《基于模糊神经网络的智能pid控制器研究与设计》由会员分享,可在线阅读,更多相关《基于模糊神经网络的智能pid控制器研究与设计(68页珍藏版)》请在金锄头文库上搜索。
1、武汉理工大学 硕士学位论文 基于模糊神经网络的智能PID控制器研究与设计 姓名:安军涛 申请学位级别:硕士 专业:控制科学与工程 指导教师:程平 20100501 武汉理工大学硕士学位论文 第1 章绪论 1 1 课题研究的背景及意义 自动控制自产生以来,通过不断的发展进步,对人类的生产、生活和工作 做出了巨大的贡献。在古典的控制方法中,一般都要求被控对象有精确的数学 模型,并且还仅仅适用于具有反馈的线性系统之中。近年来,随着工业的快速 发展,被控系统越来越复杂,对控制科学提出的要求也随之越来越高。现如今 大部分被控对象一般都具有多输入、输出,而且系统具有参数时变、非线性及 不确定性等特性,传统
2、的控制方法的控制效果难以达到要求。2 0 世纪7 0 年代, 美国傅京孙教授首先提出智能控制的策略【l 】,为如何获得复杂系统的良好控制 性能提出了解决的方法,在广大科研人员及技术人员不断努力下,一些新型的 控制方法被提出来,这极大的促进了控制理论及控制方法的发展。其中专家们 提出来的模糊控制和神经网络控制等方法发展比较迅速,这些方法与传统P I D 控制方法相结合起来,形成了智能控制与P I D 控制相结合的智能P I D 复合控制。 由于P I D 控制方法的优点非常明显,P I D 控制器已经在过去得到了广泛的应用, 在现在以及将来的很长时间内,其仍会发挥着非常重要的作用,所以针对当前
3、实际工业生产过程中种复杂时变非线性被控对象,结合智能控制算法与经典 P I D 控制技术的各自优点,进一步研究智能控制的方法和应用效果,这在学术 和实际生产实践中都有着重要意义。 1 2 国内外相关领域的发展和研究现状 P I D 控制理论已经走过了8 0 多年的历史,在这期间,它极大的推动了工业 生产过程的发展,但是P I D 控制器参数的整定方法一直是一个比较令人困扰的 问题。过去一般在P I D 工业控制现场,需要有经验丰富的技术人员来整定P I D 控制器参数,这种人工整定方法一般都比较费时,人力成本也比较大,而且实 际的控制系统差别非常大,可能存在许多滞后、非线性等诸多不确定因素,这
4、 使得P I D 控制器的参数整定有一定的难度。在实际工作的过程中,控制系统出 现了不符合要求的工作状态,一般都是因为没有很好的整定控制器的参数。近 武汉理工大学硕士学位论文 年来一些先进的智能控制方法不断出现,为了进一步促进P I D 控制的发展,我 们也试着将这些先进智能控制方法应用到P I D 控制领域之中,智能控制领域较 活跃的研究和应用主要有模糊控制和神经网络控制。 1 9 6 5 年美国的控制论专家L A Z a d e h 教授创立了模糊集合,这一理论的 提出对不明确系统的控制有极大的贡献,之后一些实用的模糊控制器也不断出 现。模糊控制在实际应用中成绩显著,主要是因为它具有透明性
5、和逻辑性,而 且具有很强的知识表达能力,能将已知系统的知识结合到模糊规则中加以运 用。模糊控制是一类应用模糊集合论、模糊语言变量及模糊推理为基础的控制 方法,它是一种非线性控制,最大的优点是不需要知道被控对象的数学模型就 能够利用专家已有的知识和经验。 神经网络的研究至今已经过半个多世纪,而且它的应用十分广泛,已经慢 慢扩展到模式识别、信号处理、专家系统、优化组合、机器人控制等众多的领 域。神经网络控制是研究和利用人脑的某些结构机理以及人的知识和经验对系 统的控制,它的主要优点是智能性和鲁棒性比较好,并且能够处理高维、非线 性、强耦合和不确定性的复杂控制系统。神经网络不善于显式表达知识,但是
6、具有很强的非线性映射能力和自学习能力,通过这些优点就可以为非线性系统 的建模【2 1 。 由以上可知,神经网络具有十分强大的自适应学习能力,这恰恰能适应控 制环境的变化,但是神经网络所获得的输入输出关系的表达方式不容易被人接 受;恰恰相反的是模糊控制没有学习和自适应能力,但是模糊控制却能轻易的 获得由语言表达出来的专家知识,这样对于那些凭借经验而难以建立精确模型 的控制系统,就可以做到很好的实施控制。由此可见,二者的结合能够实现功 能上互补,因此也可以构成良好的控制系统。如今将二者有机的结合起来的模 糊神经网络作为人工智能的一项新技术,已经成为一种新的研究方向。 在国外,T i m o t h
7、 yK n a p p a ,H e c t o rB u d m a n a 【3 】等学者首先提出了将R B F 神经网络应用列实际生产控制过程之中,在此控制系统中使用的是P I D 输入的 形式,这一系统充分表明了神经网络的非线性逼近的特点,而且该控制器对复 杂不确定问题的自适应能力得到了很大的提高,这一控制系统的提出也标志着 神经网络控制器研究的开始。此后又有著名研究学者A A n d e r a s i k 设计了出一 种有两个神经网络组成的闭环控制器【4 J ,这一控制器的两个神经网络分别是含 有预测杂交模式的前向神经网络和一个离线训练好的神经网络P I D ,该网络主 要特点是运
8、用了特殊学习算法,从而实现了神经网络控制器参数在线适应,最 2 武汉理工大学硕士学位论文 后通过研究和实际应用表明此类双神经网络控制模式可以改善和提高控制效 果,系统参数自适应的速度和质量都有很大的提高。日本控制学者Y o s h i h i r o O h n i s h i 之后也提出了一种P I D 控制方案【5 】,这一方案对非线性滞后模型控制质 量较好,主要思想是利用一个神经网络估算出系统参数,然后利用得到的这些 系统参数再通过另一个神经网络计算出适合的P I D 控制参数。以上这些方案由 于采用的神经网络结构都相当的复杂,而且系统复杂,计算量也十分庞大,在 生产实践中还很难得到广泛
9、的应用。 在国内,王耀南等人提出了一种基于R B F 网络的P I D 参数自整定的控制方 法【6 】,主要应用于纯滞后的工业过程被控对象,学习算法首次采用将最小均方 差算法和梯度法相融合,他们还将这一控制方法与S m i t h 预估器相结合,经研 究和实践检验控制效果有所改善;季春光等人提出了基于B P 神经网络的自整 定S m i t hP I D 控制算法【J 7 1 ,主要应用于针对大时滞时变的控制对象,在S m i t h 预估补偿控制系统中,为了适应被控对象特性的变化,P I D 参数通过B P 神经 网络在线自学习进行整定,以实现P I D 参数得到最佳的非线性组合,这样可以
10、有效地改善常规P I D 算法不适于大时滞系统控制的缺陷,也改善了常规S m i t h 算法过于依赖模型精度的不足,但是神经网络从结构到计算都十分复杂,在实 际生产中使用效果不佳。 近些年以来,智能控制方法又发展出一个新的研究动向,主要思想就是利 用遗传算法对神经网络P I D 控制器的权系数进行优化。这一新方法充分利用了 遗传算法“交叉 、“变异 和“选择”功能,可以作为一种有效的参数优化 方法。 综上所述,现今在复杂应用过程的建模中,模糊神经网络已经成为一个重 要的实现方法,可以用神经网络表示模糊系统,以便构造网络结构,这样系统 可以根据模糊推理规则的形式,充分利用神经网络具有学习能力的
11、优点,对系 统进行复杂模糊推理得以实现。基于模糊神经网络的智能控制现今已经得到了 很大发展和进步,不论是在理论基础上还是在实际工程应用中都起着显著的作 用。但是如何才能将P I D 控制器同智能控制充分的结合在起,尽最大化发挥 二者的优点,继续使P I D 控制器在控制领域更进一步的发挥作用,使整个控制 系统有着更好的控制效果,以便更好地应用于实践,依然是现如今控制领域科 研人员和学者们继续探索和研究的重点。在这一新的研究领域中,经过不断的 研究和发展,许多人正尝试将各种智能控制技术和常规P I D 控制方法结合起来, 实现有机的互补,也提出了多种形式的智能P I D 控制器,通过仿真实验检测
12、到 武汉理工大学硕十学位论文 有较好的控制效果,在实际生产中也得到广泛运用,因此可以看到,智能P I D 控制技术在将来必定有着广阔的研究和应用I j 景。 1 3 研究的主要内容 本文研究的主要内容是对基于模糊神经网络的智能P I E D 型控制器进行研究 和设计,针对时变、滞后及非线性的控制对象,主要探讨了智能算法的应用, 最后提出了一套可行的控制策略,并进行了控制器的设计和实验仿真。具体内 容在分析大量理论基础上,提出了系统辨识和参数优化的方法。在控制器的设 计上,充分发挥模糊神经网络控制的特点,将模糊神经网络与传统P I D 控制相 结合,提出一种基于模糊R B F 神经网络P I D
13、 控制器设计方案,并通过仿真实验 分析了其优缺点。针对以上控制的局限性,又提出了基于模糊C M A C 神经网络 控制器的设计,并针对控制对象的特性提出了不同的控制方案和仿真实验,最 后基于现在控制李氏稳定性理论,提出了一种自适应模糊C M A C 控制器,通过 仿真研究探讨分析控制器的优点和不足。具体章节安排如下: 第1 章介绍了本课题的研究背景与研究现状、本论文的主要研究内容。 第2 章概述了本课题部分知识点的理论基础:对P I D 控制及算法、模糊理论、 神经网络和模糊神经网络的建立等基础知识进行了介绍。 第3 章对系统的辨识和参数优化进行了研究,主要就是针对具有高阶的滞 后系统:首先学
14、习了基于B P 神经网络的系统辨识,用于进行滞后时间常数辨 识;其次,学习利用遗传算法和投影算法,提出用遗传算法对投影算法进行参 数优化,并对系统参数进行辨识:最后,利用遗传算法对利用Z N 法整定的P I D 参数进行优化。 第4 章基于模糊R B F 模糊神经网络智能控制器的设计:主要介绍了模糊 R F B 神经网络的结构和算法,控制器的工作原理和结构,并对其进行仿真实验, 根据实验结果,讨论了控制器的优点和不足。 第5 章基于模糊小脑糊神经网络智能P I D 控制器的研究设计:首先介绍 了一种模糊小脑神经网络的建立,在此基础上,针对时变特性较弱的系统,利 用这模糊C M A C 网络与P
15、 I D 控制器进行复合控制。最后,针对时变特性较 强的系统,基于李氏稳定性理论的提出了一种模糊C M A C 控制器设计方案并对 其性能进行了仿真研究。 第6 章总结。 4 武汉理t 大学硕士学位论文 2 1 P I D 控制及算法 第2 章理论基础 P I D ( P P r o p o r t i o n ,I I n t e g r a l ,D D i f f e r e n t i a ) 控制是比例、积分、微分控制 的简称【引,自从2 0 世纪3 0 年代末出现以来,因为其突出的优点,比如算法比 较简单、控制的系统鲁棒性比较好等,从而得到广泛的应用,特别是对于那些 可以建立精确数
16、学模型的确定性系统,在工业生产过程中发挥了重要的作用。 至今经过多年的发展,P i n 控制器已经由最初的模拟控制器发展到如今数字化 控制器,其应用也遍布各个领域,现今的P I D 控制已逐渐向着智能化、自适应 化、最优化的更高趋势发展。 2 1 1P I D 控制基本原理 在各种控制系统中,控制器一般常使用的控制方法是P I D 控制,P I D 控制 系统基本原理的框图如图2 1 所示。控制系统一般由P I D 控制器及被控对象组 成。 图2 1P I D 控制系统原理框图 P I D 控制器根据给定的系统输入信号r i n ( t ) 和实际的系统输出值y o u t ( t ) ,以 此来得到控制的偏差信号e ( f ) : P ( ,) = r i n ( t ) 一y o u t ( t ) ( 2 - 1 ) 而P I D 控制器的控制规律为: 武汉理工大学硕士学位论文 砸) = x t 砸) + 砉胁) a t + 半】 ( 2 - 2 ) 如果将其写成传递函数的形式,则表述如下: