原创基于RBF神经网络整定的PID控制器设计及仿真毕业论文设计40论文41.docx

1、原创基于RBF神经网络整定的PID控制器设计及仿真毕业论文设计40论文41基于RBF神经网络整定的PID控制器设计及仿真摘 要目前，因为PID控制具有简单的控制结构，可通过调节比例积分和微分取得基本满意的控制性能，在实际应用中又较易于整定，所以广泛应用于过程控制和运动控制中，尤其在可建立精确模型的确定性控制系统中应用比较多。然而随着现代工业过程的日益复杂，对控制要求的逐步增高（如稳定性、准确性、快速性等），经典控制理论面临着严重的挑战。对工业控制领域中非线性系统，采用传统PID 控制不能获得满意的控制效果。采用基于梯度下降算法优化RBF神经网络，它将神经网络和PID控制技术融为一体，既具有常规

2、PID控制器结构简单、物理意义明确的优点，同时又具有神经网络自学习、自适应的功能。因此，本文通过对RBF神经网络的结构和计算方法的学习，设计一个基于RBF神经网络整定的PID控制器，构建其模型，进而编写M语言程序。运用MATLAB软件对所设计的RBF神经网络整定的PID控制算法进行仿真研究。然后再进一步通过仿真实验数据，研究本控制系统的稳定性，鲁棒性，抗干扰能力等。关键词：PID；RBF神经网络；参数整定SETTING OF THE PID CONTROLLER BASED ON RBF NEURAL NETWORK DESIGN AND SIMULATIONAbstractAt presen

3、t, because the PID control basic satisfactory control performance, and is relatively easy to setting in practical application, so widely used in process control and motion control, especially in the accurate model can be built more deterministic control system application. With the increasingly comp

4、lex of the modern industrial process, -linear systems in industrial control field, using the traditional PID control can not obtain satisfactory control effect. Optimized RBF neural network based on gradient descent algorithm, it will be integrated neural network and PID control technology, with a c

5、onventional PID controller . Therefore, this article through to the RBF neural network structure and the calculation method of learning, to design a setting of the PID controller based on RBF neural network, constructs its model, and then write M language program. Using the MATLAB software to design

6、 the RBF neural network setting of PID control algorithm simulation research. Data and then further through simulation experiment, the control system stability, robustness, anti-interference ability, etc.Keywords: PID; RBF neural network; Parameter setting 摘 要 Abstract 1 绪论1.1 课题研究背景及意义PID控制器（按比例、积分

7、和微分进行控制的调节器）是最早发展起来的应用经典控制理论的控制策略之一，是工业过程控制中应用最广泛，历史最悠久，生命力最强的控制方式，在目前的工业生产中，90以上的控制器为PID控制器。PID控制器算法简单、鲁棒性好和可靠性高，控制效果良好，因此被广泛应用于工业控制过程中，尤其适用于可建立精确数学模型的确定性控制系统。对于传统PID控制器，在把其投入运行之前，要想得到较理想的控制效果，必须先整定好三个参数：即比例系数Kp、积分系数Ki、微分系数Kd。但是如果控制器参数整定不好，即使控制器本身很先进，其控制效果也会很差。随着工业的发展，控制对象的复杂程度也在不断加深，许多大滞后、时变的、非线性的

8、复杂系统，如温度控制系统，被控过程机理复杂，具有高阶非线性、慢时变、纯滞后等特点，常规PID控制显得无能为力；另外，实际生产过程中存在着许多不确定因素，如在噪声、负载振动和其他一些环境条件下，过程参数甚至模型结果都会发生变化，如变结构、变参数、非线性、时变等，不仅难以建立受控对象精确的数学模型，而且PID控制器的控制参数具有固定形式，不易在线调整，难以适应外界环境的变化，这些使得PID控制器在实际应用中不能达到理想的效果，越来越受到限制和挑战。因此，如何使PID控制器具有在线自整定其参数的功能，是自从使用PID控制以来人们始终关注的重要问题。并且，随着相关领域技术的不断发展，对控制系统的指标要

9、求也越来越高。人们一直在寻求PID控制器参数的自适应技术，以适应复杂系统的控制要求，神经网络理论的发展使这种设想成为可能。人工神经网络是由大量简单的基本神经元相互连接而构成的自适应非线性动态系统。神经网络控制能够充分任意地逼近任何复杂的非线性关系，具有很强的信息综合能力，能够学习和适应严重不确定系统的动态特性，故有很强的鲁棒性和容错性，可以处理那些难以用模型和规则描述的过程；神经网络所具有的大规模的并行处理和分布式的信息存储；极强的自学、联想额容错能力；良好的自适应和自组织性；多输入、多输出的非线性系统都基本符合工程的要求。人工神经网络作为生物控制论的一个成果，其触角几乎延伸到各个工程领域，并

10、且在这些领域中形成新的生长点。径向基神经网络(简称RBF网络)，是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。基于RBF神经网络的PID控制器由经典的PID控制器和RBF神经网络组成，其基本思想是利用神经网络的自学习功能和非线性函数的表示能力，遵从一定的最优指标，在线调整PID控制器的参数，使之适应被控对象参数以及结构的变化和输入参考信号的变化，并能够抵御外来扰动的影响，达到具有良好的鲁棒性的目标。神经网络应用时不需考虑过程或现象的内在机理，一些高度非线性

11、和高度复杂的问题能较好地得到处理，因此神经网络在控制领域取得了较大的发展，特别在模型辨识、控制器设计、优化操作、故障分析与诊断等领域迅速得到应用。神经网络控制作为二十一世纪的自动化控制技术，国内外理论与实践均充分证明，其在工业复杂过程控制方面大有用武之地。而工业现场需要先进的控制方法，迫切需要工程化实用化的神经网络控制方法，所以研究神经网络在控制中的应用，对提高我国的自动化水平和企业的经济效益具有重大意义。神经网络具有很强的非线性逼近能力和自学习能力，所以将RBF神经网络算法与PID控制相结合产生的间接自校正控制策略，能自动整定控制器的参数，使系统在较好的性能下运行。虽然人工神经网络存在着以上

12、的许多优点及广泛的应用，但同时也存在着一些不足，由于神经网络的不足阻碍了神经网络的发展，在现实应用中RBF神经网络是最为广泛的神经网络模型之一，RBF神经网络是在1988年被Moody和Darken提出的一种神经网络结构，它从根本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。RBF网络和模糊逻辑能够实现很好的互补，提高神经网络的学习泛化能力，本课题是以RBF神经网络模型研究为主，RBF神经网络的优缺点主要表现在以下几个方面：优点： 它具有唯一最佳逼近的特性，且无局部极小问题存在。 RBF神经网络具有较强的输入和输出映射功能，并且理论证明在前向网络中RBF

13、网络是完成映射功能的最优网络。 网络连接权值与输出呈线性关系。 分类能力好。 学习过程收敛速度快。缺点： 最严重的问题是没能力来解释自己的推理过程和推理依据。 不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。 把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。 理论和学习算法还有待于进一步完善和提高。此外，RBF 神经网络用于非线性系统建模需要解决的关键问题是样本数据的选择，在实际工业过程中，系统的信息往往只能从系统运行的操作数据中分析得到，因此如何从系统运行的操作数据中提取系统运行状况信息，以降低网络对训练样本的依赖，在实际应用中具有重要的

14、价值。隐含层基函数的中心是在输入样本集中选取的，这在许多情况下难以反映出系统真正的输入输出关系，并且初始中心点数太多；另外优选过程会出现数据病态现象等问题的存在严重阻碍了RBF神经网络的发展，致使其理论发展缓慢。同时也因为RBF网络的这些缺点限制了其应用领域的拓宽及应用程度的深入，不利于国民经济的健康发展。因此，研究RBF神经网络显然具有重要理论意义和重要的应用价值。1.2 神经网络的发展历史神经网络的研究最早可以追溯到人类考试研究自己智能的时期。这一时期截止到1949年。1943年，心理学家WMcculloch和数理逻辑学家WPitts在分析、总结神经元基本特性的基础上首先从信息处理的观点出

15、发，合作提出了一种简单的人工神经元数学模型。在该模型中，神经元表现为二个状态，即“兴奋”和“抑止”。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。1945年冯诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动化网络结构。但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯诺依曼的名字是与普通计算机联系在一起的，但他也是人

16、人工神经网络研究的先驱之一。1949年，心理学家D.O.Hebb发表了论著Tlle origanization ofbehavior,提出来很多有价值的观点，特别是他认为在一个神经网络里信息是分布式地存储在突触连接的权值中，而权值可以通过网络的学习来调整。Hebb同时提出了网络学习的规则，即Hebbian规则，从而使神经网络具有了可靠性。Hebb的工作对后来的神经网络结构和算法产生了很大的影响，目前的一些神经网络的学习规则仍在采用Hebbian规则或它的改进型规则。第一次研究高潮：五十至六十年代，1958年FRosenblatt设计制作了“感知机”，它是一种多层的神经网络。用于模拟一个生物视觉模型，第一次从理论研究转图工程实践阶段。这是第一个真正的神经网络，因为它在IBM704计算机上得到了成功的模拟。最初感知机的学习机制是自组织的，响应的发生与随机的初始值有关，后来加入了训练过程，这与后来的BP算法和Kohone自组织算法类似。当时，世界上不少实验