

a．选择（Selection）

这是从群体中选择出较适应环境的个体。

这些选中的个体用于繁殖下一代。

故有时也称这一操作为再生（Reproduction）。

由于在选择用于繁殖下一代的个体时，是根据个体对环境的适应度而决定其繁殖量的，故而有时也称为非均匀再生（differentialreproduction）。

b．交叉（Crossover）

这是在选中用于繁殖下一代的个体中，对两个不同的个体的相同位置的基因进行交换，从而产生新的个体。

c．变异（Mutation）

这是在选中的个体中，对个体中的某些基因执行异向转化。

在串bi中，如果某位基因为1，产生变异时就是把它变成0；反亦反之。

2）遗传算法的步骤和意义

a．初始化

选择一个群体，即选择一个串或个体的集合bi，i=1，2，...n。

这个初始的群体也就是问题假设解的集合。

一般取n＝30-160。

通常以随机方法产生串或个体的集合bi,i＝1，2，...n。

问题的最优解将通过这些初始假设解进化而求出。

b．选择

根据适者生存原则选择下一代的个体。

在选择时，以适应度为选择原则。

适应度准则体现了适者生存，不适应者淘汰的自然法则。

c．交叉

对于选中用于繁殖下一代的个体，随机地选择两个个体的相同位置，按交叉概率P。

在选中的位置实行交换。

这个过程反映了随机信息交换；目的在于产生新的基因组合，也即产生新的个体。

交叉时，可实行单点交叉或多点交叉。

d．变异

根据生物遗传中基因变异的原理，以变异概率Pm对某些个体的某些位执行变异。

在变异时，对执行变异的串的对应位求反，即把1变为0，把0变为1。

变异概率Pm与生物变异极小的情况一致，所以，Pm的取值较小，一般取0.01-0.2。

单靠变异不能在求解中得到好处。

但是，它能保证算法过程不会产生无法进化的单一群体。

因为在所有的个体一样时，交叉是无法产生新的个体的，这时只能靠变异产生新的个体。

也就是说，变异增加了全局优化的特质。

e．全局最优收敛（Convergencetotheglobaloptimum）

当最优个体的适应度达到给定的阀值，或者最优个体的适应度和群体适应度不再上升时，则算法的迭代过程收敛、算法结束。

否则，用经过选择、交叉、变异所得到的新一代群体取代上一代群体，并返回到第2步即选择操作处继续循环执行。

图3中表示了遗传算法的执行过程。

图3遗传算法原理

3）遗传算法的特点

a．遗传算法从问题解的中集开始嫂索，而不是从单个解开始。

这是遗传算法与传统优化算法的极大区别。

传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。

遗传算法从串集开始搜索，复盖面大，利于全局择优。

b．遗传算法求解时使用特定问题的信息极少，容易形成通用算法程序。

由于遗传算法使用适应值这一信息进行搜索，并不需要问题导数等与问题直接相关的信息。

遗传算法只需适应值和串编码等通用信息，故几乎可处理任何问题。

c．遗传算法有极强的容错能力

遗传算法的初始串集本身就带有大量与最优解甚远的信息；通过选择、交叉、变异操作能迅速排除与最优解相差极大的串；这是一个强烈的滤波过程；并且是一个并行滤波机制。

故而，遗传算法有很高的容错能力。

d．遗传算法中的选择、交叉和变异都是随机操作，而不是确定的精确规则。

这说明遗传算法是采用随机方法进行最优解搜索，选择体现了向最优解迫近，交叉体现了最优解的产生，变异体现了全局最优解的复盖。

e．遗传算法具有隐含的并行性

4）遗传算法的应用

遗传算法在很多领域都得到应用；从神经网络研究的角度上考虑，最关心的是遗传算法在神经网络的应用。

在遗传算法应用中，应先明确其特点和关键问题，才能对这种算法深入了解，灵活应用，以及进一步研究开发。

5人工神经网络

人工神经网络（ArtificialNeuralNetworks,ANN），一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。

这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。

　　由大量处理单元互联组成的非线性、自适应信息处理系统。

它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。

　　1）人工神经网络具有四个基本特征：

　　a.非线性非线性关系是自然界的普遍特性。

大脑的智慧就是一种非线性现象。

人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。

具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。

　　b.非局限性一个神经网络通常由多个神经元广泛连接而成。

一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。

通过单元之间的大量连接模拟大脑的非局限性。

联想记忆是非局限性的典型例子。

　　c.非常定性人工神经网络具有自适应、自组织、自学习能力。

神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。

经常采用迭代过程描写动力系统的演化过程。

　　d.非凸性一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。

例如能量函数，它的极值相应于系统比较稳定的状态。

非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。

　　人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。

网络中处理单元的类型分为三类：

输入单元、输出单元和隐单元。

输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。

神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。

人工神经网络是一种非程序化、适应性、大脑风格的信息处理，其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。

它是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科。

人工神经网络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。

2）基本内容

　　人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。

目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。

根据连接的拓扑结构，神经网络模型可以分为：

　　a.前向网络网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。

这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。

网络结构简单，易于实现。

反传网络是一种典型的前向网络。

　　b.反馈网络网络内神经元间有反馈，可以用一个无向的完备图表示。

这种神经网络的信息处理是状态的变换，可以用动力学系统理论处理。

系统的稳定性与联想记忆功能有密切关系。

Hopfield网络、波耳兹曼机均属于这种类型。

　　学习是神经网络研究的一个重要内容，它的适应性是通过学习实现的。

根据环境的变化，对权值进行调整，改善系统的行为。

由Hebb提出的Hebb学习规则为神经网络的学习算法奠定了基础。

Hebb规则认为学习过程最终发生在神经元之间的突触部位，突触的联系强度随着突触前后神经元的活动而变化。

在此基础上，人们提出了各种学习规则和算法，以适应不同网络模型的需要。

有效的学习算法，使得神经网络能够通过连接权值的调整，构造客观世界的内在表示，形成具有特色的信息处理方法，信息存储和处理体现在网络的连接中。

　　根据学习环境不同，神经网络的学习方式可分为监督学习和非监督学习。

在监督学习中，将训练样本的数据加到网络输入端，同时将相应的期望输出与网络输出相比较，得到误差信号，以此控制权值连接强度的调整，经多次训练后收敛到一个确定的权值。

当样本情况发生变化时，经学习可以修改权值以适应新的环境。

使用监督学习的神经网络模型有反传网络、感知器等。

非监督学习时，事先不给定标准样本，直接将网络置于环境之中，学习阶段与工作阶段成为一体。

此时，学习规律的变化服从连接权值的演变方程。

非监督学习最简单的例子是Hebb学习规则。

竞争学习规则是一个更复杂的非监督学习的例子，它是根据已建立的聚类进行权值调整。

自组织映射、适应谐振理论网络等都是与竞争学习有关的典型模型。

　　研究神经网络的非线性动力学性质，主要采用动力学系统理论、非线性规划理论和统计理论，来分析神经网络的演化过程和吸引子的性质，探索神经网络的协同行为和集体计算功能，了解神经信息处理机制。

为了探讨神经网络在整体性和模糊性方面处理信息的可能，混沌理论的概念和方法将会发挥作用。

混沌是一个相当难以精确定义的数学概念。

一般而言，“混沌”是指由确定性方程描述的动力学系统中表现出的非确定性行为，或称之为确定的随机性。

“确定性”是因为它由内在的原因而不是外来的噪声或干扰所产生，而“随机性”是指其不规则的、不能预测的行为，只可能用统计的方法描述。

混沌动力学系统的主要特征是其状态对初始条件的灵敏依赖性，混沌反映其内在的随机性。

混沌理论是指描述具有混沌行为的非线性动力学系统的基本理论、概念、方法，它把动力学系统的复杂行为理解为其自身与其在同外界进行物质、能量和信息交换过程中内在的有结构的行为，而不是外来的和偶然的行为，混沌状态是一种定态。

混沌动力学系统的定态包括：

静止、平稳量、周期性、准同期性和混沌解。

混沌轨线是整体上稳定与局部不稳定相结合的结果，称之为奇异吸引子。

一个奇异吸引子有如下一些特征：

（1）奇异吸引子是一个吸引子，但它既不是不动点，也不是周期解；

（2）奇异吸引子是不可分割的，即不能分为两个以及两个以上的吸引子；（3）它对初始值十分敏感，不同的初始值会导致极不相同的行为。

　　3）发展趋势

　　人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。

人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。

近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。

将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。

神经计算机的研究发展很快，已有产品进入市场。

光电结合的神经计算机为人工神经网络的发展提供了良好条件。

　　4）应用

　　神经网络的应用已经涉及到各个领域，且取得了很大的进展。

　　自动控制领域：

主要有系统建模和辨识，参数整定，极点配置，内模控制，优化设计，预测控制，最优控制，滤波与预测容错控制等。

　　处理组合优化问题：

成功解决了旅行商问题，另外还有最大匹配问题，装箱问题和作业调度问题。

　　模式识别：

手写字符，汽车牌照，指纹和声音识别，还可用于目标的自动识别，目标跟踪，机器人传感器图像识别及地震信号的鉴别。

　　图像处理：

对图像进行边缘监测，图像分割，图像压缩和图像恢复。

　　机器人控制：

对机器人轨道控制，操作机器人眼手系统，用于机械手的故障诊断及排除，智能自适应移动机器人的导航，视觉系统。

医疗：

在乳房癌细胞分析，移植次数优化，医院费用节流，医院质量改进等方面均有应用。