《基于神经网络自学习的PID控制算法研究学士学位论文》由会员分享，可在线阅读，更多相关《基于神经网络自学习的PID控制算法研究学士学位论文（64页珍藏版）》请在金锄头文库上搜索。
1、 沈阳理工大学学士学位论文 摘 要PID（比例-积分-微分）控制器作为最早实用化的控制器已有50年以上的年历史，现在仍然是应用最广泛、最普遍的工业控制器。PID控制器简单易懂，使用中不需精确的物理系统模型等先决条件，因而成为最受欢迎的、应用最为普遍的控制器。PID控制器最早发展起来的原因，是由于其算法简单、鲁棒性好和可靠性高，被广泛应用于过程控制和运动控制中，特别适用于可建立精确数学模型的确定性控制系统。但是常规的PID控制器参数往往整定欠佳、性能不良，对运行环境的适应性很差。而神经网络具有很强的非线性映射能力、自学习的能力、联想记忆的能力、并具有可行批量信息处理方式及良好的容错性能。本次本课
2、题设计的目的就是为了建立一种单神经网络的PID控制器，使得人工神经网络与传统PID控制相结合互相补充，共同提高控制质量、以及控制效率并利用Matlab软件进行仿真。关键词：PID控制；神经网络PID；RBF算法；MATLAB仿真 ABSTRACT The PID ( PID ) controller as the first practical controller has 50 years of history, is still the most widely used industrial controller. The PID controller is simple and easy
3、 to understand, without the use of accurate system models prerequisites, and thus become the most widely used controller. The PID control room is the earliest developed one of the control strategy, because of its simple algorithm, good robustness and high reliability, is widely used in process contr
4、ol and movement control, especially can be applied to establish the precise mathematical model of uncertainty control system. But the conventional PID controller parameters often setting bad, poor performance, the operating condition adaptability is poor. While the neural network has very strong non
5、linear mapping ability, self-learning ability, the capacity of associative memory, parallel information processing and fine fault-tolerant performance. This topic design proposed is to establish a single PID neural network controller, the artificial neural network and traditional PID control are com
6、bined to complement each other, work together to improve the control quality, and the use of Matlab software simulation.Key words: PID control;neural network PID ;RBFalgorithm ; MATLAB simulation目 录 1 绪论1.1 课题研究背景11.2 课题研究意义21.2.1 感知模式识别21.2.2 具有容错和容差能力21.2.3 神经网络在工作时具有高速度和潜在的超高速31.2.4 PID神经元对现有神经元类
7、型的补充和完善31.3 课题目前研究现状31.3.1 采用神经元网络确定PID参数31.3.2 单神经元结构PID控制器41.4 本文的主要任务及研究内容51.4.1 分析了传统控制的局限性51.4.2 分析了神经元网络应用于控制中的不足之处51.4.3 分析了传统PID控制的特点及其改进方法的研究现状61.4.4 建立了基于BP神经网络整定的控制62 神经网络72.1 神经网络的基本概念72.1.1 时空整合功能82.1.2 动态极化性82.1.3 兴奋与抑制状态82.1.4 结构的可塑性92.1.5 脉冲与电位信号的转换92.1.6 突触延期和不应期92.1.7 学习、遗忘和疲劳92.2
8、人工神经元模型92.3 神经网络的结构112.3.1 前馈型网络122.3.2 反馈型网络122.4 神经网络的工作方式132.5 神经网络的学习142.5.1 学习方式142.5.2 学习算法142.5.3 学习与自适应163 PID控制器163.1 传统控制理论的局限性163.1.1 不适用于不确定性系统的控制173.1.2 不适应非线性系统的控制173.1.3 不适应时变系统的控制173.1.4 不适应多变量系统的控制173.2 PID控制概述183.3 PID控制的原理和特点183.4 PID控制的预置和参数整定203.4.1 比例增益P203.4.2 积分时间I213.4.3 微分时
9、间 D213.5 PID参数的调整原则213.6 PID工作应注意问题223.7 PID控制的意义及其应用224 基于RBF神经网络整定的控制及MATLAB仿真234.1 MATLAB 语言简介234.1.1 MATLAB 概述234.1.2 MATLAB语言特点244.2 神经网络工具箱函数244.3 基于simulink的神经网络控制254.3.2 滚动优化254.3.3 反馈校正254.4 RBF神经网络264.4.1 RBF神经网络介绍264.4.2 RBF网络结构264.4.3 RBF网络特点264.4.4 RBF网络函数的逼近274.4.5 RBF网络的学习算法294.4.6 RB
10、F网络PID整定原理304.4.7 仿真实例31结论35致谢36参考文献37附录A39 附录B53- 0 - 1 绪论从二十世纪四十年代以来，传统经典的控制理论得到了飞速的发展。并且形成了较为完整和详细的理论体系，同时在工业生产中得到了普遍的运用。近几十年，为了解决军事、航天、工业系统等复杂的控制要求，控制理论以日新月异的速度飞快的发展起来，经历了现代控制理论和大系统理论两个重要的的发展阶段。但是，它对精确数学模型的依赖性，以及在具体工况下的实用性应用受到了很大的限制。无论是现代控制理论还是大系统控制，其分析、综合和设计都是建立在严格的和精确的数学模型基础之上。而在科学技术和生产力水平快速发展
11、的今天，人们对大规模、多变、复杂和不确定性系统实行自动控制的要求逐步的提高。故而，传统的基于精确数学模型的控制理论的局限性日益明显。为了更好的适应时代的发展和控制技术的要求，我们需要转向更加实用可行的PID控制。PID控制是最早发展起来的控制策略之一，由于其鲁棒性好、算法简单、及可靠性高，被普遍应用于过程控制和运动控制中，尤其适用于可建立精确数学模型的确定性系统。然而传统PID控制器不能达到理想的控制要求，而在实际生产过程中由于受到参数整定方法繁杂的干扰，常规PID控制器参数往往整定欠佳、性能不良，对运动工况的适应性很差。为了克服常规PID控制的缺点，控制界已经提出了大量的针对PID控制的改进
12、方案，例如自校正的PID控制、广义预测的PID控制、模糊的PID控制、专家的的PID控制、智能PID控制等。以上各种方案的理论依据不同，研究方向也尽不相同，但是它们的共同点都是针对如何选取和整定PID控制参数，都是在保持传统PID控制器结构不变的基础上，采用新的手段在线或离线整定PID参数，这些方法在一定程度上提高了PID控制器的性能和效果，但这些方案一般都是针对某些具体问题，所以缺乏通用性，附加的结构或者算法也增加了控制器的复杂性，使它们的广泛应用受到了限制。但是，随着神经元网络的研究、应用和发展，人们开始采用神经元网络和PID控制相互结合，以便改进传统PID控制的性能，这种研究已经取得了一
13、些进展和成果。1.1 课题研究背景不管是神经网络还是pid控制技术，都是由国外的技术传入中国。神经网络仍然出于理论型研究范围，这些方面都是比较理论的。神经网络系统理论的发展是缓慢与不平衡的。神经网络发展的第一次热潮是自1943年M-P模型开始的，至该世纪60年代结束，这一段时间可以称为神经网络系统理论发展的初期阶段，这个时期的主要特点是多种神经网络的模型的产生与学习算法的确定。1957年Rosenblantt提出了感知器（Perceptron）理论模型；1962年Widrow提出了自适应（Adaline）线性元件理论模型等等。这些模型和算法在很大程度上丰富了神经网络系统理论。第二次热潮是在19
14、82年，在美国科学院的刊物上发表了著名的Hopfield模型理论，这是一个非线性动力系统的理论模型，它引起了各国科学家的关注，并试图将这一数学模型进行电子学或者光学的硬件实现，这就形成了人工神经网络的重点研究。迄今为止的神经网络研究总的来说可分为三大方向。1）探究人脑神经系统的生物结构和大脑机制，这实际上是神经网络理论的初衷。2）应用微电子学或者光学器件形成特殊功能网络，这主要是新一代计算机制造领域所关注和重视的问题。3）将神经网络理论作为一种解决某些问题的手段和方法的必要性，这些问题在利用传统方法时或者无法解决，或者在处理计划上尚存困难。1.2 课题研究意义研究在深入的了解了神经网络与传统P
15、ID控制的发展历史和目前的发展状况后，使得当下研究这个课题具有重要的意义。1.2.1 感知模式识别 神经网络进过调试能有效提出信号、图像、语音、声纳等易感知模式的特征，并能解决现有启发性模式识别系统不能很好解决的不变量探索、自适应、抽象概括的问题，神经网络已在遥感、计算机视觉、语音识别、医学图像分析、计算机输入装置等方面有了新的应用。1.2.2 具有容错和容差能力每个神经元和每个连接对网络的整体功能的贡献是微小的以致于少量神经元和连接发生故障对整体功能的影响很小。此外神经元激活函数的“压扁特性又高概率地把这种影响压缩到最低限度从而使整个同络具有较强的鲁棒性(硬件容错性能)。另一方面输入向量中每个分量对同络输出的贡献
