【正文】 令 （22）則 （23）根據(jù)活化函數(shù)的不同，人們把人工神經(jīng)元分成以下幾種類(lèi)型[22]：（1）分段線性活化函數(shù)： （24）（2）sigmoid活化函數(shù)： (25)（3）雙曲正切活化函數(shù)： (26)（4）高斯活化函數(shù)： (27) 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式和學(xué)習(xí)規(guī)則 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)的主要特征之一。 :神經(jīng)元i的輸入。網(wǎng)絡(luò)的信息處理是由處理單元之間的相互作用(連接權(quán))來(lái)實(shí)現(xiàn)的。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)用本章首先對(duì)主汽溫的動(dòng)態(tài)特性進(jìn)行分析，對(duì)常見(jiàn)的和改進(jìn)的主汽溫控制策略進(jìn)行了描述和總結(jié)，并對(duì)主汽溫進(jìn)行仿真分析。具體安排如下：第一章、緒論簡(jiǎn)單論述了選題的意義和重要性以及神經(jīng)網(wǎng)絡(luò)用于控制的研究現(xiàn)狀，并闡述了論文的理論依據(jù)，說(shuō)明了本論文所采用算法的可行性和必要性。 本文所做的主要工作首先，本文對(duì)神經(jīng)網(wǎng)絡(luò)的模型，結(jié)構(gòu)，學(xué)習(xí)方式和學(xué)習(xí)算法作了介紹，并闡述了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，算法. 接著結(jié)合BP神經(jīng)網(wǎng)絡(luò)和PID控制的原理，對(duì)二者進(jìn)行了結(jié)合，采用了基于神經(jīng)網(wǎng)絡(luò)的自整定PID 控制，即把神經(jīng)網(wǎng)絡(luò)的輸出當(dāng)做PID的三個(gè)參數(shù)，在一定的準(zhǔn)則函數(shù)下，不斷自動(dòng)調(diào)整這三個(gè)參數(shù)，直到滿(mǎn)足一定的性能指標(biāo)。而實(shí)際工業(yè)生產(chǎn)過(guò)程中往往具有非線性，時(shí)變不確定性，如火電廠的鍋爐主汽溫對(duì)象，因而難以建立精確的數(shù)學(xué)模型，應(yīng)用常規(guī)PID控制器不能達(dá)到理想的控制效果，在實(shí)際生產(chǎn)過(guò)程中，由于受到參數(shù)整定方法繁雜的困擾，常規(guī)PID控制器參數(shù)往往整定不良，性能欠佳，對(duì)運(yùn)行工況的適應(yīng)性很差。人工神經(jīng)網(wǎng)絡(luò)作為一種新型的信息描述和處理方式，廣泛應(yīng)用在控制領(lǐng)域，其在控制領(lǐng)域的吸引力主要表現(xiàn)在以下幾方面[19]：（l）能夠充分逼近任意復(fù)雜的非線性關(guān)系；（2）能夠?qū)W習(xí)與適應(yīng)嚴(yán)重不確定性系統(tǒng)的動(dòng)態(tài)特性；（3）所有定量或定性的信息都分布存貯于網(wǎng)絡(luò)的權(quán)中，故人工神經(jīng)網(wǎng)絡(luò)有很強(qiáng)的魯棒性和容錯(cuò)性；（4）采用并行分布處理的方法，使得快速進(jìn)行大量運(yùn)算成為可能。該誤差作為反饋控制器的輸入。模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)主要采用以下綜合方式，既將人工神經(jīng)網(wǎng)絡(luò)作為模糊系統(tǒng)中的隸屬函數(shù)、模糊規(guī)則的描述形式[10]。根據(jù)預(yù)測(cè)模型的輸出，控制系統(tǒng)采用基于優(yōu)化的控制策略對(duì)被控對(duì)象進(jìn)行控制。 （5）、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制由于神經(jīng)網(wǎng)絡(luò)可以精確描述非線性動(dòng)態(tài)過(guò)程，因此，可用神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)預(yù)測(cè)控制系統(tǒng)。圖中的神經(jīng)辨識(shí)器用于充分逼近被控對(duì)象的動(dòng)態(tài)模型，相當(dāng)于正向模型。參考模型 yp r e e對(duì)象神經(jīng)控制器 u y + (a)參考模型 yp r 神經(jīng)辨識(shí)器 e e +神經(jīng)控制器 +對(duì)象 y (b)圖13 神經(jīng)模型參考自適應(yīng)控制結(jié)構(gòu)圖神經(jīng)控制器的權(quán)重修正目標(biāo)是使過(guò)程輸出最后以零誤差跟蹤參數(shù)模型輸出。通過(guò)神經(jīng)網(wǎng)絡(luò)的自身學(xué)習(xí)、加權(quán)系數(shù)調(diào)整，從而使其穩(wěn)定狀態(tài)對(duì)應(yīng)于某種最優(yōu)控制律下的PID控制器參數(shù)。（2）、神經(jīng)網(wǎng)絡(luò)PID控制。這四種類(lèi)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)。而神經(jīng)網(wǎng)絡(luò)源于對(duì)人腦神經(jīng)功能的模擬，它的某些類(lèi)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。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(cuò)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(jì)出來(lái),這類(lèi)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]。無(wú)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(wú)模型控制是自動(dòng)控制發(fā)展的另一個(gè)重要方向。對(duì)這樣一個(gè)系統(tǒng)在MATLAB平臺(tái)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(duì)大遲延和變對(duì)象的系統(tǒng)可取得良好的控制效果。電廠主汽溫被控對(duì)象是一個(gè)大慣性、大遲延、非線性且對(duì)象變化的系統(tǒng)，常規(guī)汽溫控制系統(tǒng)為串級(jí)PID控制或?qū)拔⒎挚刂?當(dāng)機(jī)組穩(wěn)定運(yùn)行時(shí),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(shí),卻很難保證控制品質(zhì)。關(guān)鍵詞：主汽溫，PID，BP神經(jīng)網(wǎng)絡(luò)，MATLAB仿真 ABSTRACTAt 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 network . Using such characteristics of neural network selflearning, nonlinear and don39。在1943年，麥卡洛克和皮茨首次提出了腦模型，其最初動(dòng)機(jī)在于模仿生物的神經(jīng)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)控制是一種基本上不依賴(lài)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(duì)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(gè)重要分支。因此，從20世紀(jì)60年代起，人們就開(kāi)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。當(dāng)前，已經(jīng)比較成熟的神經(jīng)網(wǎng)絡(luò)控制模型主要有神經(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(gè)回路組成：(1)自校正控制器與被控對(duì)象構(gòu)成的反饋回路；(2)神經(jīng)網(wǎng)絡(luò)辨識(shí)器與控制器設(shè)計(jì)，以得到控制器的參數(shù)。PID控制要取得好的控制效果，就必須通過(guò)調(diào)整好比例、積分和微分三種控制作用在形成控制量中相互配合又相互制約的關(guān)系，這種關(guān)系不一定是簡(jiǎn)單的“線性組合”，從變化無(wú)窮的非線性組合中可以找出最佳的關(guān)系。(3) 、神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制 ,將神經(jīng)網(wǎng)絡(luò)同模型參考自適應(yīng)控制相結(jié)合，就構(gòu)成了神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制，其系統(tǒng)的結(jié)構(gòu)形式和線性系統(tǒng)的模型參考自適應(yīng)控制系統(tǒng)是相同的，只是通過(guò)神經(jīng)網(wǎng)絡(luò)給出被控對(duì)象的辨識(shí)模型。對(duì)于直接方式，由于未知的非線性對(duì)象處于誤差和神經(jīng)控制器的中間位置，給參數(shù)修正造成困難。神經(jīng)網(wǎng)絡(luò)控制器不是直接學(xué)習(xí)被控對(duì)象的逆模型，而是間接地學(xué)習(xí)被控對(duì)象的逆動(dòng)態(tài)特性。預(yù)測(cè)控制是近年來(lái)發(fā)展起來(lái)的一類(lèi)新型計(jì)算機(jī)控制算法，它利用內(nèi)部模型預(yù)測(cè)被控對(duì)象未來(lái)輸出及其與給定值之差，然后據(jù)此以某種優(yōu)化指標(biāo)計(jì)算當(dāng)前應(yīng)加于被控對(duì)象的控制量，以期使未來(lái)的輸出盡可能地跟蹤給定參考軌線。(6) 、其他先進(jìn)的神經(jīng)控制模糊神經(jīng)網(wǎng)絡(luò)控制：模糊系統(tǒng)是以模糊集合論、模糊語(yǔ)言變量及模糊邏輯推理的知識(shí)為基礎(chǔ)，力圖在一個(gè)較高的層次上對(duì)人腦思維的模糊方式進(jìn)行工程化的模擬。多層神經(jīng)網(wǎng)絡(luò)控制：一個(gè)普通的多層神經(jīng)控制系統(tǒng)如下圖所示，基本上是一種前饋控制器。反饋?zhàn)饔门c前饋?zhàn)饔帽环謩e考慮[11]。這些特點(diǎn)都表明神經(jīng)網(wǎng)絡(luò)在解決高度非線性和嚴(yán)重不確定性系統(tǒng)的控制上有巨大的潛力。因此常規(guī)PID控制的應(yīng)用受到很大的限制和挑戰(zhàn)。緊接著，在主汽溫系統(tǒng)上進(jìn)行仿真分析，鍋爐主汽溫對(duì)象是一個(gè)大遲延、時(shí)變的對(duì)象，在不同的負(fù)荷下有不同的動(dòng)態(tài)特性，因此對(duì)其不同的負(fù)荷均進(jìn)行仿真分析。最后介紹了本文所作的主要工作和文章的結(jié)構(gòu)安排。最后是結(jié)論與展望,本部分總結(jié)了本論文的成果和不足，提出以后應(yīng)該注意和改進(jìn)的地方，為以后的研究指明方向。多年來(lái)，學(xué)者們己經(jīng)建立了多種神經(jīng)網(wǎng)絡(luò)模型，其中決定它們整體性能的因素主要是:神經(jīng)元(信息處理單元)的特性，神經(jīng)元之間相互連接的形式，為適應(yīng)環(huán)境而改善性能的學(xué)習(xí)規(guī)則等。 :神經(jīng)元的連接權(quán)值。學(xué)習(xí)規(guī)則就是修正神經(jīng)元之間連接強(qiáng)度或加權(quán)系數(shù)的算法，使獲得的知識(shí)結(jié)構(gòu)適應(yīng)周?chē)h(huán)境的變化。(2)無(wú)導(dǎo)師學(xué)習(xí):就是在學(xué)習(xí)過(guò)程中不需要有期望輸出，因而不存在直接的誤差信息。一旦選定了目標(biāo)函數(shù)形式，誤差糾正學(xué)習(xí)就變成了一個(gè)典型的最優(yōu)化問(wèn)題，最常用的目標(biāo)函數(shù)是均方誤差判據(jù)，定義為誤差平方和的均值: (29)其中E為期望算子。(3)競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則[19]顧名思義，在競(jìng)爭(zhēng)學(xué)習(xí)時(shí)，網(wǎng)絡(luò)各輸出單元互相競(jìng)爭(zhēng)，最后達(dá)到只有一個(gè)最強(qiáng)者激活，最常見(jiàn)的一種情況是輸出神經(jīng)元之間有側(cè)向抑制性連接，這樣原來(lái)輸出單元中如有某一單元較強(qiáng)，則它將獲勝并抑制其它單元，最后只有此強(qiáng)者處于激活狀態(tài)。(4)、對(duì)信息的處理具有自組織、自學(xué)習(xí)的特點(diǎn)，便于聯(lián)想、綜合和推廣神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間的連接強(qiáng)度用權(quán)值大小來(lái)表示，這種權(quán)值可以通過(guò)對(duì)訓(xùn)練的學(xué)習(xí)而不斷變化，而且隨著訓(xùn)練樣本量的增加和反復(fù)學(xué)習(xí)，這些神經(jīng)元之間的連接強(qiáng)度會(huì)不斷增加，從而提高神經(jīng)元對(duì)樣本特征的反映靈敏度。圖中j表示輸入層神經(jīng)元，i表示隱層神經(jīng)元，k表示輸出層神經(jīng)元。反向傳播算法是將誤差信號(hào)按照原鏈路反向計(jì)算，由梯度下降法調(diào)整各層神經(jīng)元的權(quán)值，使誤差信號(hào)最小。 (