基于神经网络的PID控制算法研究.doc

基于神经网络的PID控制算法研究———————————————————————————————— 作者：———————————————————————————————— 日期： 分类号：TP183 编码：BY 15 5811 12/13/2 14-0901沈阳化工大学本科毕业论文 题 目： 基于神经网络的PID控制算法研究 院 系： 信息工程学院 专 业： 电气工程及其自动化 班 级： 电气1002 学生姓名： 张 贺 指导教师： 王 娜 论文提交日期：2021年 6 月 21日论文辩论日期：2021年 6 月 25日 摘 要 现如今，由于PID具有构造简单，可通过调节比例积分和微分取得较为满意的控制性能，广泛应用在电厂的各种控制过程中。

电厂主汽温的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是当运行工况发生较大变化时,却很难保证控制能力因此本论文研究基于BP神经网络的PID控制，利用神经网络的自学习、不依赖模型和非线性等特性实现PID参数自整定，充分利用PID和神经网络的优点本文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PID控制器的实时控制参数，代替传统PID参数靠经历的人工整定和工程整定，以到达对具有大迟延主气温系统的良好控制并对这个系统在MATLAB平台上进展仿真研究，结果说明基于BP神经网络的自整定PID控制具有良好的自学习能力和自适应能力，对拥有大迟延和变对象的系统能取得良好的控制效果关键词：PID，BP神经网络，主汽温，MATLAB仿真ABSTRACTAt present, because PID has a simple structure and can be adjusted proportional integral and differential to satisfactory control 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 lead before, when the unit is stable, general will allow the steam temperature control in the 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 network self-learning, nonlinear and dont rely on model realize PID parameters online 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 and based on control requirements.This net can real-time output Kp, Ki, Kd as the PID controller 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 and self-learning ability.For the system of large delay and free-model can obtain good control effect.KEY WORDS: PID ，BP neural network， main steam temperature， MATLAB simulation 目 录摘 要 IABSTRACT II第一章 绪论 11.1 选题背景和意义 11.2 国内外开展现状 41.3本文研究的内容及主要工作 6第二章 神经网络原理和应用 82.1 神经网络概述 82.2 神经网网络原理 92.2.1 MP模式 92.2.1 神经网络的学习方式以及学习规那么 92.3 神经网络的特点及应用 112.4 BP神经网络 112.4.1 BP神经网络的构造 112.4.2 BP神经网络算法 12第三章 基于BP神经网络的PID控制 16 PID控制器的离散差分方程 16 3.2 BP神经网络的PID整定原理 17 3.3 BP网络的PID控制器控制的算法 21第四章 基于BP神经网络的PID控制在主汽温控制系统中的应用 23 4.1 锅炉主汽温的特点 23 4.1.1 主汽温控制任务 23 4.1.2 主汽温控制对象的动态特性 234.2 主汽温的数学模型 25 4.2.1 主汽温控制系统调节信号的选择 25 4.2.2 减温水扰动下主汽温的数学模型 254.3 主汽温控制方法 274.4 主汽温基于BP神经网络的PID控制Matlab仿真 284.5 仿真结果比照分析 37 38参 考 文 献 40附 录 A 42致 谢 46 第一章 绪论 1.1 选题背景和意义　　在控制系统设计过程中,如何针对变化、复杂及具有不确定性的受控对象和环境作出最有效的控制决策是最主要而又最困难的问题。

经典控制理论以及现代控制理论的根底是建立数学模型,以此进展控制系统设计,然而面对工程应用对控制要求的不断提高和工程实际问题,基于数学模型的控制理论和方法的局限性逐渐明显无模型控制能有效提高控制系统的鲁棒性和适应性因此,无模型控制的使用是自动控制开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，其最初目的在于模仿生物的神经系统随着超大规模集成电路〔VLSI〕、光电子学和计算机技术的开展，人工神经网络(ANN)己引起人们广泛的注意近年来，基于神经元控制的理论和机理已获得更进一步的开发和应用虽然基于神经元的控制能力还比拟有限，但由于神经网络控制器具有记忆能力和学习能力、概括能力、容错能力、并行处理能力等重要特性，仍然有很多基于ANN的控制器被设计出来,这类控制器具有并行处理、鲁棒性好、执行速度快、自适应性强等优点，广泛的应用在控制领域[1]神经网络控制是一种根本上不依赖于模型的控制方法,它比拟适用于一些具有不确定性或高度非线性的被控对象,并具有较强的学习功能和适应能力,它是智能控制的一个重要分支对于自动控制来说,神经网络具有自适应功能，非线性映射功，泛化功能，高度并行处理功能等几方面优势[2]，这使神经网络成为当今一个非常热门的复合学科, 广泛应用在化工，电力，机械等各行业，并取得了较好的控制效果。

随着现代工业要求逐渐复杂，经典控制理论面临严峻的挑战，例如被控系统日益巨大和复杂，存在许多种不确定因素以及难以确定描述的非线性特性，并且控制的要求越来越高(如控制精度、稳定性、实时性等)，因此人们一直在探索如何使控制系统更具有智能，使能够适应各种复杂控制环境神经网络源于对人脑神经功能的模拟，它的一些类似人的智能特性很大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，人们就开场研究神经网络在控制中的应用了，并取得了一定的成果目前，随着神经理论的开展和新算法的相继提出，神经网络的应用日益广泛从神经网络的根本模式来看,主要有如下四种类型:前馈型、反应型、随机型以及自组织型神经网络[3]这四种类型具有不同的网络模型：前馈网络主要有Adaline、BP网络及RBF网络；反应网络中主要有Hopfield网络；自组织网络主要有ART网目前，已经较为成熟的神经网络控制模型主要有神经PID控制，神经自校正控制，神经内膜控制，神经模型参考自适应控制等[4]1) 神经网络自校正控制神经自校正控制构造如下图，它由两个回路组成：①自校正控制器与被控对象组成的反应回路；②神经网络辨识器与控制器设计，以此得到控制器的参数。

这种方案的设计思路是利用神经网络辨识器的估算能力对常规控制器的参数进展约束优化求解,从而实现对常规控制器的参数或构造进展调整方框图如下[5]：。