【正文】 16 CAMC 網(wǎng)絡(luò)與 PID 復(fù)合控制 19 本章小結(jié) 21 第 4 章 基于 MATLAB控制算法研究及仿真 22 MATLAB簡介 22 基于常規(guī) PID 的過熱蒸汽溫度控制仿真研究 25 基于 CMAC 與 PID 復(fù)合控制的過熱蒸汽溫度控制仿真研究 28 常規(guī) PID 控制與基于 CMAC 與 PID 復(fù)合控制的仿真結(jié)果對比與分哈爾濱工程大學(xué)本科生 畢業(yè) 論文 析 33 本章小結(jié) 33 結(jié)論 35 參考文獻(xiàn) 36 致謝 38 哈爾濱工程大學(xué)本科生 畢業(yè) 論文 1 第 1 章 緒論 論文選題背景、目的和意義 在船舶蒸汽動力裝置中，過熱蒸汽溫度是鍋爐運(yùn)行質(zhì)量的重要指標(biāo)之一，過熱蒸汽溫度過高，可能造成過熱器、蒸汽管道和汽輪機(jī)的高壓部分損壞 。過熱蒸汽溫度過低，會引起熱耗上升，并使汽輪機(jī)軸向推力增大而造成 推力軸承過載，還會引起汽輪機(jī)末級蒸汽溫度增加，從而降低蒸汽機(jī)的內(nèi)效率，加劇對葉片的侵蝕，所以將過熱蒸汽溫度控制在給定值附近是船舶蒸汽動力裝置的重要任務(wù)。 鑒于過熱蒸汽溫度系統(tǒng)的被控對象慣性和延遲較大，具有非線性、時變等特點(diǎn)。尤其在大容量、高參數(shù)的船舶控制系統(tǒng)，被控對象更加復(fù)雜，對控制系統(tǒng)的要求更高，常規(guī)的汽溫串級控制已經(jīng)不能滿足要求。小腦模型神經(jīng)網(wǎng)絡(luò) （ CMAC） 比一般神經(jīng)網(wǎng)絡(luò)具有更好的非線性逼近能力，更適合于復(fù)雜動態(tài)環(huán)境下的非線性實(shí)時控制。本課題以船舶過熱蒸汽溫度系統(tǒng)為研究對象，研究 CMAC 與 PID 復(fù)合控制 方法在船舶過熱蒸汽溫度控制中的應(yīng)用，以改善過熱蒸汽溫度控制的品質(zhì)。 近年來國內(nèi)外對大型鍋爐過熱蒸汽溫度優(yōu)化控制的研究十分活躍，但目前廣泛應(yīng)用的優(yōu)化控制策略仍然基于常規(guī)的線性 PID 控制器，難于取得優(yōu)良的控制品質(zhì)，嚴(yán)重影響了 鍋爐 的安全、經(jīng)濟(jì)運(yùn)行。究其原因?yàn)椋? （ 1） 傳統(tǒng)的 PID 控制系統(tǒng)，只是根據(jù)鍋爐過熱汽溫系統(tǒng)某一負(fù)荷點(diǎn)上的對象特性 (傳遞函數(shù) )來設(shè)計的，但其狀態(tài)大范圍變化時，動態(tài)特性往往變化較大，即被控對象存在嚴(yán)重的非線性，因此，常規(guī) PID 控制系統(tǒng)在整個負(fù)荷范圍內(nèi)不可能是全局最優(yōu)的； （ 2） PID 控制規(guī)律是線性 的，而鍋爐過熱汽溫對象具有強(qiáng)烈的非線性，無論對常規(guī)控制系統(tǒng)如何優(yōu)化，總是突破不了用線性控制器來控制非線性對象的這一局限性，控制品質(zhì)提高必定會受到限制，要進(jìn)一步提高控制品質(zhì)，應(yīng)研究采用基于熱力系統(tǒng)非線性模型的新型優(yōu)化控制系統(tǒng)。 哈爾濱工程大學(xué)本科生 畢業(yè) 論文 2 由于船舶過熱蒸汽溫度系統(tǒng)這種復(fù)雜系統(tǒng)具有與簡單系統(tǒng)所不同的特點(diǎn)，及復(fù)雜系統(tǒng)的不確定性、非線性、時變和多變量、強(qiáng)耦合等，使傳統(tǒng)控制方法無法對其進(jìn)行控制。為了解決這種復(fù)雜控制系統(tǒng)的控制問題，智能控制方法應(yīng)運(yùn)而生，小腦模型神經(jīng)網(wǎng)絡(luò)作為智能控制的一個重要分支， 在復(fù)雜系統(tǒng)控制方面具有明顯的優(yōu)勢， 并已經(jīng)取得了較為廣泛的應(yīng)用。 目前 本 課題 國內(nèi)外 的 研究 現(xiàn)狀 神經(jīng)網(wǎng)絡(luò)的發(fā)展 自 20 世紀(jì) 40 年代，隨著神經(jīng)解剖學(xué)、神經(jīng)生理學(xué)以及神經(jīng)元的電生理過程等的研究取得突破性進(jìn)展，人們對人腦的結(jié)構(gòu)、組成及最基本工作單元有了越來越充分的認(rèn)識，在此基本認(rèn)識的基礎(chǔ)上，綜合數(shù)學(xué)、物理學(xué)以及信息處理等學(xué)科的方法對人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象，并建立簡化的模型，稱為人工神經(jīng)網(wǎng)絡(luò) ANN(Artificial Neural Network)。目前，關(guān)于人工神經(jīng)網(wǎng)絡(luò)的定義尚不統(tǒng)一，按美國神經(jīng)網(wǎng)絡(luò)學(xué)家 Hecht Nielsen 的 觀點(diǎn)，神經(jīng)網(wǎng)絡(luò)的定義是：“神經(jīng)網(wǎng)絡(luò)是由多個非常簡單的處理單元彼此按某種方式相互連接而形成的計算機(jī)系統(tǒng)，該系統(tǒng)靠其狀態(tài)對外部輸入信息的動態(tài)響應(yīng)來處理信息的 ”。綜合神經(jīng)網(wǎng)絡(luò)的來源、特點(diǎn)和各種解釋，它可簡單地表述為：人工神經(jīng)網(wǎng)絡(luò)是一種旨在模仿人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng)。 [9] 現(xiàn)代意義上對神經(jīng)網(wǎng)絡(luò) 的研究一般認(rèn)為從 1943 年美國芝加哥大學(xué)的生理學(xué)家 . McCulloch和 . Pitts 提出 MP 神經(jīng)元模型開始，到今年正好六十年。在這六十年中，神經(jīng)網(wǎng)絡(luò)的發(fā)展走過了一段曲折的道路。 1965 年M. Minsky和 S. Papert 在《感知機(jī)》一書中指出感知機(jī)的缺陷并表示出對這方面研究的悲觀態(tài)度，使得神經(jīng)網(wǎng)絡(luò)的研究從興起期進(jìn)入了停滯期，這是神經(jīng)網(wǎng)絡(luò)發(fā)展史上的第一個轉(zhuǎn)折。到了 20 世紀(jì) 80 年代初， . Hopfield 的工作和 D. Rumelhart 等人的 PDP 報告顯示出神經(jīng)網(wǎng)絡(luò)的巨大潛力，使得該領(lǐng)域的研究從停滯期進(jìn)入了繁榮期，這是神經(jīng)網(wǎng)絡(luò)發(fā)展史上的第二個轉(zhuǎn)折。 到了 20 世紀(jì) 90 年代中后期，隨著研究者們對神經(jīng)網(wǎng)絡(luò)的局限有了更清哈爾濱工程大學(xué)本科生 畢業(yè) 論文 3 楚的認(rèn)識，以及支持向量機(jī)等似乎更有前途的方法的出現(xiàn)， “神經(jīng)網(wǎng)絡(luò) ”這個詞不再象前些年那 么 “火爆 ”了。很多人認(rèn)為神經(jīng)網(wǎng)絡(luò)的研究又開始陷入了低潮，并認(rèn)為支持向量機(jī)將取代神經(jīng)網(wǎng)絡(luò)。有趣的是，著名學(xué)者 . Lin于 2021年 1 月在德國馬克斯 普朗克研究所所做的報告中說，支持向量機(jī)雖然是一個非常熱門的話題，但目前最主流的分類工具仍然是決策樹和神經(jīng)網(wǎng)絡(luò)。由著名的支持向量機(jī)研究者說出這番話，顯然有一種特殊的意味。 事實(shí)上，目前神經(jīng)網(wǎng)絡(luò)的境遇與 1965 年之后真正的低潮期相比有明顯的不同。在 1965 年之后的很長一段時期里，美國和前蘇聯(lián)沒有資助任何一項神經(jīng)網(wǎng)絡(luò)的研究課題，而今天世界各國對神經(jīng)網(wǎng)絡(luò)的研究仍然 有大量的經(jīng)費(fèi)支持； 1965 年之后 90%以上的神經(jīng)網(wǎng)絡(luò)研究者改變了研究方向，而今天無論是國際還是國內(nèi)都有一支相對穩(wěn)定的研究隊伍。實(shí)際上，神經(jīng)網(wǎng)絡(luò)在 1965 年之后陷入低潮是因?yàn)楫?dāng)時該領(lǐng)域的研究在一定意義上遭到了否定，而今天的相對平靜是因?yàn)樵擃I(lǐng)域已經(jīng)走向成熟，很多技術(shù)開始走進(jìn)生產(chǎn)和生活，從而造成了原有研究空間的縮小。 在科學(xué)研究中通常有這么一個現(xiàn)象，當(dāng)某個領(lǐng)域的論文大量涌現(xiàn)的時候，往往正是該領(lǐng)域很不成熟、研究空間很大的時候，而且由于這時候人們對該領(lǐng)域研究的局限缺乏清楚的認(rèn)識，其熱情往往具有很大的盲目性。從這個意義 上說，過去若干年里各領(lǐng)域研究者一擁而上、各種專業(yè)刊物滿眼 “神經(jīng)網(wǎng)絡(luò) ”的風(fēng)光，其實(shí)是一種畸形繁榮的景象，而對神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)在才進(jìn)入了一個比較理智、正常的發(fā)展期。在這段時期中，通過對以往研究中存在的問題和局限進(jìn)行反思，并適當(dāng)借鑒相關(guān)領(lǐng)域的研究進(jìn)展，將可望開拓新的研究空間，為該領(lǐng)域的進(jìn)一步發(fā)展奠定基礎(chǔ)。 基于神經(jīng)網(wǎng)絡(luò)的控制稱為神經(jīng)網(wǎng)絡(luò)控制 (NNC)，神經(jīng)網(wǎng)絡(luò)控制具有以下優(yōu)點(diǎn)： (1)能夠充分逼近任意復(fù)雜的非線性系統(tǒng)； (2)能夠?qū)W習(xí)和適應(yīng)嚴(yán)重不確定系統(tǒng)的動態(tài)特性； (3)由于大量神經(jīng)元之間廣泛連接，即使少量神經(jīng)元或連接損壞，也不影響系統(tǒng)的整體功能，表現(xiàn)出很強(qiáng)的魯棒性和容錯性； (4)采用并行分布處理方法，使得快速進(jìn)行大量運(yùn)算成為可能。這些特點(diǎn)顯示了神經(jīng)哈爾濱工程大學(xué)本科生 畢業(yè) 論文 4 網(wǎng)絡(luò)在解決高度非線性和嚴(yán)重不確定性系統(tǒng)的控制方面具有很大潛力。 目前有代表性的神經(jīng)網(wǎng)絡(luò)模型有： （ 1） BP 神經(jīng)網(wǎng)絡(luò)它是一種多層前饋網(wǎng)絡(luò)，采用最小均方差的學(xué)習(xí)方式，是使用最廣泛的網(wǎng)絡(luò)，可用于語言綜合、語言識別、自適應(yīng)控制等。缺點(diǎn)是僅為有導(dǎo)師訓(xùn)練，訓(xùn)練時間長，對某些特殊問題，運(yùn)行時間可能需要幾個小時，易陷入局部極小值，訓(xùn)練過程學(xué)習(xí)新樣本時有時有遺忘舊樣本的趨勢。 （ 2） RBF 網(wǎng) 絡(luò)它是一類非常有效的的多層前饋網(wǎng)絡(luò)，其神經(jīng)元基函數(shù)具有僅在微小局部范圍內(nèi)才產(chǎn)生有效的非零響應(yīng)的局部特性，因而可以在學(xué)習(xí)過程中獲得高速化。缺點(diǎn)是由于高斯函數(shù)的特性，該網(wǎng)絡(luò)難以學(xué)習(xí)映射的高頻部分。 （ 3） BAM 雙向聯(lián)想記憶網(wǎng)它是由相同神經(jīng)元構(gòu)成的雙向聯(lián)想式單層網(wǎng)絡(luò)，具有學(xué)習(xí)功能，缺點(diǎn)是存儲度低且需要編碼。 （ 4） Hopfield 網(wǎng)絡(luò)它是最典型的反饋網(wǎng)絡(luò)模型，是目前人們研究的最多的模型之一。該網(wǎng)絡(luò)是由相同的神經(jīng)元構(gòu)成的單層網(wǎng)絡(luò)，不具有學(xué)習(xí)功能的自聯(lián)想網(wǎng)絡(luò)，需要堆成連接。這個網(wǎng)絡(luò)可以完成制約優(yōu)化和聯(lián)想記憶等功能。 （ 5） CMAC 小腦神經(jīng)網(wǎng)絡(luò)這是根據(jù)小腦的生物模型提出的一種神經(jīng)元網(wǎng)絡(luò)模型，它是一種聯(lián)想網(wǎng)絡(luò)，對每一輸出只有少部分神經(jīng)元與之相關(guān)，其最大的特點(diǎn)就是它的聯(lián)想具有局部泛化能力，并有學(xué)習(xí)速度快、無局部極小點(diǎn)等性質(zhì)。 人工神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力，克服了傳統(tǒng)人工智能方法對于直覺，如模式、語音識別、非結(jié)構(gòu)化信息處理方面的缺陷，使之在神經(jīng)專家系統(tǒng)、模式識別、智能控制、組合優(yōu)化、預(yù)測等領(lǐng)域得到成功應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)與其它傳統(tǒng)方法相結(jié)合，將推動人工智能和信息處理技術(shù)不斷發(fā)展。近年來，人工神經(jīng)網(wǎng)絡(luò)正向模擬人類認(rèn)知 的道路上更加深入發(fā)展，與模糊系統(tǒng)、遺傳算法、進(jìn)化機(jī)制等結(jié)合，形成計算智能，成為人工智能的一個重要方向，將在實(shí)際應(yīng)用中得到發(fā)展。將信息幾何應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)的研究，為人工神經(jīng)網(wǎng)絡(luò)的理論研究開辟了新的途徑。 哈爾濱工程大學(xué)本科生 畢業(yè) 論文 5 CMAC