欢迎光临钟爱文库,如需获取更多资料请使用搜索功能。
钟爱文库
当前位置:首页 » 工程科技 » 信息与通信 » 正文

基于神经网络PID控制器的设计

天津理工大学中环信息学院 2011 届本科毕业设计说明书基于神经网络的 PID 控制器设计摘 要本文以提高控制器的控制效果为目标,将神经网络与 PID 控制相结合,分 别对单变量系统和多变量系统的神经网络结构的 PID 控制进行了深入研究和探 索。

对单变量系统,将预测控制的思想和神经网络 PID 控制的思想结合起来, 用多步预测性能指标函数去训练神经网络把纬 d 器的权值,就构成了多步预测 性能指标函数下的神经网络 PID 控制系统:本文对此系统进行了改进,引入了新 的多步预测性能指标函数,同时对神经网络辨识器部分,采用了更适合于实时 控制的动态递归神经网络来代替原方案中的多层前向网络对其辨识。

仿真结果 表明此改进方法比原方法及带辨识器的神经网络 PID 控制方法具有更好的响应 性能。

对多变量系统,首先研究了基于多步预测性能指标函数下多变量系统的神 经网络 PID 控制,并给出仿真实例及结论;接着研究了 PID 神经元网络多变量控 制器的结构和计算方法:它是由并列的多个子网络组成,当控制系统有 n 个被控 变量,子网络就有 n 个。

每个子网络的输入层接受系统的给定信号和对象的输 出信号;隐含层由比例元、积分元、微分元组成,实现 PID 运算;输出层实现规 律的综合:为加快权值调整速度对输出层权值采用最小二乘法进行调整,代替原 方案中的梯度法,仿真结果表明此系统具有良好的自学习和自适应解祸性能。

关键词: 神经元网络 PID 控制 多步预测性能指标函数 动态递归神经网络单变量系统 多变量系统The PID Controller Was Based On Neural Network DesignI

基于神经网络PID控制器的设计

天津理工大学中环信息学院 2011 届本科毕业设计说明书ABSTRACTIn order to enhance the performance of the controller, this paper combined the neural network and PID control, and deeply studied the neural network Pm controller based on single-variable and mufti-variable system. For single-variable system, the neural network PID controller based mufti-step predictive performance target function combined the predictive control idea and the neural network PID control idea. It uses multi-step predictive performance target function to train the weights of neural network PID controller, This paper improved the system: It uses new mufti-step predictive performance target function to train the weights, and it uses the dynamic recursion neural network instead of multiplayer feed forward neural network that is furthermore fit for real-time control to identify the part of neural network identification. The simulating results shows that this method has better response performance than the neural network PID control method with identification For mufti-variable systems, at first, This paper studied the neural networks PID controller based mufti-variable systems using mufti-step predictive performance target function, After studying the system's simulating instances, I got the results; Then this paper studied the structure and arithmetic of the PID neural network multivariable controller. It is made up of paratactic mufti-sub-network, if there are n controlled variables in controlling system, the sub-networks then will have n too. The input layer of each sub-network accepted the present signal of the system and the output signal of controlled object; The hidden layer that is made up of proportion, integral and differential three parts realizes PID operation; The output layer realizes the integration of the rules; and its output layer's weights were adjusted using the least mean squares in stead of grads arithmetic in order to quicken the regulative speed of the weights, the results show that the system has much higher performance of self-studying and self-adapting.Keywords: Neural networktarget functionPID ControlMulti-step predictive performance Single-variable systemDynamic recursion neural networkMultivariable systemII

基于神经网络PID控制器的设计

天津理工大学中环信息学院 2011 届本科毕业设计说明书目录第一章 引言 ................................................................. 11.1 课题背景及研究意义 ..................................................... 1 1.2 课题当今的研究现状 ..................................................... 1 1.3 本文的结构组成 ......................................................... 2第二章 PID 控制器的基本原理 ............................................... 32.1 PID 控制器 .............................................................. 3 2.1.1 PID 原理 ........................................................... 3 2.1.2 PID 各参数的作用 ................................................... 4 2.2 数字 PID 控制 ........................................................... 4 2.2.1 控制器的组成 ...................................................... 5 2.2.2 典型的 PID 控制器 .................................................. 5 2.3 PID 参数整定 ............................................................ 5 2.4 小结 ................................................................... 6第三章 神经网络的基本原理 ................................................. 63.1 神经网络的模型结构 ..................................................... 7 3.2 几种典型的学习规则 ..................................................... 8 3.2.1 无监督的 Hebb 学习规则 ............................................. 9 3.2.2 有监督的 Delta 学习规则 ............................................ 9 3.3 几种典型的神经网络 ..................................................... 9 3.3.1 BP 神经网络 ........................................................ 9 3.3.2 RBF 神经网络 ..................................................... 12 3.3.3 CMAC 神经网络 .................................................... 14 3.4 小结 .................................................................. 16第四章 神经网络 PID 控制基本原理以及应用 ................................ 164.1 基于 BP 神经网络的 PID 控制 ............................................. 17 4.1.1 BP 神经网络整定原理 ............................................... 17 4.1.2 MATLAB 的背景和发展 ............................................... 21 4.1.3 MATLAB 的工作环境 ................................................. 22 4.1.4 常规 PID 控制系统 ................................................. 23 4.1.5 基于 BP 神经网络的 PID 控制系统 .................................... 24 4.2 RBF 神经网络和 CMAC 神经网络 PID 控制 .................................... 30 4.2.1 RBF 神经网络 PID 控制 .............................................. 30 4.2.2 CMAC 神经网络 PID 控制 ............................................. 31 4.3 小结 ................................................................... 31III

基于神经网络PID控制器的设计

天津理工大学中环信息学院 2011 届本科毕业设计说明书第五章 绪论 ................................................................ 32 参考文献 .................................................................... 33 致谢 ......................................................................... 34IV

基于神经网络PID控制器的设计

天津理工大学中环信息学院 2011 届本科毕业设计说明书第一章 引言1.1 课题背景及研究意义目前工业自动化水平已经成为了各行各业现代化水平的一个重要标志,而自动化的核心 理论是控制理论。

因此如何得到一种更为优越的控制方法称为了工业过程控制一个重要的问 题。

PID 控制器是一种经典的控制方法,其结构简单,抗干扰能力强,自适应能力强,成为 了控制领域一个重要的控制手段。

它是工业过程控制最常见的控制器,从标准的单回路控制 到包含数千个 PID 控制器组成的离散控制系统,PID 技术的应用领域非常之广泛。

根据某项 资料显示,目前全世界范围内有几乎超过 90%的控制系统都在使用 PID。

随着工业过程控制的 发展,PID 技术非但没有过时,反而越来越多的应用于控制领域。

参数整定是 PID 控制的核心内容,该过程相对来说比较复杂,随着计算机技术的发展, 越来越多的参数整定方法被提出来。

参数整定方法主要有两种:理论方法和工程整定方法。

PID 前者主要是利用系统的数学模型,经过理论计算确定控制器的各个参数。

后者主要依赖于工 程经验,通过大量的实验总结得到控制器的控制规律。

主要包括临界比例法,继电反馈法以 及 z-N 经验法。

智能控制是一类无需人的干预就能够独立运行的驱动智能机器实现其目标的自动控制。

目前的智能控制技术包括:神经网络技术、 模糊控制技术、 遗传算法技术、 专家整定控制技术、 基于规则的仿人智能控制技术,该控制技术已进入工程化和实用化的时代,并已有商品出售。

将智能控制技术和常规 PID 控制相结合,形成智能 PID 控制,它不依赖于系统的数学模型, 可以实现 PID 参数的在线自整定。

因次越来越多的应用于 PID 控制系统的设计中。

当今,工程师在设计和建立控制系统的时一候,他们总希望使用比较少的设备来实现更 多的功能。

他们需要的控制算法不仅仅能够处理数字 1/0 和运动,而月还要集成用于自动化 监控和测试的视觉功能和模块化仪器,同时还能实时的控制算法和处理任务,对于这些复杂 的应用,单靠 PC 或者 PLC 是很难全面的解决问题的,必须希望拥有 PC 的功能和 PLC 的可靠 性 二 者 结 合 的 功 能 , 这 就 是 新 型 的 可 编 程 自 动 控 制 器 PAC(Programmable Automation Controller)。

它结合了 PC 和 PLC 的优势,提供了一个通用的开发平台和一些高级功能,被 越来越多的应用于工业控制中。

1.2 课题当今的研究现状PID 控制器从其产生到目前大致经历了将近一个世纪,各国的学者和工程师们为它的发 展做付出了巨大的努力,使 PID 控制成为了当今工业过程控制领域里非常重要的工具。

它的1

基于神经网络PID控制器的设计

天津理工大学中环信息学院 2011 届本科毕业设计说明书概念是在 1922 年,由米罗斯基(N.Minorsky)在分析位置控制系统时候提出的,并且总结出了 三个 PID 控制作用并找出了控制规律。

它的参数调节一直是一个难点。

人们都在这个领域付 出了无数的心血。

1942 年 Ziegler 和 Nichols 提出了 z 一 N 经验法,1991 年 Astrom 提出了 基于给定相角裕度和幅值的 GPM 整定 PID 控制器参数的方法。

1984 年美国 Foxboro 公司推出 了专家式整定 PID 控制器,利用专家系统技术应用于 PID 控制器·1980 年 L.H.Holmblda 和 Ostergard 在进行水泥窑炉控制系统研究时候使用了模糊控制器并获得了成功。

人工神经网络(简称神经网络)是由人工神经元(简称神经元)互联组成的网络。

1943 年 是 由心里学家 McCulloch 和数学家 Pitts 共同提出的。

他们提出了第一个神经元模型, 模型。

MP 1949 年 HEBB 提出了改变神经元连接强度的 Hebb 规则。

1958 年 Rosenblatt 提出了感知 器(Perception)模型,为神经网络的研究提供了重要的方向。

1960 年 Widrow 和 Hoff 提出了 自适应线性元件(Adaline)模型以及神经网络 PID 控制器的研究和仿真 Widrow-Hoff 学习规 则,从而在 60 年代,掀起了神经网络研究的第一次热潮。

但是此后随着研究的深入,人们在应用和实现方面遇到了一时难以解决的难题。

而同时 由于数字计算机的成功,使得整个学术界陶醉于数字计算机的成功中,从而掩盖了发展新型 模拟计算机和人工智能技术的必要性和迫切性,使得神经网络的研究走向低潮。

80 年代,美国加州工学院物理学家 HoPfield 提出了 HNN 模型,这使得神经网络的研究 有了突破性的进展。

他引入了“能量函数”的概念,给出了网络的稳定性判据。

此外,HNN 的电子电路的实现给神经网络计算机研究奠定了基础,同时开拓了神经网络用于联想一记忆 和优化计算的新途径,引起了工程界的普遍关注,从而掀起了神经网络研究的第二次热潮。

在这一时期,随着大量开拓性研究工作的深入开展,数百种网络结构、学习算法应运而生, 硬件实现的研究工作也在积极开展,神经网络理论的应用研究己经渗入到各个领域,并在智 能控制、模式识别、自适应滤波和信号处理、非线性优化、传感技术和机器人、生物医学工 程等方面取得了令人鼓舞的进展。

使神经网络的研究进入了一个空前高涨的时期。

主要的研 究集中在网络结构、学习算法和实际应用方面。

尽管这些年来,神经网络理论及其应用研究取得了可喜的进步,但是应该看到,神经网 络的理论仍有许多缺陷,尚待进一步发展与完善。

1.3 本文的结构组成(1)绪论部分,介绍了论文的研究背景和意义;课题的研究现状;以及本文的内容组成。

(2)介绍了PID控制器的基本原理,常规的PID参数整定方法。

(3)介绍了神经网络的基本原理以及三种典型的神经网络算法,包括BP神经网络,RBF神 经网络以及CMAC神经网络。

(4)介绍了神经网络PID控制基本原理以及应用2

基于神经网络PID控制器的设计