毕业设计论文基于神经网络的实验锅炉炉温抗饱和控制系统.doc

学号 毕业设计(论文)题目：基于神经网络的实验锅炉炉温Anti-windup控制系统设计 作 者 届 别 届 院 别 专 业 指导教师 职 称 完成时间 摘 要 本文展示了一种基于BP神经网络的PID控制器，利用神经网络的自学习特性，将神经网络与PID控制方法相结合，采用3层前向网络，动态BP算法，实现对温度控制系统的智能控制，显示了BP神经网络PID控制法很强的鲁棒性，同时也显示了神经网络在解决高度非线性和严重不确定系统方面的能力结合神经网络PID技术，实现抗饱和仿真结果表明，此种PID在温度控制中能够取得较满意的效果关键词：神经网络；PID控制；温度控制；抗饱和 ABSTRACTA PID controller based on BP neural networks is showed .The self-learning capability of the neural network is used to combine the neural network with PID control method. The dynamic BP algorithms of three layer networks achieves the online real-time intelligent temperature control ,which displays the robustness of the PID control based on BP neural networks and the capability to deal with nonlinear and uncertain system . Combined with neural network PID technology to the Anti-windup .The simulation result indicates that this PID system has satisfied effect in temperature control.Keywords: Neural Network; PID control; Temperature control; Anti-windup目 录摘 要 IABSTRACT II目 录 III1 绪论 11.1 选题的背景及意义 11.2 方案论证 22 控制系统分析及设计 42.1 控制系统分析 42.2 控制器的设计 42.2.1 PID控制原理 42.2.2 基于神经网络的PID系统结构 52.2.3 BP神经网络PID算法 62.2.4 控制算法 82.2.5控制器的设计 83 抗饱和设计 93.1 抗饱和控制器的设计 93.1.1抗饱和控制原理 93.1.2 控制律的设计 103.2 抗饱和控制器稳定性分析 114 系统仿真 134.1 炉温控制系统仿真及分析 134.1.1炉温控制系统仿真 134.1.2炉温控制系统仿真结果分析 144.2 抗饱和控制仿真及分析 154.2.1抗饱和控制系统仿真 154.2.2抗饱和控制系统仿真结果分析 155 Visual Basic控制系统的设计 165.1 VB控制系统设计分析 165.2 VB控制系统的设计及功能 166 结论 18参考文献 19致 谢 211 绪论1.1 选题的背景及意义近年来，在我国以信息化带动的工业化正在蓬勃发展，温度已成为工业对象控制中一种重要参数，任何物理变化和化学反应过程都与温度密切先关，因此温度控制是生产自动化的重要任务。

在工业控制领域，研究如何进行精确温度控制是一个十分 重要的课题，特别是在冶金、化工、机械等行业中加热炉、热处理炉、反应炉等设备被广泛使用，如何精确的进行温度控制就显得更加重要在工业生产中，被控对象大多在不同程度上存在纯滞后的特性，致使被调量不能及时反映控制信号的动作，当对象受到干扰而引起被调量改变时，控制器产生的控制作用不能立即对干扰产生抑制作用因此，含有纯滞后环节的闭环控制系统必然存在着较大的超调量和较长的调节时间Smith预估补偿方法从理论上解决了纯滞后对象的控制问题，是解决大滞后过程的最有效途径，但由于其对模型误差十分敏感，对过程动态特性的精确度要求较高，鲁棒性差，难以取得满意的控制效果，严重时甚至引起系统不稳定，因而限制了它在工业控制中的广泛应用加热炉热处理炉，反应炉，现代化集中要求对现象装置进行时控制，需要对现场数据进行统计，分析，打印，绘图，报警等在某些温度控制系统中，可以采用单片机做控制器选择监控软件对系统的运行进行实时监控加热炉是具有大惯性、纯滞后等特点的非线性系统 ,对它采用传统的经典控制方法难以收到令人满意的效果随着信息技术和计算机应用技术的发展 ,以人工智能、控制理论和计算机科学等为基础的智能控制技术在工业加热炉领域得到愈来愈广泛的应用。

神经网络是最近发展起来的非常热门的交叉学科，它设计生物、电子、计算机、数学和物理等学科，有着非常广泛的应用前景，这门学科的发展对目前和未来的科学技术的发展都有很重要的影响神经网络方法主要是将定量预测问题状花为模式识别问题，并通过模拟人脑思维能力来增强模型的分析、控制和预测功能神经网络是模拟人的神经系统而建立起来的自适应非线性动力系统神经网络的主要特征为网络的全局作用、大规模并行分布处理、高度的鲁棒性和自学习联想能力，其功能重要由网络的拓扑结构和节点的处理功能所决定在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。

当实际输出与期望输出不符时，进入误差的反向传播阶段误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止饱和非线性系统是实际控制系统中的常见现象，这类系统的研究由于其重要的理论和实际意义，历来是控制理论的研究热点之一[1]所有的控制系统都存在各种各样的控制输入饱和现象导致饱和现象发生，有如下两个主要原因：(1)控制输人受限；(2)控制模式的相互切换[2]饱和现象的本质可以归结为，被控对象的输入信号不等于控制器的输出信号[3]所以，大量关于抗饱和的文献所采用的方法，都是类似地将的值反馈补偿到控制器的积分环节，从而达到削弱积分环节的作用，使系统尽快退出饱和区域在此基础上，1994年，针对易受输入非线性影响的线性时不变系统，提出了抗积分饱和问题的统一框架在此之前，几乎所有已知的线性时不变AWBT框架都可以被看作是统一框架的特例，而且只需要用反馈补偿器以中的两个矩阵参数和，就可以对线性时不变AWBT问题进行分析和设计了。

抗饱和补偿控制器将仅在饱和发生时产生作用，保证饱和发生时系统的稳定性性能1.2 方案论证饱和问题不同于一般的非线性问题，它是基于对工作性条件下的系统在特殊条件下进入非线性区域的考虑，单纯地应用目前相对不成熟的非线性系统理论解决饱和问题代价太大，而且往往无法得到性能良好且全局稳定的系统所以目前对于饱和问题，通常是性系统框架下进行适当地扩展，以便充分利用较成熟的线性系统理论找到解决饱和问题的方法从60年代开始，抗饱和控制问题的研究就从框架和理论两方面娱乐飞速的发展，不断有新的抗饱和控制理论出现如基于观测器的抗饱和，内膜控制抗饱和，基于神经网络的抗饱和等本文采用了基于神经网络的抗饱和控制系统，它在很多方面优于其他控制系统内模控制的设计思路是将对象模型与实际对象相并联，并根据对象模型设计内模控制器内模控制的特点是当模型精确匹配时，只要对象和控制器同时稳定就能保证闭环系统稳定传统的内模控制并不能作为抗饱和控制框架，实际应用中内模控制的主要困难正是对控制量饱和的敏感性，饱和非线性虽然不会改变内模控制系统的稳定性，但会使内模控制系统丧失伺服性能，跟踪出现静差1994年，针对输入饱和非线性提出了改良的内模控制，并可以通过设定一个滤波器参数，确定其控制器参数，但参数，的选择有很大的随意性，没有一定的优化方法。

BP神经网络是一种多层前馈神经网络，广泛的应用于分类、模式识别及只能处理等多种领域它是一种有老师的学习网络，其原理是以一定量的样本作为输入，按照网络的初始连接权值和阈值，在选定的传递函数作用下得到输出值，然后让实际输出值与预期输出值进行比较，若有偏差，从输出值开始，反向传播，不断调整连接权和阈值[4]，从而使实际输出与期望值的均方根误差越来越小，当误差打到要求的精度，表明神经网络已经训练好，可以投入使用了BP神经网络其算法简单、参数整定直观，受到了工业控制界的广泛关注，其最大优点是把伺服问题与鲁棒及抗干扰性问题分开处理、使分析、设计和调整都大为简化，只需调整一个滤波器参数，就可影响系统的动态指标并得到所需的系统鲁棒性且明确考虑了模型的不确定性，消除不可测干扰的影响PID控制器是一个在工业控制应用中常见的反馈回路部件这个控制器把收集到的数据和一个参考值进行比较，然后把这个差别用于计算新的输入值，这个新的输入值的目的是可以让系统的数据达到或者保持在参数值和其他简单的控制运算不同，PID控制器可以根据历史数据和差别的出现率来调整输入值，这样可以使系统更加准确，更加稳定可以通过数学的方法证明，在其他控制方法导致系统有稳定误差或过程繁复的情况下，一个PID反馈回路却可以保持系统的稳定。

本文采用了一种基于神经网络的PID控制方案，利用神经网络的自学习能力和任意函数的逼近能力，通过两者的有机结合寻找到一个最佳的P,I,D非线性组合控制规律仿真实验表明这样的控制系统能够实现对温度进行控制,并具备适应控制环境变化的能力和自学习的能力2 控制系统分析及设计2.1 控制系统分析基于BP神经网络参数自整定PID控制系统结构图如图2-1所示控制系统采用负反馈,将设定温度与实际温度比较形成偏差,经过PID控制器输出控制量对被控对象进行控制PID控制器参数, , 采用神经网络自调整电阻炉属于带滞后环节的一阶惯性系统,其。