【正文】 究的對象與目的也可能不同?，F(xiàn)代控制理論家都十分欣賞狀態(tài)變量，目前有大量的文章都是討論這個方法的。對于變量數(shù)目相當(dāng)多的高階大系統(tǒng)，很易于應(yīng)用這種方法進行理論上的分析，其研究的對象常常是抽象化的；然而，過程控制理論家和工程師們卻格外喜歡對角矩陣法與相對增益分析法，因為這兩種方法能十分方便地應(yīng)用于多變量過程控制系統(tǒng)的解耦合設(shè)計，而且由此引出來的結(jié)論都能很容易的在實際中得到應(yīng)用，從而這兩種方法是過程控制實踐中目前應(yīng)用最廣的方法。狀態(tài)變量法目前在過程控制實踐中應(yīng)用不多，而反Nyquist曲線法和特征曲線分析法雖然應(yīng)用于實踐，但這些方法本身引用的理論概念較多，計算也較復(fù)雜，因此應(yīng)用起來不甚方便，這就限制它們的廣泛流行。應(yīng)當(dāng)指出，我們常常有些錯覺，以為這些方法是都是毫不相干的，并且，甚至把某些個別的設(shè)計方法與對角矩陣法相比或相提并論。這些理論上的混亂必須澄清。對角矩陣法是解耦設(shè)計的最根本原則，任何具體的解耦設(shè)計方法都不過是在某些具體場合下以某種技巧來保證最終得到所要求的對角矩陣。同時，還應(yīng)了解解耦設(shè)計的兩個重要特性：(1)當(dāng)只考慮解耦設(shè)計時，解是不定的。所有實際可行的解耦設(shè)計方法，在本質(zhì)上都是以某種方式對解耦設(shè)計加以某種附加條件，從而使不定的解具有確定性。所以，對角矩陣法是最基本的設(shè)計原則。 (2)解耦環(huán)節(jié)特性只與解耦要求有關(guān)，而對系統(tǒng)的控制要求則由其它環(huán)節(jié)來保證。 多變量過程控制系統(tǒng)智能解耦技術(shù)盡管解耦理論研究己取得豐碩成果，但與最優(yōu)控制、自適應(yīng)控制等其它分支相比，解耦理論在工程的應(yīng)用卻不令人滿意，究其原因，上述的經(jīng)典解耦合方法屬于傳統(tǒng)控制理論的應(yīng)用，而傳統(tǒng)控制理論在應(yīng)用中面臨以下難題困：傳統(tǒng)控制系統(tǒng)的設(shè)計與分析是建立在已知系統(tǒng)精確數(shù)學(xué)模型的基礎(chǔ)上的，而實際系統(tǒng)由于存在復(fù)雜性、非線性、時變性、不確定性和不完全性等，一般無法獲得精確的數(shù)學(xué)模型；(1)研究這類系統(tǒng)時，必須提出并遵循一些比較苛刻的假設(shè)，而這些假設(shè)在應(yīng)用中往往與實際不相吻合；(2)對于某些復(fù)雜的和包含不確定性的對象，根本無法以傳統(tǒng)數(shù)學(xué)模型來表示，即無法解決建模問題； (3)為了提高性能，傳統(tǒng)控制系統(tǒng)可能變得復(fù)雜，從而增加了設(shè)備的初始投資和維修費用，降低系統(tǒng)可靠性。（4）解決這一問題的一條有效途徑是，把人工智能相關(guān)技術(shù)應(yīng)用于自動控制系統(tǒng)，即采取智能控制的技術(shù)[7]。 單神經(jīng)元自適應(yīng)PID多變量解耦控制在神經(jīng)網(wǎng)絡(luò)控制中，單神經(jīng)元是最基本的控制部件。因此，由單個神經(jīng)元構(gòu)成的PID控制器引起了控制界的廣泛興趣。為了適應(yīng)被控系統(tǒng)的變化，在控制領(lǐng)域中引入單神經(jīng)元自適應(yīng)現(xiàn)性網(wǎng)絡(luò)控制器。單神經(jīng)元自適應(yīng)線性元件是一種連續(xù)取值的現(xiàn)性加權(quán)求和閾值網(wǎng)絡(luò)。其特點是輸入層具有多個處理單元，輸出層具有一個處理單元，實現(xiàn)對多個加權(quán)求和的功能。單神經(jīng)元自適應(yīng)線性網(wǎng)絡(luò)應(yīng)用于實時控制中，其權(quán)值可以根據(jù)偏差大小來進行修正，因而其最后的控制精度比較高。 這里我們用第三章所講的單神經(jīng)元自適應(yīng)PID對多變量控制系統(tǒng)進行解耦控制是一個有效的解決方法。[9]。單神經(jīng)元自適應(yīng)控制器是通過對加權(quán)系數(shù)的調(diào)整來實現(xiàn)自適應(yīng)、自組織功能，在這里我們選擇權(quán)系數(shù)的調(diào)整是按有監(jiān)督的Hebb的學(xué)習(xí)規(guī)則實現(xiàn)的。以第一個單神經(jīng)元的PID控制器為例，控制算法及學(xué)習(xí)算法為：式中，=； =； =2*+；假設(shè)控制對象為： y1(k)=(1+y1_1)^2*(*y1_1+u1_2+*u2_3)。y2(k)=(1+y2_1)^2*(*y2_1+*u1_3+u2_2)。：單神經(jīng)元PID1單神經(jīng)元PID2多變量被控對象 二變量單神經(jīng)元PID控制系統(tǒng)框圖 R=[1。0]的響應(yīng)曲線。由圖還可以看出,與PID解耦控制相比單神經(jīng)元PID解耦控制響應(yīng)速度明顯加快,同時單神經(jīng)元PID解耦控制還具有自適應(yīng)能力強、抗干擾能力強等特點。本系統(tǒng)在未經(jīng)單神經(jīng)元PID解耦設(shè)計時,整個系統(tǒng)在控制過程中極易發(fā)生系統(tǒng)振蕩,最終使整個系統(tǒng)控制失效。加入單神經(jīng)元PID解耦控制后系統(tǒng)振蕩現(xiàn)象基本消除。除。由上述可以知，用單神經(jīng)元PID對多變量進行解耦是行之有效的，并且可以達到一個很好的控制效果。具有自學(xué)習(xí)和自適應(yīng)能力構(gòu)成的單神經(jīng)元PID控制器是一種智能控制器，其結(jié)構(gòu)簡單、能適應(yīng)環(huán)境的變化、有較強的魯棒性而且可處理模型完全未知或部分未知的非線性系統(tǒng)，這為多變量系統(tǒng)的解耦帶來了很大的方便。 結(jié) 論隨著現(xiàn)代工業(yè)的發(fā)展，控制技術(shù)的應(yīng)用領(lǐng)域會越來越寬，被控對象也越來越復(fù)雜隨之而帶來的就是對于多變量解耦就越來越困難。傳統(tǒng)PID控制器很難滿足多變量解耦控制的要求。所以我們就不應(yīng)該依靠哪一種方法實現(xiàn)多變量的解耦控制。人工神經(jīng)網(wǎng)絡(luò)就能很好的解決這個問題。多變量系統(tǒng)控制的目的是使系統(tǒng)的每個被控變量只按其給定值變化，使其不受或少受其它給定值的影響，并且具備較好的動態(tài)和靜態(tài)性能，即實現(xiàn)解耦控制。傳統(tǒng)控制方法在進行帶時延多變量系統(tǒng)的控制時，需要預(yù)先得知對象參數(shù)，再分別設(shè)計補償器、解耦器和控制器。由于強耦合多變量系統(tǒng)的參數(shù)測量不易，補償器、解耦器和控制器的設(shè)計、實現(xiàn)和協(xié)調(diào)困難，因此傳統(tǒng)控制方法難以對強耦合帶時延多變量系統(tǒng)進行有效的控制。 本文建立了一種新的單神經(jīng)元自適應(yīng)PID控制系統(tǒng)由于其機構(gòu)簡單，且能適應(yīng)環(huán)境的變化，且具有較強的魯棒性，因此在工程上有很大的應(yīng)用價值。用其進行強耦合帶時延多變量統(tǒng)的控制，不需要測量或辨識對象的內(nèi)部結(jié)構(gòu)和參數(shù)，通過自適應(yīng)學(xué)習(xí)，調(diào)整權(quán)值，并且很容易的在現(xiàn)修改學(xué)習(xí)速率與比例系數(shù)，能得到很好的控制效果。 在以后的工作和學(xué)習(xí)當(dāng)中,自己將進一步致力于神經(jīng)網(wǎng)絡(luò)多變量解耦控制研究?！　?致 謝論文的完成是許多位幫助過我的人和我一起努力的結(jié)果。首先，要感謝我的畢業(yè)指導(dǎo)教師李伯群教授，是他把我?guī)У搅藛紊窠?jīng)元PID對多變量進行解耦這個領(lǐng)域，這使我開拓了很大的視野、使我獲得了很多這方面的知識。他不但在畢業(yè)設(shè)計這方面多我有很大的幫助，還告訴了我很多關(guān)于專業(yè)課的知識、要以扎實的專業(yè)知識去面對這個激烈競爭的社會。李老師扎實的專業(yè)知識和活躍的學(xué)術(shù)思想令我折服。嚴謹?shù)闹螌W(xué)態(tài)度令我十分欽佩。這次論文能夠順利完成是李老師悉心指導(dǎo)的結(jié)果，在此我表示非常感謝！同時也要感謝MATLAB實驗室的老師和EDA實驗室，是他們提供給我了一些上機的時間。在做畢業(yè)論文期間有時遇到一些不懂的問題經(jīng)常和同學(xué)一起探討，在這里也非常感謝這些同學(xué)對我的悉心幫助。最后再次向我的畢業(yè)指導(dǎo)教師李伯群教授和所有在這次論文中幫助和關(guān)心我的人。參考文獻[1] 向本祥．解耦控制系統(tǒng)教學(xué)實驗裝置開發(fā)及解耦控制算法研究[D]．長沙：中南大學(xué)，2005[2] R. S. Guerra, H. J. Goncalves Junior, W. F. Lages[D]．Federal University of Rio Grande　do Sul[3] 陶永華，新型 PID控制及其應(yīng)用[M]．北京：機械工業(yè)出版社，1998[4] 易以峰．單神經(jīng)元自適應(yīng)PID在焦?fàn)t集氣管壓力中的應(yīng)用[D]．武漢：武漢科技大學(xué)，2006[5] 周峰．神經(jīng)網(wǎng)絡(luò)PID控制在工業(yè)控制過程中的應(yīng)用研究[D]．合肥：合肥工業(yè)大，2006[6] 劉金琨．先進PID控制及其MATLAB仿真[M]．北京：電子工業(yè)出版社，2003[7] 董阿尼．變風(fēng)量空調(diào)系統(tǒng)自適應(yīng)神經(jīng)元解耦控制與變靜壓協(xié)調(diào)控制[D]．西安：西安建筑科技大學(xué)，2004[8] 金以惠．過程控制[M]．北京：清華大學(xué)出版社，1993，4[9] 劉金琨．先進PID控制MATLAB仿真（第2版）[M]．北京：電子工業(yè)出版社，2004