【正文】 present, because the PID control has a simple control structure, through adjusting the proportional integral and differential gain basic satisfactory control performance, and is relatively easy to setting in practical application, so widely used in process control and motion control, especially in the accurate model can be built more deterministic control system application. With the increasingly plex of the modern industrial process, however, increased step by step to control requirements (., stability, accuracy and quickness, etc.), classical control theory is faced with severe challenges. Nonlinear systems in industrial control field, using the traditional PID control can not obtain satisfactory control effect. Optimized RBF neural work based on gradient descent algorithm, it will be integrated neural work and PID control technology, with a conventional PID controller has simple structure, physical meaning is clear advantages, at the same time with neural work selflearning, adaptive function. Therefore, this article through to the RBF neural work structure and the calculation method of learning, to design a setting of the PID controller based on RBF neural work, cons tructs its model, and then write M language program. Using the MATLAB software to design the RBF neural work setting of PID control algorithm simulation research. Data and then further through simulation experiment, the control system stability, robustness, antiinterference ability, etc. Keywords: PID。 Parameter setting 華北電力大學(xué)科技學(xué)院本科畢業(yè)設(shè)計(jì)（目錄） 目 錄 摘 要 ..................................................................... Ⅰ Abstract ................................................................... Ⅱ 1 緒論 ...................................................................... 1 課題研究背景及意義 ...................................................... 1 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史 ...................................................... 2 本課題研究的主要內(nèi)容 .................................................... 5 2 神經(jīng)網(wǎng)絡(luò) .................................................................. 6 神經(jīng)網(wǎng)絡(luò)的基本概念和特點(diǎn) ................................................ 6 人工神經(jīng)網(wǎng)絡(luò)構(gòu)成的基本原理 .............................................. 6 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) .......................................................... 7 前饋網(wǎng)絡(luò) .............................................................. 7 反饋網(wǎng)絡(luò) .............................................................. 7 神經(jīng) 網(wǎng)絡(luò)的學(xué)習(xí)方式 ...................................................... 8 監(jiān)督學(xué)習(xí) (有教師學(xué)習(xí) ) .................................................. 8 非監(jiān)督學(xué)習(xí) (無教師學(xué)習(xí) ) ................................................ 8 再勵(lì)學(xué)習(xí) (強(qiáng)化學(xué)習(xí) ) .................................................... 9 RBF 神經(jīng)網(wǎng)絡(luò) ............................................................ 9 RBF 神經(jīng)網(wǎng)絡(luò)的發(fā)展簡史 ................................................ 9 RBF 的數(shù)學(xué)模型 ........................................................ 9 被控對象 Jacobian 信息的辨識算法 ...................................... 10 RBF 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 ............................................... 11 本章 小結(jié) ............................................................... 12 3 PID 控制器 ............................................................... 13 PID 控制器簡介 ......................................................... 13 經(jīng)典 PID 控制原理 ....................................................... 13 現(xiàn)有 PID 控制器參數(shù)整定方法 ............................................. 15 PID 控制的局限 ......................................................... 15 本章小結(jié) ............................................................... 16 4 基于 RBF 神經(jīng)網(wǎng)絡(luò)整定的 PID 控制器設(shè)計(jì) ..................................... 17 RBF 神經(jīng)網(wǎng)絡(luò)的 PID 整定原理 ............................................. 17 神經(jīng)網(wǎng)絡(luò) PID 控制器的設(shè)計(jì) ............................................... 17 本章小結(jié) ............................................................... 18 5 仿真分析 ................................................................. 19 華北電力大學(xué)科技學(xué)院本科畢業(yè)設(shè)計(jì)（目錄） 系統(tǒng)的穩(wěn)定性分析 ....................................................... 19 系統(tǒng)抗干擾能力分析 ..................................................... 20 系統(tǒng)魯棒性分析 ......................................................... 21 本章小結(jié) ............................................................... 23 結(jié) 論 ..................................................................... 24 參 考 文 獻(xiàn) ................................................................ 25 致 謝 ..................................................................... 26 附錄 仿真程序 .............................................................. 27 華北電力大學(xué)科技學(xué)院本科畢業(yè)設(shè)計(jì)（正文） 1 1 緒論 課題研究 背景及意義 PID 控制器 （ 按比例、積分和微分進(jìn)行控制的調(diào)節(jié)器 ） 是最早發(fā)展起來的應(yīng)用經(jīng)典控制理論的控制策略之一，是工業(yè)過程控制中應(yīng)用最廣泛，歷史最悠久，生命力最強(qiáng)的控制方式，在目前的工業(yè)生產(chǎn)中， 90％以上的控制器為 PID 控制器。對于傳統(tǒng) PID 控制器，在把其投入運(yùn)行之前，要想得到較理想的控制效果，必須先整定好三個(gè)參數(shù)：即比例系數(shù) Kp、積分系數(shù) Ki、微分系數(shù)Kd。隨著工業(yè)的發(fā)展，控制對象的復(fù)雜程度也在不斷加深，許多大滯后、時(shí)變的、非線性的復(fù)雜系統(tǒng)，如溫度控制系統(tǒng)，被控過程機(jī)理復(fù)雜，具有高階非線性、慢時(shí)變、純滯后等特點(diǎn)，常規(guī) PID 控制顯得無能為力；另外，實(shí)際生產(chǎn)過程中存在著許多不確定因素，如在噪聲、負(fù)載振動(dòng)和其他一些環(huán)境條件下，過程參數(shù)甚至模型結(jié)果都會發(fā)生變化，如變結(jié)構(gòu)、變參數(shù)、非線性、時(shí)變等，不僅難以建立受控對象精確的數(shù)學(xué)模型，而且 PID 控制器的控制參數(shù)具有固定形式，不易在線調(diào)整，難以適應(yīng)外界環(huán)境的變化，這些使得 PID 控制器在實(shí)際應(yīng)用中不能達(dá)到理想的效果，越來越受到限制和挑戰(zhàn)。并且，隨著相關(guān)領(lǐng)域技術(shù)的不斷發(fā)展，對控制系統(tǒng)的指標(biāo)要求也越來越高。人工神經(jīng)網(wǎng)絡(luò)是由大量簡單的基本神經(jīng)元相互連接而構(gòu)成的自適應(yīng)非線性動(dòng)態(tài)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)作為生物控制論的一個(gè)成果，其觸角幾乎延伸到各個(gè)工程領(lǐng)域，并且在這些領(lǐng)域中形成新的生長點(diǎn)。同時(shí)，它也是一種可以廣泛應(yīng)用于 模式識別、非線性函數(shù)逼近等領(lǐng)域的神經(jīng)網(wǎng)絡(luò)模型 。 神經(jīng)網(wǎng)絡(luò)應(yīng)用時(shí)不需考慮過程或現(xiàn)象的內(nèi)在機(jī)理，一些高度非線性和高度復(fù)雜的問題能較好地得到處理，因此神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域取得了較華北電力大學(xué)科技學(xué)院本科畢業(yè)設(shè)計(jì)（正文） 2 大的發(fā)展，特別在模型辨識、控制器設(shè)計(jì)、優(yōu)化操作、故障 分析與診斷等領(lǐng)域迅速得到應(yīng)用。而工業(yè)現(xiàn)場需要先進(jìn)的控制方法，迫切需要工程化實(shí)用化的神經(jīng)網(wǎng)絡(luò)控制方法，所以研究神經(jīng)網(wǎng)絡(luò)在控制中的應(yīng)用，對提高我國的自動(dòng)化水平和企業(yè)的經(jīng)濟(jì)效益具有重大意義。 雖然人工神經(jīng)網(wǎng)絡(luò)存在著以上的許多優(yōu)點(diǎn)及廣泛的應(yīng)用，但 同時(shí)也存在著一些不足，由于神經(jīng)網(wǎng)絡(luò)的不足阻礙了神經(jīng)網(wǎng)絡(luò)的發(fā)展，在現(xiàn)實(shí)應(yīng)用中 RBF 神經(jīng)網(wǎng)絡(luò)是最為廣泛的神經(jīng)網(wǎng)絡(luò)模型 之一 ， RBF 神經(jīng)網(wǎng)絡(luò)是在 1988 年被 Moody和 Darken提出的 一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) ，它 從根本上解決了 BP 網(wǎng)絡(luò)的局部最優(yōu)問題，而且拓?fù)浣Y(jié)構(gòu)緊湊，結(jié)構(gòu)參數(shù)可實(shí)現(xiàn)分離學(xué)習(xí)，收斂速度快。② RBF 神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的輸入和輸出映射功能，并且理論證明在前向網(wǎng)絡(luò)中 RBF 網(wǎng)絡(luò)是完成映射功能的最優(yōu)網(wǎng)絡(luò)。④ 分類能力好。 缺點(diǎn)： ① 最嚴(yán)重的問題是沒能力來解釋自己的推理過程和推理依據(jù)。 ③ 把一切問題的特征都變?yōu)閿?shù)字，把一切推理都變?yōu)閿?shù)值計(jì)算，其結(jié)果勢必是丟失信息。 此外， RBF 神經(jīng)網(wǎng)絡(luò)用于非線性系統(tǒng)建模需要解決的關(guān)鍵問題是樣本數(shù)據(jù)的選 擇 ， 在實(shí)際工業(yè)過程中 ， 系統(tǒng)的信息往往只能從系統(tǒng)運(yùn)行的操