【正文】 ，PID參數(shù)就可以重新整定。其次，PID參數(shù)也容易整定。首先，PID應用領域廣。PID控制器由于用途廣泛、使用靈活，已有系列化產(chǎn)品，使用中只需設定三個參數(shù)（Kp,Ti和Td）即可。 可編程控制器(PLC) 是利用閉環(huán)控制模塊來實現(xiàn)PID控制，而可編程控制器(PLC)則可以直接與ControlNet相連，如Rockwell的PLC5等。目前，PID控制及其控制器或智能PID控制器已經(jīng)很多，許多產(chǎn)品已在工程實際中得到了廣泛的應用，有各種各樣的PID控制器產(chǎn)品，各大公司均開發(fā)了具有PID參數(shù)自整定功能的智能調節(jié)控制器 (intelligent regulator)，其中PID智能控制器參數(shù)的自動調整是通過智能化調整或自校正、自適應算法來實現(xiàn)。不同的控制系統(tǒng)，其傳感器、變送器和執(zhí)行機構是不一樣的。一個控制系統(tǒng)包括控制器、執(zhí)行機構、變送器、傳感器、輸入輸出接口。智能控制的典型實例是模糊全自動洗衣機、機器人等。 PID控制的意義及其應用目前工業(yè)自動化控制水平已成為衡量各行各業(yè)現(xiàn)代化水平的一個重要標志。一般來說編程時只能設定它們的大概的數(shù)值，在系統(tǒng)運行中通過反復的調試來確定最佳值。在實際調試中，只能先預先大致設定一個經(jīng)驗值，然后根據(jù)調節(jié)效果修改?，F(xiàn)在一般采用的是臨界比例法。兩種方法各有其特點，其共同點都是通過不斷循環(huán)試驗，然后按照工程經(jīng)驗公式對控制器參數(shù)進行整定。二是工程整定方法，它主要依賴工程經(jīng)驗，直接在控制系統(tǒng)的試驗中進行，并且方法簡單、易于掌握，在工程實際中被廣泛采用。PID控制器參數(shù)整定的方法很多，概括起來有兩大類：一是理論計算整定法，它主要是依據(jù)系統(tǒng)的數(shù)學模型，經(jīng)過理論計算來確定控制器參數(shù)。 PID控制器的參數(shù)整定是控制系統(tǒng)設計的最核心內容。 PID參數(shù)的調整原則P、I、D各參數(shù)的預置是相輔相成的，運行現(xiàn)場應根據(jù)實際情況進行如下細調：被控物理量在目標值附近振蕩，首先加大積分時間 I ，如仍有振蕩，可適當減小比例增益P。 微分時間D微分時間D是根據(jù)差值信號變化的速率，提前給出一個相應的調節(jié)動作，從而縮短調節(jié)時間，克服因積分時間過長而使得恢復滯后的缺陷。但積分時間I太長，當反饋信號急劇變化時，被控物理量難以迅速恢復。 積分時間I如上所述，比例增益P越大，調節(jié)靈敏度就越高，但是由于傳動系統(tǒng)和控制電路都有慣性，調節(jié)結果達到最佳值時不能瞬間停止，導致“超調”，然后又反過來調整，再次超調，形成振蕩。比例增益 P的作用 就是用來設置差值信號的放大系數(shù)的。 PID控制的預置和參數(shù)整定 比例增益P變頻器的PID功能是根據(jù)目標信號和反饋信號的差值來調節(jié)輸出頻率的一方面，我們希望目標信號和反饋信號無限接近，即差值很小，從而滿足調節(jié)信號的精度：另一方面，我們又希望調節(jié)信號有一定的幅度，來保證調節(jié)的靈敏度。因此，PID控制器設計的關鍵問題是如何選擇比例、積分和微分系數(shù)，而這些參數(shù)的整定的困難使PID控制器在實際的應用中受到限制。在PID控制器中，比例部分的作用是產(chǎn)生與偏差成正比的輸出信號，以便消除偏差；積分部分的作用是產(chǎn)生與偏差的積分值成正比的輸出信號，以便消除系統(tǒng)的靜態(tài)誤差；微分部分的作用產(chǎn)生與偏差的變化率成正比的輸出信號，以便加快控制器的調節(jié)速率，縮短過渡過程時間，減少超調。這就是說，在控制器中僅僅引入 “比例”項往往是不夠的，比例項的作用僅是放大誤差的幅值，而目前需要增加的是“微分項”，它能夠預測誤差變化的趨勢，這樣，具有比例+微分的控制器，就能夠提前使抑制誤差的控制作用為零，甚至為負值，從而避免了被控量的嚴重超調。其原因是由于存在著較大慣性組件（環(huán)節(jié)）或有滯后(delay)組件，具有抑制誤差的功能，其變化總是滯后于誤差的變化。 3）微分（D）控制在微分控制中，控制器的輸出與輸入誤差信號的微分（即誤差的變化率）成正比的關系。這樣，即使誤差很小，積分項也會慢慢隨著時間的增加而加大，它推動控制器的輸出增大使穩(wěn)態(tài)誤差進一步減小，直到等于零。為了消除穩(wěn)態(tài)誤差，控制器中必須引入“積分項”。 2）積分（I）控制在積分控制中，控制器的輸出與輸入誤差信號的積分成正比關系。其控制器的輸出與輸入誤差信號成比例關系。簡單來說，PID控制器就是根據(jù)系統(tǒng)的誤差，利用比例、積分、微分計算出控制量進行控制的。PID控制系統(tǒng)原理框圖如下圖所示。其輸入e (t)與輸出u (t)的關系為 u(t)=kp(e(t)+1/TI∫e(t)dt+TD*de(t)/dt) 式中積分的上下限分別是0和t，因此它的傳遞函數(shù)為：G(s)=U(s)/E(s)=kp(1+1/(TI*s)+TD*s) 其中kp為比例系數(shù)；TI為積分時間常數(shù)；TD為微分時間常數(shù)?？梢酝ㄟ^數(shù)學方法來證明，在其他控制方法導致系統(tǒng)有穩(wěn)定誤差或過程反復的情況下，一個PID反饋回路卻可以保持系統(tǒng)的穩(wěn)定性。這個控制器把收集到的數(shù)據(jù)和一個參考值進行對比，然后把這個差異作為計算新的輸入值，這個新的輸入值是可以讓系統(tǒng)的數(shù)據(jù)達到或者保持在參考值。PID控制器簡單易懂，使用中不需要精確的系統(tǒng)模型等先決條件，因而成為應用最為廣泛的工業(yè)控制器。因此，在實際應用中，尤其在工業(yè)過程控制中，由于被控對象的嚴重非線性，數(shù)學模型的不確定性以及系統(tǒng)工作點變化劇烈等因素，魯棒和自適應控制存在這難以彌補的嚴重缺陷，其應用的有效性受到很大的限制，這就促使人們需要提出新的控制技術和方法。魯棒控制則是針對在一定的外部干擾和內部參數(shù)變化作用下，以提高系統(tǒng)的不靈敏度為目的來抵制不確定性的。從本質上說，自校正和自適應控制都是通過對系統(tǒng)某些重要參數(shù)的估計，以補償?shù)姆椒▉砜朔淮_定性和干擾性。傳統(tǒng)的控制理論雖然也能采取相應的辦法對付控制對象的不確定性和復雜性，如自適應控制和魯棒控制也可以克服系統(tǒng)中所包含的不確定性，以達到優(yōu)化控制的目的。如果以上條件均不成立，則傳統(tǒng)控制理論無法應用。在多變量系統(tǒng)的控制問題一直都是控制理論界和控制工程界研究的重點和難點，多變量系統(tǒng)除了與單變量系統(tǒng)一樣存在著、不確定性和時變問題以外，還存在著系統(tǒng)各要素間相互耦合、相互制約等特殊而復雜的問題。當這種變化甚微時，經(jīng)過一系列的近似后，才能利用傳統(tǒng)控制理論進行系統(tǒng)綜合處理。當被控系統(tǒng)具有高度非線性特性時，傳統(tǒng)控制理論中雖然也有一些方法可利用，但只是針對一些具體問題，有較多的附加條件，大多數(shù)過于復雜而難以在實際中運用。對于這些未知、不確定或者知之甚少的控制系統(tǒng)，難以建立精確的數(shù)學模型，所以使采用傳統(tǒng)控制理論無法實現(xiàn)有效的控制。傳統(tǒng)控制理論在具體控制系統(tǒng)中的局限性，主要表現(xiàn)在以下幾個方面： 不適用于不確定性系統(tǒng)的控制傳統(tǒng)控制是基于模型的控制，即認為控制、對象及干擾的模型是已知的或者是經(jīng)過辨別可以精確得到的。迄今為止，還不存在一種直接使用工程技術用語來描述系統(tǒng)和解決這方面問題的方法。此時模型被當做一個預測器，基于前一時刻輸出x(k1)和模型在k1時刻的參數(shù)，它估計出k時刻輸出，與實際輸出值x(k)比較，其差值e(k)稱為“新息”。最常用的有以下三種：Instar規(guī)則：Kohonen規(guī)則：Outstar規(guī)則： 學習與自適應當學習系統(tǒng)所處環(huán)境較為平穩(wěn)時，從理論上說可以通過監(jiān)督學習學到環(huán)境的統(tǒng)計特征，這些統(tǒng)計特征可被學習系統(tǒng)作為經(jīng)驗而記住。最常見的一種情況是輸出神經(jīng)元之間有側向抑制性連接。它是基于使輸出方差最小的思想而建立。直接用J作為目標函數(shù)時，需要知道整個過程的統(tǒng)計特性，為解決這一困難常用J在時刻k的瞬時值J（k）代替J，即 問題變?yōu)榍驤（k）對權值的極小值，根據(jù)最陡梯度下降法可得式中，為學習速率或步長（）；為激活函數(shù)。最常用的目標函數(shù)是均方誤差判據(jù)，定義為 式中，E是統(tǒng)計期望算子；L為網(wǎng)絡輸出數(shù)。由此，算法被告知的就是網(wǎng)絡需要做什么，而不是網(wǎng)絡當前正在做什么，可描述為2）學習規(guī)則（誤差糾正規(guī)則）若為輸入時神經(jīng)元i在k時刻的實際輸出，表示則相應的期望輸出，則誤差信號可寫為誤差糾正學習的最終目的是使某一基于的目標函數(shù)達到最小，以使網(wǎng)絡中每一輸出單元的實際輸出在某種統(tǒng)計意義上最逼近于期望的輸出。當取0時，就變成原始Hebb學習規(guī)則。為了克服這一弊病，在Hebb學習規(guī)則的基礎上增加一個衰減項，即 衰減項的加入能夠增加網(wǎng)絡學習的“記憶”功能，并且能夠有效地對權值的取值加以限制。上式定義的HEBB規(guī)則實際上是一種無監(jiān)督學習規(guī)則，它不需要關于目標輸出的任何相關信息。 學習算法1）Hebb學習規(guī)則神經(jīng)心理學家HEBB提出的學習規(guī)則可歸結為“當某一突觸（連接）兩端的神經(jīng)元的激活同步（同為抑制或同為激活）時，則應減弱y反之該連接的強度應增加，”，用數(shù)學方式則描述為 式中，分別為兩端神經(jīng)元的狀態(tài)，其中最常用的一種情況為 式中，為學習速率。（有教師學習）。反饋網(wǎng)絡則按對能量函數(shù)的極小點的利用來分類有兩種；第一類是能量函數(shù)的所有極小點都能起作用，這一類主要用作各種聯(lián)想存儲器；第二類只是利用全局極小點，它主要用于求解最優(yōu)化相關問題。 反饋網(wǎng)絡 神經(jīng)網(wǎng)絡的工作方式神經(jīng)網(wǎng)絡的工作過程主演分為兩個階段：第一階段是學習階段，此階段各計算單元狀態(tài)不變，各連接權上的權值可由學習來修改；第二階段是工作期，此時各連接權固定，計算單元變化，以達到某種穩(wěn)定狀態(tài)。如果能找到網(wǎng)絡的Lyapunov函數(shù)，則能保證網(wǎng)絡從任意初始狀態(tài)都能收斂到局部最小的點。在反饋網(wǎng)絡中，輸入信號決定反饋系統(tǒng)的初始狀態(tài)，然后系統(tǒng)進過一系列狀態(tài)轉移后，逐步收斂于平衡狀態(tài)。大部分前饋神經(jīng)網(wǎng)絡是學習網(wǎng)絡，并不注意系統(tǒng)的動力學行為，它們的模式識別能力和分類能力一般強于其他類型的神經(jīng)網(wǎng)絡。從系統(tǒng)觀點看，前饋神經(jīng)網(wǎng)絡是一靜態(tài)非線性映射，通過簡單非線性處理的復合映射可獲得復雜的非線性處理能力。 前饋網(wǎng)絡節(jié)點分為兩類，即計算單元和輸入單元，每一計算單元可有任意個輸入，但是只能有一個輸出。另一種則是從功能上加以模擬，即盡量使得人工神經(jīng)網(wǎng)絡具有生物神經(jīng)網(wǎng)絡的某些功能特性，識別、如學習、控制等功能。一種是從生理結構和實現(xiàn)機理方面進行模擬，它涉及生物學、生理學、物理、心理學及化學等許多基礎科學。人工神經(jīng)網(wǎng)絡是生物神經(jīng)網(wǎng)絡的一種近似和模擬。在此又向圖中，人工神經(jīng)元就是對生物神經(jīng)元的模擬，而又向加權弧則是軸突——突觸——樹突對的模擬。若把輸入的維數(shù)增加一維，則可把閾值包括進去，此處增加了一個新的連接，其輸入， ... .. ... 輸入擴維后的人工神經(jīng)元模型激活函數(shù)一般有以下幾種形式：1）階躍函數(shù)表達式為 2)分段線性函數(shù)表達式為 神經(jīng)網(wǎng)絡的結構人工神經(jīng)網(wǎng)絡（artificial neural networks,ANN）是由大量人工神經(jīng)元廣泛互連而組成，它可用來模擬人腦神經(jīng)系統(tǒng)的結構和功能。激活函數(shù)也稱為傳輸函數(shù)。用于求取各輸入信號的加權和線性組合。 人工神經(jīng)元模型 ... .. ... 生物神經(jīng)元經(jīng)抽象化后，他有三個基本要素。 學習、遺忘和疲勞由于生物神經(jīng)元的結構可塑性，突觸的傳遞作用有減弱、增強、和飽和三種情況。沿軸突傳遞的電脈沖是等幅的、離散脈沖信號，而細胞膜電位變化為連續(xù)的電位信號，這兩種信號是在突觸接口進行變換的。 結構的可塑性由于突觸傳遞信息的特性是可變的，也就是它隨著神經(jīng)沖動傳遞方式的變化，傳遞作用強弱不同，形成了生物神經(jīng)元之間連接的柔性，此種特性又稱為生物神經(jīng)元結構的可塑性。所謂興奮狀態(tài)是指生物神經(jīng)元對輸入信息整合后使細胞膜電位升高，且超過了動作電位閾值，此時產(chǎn)生神經(jīng)沖動并由軸突輸出。盡管不同的生物神經(jīng)元在形狀及功能上都有明顯的不同，但絕大多數(shù)生物神經(jīng)元都是按這一方向進行信息流動的。兩種功能互相結合，使生物神經(jīng)元具有時空整合的輸入信息處理功能。從生物的控制理論來看，作為信息處理和控制基本單元的生物神經(jīng)元，具有以下功能特點。是生物神經(jīng)元之間的連接間接口。它相當于神經(jīng)元輸入端，用于接收從四面八方傳來的神經(jīng)沖動。每個生物神經(jīng)元只有一個軸突，長度最大可達到1m或以上，其作用相當于生物神經(jīng)元的輸出電纜，它通過末端部分出的許多神經(jīng)末梢以及末梢端的突觸向其他生物神經(jīng)元輸出神經(jīng)沖動。細胞體的本質是細胞核，外部是細胞膜，細胞膜外是許多外延的纖維包裹著，細胞膜內外有電位差，稱為膜電位，膜外為正，膜內為負。 生物神經(jīng)元結構1）細胞體細胞體由細胞質、細胞核與細胞膜組成。生物神經(jīng)元，也稱神經(jīng)細胞，是構成神經(jīng)系統(tǒng)的基本單元。神經(jīng)元是組成人腦最基本的單元，能夠接受并處理信息，人腦是一個復雜的信息并行加工處理巨系統(tǒng)。 建立了基于RBF神經(jīng)網(wǎng)絡整定的控制在具體了解MATLAB的相關知識和使用方法的同時深入學習了RBF算法、RBF網(wǎng)絡學習算法以及PID整定，并在此基礎上建立模型，運用MATLAB進行仿真，得出仿真圖像，并寫出仿真程序。但是，現(xiàn)有的神經(jīng)元網(wǎng)絡和PID控制相結合的方法存在著缺陷，這些方法僅僅是用神經(jīng)元網(wǎng)絡予以輔助選取PID參數(shù)。然而，PID控制也無法避免傳統(tǒng)控制的共同弱點。這些不足之處使傳統(tǒng)神經(jīng)元網(wǎng)絡難以在控制系統(tǒng)中普遍應用。 分析了神經(jīng)元網(wǎng)絡應用于控制中的不足之處神經(jīng)元網(wǎng)絡的本質性非線性特征和并行結構以及其自學習功能，可以處理那些難以用精確模型或者詳細描述的系統(tǒng)信息，使它在復雜系統(tǒng)的控制反面具有顯著優(yōu)勢。其主要原因是由于傳統(tǒng)控制是基于模型控制，傳統(tǒng)控制器的設計前提就是被控系統(tǒng)特性完全已知且能建立精確的數(shù)學模型，而且只對對象具有線性模型時的控制