版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
本科畢業(yè)設(shè)計〔論文〕基于神經(jīng)網(wǎng)絡(luò)的溫度控制系統(tǒng)學(xué)院自動化專業(yè)自動化年級班別學(xué)號學(xué)生姓名指導(dǎo)老師2023年6月摘要在工業(yè)控制過程中.PID控制是一種最根本的控制方式,其魯棒性好、結(jié)構(gòu)簡單、易于實現(xiàn),但隨著生產(chǎn)工藝的日益復(fù)雜和人們對工業(yè)過程總體性能要求的不斷提高,傳統(tǒng)的PID控制方法往往難以滿足閉環(huán)優(yōu)化控制的要求。因為常規(guī)PID控制器的參數(shù)是根據(jù)被控對象數(shù)學(xué)模型確定的.當(dāng)被控對象的數(shù)學(xué)模型是變化的、非線性的時候,PID參數(shù)不易根據(jù)其實際的情況做出調(diào)整,影響了控制質(zhì)量,使控制系統(tǒng)的控制品質(zhì)下降。特別是在具有純滯后特性的工業(yè)過程中,常規(guī)的PID控制更難滿足控制精度的要求。而神經(jīng)網(wǎng)絡(luò)作為現(xiàn)代信息處理技術(shù)的一種,正在很多應(yīng)用中顯示了它的優(yōu)越性,同傳統(tǒng)的PID控制相比擬,神經(jīng)網(wǎng)絡(luò)PID控制有許多優(yōu)點。神經(jīng)網(wǎng)絡(luò)PID控制技術(shù)在其中扮演了十分重要的角色,并且仍將成為未來研究與應(yīng)用的重點技術(shù)之一。本文闡述了神經(jīng)網(wǎng)絡(luò)PID控制算法的根本原理。對基于單神經(jīng)元的PID控制器的控制性能進(jìn)行了分析,并且利用MATLAB/Simulink工具進(jìn)行了仿真研究。溫度控制系統(tǒng)具有大滯后、強(qiáng)耦合、慢時變及非線性等特征的復(fù)雜系統(tǒng)。在溫度控制系統(tǒng)中,被控制對象存在著參數(shù)的不確定性和純滯后等特性,難于建立其精確的數(shù)學(xué)模型,本文通過對受控對象溫度控制系統(tǒng)的數(shù)字仿真研究,比擬了傳統(tǒng)PID控制與神經(jīng)網(wǎng)絡(luò)PID控制各自不同的控制特性,分析了傳統(tǒng)PID控制器和神經(jīng)網(wǎng)絡(luò)PID控制器的優(yōu)缺點。并針對神經(jīng)網(wǎng)絡(luò)PID控制器的缺乏之處提出了相應(yīng)的改良方案。關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò)PID控制,數(shù)字仿真,Hebb算法,BP算法注:本設(shè)計〔論文〕題目來源于教師的國家級〔或部級、省級、廳級、市級、校級、企業(yè)〕科研工程,工程編號為:。AbstractIntheprocessofindustrialcontrol.PIDcontrolisoneofthemostbasicwayofcontrol,itsgoodrobustness,simplestructure,easytoimplement,butalongwiththeincreasingcomplexityofproductionprocessandconstantlyimprovetheoverallperformancerequirementsofindustrialprocess,thetraditionalPIDcontrolmethodisoftendifficulttomeettherequirementsoftheclosed-loopoptimalcontrol.ForconventionalPIDcontrollerparametersaredeterminedbasedonthemathematicalmodeloftheobject.Whenthemathematicalmodelofcontrolledobjectisvariable,nonlinear,noteasilyaccordingtotheactualsituationtoadjustthePIDparameters,theinfluenceofqualitycontrol,thecontrolqualityofcontrolsystem.Especiallyintheindustrialprocesswithpurelagproperties,conventionalPIDcontrolismoredifficulttomeettherequirementsofcontrolaccuracy.Andneuralnetworkasakindofmoderninformationprocessingtechnology,isalotofapplicationsshowsitssuperiority,comparedwiththetraditionalPIDcontrol,theneuralnetworkPIDcontrolhasmanyadvantages.NeuralnetworkPIDcontroltechnologyplayedaveryimportantrole,andwillcontinuetobeoneoftheresearchandapplicationofkeytechnologiesinthefuture.ThispaperexpoundsthebasicprinciplesofneuralnetworkPIDcontrolalgorithm.BasedonsingleneuronPIDcontrollerthecontrolperformanceisanalyzed,andtheuseofMATLAB/Simulinktoolhascarriedonthesimulationresearch.Temperaturecontrolsystemwithlargelagging,strongcoupling,time-varyingandnonlinearcharacteristicsofcomplexsystems.Intemperaturecontrolsystem,thecontrolledobjectparameteruncertaintiesexistandpurelagandsooncharacteristics,isdifficulttoestablishaccuratemathematicalmodel,thispaperresearchonthedigitalsimulationofthetemperaturecontrolsystemofcontrolledobject,comparesthetraditionalPIDcontrolandneuralnetworkPIDcontroltheirdifferentcontrolfeatures,analyzestheadvantagesanddisadvantagesoftraditionalPIDcontrollerandneuralnetworkPIDcontroller.AndinviewofthedeficiencyofneuralnetworkPIDcontrollerisputforwardthecorrespondingimprovementplan.Keywords:NeuralPIDControl,Digitalsimulation,HebbArithmetic,BPArithmetic目錄1緒論11.1神經(jīng)網(wǎng)絡(luò)PID控制研究背景與動機(jī)11.2智能控制的開展概況21.3神經(jīng)網(wǎng)絡(luò)簡介51.3.1神經(jīng)網(wǎng)絡(luò)開展概述51.3.2神經(jīng)網(wǎng)絡(luò)原理71.3.3神經(jīng)網(wǎng)絡(luò)的分類121.3.4神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法131.3.5神經(jīng)網(wǎng)絡(luò)用于控制領(lǐng)域141.3.6神經(jīng)網(wǎng)絡(luò)PID控制研究的意義和現(xiàn)狀151.4本文的主要內(nèi)容172神經(jīng)網(wǎng)絡(luò)PID控制器的實現(xiàn)182.1基于神經(jīng)網(wǎng)絡(luò)的PID控制理論182.2基于單神經(jīng)元的PID控制192.2.1基于單神經(jīng)元的PID控制器192.2.2單神經(jīng)元PID控制器的穩(wěn)定性分析233基于Simulink的仿真研究243.1溫度控制箱的數(shù)學(xué)建模243.2傳統(tǒng)PID控制器的設(shè)計與仿真263.2.1PID控制算法263.2.2數(shù)字PID控制器283.2.3常規(guī)PID控制器的局限性293.2.4溫控箱根本PID控制器的數(shù)字設(shè)計與仿真293.3單神經(jīng)元PID控制器的設(shè)計與仿真333.3.1單神經(jīng)元PID控制系統(tǒng)的建立333.3.2單神經(jīng)元PID控制系統(tǒng)的數(shù)字仿真344結(jié)論與展望374.1工作總結(jié)374.2展望37參考文獻(xiàn)39致謝411緒論1.1神經(jīng)網(wǎng)絡(luò)PID控制研究背景與動機(jī)PID控制即比例、積分、微分控制。傳統(tǒng)的PID控制器由于其結(jié)構(gòu)簡單、實用、價格低、易于調(diào)整,以及特別適用于可建立精確的數(shù)學(xué)模型確定性控制系統(tǒng)等優(yōu)點,在廣泛的過程領(lǐng)域內(nèi)可以實現(xiàn)滿意的控制,因此至今在工業(yè)生產(chǎn)控制中相當(dāng)局部控制過程還都是采用PID的控制策略。在PID控制中一個至關(guān)重要的問題是參數(shù)(比例、積分、微分)的整定,典型的PID控制參數(shù)的整定方法是在獲取對象數(shù)學(xué)模型的根底上,根據(jù)一定的整定原那么來確定PID控制參數(shù)[1]。另一方面,在實際的應(yīng)用中,許多被控過程的機(jī)理復(fù)雜,具有高度非線性、時變不確定性和純滯后等一系列特點。PID控制其缺點就是現(xiàn)場的PID參數(shù)整定麻煩,在噪聲、負(fù)載擾動或變化等因素的影響下,過程參數(shù)甚至模型結(jié)構(gòu)均會隨時間和工作環(huán)境的變化而產(chǎn)生變化,被控對象的模型參數(shù)將難以確定,外界的干擾會使原本的控制漂離最正確狀態(tài)。這時采用傳統(tǒng)的PID控制就不能取得令人滿意的控制效果。建立被控對象數(shù)學(xué)模型是相當(dāng)復(fù)雜的事情,在建立過程中常常需要忽略系統(tǒng)中某些認(rèn)為不重要的參數(shù),或?qū)⑾到y(tǒng)降階或?qū)⑾到y(tǒng)以線性化近似,以此簡化分析難度。因此,最后所得到的數(shù)學(xué)模型,即使可快速且精確地算出控制量,但與實際的物理系統(tǒng)可能出現(xiàn)相當(dāng)大的差距,容易與實際脫節(jié),導(dǎo)致出現(xiàn)性能不佳的控制[2]。基于以上方面的考慮,本文將采用數(shù)字仿真方式來實現(xiàn)對受控對象(溫度控制箱)的溫度控制的研究工作。在數(shù)字仿真中,通過建立受控對象的數(shù)學(xué)模型,設(shè)計出相應(yīng)的控制器,由此能夠得到較為理想的控制效果,而在實時控制過程中仍然需要對控制器的各個參數(shù)進(jìn)行調(diào)整,才能滿足控制要求。人工神經(jīng)網(wǎng)絡(luò)(ANN)作為智能控制的一個重要分支領(lǐng)域,是當(dāng)前主要的、也是重要的一種人工智能技術(shù),是一種采用數(shù)理模型的方法模擬生物神經(jīng)細(xì)胞結(jié)構(gòu)及對信息的記憶和處理而構(gòu)成的信息處理方法。人工神經(jīng)網(wǎng)絡(luò)以其高度的非線映射,自組織、自學(xué)習(xí)和聯(lián)想記憶等功能,可對復(fù)雜的非線性系統(tǒng)建模。因此將ANN與傳統(tǒng)的PID控制結(jié)合,構(gòu)成智能型的神經(jīng)網(wǎng)絡(luò)PID控制器,能夠自動辨識被控過程參數(shù)、自動整定控制參數(shù),能夠適應(yīng)被控過程參數(shù)的變化,具有較強(qiáng)的自適應(yīng)性和較高的控制精度,是解決傳統(tǒng)PID控制器參數(shù)整定難、不能實時調(diào)整參數(shù)和魯棒性不強(qiáng)的有效措施,使PID控制器具有經(jīng)久不衰的生命力,是智能PID控制器的一個有潛力的開展方向[3]。當(dāng)前國內(nèi)外神經(jīng)網(wǎng)絡(luò)與PID控制相結(jié)合的方案有多種,但應(yīng)用于實際的相對較少,針對當(dāng)前神經(jīng)網(wǎng)絡(luò)PID理論研究較多,而實際應(yīng)用較少這一現(xiàn)象,本文的重點是對神經(jīng)網(wǎng)絡(luò)PID控制進(jìn)行數(shù)字仿真研究,并且通過與傳統(tǒng)PID控制進(jìn)行比擬,得出一些有益的結(jié)論。1.2智能控制的開展概況智能控制是一門新興學(xué)科,其技術(shù)隨著數(shù)字計算機(jī)、人工智能等技術(shù)的開展而開展起來的。所謂智能控制,是指在無人干預(yù)的情況下能自主地驅(qū)動智能機(jī)器,以實現(xiàn)控制目標(biāo)的自動控制技術(shù),即設(shè)計的控制器(或系統(tǒng)),具有學(xué)習(xí)、抽象、推理、決策等功能,并能根據(jù)環(huán)境(包括被控對象或被控過程)信息的變化做出適應(yīng)性反響,從而實現(xiàn)由人來完成的任務(wù)。自從美國數(shù)學(xué)家維納在四十年代提出控制論以來,作為工程控制論核心的自動控制理論一般可分為2個階段[4]:(1)經(jīng)典控制理論時期。時間是20世紀(jì)40—60年代。經(jīng)典控制理論主要解決單輸入單輸出的問題,主要采用傳遞函數(shù)模型、頻域分析與綜合方法,所研究的系統(tǒng)多是線性定常系統(tǒng)。(2)現(xiàn)代控制理論時期。時間為20世紀(jì)60—70年代。主要采用狀態(tài)方程、時域分析與綜合方法,研究多變量控制系統(tǒng)設(shè)計。現(xiàn)代控制理論可以解決多輸入多輸出的問題,系統(tǒng)即可以是線性的、定常的,也可以是非線性的、時變的。盡管傳統(tǒng)控制理論已經(jīng)形成了完整的理論體系,控制系統(tǒng)在大規(guī)模產(chǎn)業(yè)化方面也取得了可喜的成果。但是,它對精確數(shù)學(xué)模型的依賴性,使其應(yīng)用受到很大的限制。因為其分析、綜合和設(shè)計都是建立在嚴(yán)格和精確的數(shù)學(xué)模型根底之上,.同時隨著科學(xué)技術(shù)和生產(chǎn)力水平的高速開展,被控對象結(jié)構(gòu)的日益復(fù)雜,以及人們對大規(guī)模、復(fù)雜和不確定性系統(tǒng)實行自動控制的要求不斷提高,傳統(tǒng)的基于精確數(shù)學(xué)模型的控制理論的局限性日益明顯。傳統(tǒng)控制系統(tǒng)的設(shè)計與分析是建立在精確的系統(tǒng)數(shù)學(xué)模型根底上,而實際系統(tǒng)由于存在復(fù)雜性、非線性、時變性和不確定性等,一般無法獲得精確的數(shù)學(xué)模型。傳統(tǒng)控制理論在應(yīng)用中面臨的難題包括[5]:(1)不適應(yīng)非線性系統(tǒng)的控制。一般控制系統(tǒng)都具有非線性特性,當(dāng)非線性特性的影響較小時,傳統(tǒng)控制理論通常將其近似線性化后設(shè)計控制器。當(dāng)被控制系統(tǒng)具有高度非線性特性時,在傳統(tǒng)控制理論中雖然也有一些方法可用,但是只針對一些具體問題,有較多的附加條件,大多數(shù)過予復(fù)雜而難以實際運用。(2)不適應(yīng)時變系統(tǒng)的控制。實際被控系統(tǒng)的結(jié)構(gòu)和參數(shù)隨時間而發(fā)生變化,絕對不變的系統(tǒng)是不存在的。當(dāng)這種變化較小時,經(jīng)過一系列的近似后,才能利用傳統(tǒng)控制理論進(jìn)行系統(tǒng)綜合。如果時變因素較大,傳統(tǒng)控制理論那么無法應(yīng)用。(3)不適應(yīng)多變量系統(tǒng)的控制。多變量系統(tǒng)的控制問題一直是控制理論界和控制工程界研究的重點和難點問題,多變量系統(tǒng)除了與單變量系統(tǒng)一樣存在著不確定性,非線性和時變問題以外,還存在著各要素間相互耦合、互相制約等特殊問題。如果多變量系統(tǒng)為線性時不變而且結(jié)構(gòu)和參數(shù),還可以應(yīng)用傳統(tǒng)控制理論設(shè)計解耦器和控制器,對多變量系統(tǒng)進(jìn)行控制。如果以上條件不成立,傳統(tǒng)控制理論那么無法應(yīng)用,而在實際中這些條件一般很難滿足。傳統(tǒng)控制理論雖然也有方法對付控制對象的不確定性和復(fù)雜性,如自適應(yīng)控制和魯棒控制也可以克服系統(tǒng)中包含的不確定性,到達(dá)優(yōu)化控制的目的。從本質(zhì)上說,自適應(yīng)和自校正控制都是通過對系統(tǒng)某些重要參數(shù)的估計,以補(bǔ)償?shù)姆绞絹砜朔蓴_和不確定性。它比擬適合系統(tǒng)參數(shù)在一定范圍內(nèi)的慢變化情況。魯棒控制那么是在一定的外部干擾和內(nèi)部參數(shù)變化作用下,以提高系統(tǒng)的不靈敏度為宗旨來抵御不確定性。根據(jù)這一思想和原理所導(dǎo)出的算法,其魯棒的區(qū)域是有限的[6]。因此在實際應(yīng)用中,尤其在工業(yè)過程控制中,由于被控對象的嚴(yán)重非線性,數(shù)學(xué)模型的不確定性,系統(tǒng)工作點變化劇烈等因素,自適應(yīng)和魯棒控制存在著難以彌補(bǔ)的嚴(yán)重缺陷,其應(yīng)用的有效性受到很大的限制,這就促使人們提出新的控制技術(shù)和方法。智能控制是自動控制開展的最新階段,主要用于解決傳統(tǒng)控制難以解決的復(fù)雜的控制問題。人工智能的開展促進(jìn)了傳統(tǒng)控制向智能控制的開展。遺憾的是在相當(dāng)長時間內(nèi),很少人提到控制理論與人工智能的聯(lián)系。從20世紀(jì)60年代起,計算機(jī)技術(shù)和人工智能技術(shù)迅速開展,為了提高控制系統(tǒng)的自學(xué)習(xí)能力,控制界學(xué)者開始將人工智能技術(shù)應(yīng)用于控制系統(tǒng)。1965年,美籍華裔科學(xué)家傅京孫教授首先把人工智能的啟發(fā)式推理規(guī)那么用于學(xué)習(xí)控制系統(tǒng),1966年,Mendel進(jìn)一步在空間飛行器的學(xué)習(xí)控制系統(tǒng)中應(yīng)用了人工智能技術(shù),并提出了“人工智能控制〞的概念。1967年,Leondes和Mendel首先正式使用“智能控制〞一詞。20世紀(jì)70年代初,傅京孫、Glofiso和Saridis等學(xué)者從控制論角度總結(jié)了人工智能技術(shù)與自適應(yīng)、自組織、自學(xué)習(xí)控制的關(guān)系,提出了智能控制就是人工智能技術(shù)與控制理論的交叉的思想,并創(chuàng)立了人機(jī)交互式分級遞階智能控制的系統(tǒng)結(jié)構(gòu)。由于傅京遜教授的重要奉獻(xiàn),他已成為國際公認(rèn)的智能控制的先行者和奠基人。20世紀(jì)70年代中期,以模糊集合論為根底,智能控制在規(guī)那么控制研究上取得了重要進(jìn)展。1974年,Mamdani提出了基于模糊語言描述控制規(guī)那么的模糊控制器,將模糊集和模糊語言邏輯用于工業(yè)過程控制,之后又成功地研制出自組織模糊控制器,使得模糊控制器的智能化水平有了較大提高。模糊控制的形成和開展,以及與人工智能的相互滲透,對智能控制理論的形成起了十分重要的推動作用。進(jìn)入20世紀(jì)80年代以來,奧斯特羅姆(Astrom)、迪席爾瓦(deSilva)、周其鑒、蔡自興、霍門迪梅洛(HomendeMello)和桑德森(Sanderson)等人分別提出和開展了專家控制、基于知識的控制、仿人控制、專家規(guī)劃和分級規(guī)劃等理論。特別是80年代中后期,由于神經(jīng)網(wǎng)絡(luò)的研究獲得了重要進(jìn)展,于是在這一領(lǐng)域吸引了眾多學(xué)科的科學(xué)家、學(xué)者。如今在控制、計算機(jī)、神經(jīng)生理學(xué)等學(xué)科的密切配合下,在“智能控制理論〞的旗幟下,又在尋求新的合作,神經(jīng)網(wǎng)絡(luò)理論和應(yīng)用研究為智能控制研究起到了重要的促進(jìn)作用。20世紀(jì)90年代以來,智能控制的研究勢頭異常迅猛,1992年4月,美國國家自然科學(xué)基金和美國電力研究院發(fā)出《智能控制》研究工程建議書。近年來,神經(jīng)網(wǎng)絡(luò)、模糊數(shù)學(xué)、專家系統(tǒng)、進(jìn)化論等各門學(xué)科的開展給智能控制注入了巨大的活力,由此產(chǎn)生了各種智能算法。智能控制的研究對象應(yīng)具有以下特點[7]:(1)模型的不確定性傳統(tǒng)的控制是基于模型的控制,其模型通常認(rèn)為或者經(jīng)過辨識可以得到,而智能控制的對象通常存在嚴(yán)重的不確定性。這里所說的模型不確定性包含兩層意思:一是模型未知或知之甚少;二是模型的結(jié)構(gòu)和參數(shù)可能在很大范圍內(nèi)變化。無論哪種情況傳統(tǒng)的方法都難以對他們進(jìn)行控制,而這正是智能控制所要研究解決的問題。(2)高度的非線性在傳統(tǒng)的控制理論中,線性系統(tǒng)比擬成熟,對于具有高度非線性的控制對象,雖然也有一些非線性控制方法,但總的來說,非線性控制理論都很不成熟,而且方法比擬復(fù)雜。采用智能控制的方法往往可以比擬好的解決非線性控制問題。(3)復(fù)雜的任務(wù)要求在傳統(tǒng)的控制系統(tǒng)中,控制的任務(wù)是要求輸出量為定值(調(diào)節(jié)系統(tǒng)),或者要求輸出量跟隨期望的運動軌跡,因此控制任務(wù)的要求比擬單一。對于智能控制系統(tǒng),任務(wù)的要求往往比擬復(fù)雜。如在智能機(jī)器人系統(tǒng)中,要求系統(tǒng)對復(fù)雜的任務(wù)有自行規(guī)劃和決策的能力,有自動躲避障礙運動得到期望目標(biāo)位置的能力。1.3神經(jīng)網(wǎng)絡(luò)簡介1.3.1神經(jīng)網(wǎng)絡(luò)開展概述1943年心理學(xué)家M.McCulloch和數(shù)理學(xué)家W.Pitts首先提出了一個簡單的神經(jīng)網(wǎng)絡(luò)模型[8],其神經(jīng)元的輸入輸出關(guān)系為:(1.1)其中輸入、輸出均為二值量,利用該簡單網(wǎng)絡(luò)可以實現(xiàn)一些邏輯關(guān)系。這一模型指出神經(jīng)元只有在一定數(shù)量輸入作用下,超過某一個閥值,神經(jīng)元才興奮;并規(guī)定了神經(jīng)元之間的連接方式只有興奮性和抑制性突觸聯(lián)系兩種,抑制性突觸起“否決權(quán)〞作用。雖然該模型很簡單,但沿用至今,但它為進(jìn)一步的研究打下根底,直接影響著這一領(lǐng)域研究的進(jìn)展。1949年D.O.Hebb首先提出了一種調(diào)整神經(jīng)網(wǎng)絡(luò)連接權(quán)的規(guī)那么,關(guān)于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)機(jī)理的“突觸修正假設(shè)〞,即突觸聯(lián)系效率可變的假設(shè),通常稱為Hebb學(xué)習(xí)規(guī)那么。其根本思想是當(dāng)兩個神經(jīng)元同時興奮或同時抑制時,那么它們的連接強(qiáng)度便增加。(1.2)為固定的權(quán)值。該學(xué)習(xí)規(guī)那么的意義,連接權(quán)的調(diào)整正比于兩個神經(jīng)元活動狀態(tài)的乘積,連接權(quán)是對稱的,神經(jīng)元到自身的連接權(quán)為零。現(xiàn)在有不少的神經(jīng)網(wǎng)絡(luò)采樣這樣的學(xué)習(xí)規(guī)那么。其正確性在30年后才得到證實,現(xiàn)在多數(shù)學(xué)習(xí)機(jī)仍遵循這一規(guī)律。1958年F.Roscnblatt等人研究了一種特殊類型的神經(jīng)網(wǎng)絡(luò),稱為“感知機(jī)〞(pcrceptron)。神經(jīng)網(wǎng)絡(luò)第一次從理論研究轉(zhuǎn)入工程實現(xiàn)階段,掀起了研究人工神經(jīng)網(wǎng)絡(luò)的高潮。感知機(jī)是一種多層的神經(jīng)網(wǎng)絡(luò),由閥值性神經(jīng)元組成,是一個連續(xù)可調(diào)的MP神經(jīng)元網(wǎng)絡(luò),它有能力通過調(diào)節(jié)權(quán)的學(xué)習(xí)到達(dá)正確分類的結(jié)果。他們認(rèn)為這是生物系統(tǒng)感知外界傳感信息的簡化模型。該模型主要用模式分類;并一度引起人們的廣泛興趣[9]。1962年BernardWidrow和MarcianHoff提出了自適應(yīng)線性元件網(wǎng)絡(luò),簡稱Adaline(Adaptivelinearelement)。它是一種連續(xù)取值的線性加權(quán)求和閥值網(wǎng)絡(luò),其實質(zhì)是一個兩層前饋感知機(jī)型網(wǎng)絡(luò),它成功地應(yīng)用于自適應(yīng)信號處理和雷達(dá)天線控制等連續(xù)可調(diào)過程。1969年M.Minsky和S.Papert發(fā)表了名為“感知機(jī)"的專著。它們在這本專著中指出簡單的線性感知機(jī)的功能是有限的,它無法解決線性不可分的兩類樣本的分類問題。具體說,簡單的神經(jīng)網(wǎng)絡(luò)只能進(jìn)行線性分類而不能進(jìn)行非線性分類。他們還指出,解決非線性分類問題相應(yīng)的神經(jīng)網(wǎng)絡(luò)應(yīng)該是具有隱含單元的多層神經(jīng)元網(wǎng)絡(luò)。在當(dāng)時的技術(shù)條件下,他們認(rèn)為在參加隱含單元后,想找到一個多層網(wǎng)絡(luò)有效的學(xué)習(xí)算法是極其困難的。該書在學(xué)術(shù)界產(chǎn)生正反兩方面的影響,它的副作用促使人們對神經(jīng)網(wǎng)絡(luò)的研究轉(zhuǎn)入低潮。盡管如此仍有不少科學(xué)家在極其困難的條件下,開展對神經(jīng)網(wǎng)絡(luò)的理論研究,增加對網(wǎng)絡(luò)的功能和各種學(xué)習(xí)算法的研究,為今后研究神經(jīng)網(wǎng)絡(luò)理論、數(shù)學(xué)模型和體系結(jié)構(gòu)打下了堅實的根底。這期間仍有不少學(xué)者取得了一些積極成果。其中包括Arbib的競爭模型,Kohonen的自組織映射模型,Grossberg的自適應(yīng)諧振模型和Fukushima的新認(rèn)知機(jī)等。特別是有些學(xué)者提出了連接機(jī)制和并行分布處理概念等,具有較大的影響。進(jìn)入80年代,神經(jīng)網(wǎng)絡(luò)的研究迎來了第二次高潮[10]。1982年美國加州工學(xué)院物理學(xué)家JohnHopfield采用反響型ANN模型(即Hopfield模型),利用所定義的能量函數(shù)成功的解決了著名的TSP(TravelingSalesmanProblem)題,從而使人們對ANN的潛力有了新的認(rèn)識。1986年McClelland和Rumelhart提出了多層網(wǎng)絡(luò)的誤差反傳算法(BackPropagation,簡稱BP算法),該算法從后向前修正各層之間的連接權(quán)值,從實踐上證明了神經(jīng)網(wǎng)絡(luò)有很強(qiáng)的運算能力,可以解決許多具體問題,如用于模式分類和識別以及自適應(yīng)控制等。BP網(wǎng)絡(luò)是這段時間最突出的成果之一,也是迄今為止用得比擬廣泛和流行的網(wǎng)絡(luò)。該算法解決了感知機(jī)所不能解決的問題。Hopfield網(wǎng)和反向傳播算法的提出使人們看到了神經(jīng)元網(wǎng)絡(luò)的前景和希望。1987年在美國召開了第一屆國際神經(jīng)網(wǎng)絡(luò)會議,它掀起了神經(jīng)網(wǎng)絡(luò)研究的熱潮,許多研究人員都企圖找到神經(jīng)網(wǎng)絡(luò)在各自領(lǐng)域的應(yīng)用。1.3.2神經(jīng)網(wǎng)絡(luò)原理人工神經(jīng)網(wǎng)絡(luò)是當(dāng)前主要的、也是重要的一種人工智能技術(shù),是一種采用數(shù)理模型的方法模擬生物神經(jīng)細(xì)胞結(jié)構(gòu)及對信息的記憶和處理而構(gòu)成的信息處理方法。它用大量簡單的處理單元廣泛連接形成各種復(fù)雜網(wǎng)絡(luò),是對人腦的抽象、簡化和模擬,反映人腦的根本特性。神經(jīng)元是組成人腦的最根本單元,人腦神經(jīng)元經(jīng)抽象化后得到人工神經(jīng)元(簡稱神經(jīng)元)。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的根本單元,一般來說,作為神經(jīng)元模型應(yīng)具備以下三個要素:(1)具有一組突觸或連接,常用表示神經(jīng)元i和神經(jīng)元j之間的連接強(qiáng)度,一般稱之為權(quán)值。與人腦神經(jīng)元不同,連接強(qiáng)度由各連接上的權(quán)值表示。人工神經(jīng)元權(quán)值的取值可在負(fù)值與正值之間,權(quán)值為正表示鼓勵,為負(fù)表示抑制。(2)一個求和單元,具有反映生物神經(jīng)元時空整合功能的輸入信號累加器,用于求取各輸入信息的加權(quán)和線性組合。(3)具有一個鼓勵函數(shù)用于限制神經(jīng)元輸出。鼓勵函數(shù)將輸出信號限制在一個允許范圍內(nèi),使其成為有限值,通常,神經(jīng)元輸出的擴(kuò)展范圍在[O,1]或[-1,1]閉區(qū)間。目前人們提出的神經(jīng)元模型有很多,其中最早提出且影響最大的,是1943年心理學(xué)家McCulloch和數(shù)學(xué)家W.Pitts在分析總結(jié)神經(jīng)元根本特性的根底上首先提出的M-P模型。指出了神經(jīng)元的形式化數(shù)學(xué)描述和網(wǎng)絡(luò)結(jié)構(gòu)方法,證明了單個神經(jīng)元能執(zhí)行邏輯功能,從而開創(chuàng)了人工神經(jīng)網(wǎng)絡(luò)研究的時代。我們用MP模型來說明人工神經(jīng)網(wǎng)絡(luò)的原理。MP模型如圖1.1所示[11],它是一個多輸入多輸出的非線性信息系統(tǒng)處理單元。圖中,表示神經(jīng)元j的輸出,它可以與其他多個神經(jīng)元通過權(quán)連接;表示與神經(jīng)元j連接的神經(jīng)元i的輸出,也是神經(jīng)元j的輸入;為神經(jīng)元i至j的連接權(quán)值,其正負(fù)模擬了生物神經(jīng)元中突觸的興奮和抑制,其大小那么代表了突觸的不同連接強(qiáng)度;為神經(jīng)元j的閾值;,f()為神經(jīng)元j的鼓勵函數(shù)。神經(jīng)元j的輸出可以用下式描述:(1.3)………圖1.1人工神經(jīng)元模型每一個神經(jīng)元的輸出為“0〞或“1〞,分別表示“抑制〞或“興奮〞狀態(tài),那么(1.4)f(x)是一個鼓勵函數(shù)。式(1.4)所示的鼓勵函數(shù)為階躍函數(shù),如圖1.2所示,圖中所示為單極性閾值型轉(zhuǎn)移函數(shù),具有這一作用方式的神經(jīng)元稱為閾值型神經(jīng)元,這是神經(jīng)元模型中最簡單的一種,MP模型就屬于這一類。由公式(1.3)知,當(dāng)神經(jīng)元J的輸入信號加權(quán)和超過閾值時,輸出為“1’’,即興奮狀態(tài);反之,輸出為“0〞,是“抑制狀態(tài)〞。假設(shè)把閾值也看成一個權(quán)值,那么(1.3)式可以寫成〔1.5〕式中,,。f(x)f(x)10x圖1.2階躍函數(shù)以上就是MP模型,MP神經(jīng)元模型是人工神經(jīng)元模型的根底,在神經(jīng)元模型中,鼓勵函數(shù)除了在MP模型中的階躍函數(shù)外,還有以下幾種鼓勵形式:(1)閥值函數(shù)〔1.6〕閥值函數(shù)也常常作為神經(jīng)元函數(shù)的鼓勵,如圖1.3所示。f(x)f(x)1-10x圖1.3閥值函數(shù)(2)分段性函數(shù)該函數(shù)在[-1,1]線性區(qū)內(nèi)的放大系數(shù)是一致的。如圖1.4所示。(1.7)(3)非對稱型的Sigmoid函數(shù)如圖1.5所示,非對稱型的Sigmoid函數(shù)是可微的,用下式表示〔1.8〕(4)對稱型的Sigmoid函數(shù)如圖1.6所示,對稱型的Sigmoid函數(shù)是可微的,用下式表示〔1.9〕sigmoid函數(shù)具有平滑和漸近性,并保持單調(diào)性,所以很多ANN經(jīng)常采用這種形式的鼓勵函數(shù)。f(x)f(x)10-1-11x圖1.4分段性函數(shù)圖1.5非對稱的Sigmoid函數(shù)圖1.6對稱的Sigmoid函數(shù)MP模型可用于實現(xiàn)分類、模式識別等,當(dāng)前已經(jīng)有許多成功的基于M-P神經(jīng)元模型的神經(jīng)網(wǎng)絡(luò)得到應(yīng)用,如BP算法,這種算法是實現(xiàn)人臉識別的主要算法之一。1.3.3神經(jīng)網(wǎng)絡(luò)的分類人工神經(jīng)元網(wǎng)絡(luò)是生理學(xué)的真實人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能,以及假設(shè)干根本特性的某種理論抽象、簡化和模擬而構(gòu)成的一種信息處理系統(tǒng)[12]。利用人工神經(jīng)元可以構(gòu)成各種不同拓?fù)浣Y(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò),從而實現(xiàn)對生物神經(jīng)網(wǎng)絡(luò)的模擬。目前神經(jīng)網(wǎng)絡(luò)模型的種類相當(dāng)豐富,已有近40余種神經(jīng)網(wǎng)絡(luò)模型,其中典型的有多層前向傳播(BP網(wǎng)絡(luò))、Hopfield網(wǎng)絡(luò)、CMAC小腦模型網(wǎng)絡(luò)、ART自適應(yīng)共振理論、BAM雙向聯(lián)想記憶、SOM自組織網(wǎng)絡(luò)、Blotzman機(jī)網(wǎng)絡(luò)和Madaline網(wǎng)絡(luò)等。根據(jù)神經(jīng)網(wǎng)絡(luò)的連接方式,神經(jīng)網(wǎng)絡(luò)可以分為3種形式。(1)前饋網(wǎng)絡(luò)網(wǎng)絡(luò)分為假設(shè)干層,,包括輸入層、隱含層、輸出層,各層依次排列,各層的每一個單元的輸出都直接與緊接的下一層的各單元的輸入端相連,第i層神經(jīng)元只接受i-1層神經(jīng)元的輸出信號,各神經(jīng)元之間沒有反響。從理論上可以證明:對于一個三層的前饋網(wǎng)絡(luò),只要隱層神經(jīng)元數(shù)目足夠多,該網(wǎng)絡(luò)就能夠以任意精度逼近平滑的非線性函數(shù)。從控制的觀點看,前饋型網(wǎng)絡(luò)的主要用途在于它的非線性映射關(guān)系能被用來實現(xiàn)非線性系統(tǒng)的建模、辨識和控制。前饋網(wǎng)絡(luò)的例子有在多層感知器(MLP)、學(xué)習(xí)矢量化(LVQ)網(wǎng)絡(luò)、小腦模型連接控制器(CMAC)和數(shù)據(jù)處理方法等(GMDH)網(wǎng)絡(luò)等。(2)反響(遞歸)網(wǎng)絡(luò)在反響型神經(jīng)網(wǎng)絡(luò)中,每個節(jié)點都表示一個計算單元,同時接受外加輸入和其他節(jié)點的反響輸入,甚至包括自環(huán)反響每個節(jié)點也直接向外部輸出。從作用效果來看,前饋網(wǎng)絡(luò)主要是函數(shù)映射,可用以模式識別和函數(shù)逼近,只有在輸入端引入動態(tài)信號后,才能用來設(shè)計控制器。反響網(wǎng)絡(luò)按對能量函數(shù)的極小點的利用來分類:第一類是能量函數(shù)的所有極小點都起作用,這一類主要用作各種聯(lián)想存儲器;第二類只利用全局極小點,它主要用于求解最優(yōu)化問題。Hopfield網(wǎng)絡(luò)、Elman網(wǎng)絡(luò)和Jordon網(wǎng)絡(luò)是反響網(wǎng)絡(luò)有代表性的例子。(3)自組織網(wǎng)絡(luò)Kohonen網(wǎng)絡(luò)是典型的自組織網(wǎng)絡(luò)。Kohonen認(rèn)為當(dāng)前神經(jīng)網(wǎng)絡(luò)在接受外界輸入時,網(wǎng)絡(luò)將會分成不同的區(qū)域,不同區(qū)域具有不同的相應(yīng)特征,即不同的神經(jīng)元以最正確方式響應(yīng)不同性質(zhì)的信號鼓勵,從而形成一種拓?fù)湟饬x上的特征圖,該圖實際上是以中非線性映射。這種映射是通過無監(jiān)督的自適應(yīng)過程完成的,所以也稱為自組織特征圖。Kohonen網(wǎng)絡(luò)通過無導(dǎo)師的學(xué)習(xí)方式進(jìn)行權(quán)值的學(xué)習(xí),穩(wěn)定后的網(wǎng)絡(luò)輸出就對輸入模式生成自然的特征映射,從而到達(dá)自動聚類的目的。1.3.4神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法是神經(jīng)網(wǎng)絡(luò)智能特性的重要標(biāo)志,神經(jīng)網(wǎng)絡(luò)最重要的功能是它可以通過學(xué)習(xí)算法從經(jīng)驗中學(xué)習(xí),神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)規(guī)那么,從而使神經(jīng)網(wǎng)絡(luò)能夠模擬人腦的功能,實現(xiàn)了自適應(yīng)、自組織和自學(xué)習(xí)的能力,所以許多的研究集中在神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法方面。目前神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法有多種,按有無導(dǎo)師分類,可分為有導(dǎo)師學(xué)習(xí)(SupervisedLearning)、無導(dǎo)師學(xué)習(xí)(UnsupervisedLearning)和再勵學(xué)習(xí)(ReinforcementLeaming)等幾類。在有導(dǎo)師的學(xué)習(xí)方式中,網(wǎng)絡(luò)的輸出和期望的輸出(即導(dǎo)師信號)進(jìn)行比擬,然后根據(jù)兩者之間的差異調(diào)整網(wǎng)絡(luò)的權(quán)值,最終使差異變小,以使網(wǎng)絡(luò)到達(dá)非線性映射的功能,這個差異一般為網(wǎng)絡(luò)輸出值和目標(biāo)值的均方差。在無導(dǎo)師的學(xué)習(xí)方式中,輸入模式進(jìn)入網(wǎng)絡(luò)后,網(wǎng)絡(luò)按照一種預(yù)先設(shè)定的規(guī)那么(如競爭規(guī)那么)自動調(diào)整權(quán)值,主要是通過競爭形式實現(xiàn),使網(wǎng)絡(luò)最終具有模式分類功能,再勵學(xué)習(xí)是把學(xué)習(xí)看作試探評價過程,學(xué)習(xí)機(jī)選擇一個輸出作用于環(huán)境之后,使環(huán)境的狀態(tài)改變,并產(chǎn)生一個再勵信號反響到學(xué)習(xí)機(jī),學(xué)習(xí)機(jī)依據(jù)再勵信號與環(huán)境當(dāng)前的狀態(tài),再選擇下一輸出作用于環(huán)境。常用的三種主要規(guī)那么是:(1)無監(jiān)督Hebb學(xué)習(xí)規(guī)那么[13]Hebb學(xué)習(xí)是一種相關(guān)學(xué)習(xí),它的根本思想是:如果有兩個神經(jīng)元同時興奮,那么它們之間的連接強(qiáng)度的增強(qiáng)和它們的鼓勵的乘積成正比。Hebb學(xué)習(xí)規(guī)那么用下式表示(1.10)式中,為學(xué)習(xí)速率,表示單元i的激活值,表示單元j的激活值,表示單元j到單元i的連接加權(quán)系數(shù)。(2)有監(jiān)督Delta學(xué)習(xí)規(guī)那么[14]在Hebb學(xué)習(xí)規(guī)那么中引入教師信號,即將希望輸出與實際輸出之差,就構(gòu)成有監(jiān)督Delta學(xué)習(xí)的學(xué)習(xí)規(guī)那么:〔1.11〕(3)有監(jiān)督Hebb學(xué)習(xí)規(guī)那么將無監(jiān)督的Hebb學(xué)習(xí)規(guī)那么和有監(jiān)督Delta學(xué)習(xí)規(guī)那么兩者結(jié)合起來,組成有監(jiān)督Hebb學(xué)習(xí)規(guī)那么即:(1.12)這種學(xué)習(xí)規(guī)那么使神經(jīng)元通過關(guān)聯(lián)搜索對未知的外界作出反響,即在教師信號的指導(dǎo)下對環(huán)境信息進(jìn)行相關(guān)的學(xué)習(xí)和自組織,使相應(yīng)的輸出增強(qiáng)或削弱。1.3.5神經(jīng)網(wǎng)絡(luò)用于控制領(lǐng)域神經(jīng)網(wǎng)絡(luò)的性能是由其結(jié)構(gòu)特征和根本處理單元的特性所決定,并與其學(xué)習(xí)算法有關(guān),它之所以能在控制系統(tǒng)中得到如此廣泛的應(yīng)用,與自動控制理論的開展是密不可分的。神經(jīng)網(wǎng)絡(luò)的智能處理能力及控制系統(tǒng)所面臨的越來越嚴(yán)重的挑戰(zhàn)是神經(jīng)網(wǎng)絡(luò)控制的開展動力。由于神經(jīng)網(wǎng)絡(luò)本身具備傳統(tǒng)的控制手段無法實現(xiàn)的一些優(yōu)點和特征,使得神經(jīng)網(wǎng)絡(luò)控制器的研究迅速開展。從控制角度看,神經(jīng)網(wǎng)絡(luò)用于控制的優(yōu)越性主要表現(xiàn)在[15]:(1)能夠充分逼近任意復(fù)雜的非線性關(guān)系,從而形成非線性動力學(xué)系統(tǒng),以表示某些被控對象的模型或控制器模型。這預(yù)示著神經(jīng)網(wǎng)絡(luò)在具有挑戰(zhàn)性的非線性控制領(lǐng)域有良好的開展前景。(2)能夠?qū)W習(xí)和適應(yīng)不確定性系統(tǒng)的動態(tài)特性,這是其智能特性的重要表達(dá)。(3)神經(jīng)網(wǎng)絡(luò)的并行處理機(jī)制和冗余結(jié)構(gòu)特性使其所有定量或定性的信息都分布存儲于網(wǎng)絡(luò)內(nèi)的各神經(jīng)單元,從而具有很強(qiáng)的容錯性和魯棒性。(4)采用信息的分布式并行處理,可以進(jìn)行快速大量的運算。這是傳統(tǒng)的串聯(lián)工作方式所無法到達(dá)的效果,非常適合系統(tǒng)控制中的大規(guī)模實時計算。(5)硬件實現(xiàn)。神經(jīng)網(wǎng)絡(luò)不僅能夠通過軟件而且可以借助硬件實現(xiàn)并行處理。近年來,一些超大規(guī)模集成電路實現(xiàn)硬件已經(jīng)問世,而且可從市場上購置到。這使得神經(jīng)網(wǎng)絡(luò)具有快速和大規(guī)模處理能力得以實現(xiàn)。神經(jīng)網(wǎng)絡(luò)技術(shù)的最大特點是具有保持學(xué)習(xí)狀態(tài)的數(shù)據(jù)存儲功能和非線性功能,從而具備神奇的學(xué)習(xí)能力,隨著人工神經(jīng)網(wǎng)絡(luò)研究的進(jìn)展,神經(jīng)網(wǎng)絡(luò)應(yīng)用已滲透到國民經(jīng)濟(jì)的各個領(lǐng)域。從過程控制、機(jī)器人控制、生產(chǎn)制造、模式識別直到?jīng)Q策支持都有許多應(yīng)用神經(jīng)網(wǎng)絡(luò)的例子。本文所研究的神經(jīng)網(wǎng)絡(luò)PID控制器就是將神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)PID控制器結(jié)合起來,通過它們的有機(jī)結(jié)合來取長補(bǔ)短,來改善控制性能。1.3.6神經(jīng)網(wǎng)絡(luò)PID控制研究的意義和現(xiàn)狀隨著控制理論的迅速開展,在工業(yè)過程控制中先后出現(xiàn)了許多先進(jìn)的控制算法,然而,PID控制是最早開展起來的控制策略之一,其控制技術(shù)仍然占有主導(dǎo)地位,特別是在化工、冶金過程控制中,眾多量大面廣的控制過程根本上仍然應(yīng)用PID類型的控制單元。這是因為PID控制具有結(jié)構(gòu)簡單、容易實現(xiàn)、魯棒性好、控制效果好、穩(wěn)態(tài)精度高等特點,且PID算法原理簡明,參數(shù)物理意義明確,理論分析體系完整,為廣闊控制工程師所熟悉,被廣泛應(yīng)用于過程控制和運動控制中,尤其適用于可建立精確數(shù)學(xué)模型確實定性控制系統(tǒng)。如PID溫控系統(tǒng)將實時采集的溫度值與設(shè)定值比擬差值。但是傳統(tǒng)PID控制是基于準(zhǔn)確模型的,且系統(tǒng)特性變化與控制量之間是線性映射關(guān)系。然而實際工業(yè)生產(chǎn)過程往往具有非線性、時變不確定性,難以建立精確的數(shù)學(xué)模型,應(yīng)用常規(guī)PID控制器不能到達(dá)理想的控制效果,而且在實際生產(chǎn)現(xiàn)場,由于受到參數(shù)整定方法繁雜的困擾,常規(guī)PID控制器參數(shù)往往整定不良、性能欠佳,對運行工況的適應(yīng)性很差,外界干擾和參數(shù)時變會使控制漂離最正確狀態(tài)[16-17]。因此PID控制在解決大時滯、參數(shù)變化大和模糊不確定性的過程控制問題時無法獲得良好的靜態(tài)和動態(tài)性能?;谥R和不依賴對象模型的智能控制為解決這類問題提供了新的思路,成為目前解決傳統(tǒng)過程控制局限問題,提高過程控制質(zhì)量的重要途經(jīng)。神經(jīng)網(wǎng)絡(luò)控制是模擬人類神經(jīng)中樞系統(tǒng)智能活動的一種控制方式,由于它具有很強(qiáng)的適應(yīng)于復(fù)雜環(huán)境和多目標(biāo)控制要求的自學(xué)習(xí)能力,并能以任意精度逼近任意非線性連續(xù)函數(shù)的特性,因此適合用于復(fù)雜系統(tǒng)智能控制的研究工具。神經(jīng)元網(wǎng)絡(luò)通過神經(jīng)元以及相互連接的閥值,初步實現(xiàn)了生物神經(jīng)系統(tǒng)的局部功能,不需要精確的數(shù)學(xué)模型,因而是解決不確定性系統(tǒng)控制的一種有效途徑。此外,神經(jīng)網(wǎng)絡(luò)以其具有的非線性映射能力、高度并行的結(jié)構(gòu)所帶來的強(qiáng)容錯性和適應(yīng)性,對于給定的系統(tǒng)很容易處理,易于與傳統(tǒng)的控制技術(shù)相結(jié)合等優(yōu)點已廣泛地應(yīng)用于控制領(lǐng)域,尤其是非線性系統(tǒng)領(lǐng)域。但是,單純的神經(jīng)網(wǎng)絡(luò)控制也存在精度不高、算法較復(fù)雜,執(zhí)行的是一個非線性梯度尋優(yōu)過程,收斂速度慢以及容易陷入局部極小等問題[18]。從上述PID控制和神經(jīng)網(wǎng)絡(luò)控制各自的優(yōu)勢和局限性可以看出,如果把傳統(tǒng)線性PID和神經(jīng)網(wǎng)絡(luò)控制兩種技術(shù)有機(jī)地結(jié)合起來,發(fā)揮各自的優(yōu)勢,可使系統(tǒng)的控制性能得到提高,是一種很實用的控制方法。神經(jīng)網(wǎng)絡(luò)PID可以通過在線學(xué)習(xí),根據(jù)對象參數(shù)發(fā)生變化時對系統(tǒng)輸出性能的影響來調(diào)整連接權(quán)值,改變網(wǎng)絡(luò)中比例、積分和微分作用的強(qiáng)弱,使系統(tǒng)具備良好的動態(tài)和靜態(tài)性能。而且,這種控制方法在實際的工業(yè)生產(chǎn)中已經(jīng)得到了成功的應(yīng)用,具有很好的應(yīng)用前景。從傳統(tǒng)與現(xiàn)代控制技術(shù)應(yīng)用的開展歷史來看,雖然未來的控制技術(shù)應(yīng)用領(lǐng)域會越來越寬廣,被控對象可以是越來越復(fù)雜,相應(yīng)的控制技術(shù)也會變得越來越精巧,但是,以PID為原理的各種控制器將是過程控制中不可或缺的根本控制單元。如果能發(fā)現(xiàn)性能優(yōu)于PID的控制器,且具有類似PID易于使用的特點,無論在理論還是實踐上都將具有重要意義。1.4本文的主要內(nèi)容本文的研究在盡量多地吸取傳統(tǒng)的經(jīng)典控制理論強(qiáng)大的分析能力根底上,結(jié)合神經(jīng)網(wǎng)絡(luò)控制的特點,將神經(jīng)網(wǎng)絡(luò)控制與傳統(tǒng)PID控制相結(jié)合,一方面用傳統(tǒng)控制理論中的方法解決神經(jīng)網(wǎng)絡(luò)控制問題,另一方面用神經(jīng)網(wǎng)絡(luò)控制的理念為解決各種控制問題提供新的思路,并將所設(shè)計的神經(jīng)網(wǎng)絡(luò)PID控制器應(yīng)用于電加熱爐溫度控制系統(tǒng)中,并通過數(shù)字仿真的方法,對神經(jīng)網(wǎng)絡(luò)PID控制器的性能進(jìn)行分析。論文的主要工作如下:(1)第一章,較系統(tǒng)地闡述了傳統(tǒng)控制理論遇到的困難,并對智能控制、神經(jīng)網(wǎng)絡(luò)的開展?fàn)顩r作了綜述,說明了本論文的研究動機(jī)及研究目的。(2)第二章討論了神經(jīng)網(wǎng)絡(luò)控制和PID控制相結(jié)合的可行性和合理性;歸納了神經(jīng)網(wǎng)絡(luò)PID控制器的根本形式和理論根底。重點討論了基于單神經(jīng)元的PID控制SNPC(SingleNeuronalPIDController)方法。(3)第三章利用MATLAB/Simulink語言進(jìn)行了仿真研究。搭建仿真框圖,通過數(shù)字仿真對神經(jīng)網(wǎng)絡(luò)PID控制器在電加熱爐溫度控制中的控制效果與傳統(tǒng)PID的控制效果進(jìn)行了比擬分析。(4)第四章對對全文進(jìn)行總結(jié),并提出了進(jìn)一步研究需要注意的問題。同時對神經(jīng)網(wǎng)絡(luò)PID控制的應(yīng)用前景提出了個人的看法。2神經(jīng)網(wǎng)絡(luò)PID控制器的實現(xiàn)2.1基于神經(jīng)網(wǎng)絡(luò)的PID控制理論神經(jīng)網(wǎng)絡(luò)PID控制就是神經(jīng)網(wǎng)絡(luò)應(yīng)用于PID控制并與傳統(tǒng)PID控制相結(jié)合而產(chǎn)生的一種改良型控制方法,是對傳統(tǒng)的PID控制的一種改良和優(yōu)化。PID控制方法是經(jīng)典控制算法中的典型代表,并在多種控制場合取得了很好的效果,但隨著生產(chǎn)工藝的日益復(fù)雜和人們對工業(yè)過程總體性能要求的不斷提高,傳統(tǒng)的PID控制方法往往難以滿足閉環(huán)優(yōu)化控制的要求?;谥R且不依賴于模型的智能控制為解決這類問題提供了新的思路,成為目前提高過程控制質(zhì)量的重要途經(jīng)。而神經(jīng)網(wǎng)絡(luò)作為現(xiàn)代信息處理技術(shù)的一種,正在很多應(yīng)用中顯示它的優(yōu)越性,它在自動控制領(lǐng)域的應(yīng)用成果一神經(jīng)網(wǎng)絡(luò)控制也成為令人矚目的開展方向。神經(jīng)網(wǎng)絡(luò)應(yīng)用于控制統(tǒng)設(shè)計的主要原因是針對系統(tǒng)的非線性、不確定性和復(fù)雜性。出于神經(jīng)網(wǎng)絡(luò)的適應(yīng)能力、并行處理能力和魯棒性,使得采用神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)具有更強(qiáng)的適應(yīng)性和魯棒性。這點在神經(jīng)網(wǎng)絡(luò)PID控制器中顯露無遺。而將神經(jīng)網(wǎng)絡(luò)技術(shù)與傳統(tǒng)PID控制相結(jié)合,那么可以在一定程度上解決傳統(tǒng)PID控制器不易進(jìn)行在線實時參數(shù)整定等方面的缺陷,充分發(fā)揮PID控制的優(yōu)點,并且仍將成為未來研究與應(yīng)用的重點技術(shù)之一。神經(jīng)網(wǎng)絡(luò)PID可以通過在線學(xué)習(xí),根據(jù)對象參數(shù)發(fā)生變化時對系統(tǒng)輸出性能的影響來調(diào)整連接權(quán)值,改變網(wǎng)絡(luò)中比例、積分和微分作用的強(qiáng)弱,使系統(tǒng)具備良好的動態(tài)和靜態(tài)性能。神經(jīng)網(wǎng)絡(luò)在自動控制系統(tǒng)中的應(yīng)用提高了整個系統(tǒng)的信息處理能力和適應(yīng)能力,提高了系統(tǒng)的智能水平。從目前情況看,神經(jīng)網(wǎng)絡(luò)用于控制系統(tǒng)設(shè)計主要是針對系統(tǒng)的非線性和不確定性進(jìn)行的。神經(jīng)網(wǎng)絡(luò)在控制中的應(yīng)用方式有三種:(1)在基于模型的各種控制結(jié)構(gòu)中,用于系統(tǒng)的辨識與估計,充當(dāng)對象的模型,在此過程中,神經(jīng)網(wǎng)絡(luò)充分表達(dá)了逼近非線性的能力;(2)在控制系統(tǒng)中直接充當(dāng)非線性控制器,這類控制器用常規(guī)方法是難以實現(xiàn)或性能不高的;(3)在傳統(tǒng)控制系統(tǒng)中起優(yōu)化計算作用,神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的聯(lián)想記憶功能,給定適當(dāng)?shù)哪芰亢瘮?shù),即能從初始狀態(tài)運行到某一能量最小狀態(tài),此能量最小點對應(yīng)了控制的一個最優(yōu)狀態(tài)。神經(jīng)網(wǎng)絡(luò)與各類控制系統(tǒng)的結(jié)合多種多樣,幾乎無所不包。常見的神經(jīng)網(wǎng)絡(luò)監(jiān)控制,又稱神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)控制;神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制,神經(jīng)網(wǎng)絡(luò)內(nèi)膜控制;神經(jīng)網(wǎng)絡(luò)預(yù)測控制等。此外,還有與模糊邏輯、專家系統(tǒng)等融合的模糊神經(jīng)網(wǎng)絡(luò)控制、專家系統(tǒng)神經(jīng)網(wǎng)絡(luò)控制等。下面主要是神經(jīng)網(wǎng)絡(luò)與PID控制相結(jié)合的控制方法的研究。本文主要研究控制策略是:基于單神經(jīng)元的PID控制(theSingleNeuronalPIDController)。2.2基于單神經(jīng)元的PID控制2.2.1基于單神經(jīng)元的PID控制器在神經(jīng)網(wǎng)絡(luò)控制中,神經(jīng)元是最根本的控制元件,結(jié)合常規(guī)PID控制,將誤差的比例、積分和微分作為單個神經(jīng)元的輸入量,就構(gòu)成了單神經(jīng)元PID控制器,其控制系統(tǒng)框圖如圖2.1所示[19]。圖中,為神經(jīng)元權(quán)值,為神經(jīng)元輸入的三個狀態(tài)量,神經(jīng)元的輸入輸出關(guān)系描述為:狀態(tài)轉(zhuǎn)換器狀態(tài)轉(zhuǎn)換器K受控對象學(xué)習(xí)算法Y圖2.1單神經(jīng)元PID控制原理框圖神經(jīng)元的輸入為:〔2.1〕神經(jīng)元的輸出為:〔2.2〕假設(shè)取,其中取線性截斷函數(shù),那么神經(jīng)元控制器輸出可寫成:〔2.3〕由PID控制器的增量算式:〔2.4〕假設(shè)取,那么式(2.3)變?yōu)椋骸?.5〕比擬(2.5)和式(2.4),可見兩式形式完全相同,所不同的只是式(2.5)中的系數(shù)可以通過神經(jīng)元的自學(xué)習(xí)功能來進(jìn)行自適應(yīng)調(diào)整,而式(2.4)中的參數(shù)是預(yù)先確定好且不變的。正是由于能進(jìn)行自適應(yīng)調(diào)整,故可大大提高控制器的魯棒性能。與常規(guī)PID控制器相比擬,無需進(jìn)行精確的系統(tǒng)建模,對具有不確定性因素的系統(tǒng),其控制品質(zhì)明顯優(yōu)于常規(guī)PID控制器。從后面的仿真分析中可以驗證這一結(jié)論。其中,神經(jīng)元的學(xué)習(xí)功能是通過改變權(quán)系數(shù)來實現(xiàn)的,學(xué)習(xí)算法即是如何調(diào)整規(guī)那么,它是神經(jīng)元控制的核心,反映了學(xué)習(xí)方式與學(xué)習(xí)功能。神經(jīng)網(wǎng)絡(luò)的工作過程主要由兩個階段組成,一個階段是工作期,此時,各連接權(quán)值固定,計算單元的狀態(tài)變化,以求到達(dá)穩(wěn)定狀態(tài)。另一個階段是學(xué)習(xí)期,此時可以對連接權(quán)值進(jìn)行修改。下面介紹兩種學(xué)習(xí)算法:有監(jiān)督的Hebb學(xué)習(xí)算法和基于二次型性能指標(biāo)的學(xué)習(xí)算法。(1)有監(jiān)督的Hebb學(xué)習(xí)算法由PID增量式算法(2.5)有,控制器的輸出為:〔2.6〕權(quán)值的修改學(xué)習(xí)規(guī)那么如下:〔2.7〕為了保證學(xué)習(xí)算法的收斂性和控制的魯棒性,對上述算法進(jìn)行標(biāo)準(zhǔn)化處理后可得算法如式(2.8)?!?.8〕分別為比例、微分、積分的學(xué)習(xí)速率;K為神經(jīng)元的比例系數(shù),K>O。在大量工程實際應(yīng)用中,人們通過實踐總結(jié)出P、I、D三個參數(shù)的在線學(xué)習(xí)修正,主要與有關(guān)?;诖丝蓪紊窠?jīng)元PID控制算法式(2.8)中的加權(quán)系數(shù)學(xué)習(xí)修正局部做些修改,即將其中的改為,改良后的算法如式(2.9)?!?.9〕這里參數(shù)選取的一般規(guī)那么如下[20]:(1)K是系統(tǒng)最敏感的參數(shù)。K值的變化,相當(dāng)于三項同時變化,因此K值的選擇非常重要,應(yīng)在第一步先調(diào)整K。K越大,那么快速性越好,但超調(diào)量大,甚至可能使系統(tǒng)不穩(wěn)定。當(dāng)被控對象時延增大時,K值必須減少,以保證系統(tǒng)穩(wěn)定。K值選的過小,會使系統(tǒng)的快速性變差。然后根據(jù)“(2)-(5)〞項調(diào)整規(guī)那么調(diào)整。(2)對于階躍輸入,假設(shè)被控對象產(chǎn)生屢次正弦衰減現(xiàn)象,應(yīng)減少,其他參數(shù)不變。(3)假設(shè)被控對象響應(yīng)特性出現(xiàn)上升時間短、超調(diào)過大現(xiàn)象,應(yīng)減少,其他參數(shù)不變。(4)假設(shè)被控對象上升時間長,增大又導(dǎo)致超調(diào)過大,可適當(dāng)增加,其他參數(shù)不變。(5)在開始調(diào)整時,選擇較小值,當(dāng)調(diào)整、和K,使被控對象具有良好特性時,再逐漸增大,而其他參數(shù)不變,使系統(tǒng)輸出根本無波紋。(2)基于二次型性能指標(biāo)的學(xué)習(xí)算法選擇性能指標(biāo)函數(shù)為:〔2.10〕權(quán)值系數(shù)的修正應(yīng)沿著對的負(fù)梯度方向搜索調(diào)整,即:〔2.11〕式中,為學(xué)習(xí)速率,需要時,每一權(quán)值都可取不同的學(xué)習(xí)速率,以便對不同的權(quán)系數(shù)分別進(jìn)行調(diào)整。在具體計算時,由于變化比擬平緩,在求導(dǎo)過程中,可將其近似為一常數(shù);可以用其符號函數(shù)近似代替,或由差分代替[21]。此學(xué)習(xí)算法物理意義明確,計算量較小,但由于在性能指標(biāo)函數(shù)中僅有輸出誤差平方項,因而容易出現(xiàn)控制量變化過大的情況,這在實際控制系統(tǒng)中一般是不允許的。為此,可在性能指標(biāo)函數(shù)中引入控制量的要求,即〔2.12〕式中,d為過程總滯后,P、Q為加權(quán)系數(shù),時刻的誤差,可以用來代替,或由預(yù)測算法求得[22]。2.2.2單神經(jīng)元PID控制器的穩(wěn)定性分析文獻(xiàn)[23]指出:足性分析、仿真研究和實際應(yīng)用都說明,仿人智能控制系統(tǒng)的運行是大范圍漸近穩(wěn)定的。但在仿真過程中,經(jīng)常會遇到控制結(jié)果發(fā)散的情況,因此對智能控制的穩(wěn)定性做理論上的分析是很有必要的。下面研究學(xué)習(xí)速率對系統(tǒng)穩(wěn)定性的影響。取Lyapunov函數(shù)為,那么〔2.13〕而,其中。由(2.11)式,有,故〔2.14〕由上式知,當(dāng)學(xué)習(xí)速率時,有,從而整個閉環(huán)系統(tǒng)是穩(wěn)定的。由于不是一個常數(shù),故式(2-14)也只能從性質(zhì)上說明學(xué)習(xí)率的取值范圍,實際學(xué)習(xí)率可從試驗中確定。但對于變速率的情況,該條件還是有指導(dǎo)意義的。在離散系統(tǒng)中,由于引入了采樣器,一般會降低系統(tǒng)的穩(wěn)定性,使系統(tǒng)有可能變得不穩(wěn)定。但如果提高采樣頻率(減小采樣周期),或者降低開環(huán)增益,離散系統(tǒng)的穩(wěn)定性將得到改善[24]。3基于Simulink的仿真研究溫度控制箱是具有大滯后、強(qiáng)耦合、慢時變及非線性等特征的復(fù)雜系統(tǒng)。在溫度控制系統(tǒng)中,被控制對象存在著參數(shù)的不確定性和純滯后等特性,難于建立其精確的數(shù)學(xué)模型,用常規(guī)PID結(jié)構(gòu)或現(xiàn)代控制理論都難于到達(dá)滿意的控制結(jié)果。在本章中分別設(shè)計了傳統(tǒng)PID控制器和單神經(jīng)元PID控制器的神經(jīng)網(wǎng)絡(luò)PID控制器,搭建了基于Simulink下的數(shù)字仿真框圖,進(jìn)行了仿真研究,通過仿真分析進(jìn)行比照,得出結(jié)論,并比擬了這兩種控制器的特點。3.1溫度控制箱的數(shù)學(xué)建模為了研究控制對象,首先需要建立控制對象的數(shù)學(xué)建模,確定對象數(shù)學(xué)模型中的各個參數(shù)。在實際應(yīng)用中,可以將溫控箱的溫度作為唯一變量,寫出它的常微分方程[25]。當(dāng)電阻爐爐膛溫度穩(wěn)定時,那么某一時刻加熱元件發(fā)出的熱量應(yīng)該等于該時刻爐膛中積累的熱量,和通過爐體散失掉的熱量之和,即:〔3.1〕、大致可以用下面兩個式子表示:(3.2)式中,C為電阻爐的熱容量,為爐內(nèi)溫度,t為燒結(jié)時間。(3.3)式中,為環(huán)境溫度,R為電阻爐的熱阻(絕緣材料及爐內(nèi)、外部流動氣體產(chǎn)生的)。當(dāng)爐內(nèi)溫度遠(yuǎn)遠(yuǎn)大于環(huán)境溫度時,可忽略,于是:〔3.4〕兩邊取拉氏變換得:〔3.5〕所以:〔3.6〕由于測量元件的時間滯后,加上電阻爐本身所固有的熱慣性,使得控制信號與溫度測量值之間存在著一個時滯環(huán)節(jié),同時,控制器輸出的是控制信號u,而u(s)可以設(shè)定正比于,即,所以:〔3.7〕其中,T=RC,稱為對象的時間常數(shù),K=kR,稱為對象的增益。上式即是對象的數(shù)學(xué)模型,設(shè)上式為G(s)。即:〔3.8〕式中,K—開環(huán)放大倍數(shù);—純滯后時間;T—時間常數(shù)。其參數(shù)確實定可以通過給溫度控制箱加熱來近似確定。在開環(huán)的情況下,輸入電壓值為U的階躍電壓,即u(t)=U。輸出響應(yīng)曲線如圖3.1所示。圖3.1中,橫坐標(biāo)t為時間,縱坐標(biāo)Y為輸出溫度值。在不考慮純滯后的情況下,系統(tǒng)輸出:〔3.9〕對式(3.9)兩端取拉氏逆變換,那么得出輸出值的時域形式如下?!?.10〕式中為輸出穩(wěn)態(tài)值〔3.11〕當(dāng)t=T時,由式(3.10)可得:〔3.12〕實驗中,室溫約為,給電加熱爐加一階躍電壓u(t)=l00V,溫度采樣周期T=5s,其輸出曲線如圖3.1所示。圖3.1溫控箱升溫曲線圖從輸出曲線可得,穩(wěn)態(tài)溫度,所以由式(3.11)可得〔3.13〕當(dāng)階躍響應(yīng)曲線到達(dá)穩(wěn)態(tài)值度的63.2%時,其對應(yīng)溫度為:〔3.14〕可得出時間常數(shù)T=830—100=730s,所以溫度控制箱的數(shù)學(xué)模型可近似表示如下:〔3.15〕3.2傳統(tǒng)PID控制器的設(shè)計與仿真3.2.1PID控制算法PID控制算法即比例積分微分算法,一般分為模擬PID控制器與數(shù)字PID控制器。常規(guī)PID控制器是一種線性控制,目前仍是工業(yè)生產(chǎn)過程中應(yīng)用最普遍的控制方法,并取得了較好的控制效果,但是由于PID易產(chǎn)生超調(diào),且不具備在線調(diào)整參數(shù)的功能,致使控制器自適應(yīng)能力差。為此人們結(jié)合智能控制技術(shù)提出了很多對PID控制算法的改良方法。比例比例積分微分受控對象r(t)?+_++y(t)圖3.2模擬PID控制系統(tǒng)原理框圖模擬PID控制系統(tǒng)原理框圖如圖3.2所示,它根據(jù)給定值與實際輸出值構(gòu)成控制偏差:〔3.16〕將偏差的比例(P)、積分(I)和微分(D)通過線性組合構(gòu)成控制量,對被控對象進(jìn)行控制。在模擬控制系統(tǒng)中的PID控制算法的表達(dá)式為:〔3.17〕或?qū)懗蓚鬟f函數(shù)的形式:〔3.18〕其中:u(t):控制器的輸出信號;e(t):控制器的偏差信號,它等于測量值與給定值之差;:控制器比例系數(shù);:控制器的積分時間常數(shù);:控制器的微分時間常數(shù)3.2.2數(shù)字PID控制器采用計算機(jī)實現(xiàn)PID控制,必須將連續(xù)PID控制算法離散化,才可以編程實現(xiàn)。利用線性變換將模擬表達(dá)式離散得到差分方程,由3.17式變換得到差分公式[26]:=(3.19)其中:積分系數(shù);微分系數(shù);T為采樣周期;k為采樣序號,k=1,2,...;e(k)和e(k-1)分別為第k時刻和第(k—1)時刻的偏差信號。式(3.19)就是常見的位置式PID控制算法。當(dāng)執(zhí)行機(jī)構(gòu)需要的是控制量的增量時,經(jīng)常采用增量式PID算法,其比例、積分和微分系數(shù)與位置式PID控制算法一樣:(3.20)可以看出,由于一般計算機(jī)控制系統(tǒng)采用恒定的采樣周期T,一旦確定了,只要使用前后3次測量值的偏差,就可以由式(3-20)求出控制增量,簡潔實用。3.2.3常規(guī)PID控制器的局限性PID控制器廣泛應(yīng)用于各種工業(yè)控制過程中,對于具有線性特性確實定被控對象,調(diào)試整定好PID控制器的參數(shù)后,即可投入生產(chǎn),控制器具有結(jié)構(gòu)簡單、穩(wěn)定性好、可靠性高等優(yōu)點。但是在溫度控制過程中,PID控制效果有時并不理想。例如,當(dāng)外部環(huán)境發(fā)生變化時,或者有外部干擾時,其參數(shù)將會發(fā)生改變。而一般的PID參數(shù)是根據(jù)以往的控制經(jīng)驗總結(jié)出來的,一組PID控制參數(shù)只能對特定條件下的溫度控制比擬理想。為了克服常規(guī)PID控制的缺乏,提高其適應(yīng)能力,本文提出了基于神經(jīng)網(wǎng)絡(luò)的PID控制器。3.2.4溫控箱根本PID控制器的數(shù)字設(shè)計與仿真溫控箱根本PID控制器采用增量式PID算法,的整定方法采用Zielger-Nichols方法[27]。對于帶有時間延遲的一階模型(first—orderlagplusdelayFOLPD)的PID控制,該方法可根據(jù)FOLPD近似模型參數(shù),利用相似三角形原理得出,然后根據(jù)表3.1設(shè)計出P,PI和PID控制器,設(shè)計方法簡單直觀。表3.1ZielgerNichols整定公式控制器類型由階躍響應(yīng)整定由頻域響應(yīng)整定P——0.5Kc——PI—0.4Kc0.8Tc—PID0.6Kc0.5Tc0.12Tc對于溫控箱模型,使用傳統(tǒng)增量式PID控制,利用上述參數(shù)整定方法可得:=11.68,=200,=50。利用Simulink仿真模塊搭建數(shù)字仿真框圖如圖3.3所示。其中,PID控制器采用了抗積分飽和PID控制器。當(dāng)控制量到達(dá)飽和狀態(tài)時,使積分器脫離控制,直到其離開飽和狀態(tài),積分器才恢復(fù)作用[27]??狗e分飽和PID控制器的內(nèi)部框圖如圖3.4所示。通過進(jìn)一步的仿真調(diào)試,在階躍輸入下的溫度控制曲線如圖3.5所示。圖3.3PID控制系統(tǒng)仿真模型圖3.4抗積分飽和PID控制器其中,給定值R=80,PID各參數(shù)分別為:。其中圖3.5-a為受控對象模型結(jié)構(gòu)未發(fā)生變化時的溫度控制仿真曲線。為了研究PID控制對模型結(jié)構(gòu)發(fā)生變化時的適應(yīng)能力,假設(shè)模型結(jié)構(gòu)發(fā)生變化,通過仿真觀察其控制效果。當(dāng)受控對象比例系數(shù)K由0.75增至0.9時,PID參數(shù)不變,仿真結(jié)果如圖3.5-b所示。當(dāng)受控對象延遲時間由100秒增至130時,仿真結(jié)果如圖3.5-c所示。當(dāng)受控對象的時間常數(shù)T由730增至800時,仿真結(jié)果如圖3.5-d所示。通過仿真可以看出,雖然通過調(diào)整PID的控制參數(shù)可以使控制系統(tǒng)有一個較好的控制效果,但是當(dāng)受控對象模型參數(shù)發(fā)生變化時,其控制效果也將隨之發(fā)生改變,甚至使系統(tǒng)脫離穩(wěn)定狀態(tài)。要想重新使系統(tǒng)穩(wěn)定工作,只能繼續(xù)調(diào)整PID的三個參數(shù)才能使輸出到達(dá)一個較好的控制狀態(tài)。因此,對于數(shù)學(xué)模型難以確定,易受干擾的控制對象,運用單純的PID控制策略,控制精度難以滿足要求?!瞐〕受控對象模型結(jié)構(gòu)未發(fā)生變化時的溫度控制仿真曲線〔b〕受控對象比例系數(shù)K由0.75增至0.9時〔c〕受控對象延遲時間由100秒增至130時〔d〕受控對象的時間常數(shù)T由730增至800時圖3.5PID控制曲線3.3單神經(jīng)元PID控制器的設(shè)計與仿真3.3.1單神經(jīng)元PID控制系統(tǒng)的建立由于在單神經(jīng)元PID控制器中,包含了不斷更新的權(quán)值,不能簡單的用傳遞函數(shù)來描述其控制過程,因此如果單純的使用Simulink下模塊無法搭建系統(tǒng)仿真模塊,在這里我們可以應(yīng)用Simulink下的User-DefinedFunctions模塊集中提供的S-Function模塊或S-FunctionBuilder模塊來搭建仿真框圖,通過為該模塊編寫S函數(shù)來建立單神經(jīng)元PID控制器模塊。其中S-函數(shù)可以用MATLAB語言編寫,也可以用C語言編寫。而兩者的區(qū)別在于前者不能獨立于MATLAB語言運行,而后者可以脫離MATLAB環(huán)境獨立運行。所以只有用C語言編寫的S-函數(shù)才能夠通過編譯、鏈接在Simulink的外部模式下進(jìn)行半實物仿真控制的研究[28]。而用C語言編寫S-函數(shù)有兩種方法,一種是利用Simulink下提供的C語言模板程序,該文件在MATLAB目錄下的Simulink\src\sfummpl_basic.c。下包含了許多參數(shù)需要手動設(shè)置,比擬繁瑣。還有一種方法是利用S-FunctionBuilder模塊下設(shè)置的對話框按其要求進(jìn)行編寫,它提供的對話框簡潔明了,層次清晰,據(jù)自己的需要進(jìn)行初始化、輸入端口、輸出端口、各項參數(shù)、狀態(tài)變量等的填寫,然后就可以進(jìn)行C語言編程了。程序編寫環(huán)境和C語言環(huán)境下幾乎完全一致。還有一些現(xiàn)成的模板參考。本文采用了S-Function模塊進(jìn)行模型的搭建?;贖ebb學(xué)習(xí)規(guī)那么的單神經(jīng)元PID控制器的S函數(shù)的程序如文獻(xiàn)[27]??驁D如圖3.8所示:圖3.8單神經(jīng)元PID控制系統(tǒng)仿真框圖3.3.2單神經(jīng)元PID控制系統(tǒng)的數(shù)字仿真仿真之前首先根據(jù)第二章提到的參數(shù)選取規(guī)那么設(shè)置單神經(jīng)元PID的比例增益k和學(xué)習(xí)速率。通過調(diào)整各參數(shù)分別設(shè)置為。其仿真結(jié)果如圖3.9所示。其中圖3.9.a(chǎn)為受控對象模型結(jié)構(gòu)未發(fā)生變化時的溫度控制仿真曲線。為了研究其對受控對象模型結(jié)構(gòu)變化的適應(yīng)能力及其魯棒性,通過改變受控對象的各個參數(shù)進(jìn)行仿真研究。當(dāng)受控對象比例系數(shù)K由0.75增至0.9時,仿真結(jié)果如圖3.9-b所示。當(dāng)受控對象延遲時間由100秒增至130時,仿真結(jié)果如圖3.9-c所示。當(dāng)受控對象的時間常數(shù)T由730增至800時,仿真結(jié)果如圖3.9-d所示。通過比擬可以看出適當(dāng)增大受控對象的k值,系統(tǒng)穩(wěn)態(tài)值有所上升,但系統(tǒng)仍然處于穩(wěn)定狀態(tài)。而適當(dāng)增加延遲或者增加時間常數(shù),其輸出響應(yīng)也沒有明顯變化。通過與傳統(tǒng)PID控制比擬可以看出,其響應(yīng)的快速性相對較差,這主要是由于其比例增益和學(xué)習(xí)速率不能太大造成的。因為比例增益或?qū)W習(xí)速率過大,就會使系統(tǒng)產(chǎn)生較大超調(diào)和振蕩。由于編程算法的靈活性,我們可以通過在編寫S-函數(shù)過程中,在輸入和輸出存在較大偏差時,直接給受控對象一個較大的控制信號,當(dāng)偏差減小至某一點時,再使其進(jìn)入單神經(jīng)元PID控制階段。這樣可以解決其快速性較差的缺點[29]。當(dāng)受控對象模型參數(shù)發(fā)生變化時,PID控制效果不理想,產(chǎn)生振蕩,甚至使系統(tǒng)工作不穩(wěn)定。而單神經(jīng)元PID控制受其影響不大,這充分說明了神經(jīng)網(wǎng)絡(luò)PID具有較強(qiáng)的適應(yīng)性和魯棒性?!瞐〕受控對象模型結(jié)構(gòu)未發(fā)生變化時的溫度控制仿真曲線〔b〕受控對象比例系數(shù)K由0.75增至0.9時〔c〕受控對象延遲時間由100秒增至130時〔d〕受控對象的時間常數(shù)T由730增至800時圖3.9單神經(jīng)元PID控制曲線4結(jié)論與展望4.1工作總結(jié)本文首先講述了智能控制的開展現(xiàn)狀,人工神經(jīng)網(wǎng)絡(luò)的根本知識及其在控制領(lǐng)域的應(yīng)用前景。結(jié)合傳統(tǒng)PID控制的優(yōu)缺點和神經(jīng)網(wǎng)絡(luò)控制技術(shù)的特點,本文重點對單神經(jīng)網(wǎng)絡(luò)PID控制器進(jìn)行了分析研究,比擬了兩種控制策略的控制特點。同時針對其缺陷提出了一些改良和優(yōu)化控制器性能的方案,并將神經(jīng)網(wǎng)絡(luò)PID控制技術(shù)運用于溫度控制箱的溫度控制過程中,進(jìn)行了仿真研究。具體說來,本文所做的工作主要有以下幾方面:(1)對傳統(tǒng)PID控制與神經(jīng)網(wǎng)絡(luò)控制的特點進(jìn)行了分析比擬,根據(jù)兩種控制方式各自的優(yōu)勢和局限性,將神經(jīng)網(wǎng)絡(luò)控制技術(shù)與PID控制相結(jié)合,分析了神經(jīng)網(wǎng)絡(luò)PID控制器的控制特點。(2)歸納了典型的單神經(jīng)網(wǎng)絡(luò)PID控制方式,利用Hebb算法給出其權(quán)值變化規(guī)律,并對其控制過程中存在的問題進(jìn)行了分析,提出了幾種改良方案。(3)運用MATLAB/Simulink語言搭建了各種控制系統(tǒng)的仿真框圖,編寫了用于核心控制的S-函數(shù)。并通過數(shù)字仿真較為直接的驗證了其控制效果。對神經(jīng)網(wǎng)絡(luò)PID控制器及常規(guī)PID控制器進(jìn)行了各方面性能的比擬分析,討論了它們的優(yōu)缺點,提出了改良方案。4.2展望作為智能控制技術(shù)與傳統(tǒng)控制理論相結(jié)合的神經(jīng)網(wǎng)絡(luò)PID控制技術(shù)在經(jīng)過短短十幾年的開展后,無論在理論上還是應(yīng)用上都取得了令人矚目的成就。本文只對其中的一個小方面做了一些有益的探討,希望其能夠在智能控制的實際應(yīng)用上有一定的參考價值。由于時間緊迫和本人的學(xué)識疏淺,還有很多問題有待于今后進(jìn)一步研究解決。(1)控制器網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)參數(shù)的選擇。由于神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計至今還沒有一套完整的、可遵循的設(shè)計準(zhǔn)那么,即系統(tǒng)化的設(shè)計方法,本文中神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計主要是基于前人的經(jīng)驗和個人嘗試,同時還依賴于大量的仿真實驗來實現(xiàn)系統(tǒng)結(jié)構(gòu)的選擇和參數(shù)的整定。所以如何研究和應(yīng)用完善的系統(tǒng)化設(shè)計方法來指導(dǎo)設(shè)計合理的神經(jīng)網(wǎng)絡(luò)PID控制器是急需解決的問題,關(guān)系到神經(jīng)網(wǎng)絡(luò)PID控制器能否被廣泛地接受和應(yīng)用。(2)本文在神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計和仿真中主要選用了相對成熟的Hebb學(xué)習(xí)算法,多少有些局限性,由于時間關(guān)系沒有仔細(xì)研究其它神經(jīng)網(wǎng)絡(luò)及學(xué)習(xí)算法在神經(jīng)網(wǎng)絡(luò)PID控制中的應(yīng)用效果。(3)MATLAB/Simulink在控制系統(tǒng)的研究和應(yīng)用中具有非常重要的功能,但本文在利用其建模和仿真的
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 統(tǒng)編版語文三年級下冊情境化試期末測試題(含答案)
- 山東省煙臺市招遠(yuǎn)市(五四學(xué)制)2024-2025學(xué)年八年級上學(xué)期期末考試語文試卷(含答案)
- 【先學(xué)后教新思路】2020高考物理一輪復(fù)習(xí)-教案39-磁場
- 2022《全程復(fù)習(xí)方略》高考生物一輪復(fù)習(xí):單元評估檢測(四)-必修一第六章細(xì)胞的生命歷程
- 【考前三個月】2021屆高考物理(安徽專用)專題講練:專題4-萬有引力定律及其應(yīng)用
- 【全程復(fù)習(xí)方略】2020年數(shù)學(xué)文(廣西用)課時作業(yè):第十一章-第三節(jié)相互獨立事件同時發(fā)生的概率
- 五年級數(shù)學(xué)(小數(shù)除法)計算題專項練習(xí)及答案
- 三年級數(shù)學(xué)計算題專項練習(xí)及答案
- 【全程復(fù)習(xí)方略】2020年高考化學(xué)課時提能演練(八)-2.4-鐵及其化合物(魯科版-福建專供)
- 《神經(jīng)肌肉促進(jìn)技術(shù)》課件
- 城投集團(tuán)年度安全管理工作計劃
- 一、 行業(yè)協(xié)會申請設(shè)立分支機(jī)構(gòu)、代表機(jī)構(gòu)應(yīng)提交的文件:
- 美術(shù)課教案《線造型》
- 人民網(wǎng)刪除稿件帖文申請登記表
- 幼兒園幼兒園理事會成員一覽表
- 學(xué)生對課堂教學(xué)滿意度調(diào)查
- 住房公積金中心窗口人員個人工作總結(jié)
- 集成電路單粒子效應(yīng)評估技術(shù)研究PPT課件
- 面審技巧及必備基本話術(shù)
- 會議記錄模板
- 幼兒園小班生成活動教案20篇
評論
0/150
提交評論