【正文】 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 同樣 為 一個 階躍信號 ： 1)( ?trin ，采樣時間 st 取 10s。把被控對象的輸出反饋到給定值，又產(chǎn)生誤差，反復此訓練過程，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 到穩(wěn)定的過渡過程時間： sts 900? ；由圖 44 可知， BP 神經(jīng)網(wǎng)絡 PID 控制系統(tǒng)達到穩(wěn)定江蘇科技大學 本科畢業(yè)設計（論文） 22 的過渡過程時間： sts 800? 。而實際 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 短的時間里達到最佳的控制效果 [28]。 本文 的主要內(nèi)容： （ 1） 重 點 介紹了傳統(tǒng) PID 控制器和 BP 神經(jīng)網(wǎng)絡 PID 控制器的控制原理和學習規(guī)則。 江蘇科技大學 本科畢業(yè)設計（論文） 24 致 謝 江蘇科技大學 本科畢業(yè)設計（論文） 25 參 考 文 獻 [1] 薛定宇，陳陽泉 . 基于 MATLAB/Simulink的系統(tǒng)仿真技術與應用 . 清華大學出版社， 2021： 129161 [2] 金以慧，過程控制，清華大學出版社， 2021 [3] 馬銳 . 人工神經(jīng)網(wǎng)絡原理 . 機械工業(yè)出版社， 2021： 165,132167 [4] 師黎，陳鐵軍，李曉媛，姚利娜 . 智能控制實驗與綜合設計指導 . 清華大學出版社：1419. [5] 李人厚，智能控制理論和方法，西安電子科技大學出版社， 1999 [6] 叢爽 . 面向 MATLAB 工具箱的 神經(jīng)網(wǎng)絡理論與應用（第 3 版） . 合肥：中國科學技術大學出版社， 2021 [7] 彭梅香 . BP 神經(jīng)網(wǎng)絡 PID 控制 (碩士論文 ). 華東師范大學， 2021 [8] 盧娟 . BP 神經(jīng)網(wǎng)絡 PID 在三容系統(tǒng)中的控制研究 (碩士論文 ). 合肥工業(yè)大學， 2021 [9] 徐麗娜 . 神經(jīng)網(wǎng)絡控制 . 2021 [10] 高雋 . 人工神經(jīng)網(wǎng)絡原理及仿真實例 . 機械工業(yè)出版社， 2021: [11] Lawrence J. Introduction to Neural Networks and Expert Systems. California Scientific Software, 2021 [12] 朱學峰，過程控制技術的發(fā)展、現(xiàn)狀與展望，測控技術， 2021， 18： 1． 4 [13] Astrom K J， Hagglund T， The Future of PID Control， Control Engineering Practice，2021， (9)： 11631175 [14] 周浚哲，于洋，神經(jīng)網(wǎng)絡 GPC 在非線性三容水箱系統(tǒng)中的應用，沈陽工學院學報，2021 年 6 月， V01． 2， No． 2： 55． 58 [16] 薛定宇，控制系 統(tǒng)仿真與計算機輔助設計，機械工業(yè)出版社， 2021 [17] 楊智，朱海鋒，黃以華， PID 控制器設計與參數(shù)整定方法綜述，化工自動化及儀表，2021， 32(5)： 1． 7 [18] 趙振宇，徐用懋，模糊理論和神經(jīng)網(wǎng)絡的基礎與應用，清華大學出版社，廣西科學技術出版社， 2021 [19] ，過程控制系統(tǒng)，清華大學出版社， 2021 [20] 劉姝廷，金太東 . BPPID 在鍋爐蒸汽壓力控制中的應用 . 武漢工程大學學報， 2021，31(7)： 9194 [21] 劉金琨 . 先進 PID 控制 MATLAB 仿真（第 3 版） . 電子工業(yè)出版社 ， 2021： 180 江蘇科技大學 本科畢業(yè)設計（論文） 26 [22] 閻平凡 ,張長水 . 人工神經(jīng)網(wǎng)絡與模擬進化計算．北京：清華大學出版社， 2021： 74— 89 [23] 譚永紅 . 基于 BP 神經(jīng)網(wǎng)絡的自適應控制 . 西安：西北工業(yè)大學出版社， 2021 [24] Wills M,t,y(:,2),39。,2)。ylabel(39。ideal position signal39。 BP 神經(jīng)網(wǎng)絡 PID 控制方法仿真 程序 ： %基于 BP 神經(jīng)網(wǎng)絡的 PID 控制器設計 clear all。 %學習率 IN=4。 。 %初始化隱含層權值 %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 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， 總結了 兩種控制方法的控制效果 。 江蘇科技大學 本科畢業(yè)設計（論文） 23 結 論 針對 船用鍋爐主蒸汽壓力對象 的 大慣性、大滯后 特點 ， BP 神經(jīng)網(wǎng)絡 PID 控制器 通過不斷地 學習 和訓練 ，實時地調(diào)整 PID 控制器參數(shù)，使 PID 控制器 參數(shù)達到最佳。 (2)自適應 能力 強，不易受外界環(huán)境變化的影響。 但 BP 神經(jīng)網(wǎng)絡 PID 控制系統(tǒng)在最大超調(diào)量、上升時間、調(diào)節(jié)時間等暫態(tài)性能上都要優(yōu)于常規(guī) PID 控制系統(tǒng)。當產(chǎn)生誤差時，誤差輸入到 BP 神經(jīng)網(wǎng)絡 PID 控制器，通過在線調(diào)節(jié) BP 神經(jīng)網(wǎng)絡的權值，得到 BP 神經(jīng)網(wǎng)絡的輸出，即 PID 的參數(shù) PK ， IK ， DK 。被控對象即式（ 38）， 由此進行仿真，仿真結果如下圖： 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理想信號跟蹤信號 圖 43 傳統(tǒng) PID 控制算法的響應曲線 江蘇科技大學 本科畢業(yè)設計（論文） 20 基于 BP 神經(jīng)網(wǎng)絡的 PID 控制方法 對于這個蒸汽壓力數(shù)學模型，選擇神經(jīng)網(wǎng)絡結構為 453，學習速率 ?? ，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)學模型。在鍋爐蒸汽壓力控制中，即實現(xiàn)了壓力的實時控制和調(diào)節(jié)了 [23]。 BP 神經(jīng)網(wǎng)絡 PID 控制器主要利用了神經(jīng)網(wǎng)絡的非線性映射能力和自適應能力。 BP 神經(jīng)網(wǎng)絡 PID 控制器是一種較新型的神 經(jīng)網(wǎng)絡 PID 控制方法，有的著作又將之稱作“ PID 型神經(jīng)網(wǎng)絡控制”、“具有神經(jīng)網(wǎng)絡結構的 PID 控制器”、“神經(jīng)網(wǎng)絡直接自校正 PID 控制器”等。 這兩種類型分別具有各自的特點和不足之處，以 BP 經(jīng)網(wǎng)絡 PID 控制器為例，對它們的控制特點和不足做簡要介紹。 以上各種方案的理論依據(jù)不同，采用手段也不相同，但它們的共同點都是針對如何選擇和整定 PID 參數(shù)。 通過以上分析，我們了解到，神經(jīng)網(wǎng)絡 PID 控制器的 PID 參數(shù)能夠根據(jù)實際情況，通過自學習獲得合適的參數(shù)，從而讓控制效果達到最佳，具有很強 的魯棒性。 PID 在控制非線性、時變、耦合及參數(shù)和結構不確定的復雜過程時，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)過程控制目標某一個方面的要求。 傳統(tǒng)的 PID 控制也存在許多不足，最突出的一點就是有關 PID 參數(shù)的問題。 ② PID 控制器的特點 （ 1）原理簡單，使用方便。 而實際的工業(yè)生產(chǎn)過程往往具有非線性、時變不確定性等特點，難以建立精確的數(shù)學模型，應用常規(guī) PID 控制器又難以達到理想的控制效果 [15]。這兩個過程不斷反復運用，直到達到所設定的誤差值 [14]。 (3)有監(jiān)督的 Hebb 學習規(guī)則 將無監(jiān)督的 Hebb 學習和有監(jiān)督的 Delta 學習兩者結合起來就可組成有監(jiān)督的 Hebb學習規(guī)則，即： )()())()(()()1( kokokokdkwkww jijjijijij ?????? ? （ 216） 采用 Hebb 學習和有監(jiān)督的 Delta 學習相結合的學習策略，使神經(jīng)元通過關聯(lián)搜索對未知的外界作出反應，即在教師信號 ))()( kokd jj ? 的指導下，對環(huán)境信號進行相關學習和自組織，使相應的輸出增強或削弱。其學習過程表現(xiàn)為：給系統(tǒng)提供動態(tài)輸入信號，以使各個單元以某種方式競爭，獲勝的神經(jīng)元本身或相鄰域得到增強，其他神經(jīng)元進一步抑制，從而將信號空間劃分為有用的多個區(qū)域 [13]。 神經(jīng)網(wǎng)絡學習規(guī)則 神經(jīng)網(wǎng)絡的學習規(guī)則即調(diào)整神經(jīng)網(wǎng)絡連接權值的規(guī)則。 示意圖如圖 27 所示，梯度下降學習算法總是在尋找坡度最大的地段向下滑行，當它處于 D 位置時，沿最大坡度路線下降，到達局部最小點而 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)點通過權 連接。若隱層節(jié)點 (單元 )不可任意設置，則用三層 S 型非線性特性節(jié)點的網(wǎng)絡，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具有單層處理單元的神經(jīng)網(wǎng)絡，如圖 24 所示，非線性作用函數(shù) )(xf 是對稱型階躍函數(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，也是神經(jīng)網(wǎng)絡理論的基礎。 基于這個思想， McCulloch和 Pitts 在神經(jīng)元模型中引入了硬極限函數(shù)，該函數(shù)形式后來被其他神經(jīng)網(wǎng)絡 (多層感知器、離散 Hopfield 網(wǎng)絡 )所采用 [6]。局部互連是指互連是局部的，有些神經(jīng)元之間沒有連接關系。 ③前向內(nèi)層互聯(lián)網(wǎng)絡 從外部看仍是前饋網(wǎng)絡，但在同一層內(nèi)存再互相之間的連接，以實現(xiàn)同層內(nèi)神經(jīng)元之間的橫向抑制或興奮機制。 前饋網(wǎng)絡是人工神經(jīng)網(wǎng)絡中應用最為廣泛和成熟的網(wǎng)絡類型。通過轉換函數(shù)實現(xiàn)輸入信號到輸出信號的映射，稱為激活函數(shù)。人工神經(jīng)元是對生物神經(jīng)元結構和功能的模擬，是對生物神經(jīng)元的形式化描述，是對生物生物神經(jīng)元的信息處理過程的抽象。 神經(jīng)網(wǎng)絡具有一些顯著的特點：如具有非線性映射能力，不需 要精確的數(shù)學模型，擅長從輸入輸出數(shù)據(jù)中學習有用知識，容易實現(xiàn)并行計算等。 第四章 BP 神經(jīng)網(wǎng)絡 PID 控制器在鍋爐蒸汽壓力中的應用，對船用鍋爐主蒸汽壓力調(diào)節(jié)對象，利用 BP 神經(jīng)網(wǎng)絡 PID 控制器 實現(xiàn) 對它的壓力進行調(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)絡的發(fā)展歷史及主要應用現(xiàn)狀。 船用鍋爐主蒸汽壓力調(diào)節(jié)對象含有大慣性、大滯后環(huán)節(jié)，常規(guī) PID 控制方法不具備江蘇科技大學 本科畢業(yè)設計（論文） 3 自適應能力，因此很難滿足實際的控制要求。 Grossberg/Kupersteirl 的視覺運動控制神經(jīng)網(wǎng)絡，能夠執(zhí)行傳感器表面的一個圖像傳感器的反饋控制和圖像平面的非線性關系的計算，并能把圖像傳感器瞄準到正在運動的指定客體上。神經(jīng)網(wǎng)絡可以根據(jù)運輸網(wǎng)或通信網(wǎng)中當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，達到貨物和信息在網(wǎng)中的傳遞最為經(jīng)濟的目的。