【正文】 u_4=u_3。 end d_wi=xite*delta239。 end end wo=wo_1+d_wo+alfa*(wo_1wo_2)。 end dyu(k)=sign((yout(k)y_1)/(u(k)u_1+))。 du(k)=Kpid*epid。 %輸出層輸出， Getting kp,ki,kd 江蘇科技大學 本科畢業(yè)設計（論文） 29 end kp(k)=K(1)。 I=xi*wi39。 x(3)=error(k)2*error_1+error_2。%對象輸出差分方程 error(k)=rin(k)yout(k)。 e_1=0。)。inputdelay39。 %參考輸入（階躍） %控制對象 K=1。 error_1=0。y_3=0。u_4=0。 x=[0,0,0]。 %初始化輸出層權值 %wo=*rands(Out,H)。wi_3=wi。 ]。%神經網絡結構 453 wi=[ 。 %慣性系數 alfa=。)。 legend(39。)。linewidth39。r39。 從最終的仿真結果可以得出，采用傳統 PID 控制算法的響應曲線震蕩太明顯，過渡時間較長，超調量較大；而采用 BP 神經網絡控制算法的響應曲線，系統無震蕩，過渡時間相比來說很短，且無超調，最先得到了穩(wěn)定輸出，可以看出其控制效果明顯優(yōu)于傳統的 PID 控制算法。相對于傳統的 PID 控制器，神經網絡 PID 控制器具有更好的控制效果，適應性和 容錯能力 。常規(guī) PID 控制系統在控制一個過程對象前，必須要整定 PID 的三個參數，包括比例增益、積分時間、微分時間，且 整定計算好后，在整個控制過程中都是固定不變的。 BP 神經網絡 PID 控制系統優(yōu)于常規(guī) PID 控制系統主要在于： (1)達到穩(wěn)定的過渡過程時問和上升時間短。PID 參數的改變影響 BP 神經網絡 PID 控制器的輸出，從而影響被控對象的輸出。加權系數取區(qū)間 [,]上的隨機數 [26]。 圖 41 常用鍋爐結構圖 經過長期的應用實踐， 以蒸發(fā)量為 2t/h，穩(wěn)定蒸汽壓力為 的船用小型燃油蒸汽鍋爐為控制對象。 江蘇科技大學 本科畢業(yè)設計（論文） 18 第 4章 神經網絡 PID 在鍋爐蒸汽壓力中的應用 鍋爐蒸汽壓 力數學模型 蒸汽系統是鍋爐仿真中的核心部分，它的建模涉及一些對汽機和鍋爐安全運行至關重要的監(jiān)控參數，如汽包的壓力、水位等。 控制器由兩部分組成： ①參數可調的 PID 控制器，直接對被控對象進行閉環(huán)控制； ②神經網絡 NN，根據系統的運行狀態(tài)，實現自適應算法，調節(jié) PID 控制器的參數以達到某種性能指標的最優(yōu)化要求 [22]。 這種控制方式在結構上不再明顯包含 PID 控制器，而是將神經網絡和 PID 控制規(guī)律融為一體，將誤差信號的比例、積分、微分運算和 PID 參數的自適應整定在一個前向神經網絡中完成 [21]。 江蘇科技大學 本科畢業(yè)設計（論文） 16 BP 神經網絡 PID 控制器設計 介紹了單神經元 PID 控制器，即在常規(guī) PID 控制器的基礎上增加一個或多個神經網絡，用神經網絡在線調整 PID 參數。這些方法在一定程度上提高了 PID 控制器的性能，但這些方案一般是針對某些具體問題，缺乏通用性，附加的結構和算法也增加了控制器的復雜性，使它們的廣泛應用受到限制。 人工神經 網絡和 PID 控制的 結合 由上節(jié)的簡要介紹我們得知： PID 控制器的設計關鍵是如何確定比例、積分 和微分系數，但這些參數整定中的困難又使 PID 控制器的應用受到限制。 PID 三個參數選擇的好壞，直接影響到控制效果的好壞。在設計控制系統的過程中人們主要關心的問題是“設定值跟蹤特性 和“干擾抑制特性’’，而傳統的 PID 控制器只能通過整定一組 PID 參數來滿足一個方面的要求。 首先，傳統 PID 無自適應能力。 PID 參數（ PK ， IK ， DK )可以根據過程動態(tài)特性及時調整。 PID 控制器的原理及其特點 ① PID 控制器的原理 PID 控制系統的結構圖如圖 31 所示： 比 例微 分積 分 對 象r ( t ) e ( t ) u ( t ) y ( t ) 圖 31 PID 控制系統 結構圖 給定值 )(tr 與實際輸出值 )(ty 構成控制偏差： )()()( tytrte ?? （ 31） 將偏差 te 的比例 )(P 、積分 )(I 和微分 )(D 通過線性組合構成控制量，對被控對象進行控制，其控制規(guī)律為： dt tdeTdtteTteKtu DtIP )()(1)([)( 0 ??? ? dt tdeKteKteK DtIp )()()( 0? ??? （ 32） 寫成傳遞函數形式： ]11[)( )()( sTTsKsE sUsG DP ???? （ 33） 其中， pT —— 比例系數； IT —— 積分時間常數； 江蘇科技大學 本科畢業(yè)設計（論文） 14 DT —— 微分時間常數； PID 控制效果的好壞在很大程度上取決于系統參數的整定，即控制器參數的選擇，簡單說來， PID 控制器各校正環(huán)節(jié)的作用如下： (1)比例環(huán)節(jié) 比例環(huán)節(jié)能成比例地反映控制系統的偏差信號 )(terror ，偏差一旦產生，控制器立即產生控制作用，減少偏差。所以說， BP 網絡是一個有導師的學習過程。 BP 網絡的學習過程由正向和反向傳 播兩部分構成。 常見的學習規(guī)則為： (1)無監(jiān)督 Hebb 學習規(guī)則 Hebb 學習規(guī)則是一類相關學習，它的基本思想是：如果兩個神經元同時被激活，則它們之 間的連接強度的增強與它們激勵的乘積成正比。學習規(guī)則可以分為兩類：有監(jiān)督學習和無監(jiān)督學習。如果它是從 A點開始向下滑行，則最終到達全局最小點 B[11]。 ijku......輸 入 層隱 含 層 輸 出 層 圖 26 多層前饋網絡結構 BP 學習算法的計算公式及流程圖 設 BP 神經網絡為三層網絡，輸入神經元以 i 編號，隱含層神經元以 j 編號，輸出層神經元以 k 編號，計算公式如下： 隱含層第 j 個神經元的輸入為： ??i iijj ow （ 26） 第 j 個神經元的輸出為： 江蘇科技大學 本科畢業(yè)設計（論文） 9 )( jj go ? （ 27） 輸出層第 k 個神經元的輸入為： ??j jkjk ow （ 28） 相應的輸出為： )( kk go ? （ 29） 式中， g —— s 函數，有： )(1 1)( ????? xexg （ 210） 式中， ? —— 閥值或偏置值 , 0?? ，則使 S 曲線沿橫坐標左移，反之則右移。 BP 神經網絡 BP 神經網路概述 Rumelhart 和 與 1986 年提出了多層網絡的誤差反向傳播算法（ Error BackPropagation Training），即 BP 算法，系統解決了多層網絡中隱含單元的連接權問題，預示著 BP 網絡的出現 [9]。 ∑ ?w 1w j w nu 1u ju n ..xf ( x )w 0 μ 0 = 1y. 圖 24 單層感知器模型 感知器的輸出為： ? ?? ???? nj nj jjjj uwfuwfy 1 0 )()( ? （ 25） 其中， ju 為感知器的第 j 個輸入； ???0w （閥值）； 10?u 。 )0x 1 x 2x 3..w 1 圖 23 通用神經元模型 江蘇科技大學 本科畢業(yè)設計（論文） 7 感知器模型 感知器（ Perception）是模擬人的視覺，接收環(huán)境信息，并由神經沖動進行信息傳遞的神經網絡。(u 是一個多輸入單輸出的函數 ),( ?wxuu ? ；激活函數的作用是對基函數輸出 u 進行“擠壓”： )(ufy? ，即通過非線性函數 )(u 和 ) 一般的神經元模型 MP 模型過于簡單，且權值不能學習，因此實際上需要更復雜、靈活性更高的神經元模型。 MP 模型是一個多 輸入單輸出的非線性處理單元，示意圖如圖 22 所示。 Hopfield網絡和 Boftzmann機都屬于這一類網絡。很多自組織網絡屬于這種類型。感知器就屬于這種網絡類型。激活函數可以 是線性的江蘇科技大學 本科畢業(yè)設計（論文） 5 也可以是非線性的。 nkw 為神經元 k 的連接權值，kb 為閥值， ky 為神經元 k 的輸出。 人工神經元一般是一個多輸 入 /單輸出的非線性器件，其結構模型如圖 21 所示。由于神經網絡由大量簡單計算單元組成，因而易于用軟硬件來實現 [5]。 仿真 實現傳統PID 控制算法和神經網絡 PID 控制算法對控制對象模型的控制，并繪制仿真 曲線圖。 第 二章 神經網絡概述，本章簡要介紹了幾種主要的人工神經網絡模型及工作原理、作用函數和學習方法，包括： MP 模型、單神經元模型、感知器模型和 BP 神經網絡模型。利用 BP 神經網絡的優(yōu)點，基于 BP 神經網絡設計 PID 控制器，改善系統的控制性能，無論在理論還是實踐上都具有重要意義。顯然，這可以用到機器人的攝像機控制上，而且還可以應用到諸如火炮之類的武器系統中去。 （ 4） 信號處理：神經網絡同樣也被廣泛地應用于信號處理，如目標檢測、畸變波形的恢復、雷達回波的多目標分類、運動目標的速度估計、多目標跟蹤等。在金融、銀行、保險行業(yè)的應用主要是進行顧客群體特征分析、市場研究消費傾向分析等。 Rumelhart 等人最重要的貢獻是提出了適用于多層神經網絡模型的誤差反向傳播江蘇科技大學 本科畢業(yè)設計（論文） 2 （ Error BackPropagation, BP），該方法將學習結果反饋到中間層的隱含節(jié)點中，解決了多層神經網絡的學習問題。 從某種意義上說，人工神經網絡、并行分布處理和神經計算機是統一的概念。 神經網絡 PID 控制系統是基于實際操作中多次測試得到的鍋爐主蒸汽壓力數學模型，集自動化儀表技術、計算機技術和自動控制技術為一體的仿真系統。由于其特殊的工作環(huán)境，相對普通電站蒸汽系統而 言，船舶蒸汽動力系統具有慣性小、動態(tài)過程變化大、各子系統的關聯和制約因素多等特點。一個 先進的、易于應用的控制算法的出現會對工業(yè)生產產生巨大的推動作用。 BP 神經網絡結合傳統 PID 控制方法在鍋爐蒸汽壓力中的應用，取得了良好的控制效果。 四、主要參考資料（包括書刊名稱、出版年月等） : . 面向 MATLAB工具箱的神經網絡理論與應用（第 3 版） . 合肥：中國科學技術大學出版社， 2020 .先進 PID 控制 MATLAB 仿真 (第 2 版 ). 北京：電子工業(yè)出版社， 2020 ，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， 2020， 31(7)： 9194 . BP 神經網絡 PID 控制 (碩士論文 ). 華東師范大學，2020 . BP 神經網絡 PID 在三容系統中的控制研究 (碩士論文 ). 合肥工業(yè)大學， 2020 系 (教研室 )主任： （簽章） 年 月 日 學院主管領導： （簽章 ） 年 月 日 江蘇科技大學 本科畢業(yè)設計（論文） I 摘 要 船用 鍋爐主蒸汽壓力調節(jié)對象含有大慣性、大滯后環(huán)節(jié)， 而 常規(guī) PID 控制方法不具備自適應能力，所以 很難滿足實際的控制要求。 4月 23日 ～ 5月 10日 完成 BP 網絡的 PID控制的仿真程序。 二、 完成后應交的作業(yè)（包括各種說明書、圖紙等） 1．符合要求的開題報告以及英文翻譯資料； 2．用 Matlab 軟件實現基于 BP 網絡的 PID控制器對鍋爐蒸汽壓力的控制； 3．提供原程