基于RBF神经网络整定的PID控制器设计与仿真毕业论文.doc

华北电力大学毕 业 设 计(论文)系 别专业班级学生姓名秦术员指导教师基于RBF神经网络整定的PID控制器设计及仿真题 目 年 月基于RBF神经网络整定的PID控制器设计及仿真摘 要目前，因为PID控制具有简单的控制结构，可通过调节比例积分和微分取得基本满意的控制性能，在实际应用中又较易于整定，所以广泛应用于过程控制和运动控制中，尤其在可建立精确模型的确定性控制系统中应用比较多然而随着现代工业过程的日益复杂，对控制要求的逐步增高（如稳定性、准确性、快速性等），经典控制理论面临着严重的挑战对工业控制领域中非线性系统，采用传统PID 控制不能获得满意的控制效果采用基于梯度下降算法优化RBF神经网络，它将神经网络和PID控制技术融为一体，既具有常规PID控制器结构简单、物理意义明确的优点，同时又具有神经网络自学习、自适应的功能因此，本文通过对RBF神经网络的结构和计算方法的学习，设计一个基于RBF神经网络整定的PID控制器，构建其模型，进而编写M语言程序运用MATLAB软件对所设计的RBF神经网络整定的PID控制算法进行仿真研究然后再进一步通过仿真实验数据，研究本控制系统的稳定性，鲁棒性，抗干扰能力等。

关键词：PID；RBF神经网络；参数整定SETTING OF THE PID CONTROLLER BASED ON RBF NEURAL NETWORK DESIGN AND SIMULATIONAbstractAt present, because the PID control has a simple control structure, through adjusting the proportional integral and differential gain basic satisfactory control performance, and is relatively easy to setting in practical application, so widely used in process control and motion control, especially in the accurate model can be built more deterministic control system application. With the increasingly complex of the modern industrial process, however, increased step by step to control requirements (e.g., stability, accuracy and quickness, etc.), classical control theory is faced with severe challenges. Non-linear systems in industrial control field, using the traditional PID control can not obtain satisfactory control effect. Optimized RBF neural network based on gradient descent algorithm, it will be integrated neural network and PID control technology, with a conventional PID controller has simple structure, physical meaning is clear advantages, at the same time with neural network self-learning, adaptive function. Therefore, this article through to the RBF neural network structure and the calculation method of learning, to design a setting of the PID controller based on RBF neural network, constructs its model, and then write M language program. Using the MATLAB software to design the RBF neural network setting of PID control algorithm simulation research. Data and then further through simulation experiment, the control system stability, robustness, anti-interference ability, etc.Keywords: PID; RBF neural network; Parameter setting 目 录摘 要 ⅠAbstract Ⅱ1 绪论 11.1 课题研究背景及意义 11.2神经网络的发展历史 22 神经网络 62.1神经网络的基本概念和特点 62.2人工神经网络构成的基本原理 62.3神经网络的结构 72.3.1前馈网络 72.3.2 反馈网络 72.4神经网络的学习方式 82.4.1监督学习(有教师学习) 82.4.2非监督学习(无教师学习) 82.4.3再励学习(强化学习) 92.5 RBF神经网络 92.5.1 RBF神经网络的发展简史 92.5.2 RBF的数学模型 92.5.3被控对象Jacobian信息的辨识算法 102.5.4 RBF神经网络的学习算法 112.6 本章小结 123 PID控制器 133.1 PID控制器简介 133.2 经典PID控制原理 133.3 现有PID控制器参数整定方法 153.4 PID控制的局限 153.5本章小结 154 基于RBF神经网络整定的PID控制器设计 164.1 RBF神经网络的PID整定原理 164.2 神经网络PID控制器的设计 164.3 本章小结 175 仿真分析 185.1 系统的稳定性分析 185.2 系统抗干扰能力分析 195.3 系统鲁棒性分析 205.4 本章小结 22结 论 23参 考 文 献 24致 25附录 仿真程序 261 绪论1.1 课题研究背景及意义PID控制器（按比例、积分和微分进行控制的调节器）是最早发展起来的应用经典控制理论的控制策略之一，是工业过程控制中应用最广泛，历史最悠久，生命力最强的控制方式，在目前的工业生产中，90％以上的控制器为PID控制器。

PID控制器算法简单、鲁棒性好和可靠性高，控制效果良好，因此被广泛应用于工业控制过程中，尤其适用于可建立精确数学模型的确定性控制系统对于传统PID控制器，在把其投入运行之前，要想得到较理想的控制效果，必须先整定好三个参数：即比例系数Kp、积分系数Ki、微分系数Kd但是如果控制器参数整定不好，即使控制器本身很先进，其控制效果也会很差随着工业的发展，控制对象的复杂程度也在不断加深，许多大滞后、时变的、非线性的复杂系统，如温度控制系统，被控过程机理复杂，具有高阶非线性、慢时变、纯滞后等特点，常规PID控制显得无能为力；另外，实际生产过程中存在着许多不确定因素，如在噪声、负载振动和其他一些环境条件下，过程参数甚至模型结果都会发生变化，如变结构、变参数、非线性、时变等，不仅难以建立受控对象精确的数学模型，而且PID控制器的控制参数具有固定形式，不易调整，难以适应外界环境的变化，这些使得PID控制器在实际应用中不能达到理想的效果，越来越受到限制和挑战因此，如何使PID控制器具有自整定其参数的功能，是自从使用PID控制以来人们始终关注的重要问题并且，随着相关领域技术的不断发展，对控制系统的指标要求也越来越高。

人们一直在寻求PID控制器参数的自适应技术，以适应复杂系统的控制要求，神经网络理论的发展使这种设想成为可能人工神经网络是由大量简单的基本神经元相互连接而构成的自适应非线性动态系统神经网络控制能够充分任意地逼近任何复杂的非线性关系，具有很强的信息综合能力，能够学习和适应严重不确定系统的动态特性，故有很强的鲁棒性和容错性，可以处理那些难以用模型和规则描述的过程；神经网络所具有的大规模的并行处理和分布式的信息存储；极强的自学、联想额容错能力；良好的自适应和自组织性；多输入、多输出的非线性系统都基本符合工程的要求人工神经网络作为生物控制论的一个成果，其触角几乎延伸到各个工程领域，并且在这些领域中形成新的生长点径向基神经网络(简称RBF网络)，是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型基于RBF神经网络的PID控制器由经典的PID控制器和RBF神经网络组成，其基本思想是利用神经网络的自学习功能和非线性函数的表示能力，遵从一定的最优指标，调整PID控制器的参数，使之适应被控对象参数以及结构的变化和输入参考信号的变化，并能够抵御外来扰动的影响，达到具有良好的鲁棒性的目标。

神经网络应用时不需考虑过程或现象的在机理，一些高度非线性和高度复杂的问题能较好地得到处理，因此神经网络在控制领域取得了较大的发展，特别在模型辨识、控制器设计、优化操作、故障分析与诊断等领域迅速得到应用神经网络控制作为二十一世纪的自动化控制技术，国外理论与实践均充分证明，其在工业复杂过程控制方面大有用武之地而工业现场需要先进的控制方法，迫切需要工程化实用化的神经网络控制方法，所以研究神经网络在控制中的应用，对提高我国的自动化水平和企业的经济效益具有重大意义神经网络具有很强的非线性逼近能力和自学习能力，所以将RBF神经网络算法与PID控制相结合产生的间接自校正控制策略，能自动整定控制器的参数，使系统在较好的性能下运行虽然人工神经网络存在着以上的许多优点及广泛的应用，但同时也存在着一些不足，由于神经网络的不足阻碍了神经网络的发展，在现实应用中RBF神经网络是最为广泛的神经网络模型之一，RBF神经网络是在1988年被Moody和Darken提出的一种神经网络结构，它从根本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快RBF网络和模糊逻辑能够实现很好的互补，提高神经网络的学习泛化能力，本课题是以RBF神经网络模型研究为主，RBF神经网络的优缺点主要表现在以下几个方面：优点：① 它具有唯一最佳逼近的特性，且无局部极小问题存在。

② RBF神经网络具有较强的输入和输出映射功能，并且理论证明在前向网络中RBF网络是完成映射功能的最优网络③ 网络连接权值与输出呈线性关系④ 分类能力好⑤ 学习过程收敛速度快缺点：① 最严重的问题是没能力来解释自己的推理过程和推理依据② 不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作③ 把一切问题的特征都变为数字，把一切推理都变为数值计算，。