《毕业设计-神经网络控制算法仿真》由会员分享，可在线阅读，更多相关《毕业设计-神经网络控制算法仿真（44页珍藏版）》请在金锄头文库上搜索。
1、华北电力大学本科毕业设计（论文）摘 要 目前，由于PID结构简单，可通过调节比例积分和微分取得基本满意的控制性能，广泛应用在电厂的各种控制过程中。电厂主汽温被控对象是一个大惯性、大迟延、非线性且对象变化的系统，常规汽温控制系统为串级PID控制或导前微分控制,当机组稳定运行时,一般能将主汽温控制在允许的范围内。但当运行工况发生较大变化时,却很难保证控制品质。因此本文研究基于BP神经网络的PID控制，利用神经网络的自学习、非线性和不依赖模型等特性实现PID参数的在线自整定，充分利用PID和神经网络的优点。本处用一个多层前向神经网络，采用反向传播算法，依据控制要求实时输出Kp、Ki、Kd，依次作为P
2、ID控制器的实时参数，代替传统PID参数靠经验的人工整定和工程整定，以达到对大迟延主气温系统的良好控制。对这样一个系统在MATLAB平台上进行仿真研究，仿真结果表明基于BP神经网络的自整定PID控制具有良好的自适应能力和自学习能力，对大迟延和变对象的系统可取得良好的控制效果。关键词：主汽温，PID，BP神经网络，MATLAB仿真 ABSTRACTAt present, because PID has a simple structure and can be adjusted proportional 、integral and differential to satisfactory con
3、trol performance, it is widely used in power plants of various control process. The system of power plant main steam temperature is an large inertia、big time-delayed and nonlinear dynamic system. Conventional steam temperature control system adopted cascade PID control or the differential control of
4、 lead before. When the unit is stable, these methods will control the steam temperature in a certain range ,but when operating conditions changed greatly, it is difficult to ensure the quality of control. This article studies PID control based BP neural network . Using such characteristics of neural
5、 network self-learning, nonlinear and dont rely on model realize PID parameters auto-tuning. It can make full use of the advantages of PID and neural network. Here, we use a multilayer feedforward neural network using back propagation algorithm. This net can real-time output Kp, Ki, Kd as the PID co
6、ntroller parameters , insteading of the traditional PID parameters determined by experience, so it can obtain good control performance .For such a system ,we can simulate in MATLAB simulation platform. The simulation results show that the PID control based BP neural network has good adaptive ability
7、 and self-learning ability. For the system of large delay and free-model can obtain good control effect.KEY WORDS: main steam temperature ，PID ，BP neural network， MATLAB simulation推进学校内涵建设深化年各项工作和“三乐两校”主题教育活动的开展，进一步繁荣校园文化，搭建具有时代特征大学生特点的文化艺术活动平台，促进学院间师生的友谊III目 录摘 要IABSTRACTII第一章 绪论11.1 选题背景和意义11.2 国内
8、外研究现状 11.3 立论依据51.4 本文所做的主要工作6第二章 神经网络的基本原理82.1 人工神经元模型82.2 神经网络的学习方式和学习规则92.2.1 神经网络的学习方式92.2.2 神经网络的学习规则92.3 神经网络的特点及应用102.4 BP神经网络112.4.1 BP神经网络的结构112.4.2 BP神经网络的算法122.5 本章小结16第三章 基于BP神经网络的PID控制173.1 PID控制器的离散差分方程173.2 基于BP神经网络的PID整定原理183.3 基于BP神经网络的PID控制算法流程223.4 本章小结22第四章 基于BP神经网络的PID控制在主汽温控制系统
9、中的应用234.1 主汽温的控制任务234.2 主汽温被控对象的动态特性234.3 主汽温控制策略244.3.1 主汽温控制信号的选择244.3.2 主汽温控制的两种策略264.4仿真分析274.5 本章总结34结论与展望35参考文献37致 谢39第一章 绪论 1.1 选题背景和意义在控制系统设计中,最主要而又最困难的问题是如何针对复杂、变化及具有不确定性的受控对象和环境作出有效的控制决策。经典控制理论和现代控制理论的基础是建立数学模型,以此进行控制系统设计,然而面对工程实际问题和工程应用对控制要求的不断提高,基于数学模型的控制理论和方法的局限性日益明显。无模型控制能有效提高控制系统的适应性和
10、鲁棒性,因此,走向无模型控制是自动控制发展的另一个重要方向。在1943年，麦卡洛克和皮茨首次提出了脑模型，其最初动机在于模仿生物的神经系统。随着超大规模集成电路(VLSl)、光电子学和计算机技术的发展，人工神经网络己引起更为广泛的注意。近年来，基于神经元控制的理论和机理已获得进一步的开发和应用。尽管基于神经元的控制能力还比较有限，但由于神经网络控制器具有学习能力和记忆能力、概括能力、并行处理能力、容错能力等重要特性，仍然有许多基于人工神经网络的控制器被设计出来,这类控制器具有并行处理、执行速度快、鲁棒性好、自适应性强和适于应用等优点，广泛的应用在控制领域1。神经网络控制是一种基本上不依赖于模型
11、的控制方法,它比较适用于那些具有不确定性或高度非线性的控制对象,并具有较强的适应和学习功能,它是智能控制的一个重要分支。对于自动控制来说,神经网络有具有自适应功能，泛化功能，非线性映射功，高度并行处理功能等几方面优势2，这使得神经网络成为当今一个非常热门的交叉学科, 广泛应用在电力，化工，机械等各行各业，并取得了比较好的控制效果。1.2 国内外研究现状随着现代工业过程的日益复杂，经典现代控制理论面临严峻挑战，例如被控系统越来越巨大，存在多种不确定因素，存在难以确定描述的非线性特性，而控制的要求越来越高(如控制精度、稳定性、容错、实时性等)，因此人们一直在探索如何使控制系统具有更高的智能，使之能
12、够适应各种控制环境。而神经网络源于对人脑神经功能的模拟，它的某些类似人的智能特性有可能被用于解决现代控制面临的一些难题。因此，从20世纪60年代起，人们就开始研究神经网络在控制中的应用了，取得了一定效果。目前，随着神经理论的发展和新算法的相继提出，神经网络的应用越来越广泛。从神经网络的基本模式看,主要有:前馈型、反馈型、自组织型及随机型神经网络3。这四种类型各自具有不同的网络模型：前馈网络中主要有BP网络及RBF网络；反馈网络主要有Hopfield网络；自组织网络主要有ART网。当前，已经比较成熟的神经网络控制模型主要有神经自校正控制，神经PID控制，神经模型参考自适应控制，神经内膜控制等等4
13、(1) 、神经网络自校正控制神经自校正控制结构如图，它由两个回路组成：(1)自校正控制器与被控对象构成的反馈回路；(2)神经网络辨识器与控制器设计，以得到控制器的参数。这种方案的设计思想是利用神经网络辨识器的计算估计能力对常规控制器参数进行约束优化求解,从而实现对常规控制器的参数或结构进行调整。方框图如下5：神经辨识器控制器设计自校正控制器被控对象 r u y图1-1 神经自校正控制结构图可见，辨识器与自校正控制器的在线设计是自校正控制实现的关键。（2）、神经网络PID控制。PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关
14、系不一定是简单的“线性组合”，从变化无穷的非线性组合中可以找出最佳的关系。神经网络所具有的任意非线性表示能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。方框图如下6： 神经网络PID控制器被控对象+ r kp ki kd u y - e 图1-2 神经PID控制结构图对于一般神经PID常采用BP算法，因BP神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。(3) 、神经网络模型参考自适应控制神经网络模型参考自适应控制 ,将神经网络同模型参考自适应控制相结合，就构成了神经网络模型参考自适应控制，其系统的结构形式和线性系统的模型参考自适应控制系统是相同的，只是通过神经网络给出被控对象的辨识模型。根据结构的不同可分为直接与间接神经网络模型参考自适应控制两种类型，分别如图中(a)和(b)所示。间接方式比直接方式中多采用一个神经网络辨识器，其余部分完全相同7。参考模型yp r-ee对象神经控制器uy + (a)参考模型yp r-神经辨识器ee-+神经控制器+对象y (b)图1-3 神经模型参考自适应控制结构图神经控
