【正文】 制方法下的特性，從而比較兩種不同控制方法的控制效果 [24]。輸入指令信號(hào) 同樣 為 一個(gè) 階躍信號(hào) ： 1)( ?trin ，采樣時(shí)間 st 取 10s。把被控對(duì)象的輸出反饋到給定值，又產(chǎn)生誤差，反復(fù)此訓(xùn)練過(guò)程，直到誤差為零，也即輸出值與給定值相等為止。 由 圖 42 可知， 常規(guī) PID 控制系統(tǒng)達(dá) 到穩(wěn)定的過(guò)渡過(guò)程時(shí)間： sts 900? ；由圖 44 可知， BP 神經(jīng)網(wǎng)絡(luò) PID 控制系統(tǒng)達(dá)到穩(wěn)定江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 22 的過(guò)渡過(guò)程時(shí)間： sts 800? 。而實(shí)際 的工業(yè)控制中， 常規(guī) PID 控制系統(tǒng)很容易發(fā)生振蕩，就使系統(tǒng)很難在較 短的時(shí)間里達(dá)到最佳的控制效果 [28]。 本文 的主要內(nèi)容： （ 1） 重 點(diǎn) 介紹了傳統(tǒng) PID 控制器和 BP 神經(jīng)網(wǎng)絡(luò) PID 控制器的控制原理和學(xué)習(xí)規(guī)則。 江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 24 致 謝 江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 25 參 考 文 獻(xiàn) [1] 薛定宇，陳陽(yáng)泉 . 基于 MATLAB/Simulink的系統(tǒng)仿真技術(shù)與應(yīng)用 . 清華大學(xué)出版社， 2020： 129161 [2] 金以慧，過(guò)程控制，清華大學(xué)出版社， 2020 [3] 馬銳 . 人工神經(jīng)網(wǎng)絡(luò)原理 . 機(jī)械工業(yè)出版社， 2020： 165,132167 [4] 師黎，陳鐵軍，李曉媛，姚利娜 . 智能控制實(shí)驗(yàn)與綜合設(shè)計(jì)指導(dǎo) . 清華大學(xué)出版社：1419. [5] 李人厚，智能控制理論和方法，西安電子科技大學(xué)出版社， 1999 [6] 叢爽 . 面向 MATLAB 工具箱的 神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用（第 3 版） . 合肥：中國(guó)科學(xué)技術(shù)大學(xué)出版社， 2020 [7] 彭梅香 . BP 神經(jīng)網(wǎng)絡(luò) PID 控制 (碩士論文 ). 華東師范大學(xué)， 2020 [8] 盧娟 . BP 神經(jīng)網(wǎng)絡(luò) PID 在三容系統(tǒng)中的控制研究 (碩士論文 ). 合肥工業(yè)大學(xué)， 2020 [9] 徐麗娜 . 神經(jīng)網(wǎng)絡(luò)控制 . 2020 [10] 高雋 . 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例 . 機(jī)械工業(yè)出版社， 2020: [11] Lawrence J. Introduction to Neural Networks and Expert Systems. California Scientific Software, 2020 [12] 朱學(xué)峰，過(guò)程控制技術(shù)的發(fā)展、現(xiàn)狀與展望，測(cè)控技術(shù)， 2020， 18： 1． 4 [13] Astrom K J， Hagglund T， The Future of PID Control， Control Engineering Practice，2020， (9)： 11631175 [14] 周浚哲，于洋，神經(jīng)網(wǎng)絡(luò) GPC 在非線性三容水箱系統(tǒng)中的應(yīng)用，沈陽(yáng)工學(xué)院學(xué)報(bào)，2020 年 6 月， V01． 2， No． 2： 55． 58 [16] 薛定宇，控制系 統(tǒng)仿真與計(jì)算機(jī)輔助設(shè)計(jì)，機(jī)械工業(yè)出版社， 2020 [17] 楊智，朱海鋒，黃以華， PID 控制器設(shè)計(jì)與參數(shù)整定方法綜述，化工自動(dòng)化及儀表，2020， 32(5)： 1． 7 [18] 趙振宇，徐用懋，模糊理論和神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)與應(yīng)用，清華大學(xué)出版社，廣西科學(xué)技術(shù)出版社， 2020 [19] ，過(guò)程控制系統(tǒng)，清華大學(xué)出版社， 2020 [20] 劉姝廷，金太東 . BPPID 在鍋爐蒸汽壓力控制中的應(yīng)用 . 武漢工程大學(xué)學(xué)報(bào)， 2020，31(7)： 9194 [21] 劉金琨 . 先進(jìn) PID 控制 MATLAB 仿真（第 3 版） . 電子工業(yè)出版社 ， 2020： 180 江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 26 [22] 閻平凡 ,張長(zhǎng)水 . 人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算．北京：清華大學(xué)出版社， 2020： 74— 89 [23] 譚永紅 . 基于 BP 神經(jīng)網(wǎng)絡(luò)的自適應(yīng)控制 . 西安：西北工業(yè)大學(xué)出版社， 2020 [24] Wills M,t,y(:,2),39。,2)。ylabel(39。ideal position signal39。 BP 神經(jīng)網(wǎng)絡(luò) PID 控制方法仿真 程序 ： %基于 BP 神經(jīng)網(wǎng)絡(luò)的 PID 控制器設(shè)計(jì) clear all。 %學(xué)習(xí)率 IN=4。 。 %初始化隱含層權(quán)值 %wi=*rands(H,IN)。 wo=[ 。 wo_1=wo。 %定義數(shù)組并初始化 u_1=0。u_5=0。 %初始化對(duì)象輸出 Oh=zeros(H,1)。 ts=10。 tp=60。,tol)。 [num,den]=tfdata(dsys,39。 ei=0。 %誤差 xi=[rin(k),yout(k),error(k),1]。 epid=[x(1)。 %隱含層輸入 for j=1:1:H Oh(j)=(exp(I(j))exp(I(j)))/(exp(I(j))+exp(I(j)))。ki(k)=K(2)。 u(k)=u_1+du(k)。 %Output layer for j=1:1:Out dK(j)=2/(exp(K(j))+exp(K(j)))^2。 for i=1:1:H %Hidden layer dO(i)=4/(exp(I(i))+exp(I(i)))^2。*xi。u_3=u_2。 %參數(shù)更 ， Parameters Update u_5=u_4。 for i=1:1:H delta2(i)=dO(i)*segma(i)。 end for l=1:1:Out for i=1:1:H d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1wo_2)。 end if u(k)=10 u(k)=10。 %輸出層輸出的 PID 3 個(gè)系數(shù) Kpid=[kp(k),ki(k),kd(k)]。 %輸出層輸入 for l=1:1:Out K(l)=exp(K(l))/(exp(K(l))+exp(K(l)))。x(3)]。 x(2)=error(k)。 %跟蹤階躍信號(hào) yout(k)=den(2)*y_1+num(2)*u_5。)。zoh39。 sys=tf([K],[tp,1],39。 rin(k)=。 %Input to NN middle layer error_2=0。y_2=0。u_3=0。wo_3=wo。 ]。wi_2=wi。 。Out=3。 xite=。position tracking39。)。time(s)39。,39。 plot(t,y(:,1),39。 （ 3）比較了系統(tǒng) 采用不同控制方法后 的 仿真 曲線， 總結(jié)了 兩種控制方法的控制效果 。 江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 23 結(jié) 論 針對(duì) 船用鍋爐主蒸汽壓力對(duì)象 的 大慣性、大滯后 特點(diǎn) ， BP 神經(jīng)網(wǎng)絡(luò) PID 控制器 通過(guò)不斷地 學(xué)習(xí) 和訓(xùn)練 ，實(shí)時(shí)地調(diào)整 PID 控制器參數(shù)，使 PID 控制器 參數(shù)達(dá)到最佳。 (2)自適應(yīng) 能力 強(qiáng)，不易受外界環(huán)境變化的影響。 但 BP 神經(jīng)網(wǎng)絡(luò) PID 控制系統(tǒng)在最大超調(diào)量、上升時(shí)間、調(diào)節(jié)時(shí)間等暫態(tài)性能上都要優(yōu)于常規(guī) PID 控制系統(tǒng)。當(dāng)產(chǎn)生誤差時(shí)，誤差輸入到 BP 神經(jīng)網(wǎng)絡(luò) PID 控制器，通過(guò)在線調(diào)節(jié) BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值，得到 BP 神經(jīng)網(wǎng)絡(luò)的輸出，即 PID 的參數(shù) PK ， IK ， DK 。被控對(duì)象即式（ 38）， 由此進(jìn)行仿真，仿真結(jié)果如下圖： 0 100 200 300 400 500 600 700 800 900 100000 . 20 . 40 . 60 . 811 . 21 . 41 . 61 . 82t i m e ( s )yd and y理想信號(hào)跟蹤信號(hào) 圖 43 傳統(tǒng) PID 控制算法的響應(yīng)曲線 江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 20 基于 BP 神經(jīng)網(wǎng)絡(luò)的 PID 控制方法 對(duì)于這個(gè)蒸汽壓力數(shù)學(xué)模型，選擇神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為 453，學(xué)習(xí)速率 ?? ，慣性系數(shù) ?? 。蒸汽系統(tǒng)就整體而言是屬于非線性 分布參數(shù)的數(shù)學(xué)模型。在鍋爐蒸汽壓力控制中，即實(shí)現(xiàn)了壓力的實(shí)時(shí)控制和調(diào)節(jié)了 [23]。 BP 神經(jīng)網(wǎng)絡(luò) PID 控制器主要利用了神經(jīng)網(wǎng)絡(luò)的非線性映射能力和自適應(yīng)能力。 BP 神經(jīng)網(wǎng)絡(luò) PID 控制器是一種較新型的神 經(jīng)網(wǎng)絡(luò) PID 控制方法，有的著作又將之稱作“ PID 型神經(jīng)網(wǎng)絡(luò)控制”、“具有神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的 PID 控制器”、“神經(jīng)網(wǎng)絡(luò)直接自校正 PID 控制器”等。 這兩種類型分別具有各自的特點(diǎn)和不足之處，以 BP 經(jīng)網(wǎng)絡(luò) PID 控制器為例，對(duì)它們的控制特點(diǎn)和不足做簡(jiǎn)要介紹。 以上各種方案的理論依據(jù)不同，采用手段也不相同，但它們的共同點(diǎn)都是針對(duì)如何選擇和整定 PID 參數(shù)。 通過(guò)以上分析，我們了解到，神經(jīng)網(wǎng)絡(luò) PID 控制器的 PID 參數(shù)能夠根據(jù)實(shí)際情況，通過(guò)自學(xué)習(xí)獲得合適的參數(shù)，從而讓控制效果達(dá)到最佳，具有很強(qiáng) 的魯棒性。 PID 在控制非線性、時(shí)變、耦合及參數(shù)和結(jié)構(gòu)不確定的復(fù)雜過(guò)程時(shí)，效果不是太好。 其次，傳統(tǒng)的 PID 控制器的參數(shù)只能整定為滿足生產(chǎn)過(guò)程控制目標(biāo)某一個(gè)方面的要求。 傳統(tǒng)的 PID 控制也存在許多不足，最突出的一點(diǎn)就是有關(guān) PID 參數(shù)的問(wèn)題。 ② PID 控制器的特點(diǎn) （ 1）原理簡(jiǎn)單，使用方便。 而實(shí)際的工業(yè)生產(chǎn)過(guò)程往往具有非線性、時(shí)變不確定性等特點(diǎn)，難以建立精確的數(shù)學(xué)模型，應(yīng)用常規(guī) PID 控制器又難以達(dá)到理想的控制效果 [15]。這兩個(gè)過(guò)程不斷反復(fù)運(yùn)用，直到達(dá)到所設(shè)定的誤差值 [14]。 (3)有監(jiān)督的 Hebb 學(xué)習(xí)規(guī)則 將無(wú)監(jiān)督的 Hebb 學(xué)習(xí)和有監(jiān)督的 Delta 學(xué)習(xí)兩者結(jié)合起來(lái)就可組成有監(jiān)督的 Hebb學(xué)習(xí)規(guī)則，即： )()())()(()()1( kokokokdkwkww jijjijijij ?????? ? （ 216） 采用 Hebb 學(xué)習(xí)和有監(jiān)督的 Delta 學(xué)習(xí)相結(jié)合的學(xué)習(xí)策略，使神經(jīng)元通過(guò)關(guān)聯(lián)搜索對(duì)未知的外界作出反應(yīng)，即在教師信號(hào) ))()( kokd jj ? 的指導(dǎo)下，對(duì)環(huán)境信號(hào)進(jìn)行相關(guān)學(xué)習(xí)和自組織，使相應(yīng)的輸出增強(qiáng)或削弱。其學(xué)習(xí)過(guò)程表現(xiàn)為：給系統(tǒng)提供動(dòng)態(tài)輸入信號(hào)，以使各個(gè)單元以某種方式競(jìng)爭(zhēng)，獲勝的神經(jīng)元本身或相鄰域得到增強(qiáng)，其他神經(jīng)元進(jìn)一步抑制，從而將信號(hào)空間劃分為有用的多個(gè)區(qū)域 [13]。 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則即調(diào)整神經(jīng)網(wǎng)絡(luò)連接權(quán)值的規(guī)則。 示意圖如圖 27 所示，梯度下降學(xué)習(xí)算法總是在尋找坡度最大的地段向下滑行，當(dāng)它處于 D 位置時(shí)，沿最大坡度路線下降，到達(dá)局部最小點(diǎn)而 G 停止滑行。隱含層可以是一層，也可以是多層（圖示為單隱含層），前層至后層節(jié)點(diǎn)通過(guò)權(quán)連接 。若隱層節(jié)點(diǎn) (單元 )不可任意設(shè)置，則用三層 S 型非線性特性節(jié)點(diǎn)的網(wǎng)絡(luò)，可以一致逼近緊集上的連續(xù)函數(shù)或按 2L 范數(shù)逼近緊集上的平方可積函數(shù) [8]。 ① 單層感知器模型 單層感知器模型是一個(gè)具有單層處理單元的神經(jīng)網(wǎng)絡(luò)，如圖 24 所示，非線性作用函數(shù) )(xf 是對(duì)稱型階躍函數(shù)。 )W 2 W nuf ( 基函數(shù) ) ) MP 神經(jīng)元模型是人工神經(jīng)元模型的基礎(chǔ)，也是神經(jīng)網(wǎng)絡(luò)理論的基礎(chǔ)。 基于這個(gè)思想， McCulloch和 Pitts 在神經(jīng)元模型中引入了硬極限函數(shù)，該函數(shù)形式后來(lái)被其他神經(jīng)網(wǎng)絡(luò) (多層感知器、離散 Hopfield 網(wǎng)絡(luò) )所采用 [6]。局部互連是指互連是局部的，有些神經(jīng)元之間沒(méi)有連接關(guān)系。 ③前向內(nèi)層互聯(lián)網(wǎng)絡(luò) 從 外部看仍是前饋網(wǎng)絡(luò)，但在同一層內(nèi)存再互相之間的連接，以實(shí)現(xiàn)同層內(nèi)神經(jīng)元之間的橫向抑制或興奮機(jī)制。 前饋網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最為廣泛和成熟的網(wǎng)絡(luò)類型。通過(guò)轉(zhuǎn)換函數(shù)實(shí)現(xiàn)輸入信號(hào)到輸出信號(hào)的映射，稱為激活函數(shù)。人工神經(jīng)元是對(duì)生物神經(jīng)元結(jié)構(gòu)和功能的模擬，是對(duì)生物神經(jīng)元的形式化描述，是對(duì)生物生物神經(jīng)元的信息處理過(guò)程的抽象。 神經(jīng)網(wǎng)絡(luò)具有一些顯著的特點(diǎn)：如具有非線性映射能力，不需要精 確的數(shù)學(xué)模型，擅長(zhǎng)從輸入輸出數(shù)據(jù)中學(xué)習(xí)有用知識(shí)，容易實(shí)現(xiàn)并行計(jì)算等。 第四章 BP 神經(jīng)網(wǎng)絡(luò) PID 控制器在鍋爐蒸汽壓力中的應(yīng)用，對(duì)船用鍋爐主蒸汽壓力調(diào)節(jié)對(duì)象，利用 BP 神經(jīng)網(wǎng)絡(luò) PID 控制器 實(shí)現(xiàn) 對(duì)它的壓力進(jìn)行調(diào)節(jié)控制 。 第一章 緒論，本章介紹了本課題的選題背景，概述了人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史及主要應(yīng)用現(xiàn)狀。 船用鍋爐主蒸汽壓力調(diào)節(jié)對(duì)象含有大慣性、大滯后環(huán)節(jié)，常規(guī) PID 控制方法不具備江蘇科技大學(xué) 本科畢業(yè)設(shè)計(jì)（論文） 3 自適應(yīng)能力，因此很難滿足實(shí)際的控制要求。 Grossberg/Kupersteirl 的視覺運(yùn)動(dòng)控制神經(jīng)網(wǎng)絡(luò)，能夠執(zhí)行傳感器表面的一個(gè)圖像傳感器的反饋控制和圖像平面的非線性關(guān)系的計(jì)算，并能把圖像傳感器瞄準(zhǔn)到正在運(yùn)動(dòng)的指定客體上。神經(jīng)網(wǎng)絡(luò)可以根據(jù)運(yùn)輸網(wǎng)或通信網(wǎng)中當(dāng)前及以前的貨物及信息情況，最佳地調(diào)度網(wǎng)中的貨物源和信息源 ，達(dá)到貨物和信息在網(wǎng)中的傳遞最為經(jīng)濟(jì)的目的。