【正文】 I 摘 要 目前，由于 PID 結(jié)構(gòu)簡單，可通過調(diào)節(jié)比例積分和微分取得基本滿意的控制性能，廣泛應(yīng)用在電廠的各種控制過程中。 電廠主汽溫 被控對象是一個大慣性 、大遲延 、 非線性 且對象變化的 系統(tǒng) ， 常規(guī)汽溫控制系統(tǒng)為串級 PID 控制或?qū)拔⒎挚刂?,當(dāng)機(jī)組穩(wěn)定運(yùn)行時 ,一般能將主汽溫控制在允許的范圍內(nèi) 。 但 當(dāng)運(yùn)行工況 發(fā)生較大變化時 ,卻 很難保證控制品質(zhì)。 因此 本文研究 基于 BP神經(jīng)網(wǎng)絡(luò)的 PID 控制，利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí) 、非線性 和不依賴模型等特性實(shí)現(xiàn) PID 參數(shù)的在線自整定 ， 充分利用 PID 和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn) 。本處 用一 個多層 前向神經(jīng)網(wǎng)絡(luò) ， 采用反向傳播算法 ， 依據(jù)控制要求實(shí)時輸出 Kp、 Ki、 Kd，依次作為 PID控制器的實(shí)時參數(shù)，代替?zhèn)鹘y(tǒng) PID 參數(shù)靠經(jīng)驗的人工整定和工程整定， 以達(dá)到對大遲延主氣溫系統(tǒng)的良好控制。 對這樣一個系統(tǒng)在 MATLAB平臺上進(jìn)行仿真研究， 仿真結(jié)果表明基于 BP神經(jīng)網(wǎng)絡(luò)的自整定 PID 控制 具有良好的自適應(yīng)能力和自學(xué)習(xí)能力， 對大遲延和變對象的 系 統(tǒng)可取得良好的控制效果。 關(guān)鍵詞： 主 汽溫 ， PID， BP 神經(jīng)網(wǎng)絡(luò) ， MATLAB 仿真 II ABSTRACT At present, because PID has a simple structure and can be adjusted proportional 、 integral and differential to satisfactory control performance, it is widely used in power plants of various control process. The system of power plant main steam temperature is an large inertia、 big timedelayed and nonlinear dynamic system. Conventional steam temperature control system adopted cascade PID control or the differential control of lead before. When the unit is stable, these methods will control the steam temperature in a certain range ,but when operating conditions changed greatly, it is difficult to ensure the quality of control. This article studies PID control based BP neural work . Using such characteristics of neural work selflearning, nonlinear and don39。t rely on model realize PID parameters autotuning. It can make full use of the advantages of PID and neural work. Here, we use a multilayer feedforward neural work using back propagation algorithm. This can realtime output Kp, Ki, Kd as the PID controller parameters , insteading of the traditional PID parameters determined by experience, so it can obtain good control performance .For such a system ,we can simulate in MATLAB simulation platform. The simulation results show that the PID control based BP neural work has good adaptive ability and selflearning ability. For the system of large delay and freemodel can obtain good control effect. KEY WORDS: main steam temperature ， PID ， BP neural work， MATLAB simulationIII 目 錄 摘 要 .................................................................... I ABSTRACT ................................................................... II 第一章 緒論 ................................................................. 1 選題背景和意義 ...................................................... 1 國內(nèi)外研究現(xiàn)狀 .................................................... 1 立論依據(jù) ............................................................ 5 本文所做的主要工作 .................................................. 6 第二章 神經(jīng)網(wǎng)絡(luò)的基本原理 ................................................... 7 人工神經(jīng)元模型 ...................................................... 8 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式和學(xué)習(xí)規(guī)則 ........................................ 9 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式 ............................................ 9 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 ............................................ 9 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及應(yīng)用 ............................................... 10 BP 神經(jīng)網(wǎng)絡(luò) ........................................................ 11 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) ........................................... 11 BP 神經(jīng)網(wǎng)絡(luò) 的 算法 ........................................... 12 本章小結(jié) .......................................................... 15 第三章 基于 BP 神經(jīng)網(wǎng)絡(luò)的 PID 控制 .......................................... 16 PID 控制器的離散差分方程 .......................................... 16 基于 BP 神經(jīng)網(wǎng)絡(luò)的 PID 整定原理 ...................................... 18 基于 BP 神經(jīng) 網(wǎng)絡(luò)的 PID 控制算法流程 .................................. 21 本章小結(jié) ........................................................... 22 第四章 基于 BP 神經(jīng)網(wǎng)絡(luò)的 PID 控制在主汽溫控制系統(tǒng)中的應(yīng)用 ................... 23 主汽溫的控制任務(wù) ................................................... 23 主汽溫被控對象的動態(tài)特性 ........................................... 23 主汽溫控制策略 ..................................................... 24 主汽溫控制信號的選擇 ......................................... 24 主汽溫控制的兩種策略 ......................................... 26 仿真分析 ........................................................... 27 IV 本章總結(jié) ........................................................... 34 結(jié)論與展望 ................................................................. 35 參考文獻(xiàn) ................................................................... 37 致 謝 .................................................... 錯誤 !未定義書簽。 1 第一章 緒論 選題背景和意義 在控制系統(tǒng)設(shè)計中 ,最主要而又最困難的問題是如何針對復(fù)雜、變化及具有不確定性的受控對象和環(huán)境作出有效的控制決策。經(jīng)典控制理論和現(xiàn)代控制 理論的基礎(chǔ)是建立數(shù)學(xué)模型 ,以此進(jìn)行控制系統(tǒng)設(shè)計 ,然而面對工程實(shí)際問題和工程應(yīng)用對控制要求的不斷提高 ,基于數(shù)學(xué)模型的控制理論和方法的局限性日益明顯。無模型控制能有效提高控制系統(tǒng)的適應(yīng)性和魯棒性 ,因此 ,走向無模型控制是自動控制發(fā)展的另一個重要方向。 在 1943 年，麥卡洛克和皮茨首次提出了腦模型，其最初動機(jī)在于模仿生物的神經(jīng)系統(tǒng)。隨著超大規(guī)模集成電路 (VLSl)、光電子學(xué)和計算機(jī)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)己引起更為廣泛的注意。近年來，基于神經(jīng)元控制的理論和機(jī)理已獲得進(jìn)一步的開發(fā)和應(yīng)用。盡管基于神經(jīng)元的控制能力還比較 有限，但由于神經(jīng)網(wǎng)絡(luò)控制器具有學(xué)習(xí)能力和記憶能力、概括能力、并行處理能力、容錯能力等重要特性，仍然有許多基于 人工神經(jīng)網(wǎng)絡(luò) 的控制器被設(shè)計出來 ,這類控制器具有并行處理、執(zhí)行速度快、魯棒性好、自適應(yīng)性強(qiáng)和適于應(yīng)用等優(yōu)點(diǎn)，廣泛的應(yīng)用在控制領(lǐng)域 [1]。 神經(jīng)網(wǎng)絡(luò)控制是一種基本上不依賴于模型的控制方法 ,它比較適用于那些具有不確定性或高度非線性的控制對象 ,并具有較強(qiáng)的適應(yīng)和學(xué)習(xí)功能 ,它是智能控制的一個重要分支。對于自動控制來說 ,神經(jīng)網(wǎng)絡(luò)有具有自適應(yīng)功能，泛化功能，非線性映射功，高度并行處理功能等幾方面優(yōu)勢 [2]，這使得神 經(jīng)網(wǎng)絡(luò)成為當(dāng)今一個非常熱門的交叉學(xué)科 , 廣泛應(yīng)用在電力，化工，機(jī)械等各行各業(yè)，并取得了比較好的控制效果。 國內(nèi)外研究現(xiàn)狀 隨著現(xiàn)代工業(yè)過程的日益復(fù)雜，經(jīng)典 現(xiàn)代控制理論面臨 嚴(yán)峻 挑戰(zhàn)，例如被控系統(tǒng)越來越巨大，存在多種不確定因素，存在難以確定描述的非線性特性，而控制的要求越來越高 (如控制精度、穩(wěn)定性、容錯、實(shí)時性等 )，因此人們一直在探索如何使控制系統(tǒng)具有更高的智能，使之能夠適應(yīng)各種控制環(huán)境。 而 神經(jīng)網(wǎng)絡(luò)源于對人腦神經(jīng)功能的模擬，它的某些類似人的智能特性有可能被用于解決現(xiàn)代控制面臨的一些難題。因此，從 20世紀(jì) 60 年代起， 人們就 開始研究神經(jīng)網(wǎng)絡(luò)在控制中的應(yīng)用了 ，取得了一定效果 。 目前，隨著神經(jīng)理論的發(fā)展和新算法的相繼提出，神經(jīng)網(wǎng)絡(luò)的應(yīng)用越來越廣泛。 從神經(jīng)網(wǎng) 絡(luò)的基本模式看 ,主要有 :前饋型、反饋型、自組織型及隨機(jī)型神經(jīng)網(wǎng)絡(luò) [3]。這四種類型各自具有不同的網(wǎng)絡(luò)模型 ： 前饋網(wǎng)絡(luò)中主要有 BP 網(wǎng)絡(luò)及 RBF網(wǎng)絡(luò) ； 反饋網(wǎng)絡(luò)主要有 Hopfield 網(wǎng)絡(luò) ； 自組織網(wǎng)絡(luò)主要有 ART 網(wǎng) 。 當(dāng)前，已 經(jīng)比較成熟的神經(jīng)網(wǎng)絡(luò)控制2 模型主 要有神經(jīng)自校正控制，神經(jīng) PID 控制，神經(jīng)模型參考自適應(yīng)控制，神經(jīng)內(nèi)膜控制等等 [4] (1) 、神經(jīng)網(wǎng)絡(luò)自校正控制 神經(jīng)自 校正控制結(jié)構(gòu)如圖，它由兩個回路組成： (1)自校正控制器與被控對象構(gòu)成的反饋回路； (2)神經(jīng)網(wǎng)絡(luò)辨識器與控制器設(shè)計，以得到控制器的參數(shù)。這種方案的設(shè)計思想是利用神經(jīng)網(wǎng)絡(luò)辨識器的計算估計能力對常規(guī)控制器參數(shù)進(jìn)行約束優(yōu)化求解 ,從而實(shí)現(xiàn)對常規(guī)控制器的參數(shù)或結(jié)構(gòu)進(jìn)行調(diào)整。 方框圖如下 [5]： r u y