資源描述：
《基于bp神經(jīng)網(wǎng)絡的pid控制系統(tǒng)設計》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。
1、遼寧科技大學本科生畢業(yè)設計（論文）第頁基于BP神經(jīng)網(wǎng)絡的PID控制系統(tǒng)設計摘要本文主要研究一個基于神經(jīng)網(wǎng)絡的自適應PID控制系統(tǒng)的設計方法，利用BP神經(jīng)網(wǎng)絡對被控對象進行在線辨識和控制?；贐P神經(jīng)網(wǎng)絡學習算法設計出兩個神經(jīng)網(wǎng)絡模型：一個利用神經(jīng)網(wǎng)絡（NNM）對非線性映射的逼近能力，對被控對象進行辨識，另一個構成具有PID結構的控制器（NNC）。通過神經(jīng)網(wǎng)絡NNM的在線學習和修正，產(chǎn)生對被控對象輸出的預測作用，然后由網(wǎng)絡NNC實施控制作用，從而實現(xiàn)對辨識對象的PID控制。在利用神經(jīng)網(wǎng)絡對系統(tǒng)進行辨識時，選用白噪聲信號作為系
2、統(tǒng)的輸入信號，以提高系統(tǒng)的辨識精度；另外，為了得到神經(jīng)網(wǎng)絡控制器的初始化權值，本文在自整定過程中采用常規(guī)PID控制器整定方法之一的穩(wěn)定邊界法。在設計過程中運用MATLAB語言工具箱進行編程，并通過SIMULINK動態(tài)仿真工具對一階非線性對象進行了仿真。仿真結果表明了利用神經(jīng)網(wǎng)絡對系統(tǒng)進行辨識的有效性，并用經(jīng)辨識所得到的輸出值取代系統(tǒng)的實際輸出值，利用神經(jīng)網(wǎng)絡NNC對系統(tǒng)進行控制，獲得了滿意的控制效果。關鍵詞：神經(jīng)網(wǎng)絡，BP學習算法，自適應，參數(shù)優(yōu)化，辨識遼寧科技大學本科生畢業(yè)設計（論文）第31頁1綜述PID調(diào)節(jié)器從問世至今
3、已歷經(jīng)了半個多世紀，在這幾十年中，人們?yōu)樗陌l(fā)展和推廣做出了巨大的努力，使之成為工業(yè)過程控制中主要的和可靠的技術工具。近幾十年來，現(xiàn)代控制理論迅速發(fā)展，出現(xiàn)了許多先進的控制算法，但到目前為止，即使在微處理技術迅速發(fā)展的今天，過程控制中大部分控制規(guī)律都未能離開PID，這充分說明PID控制仍具有很強的生命力。過程工業(yè)控制中實際應用最多的仍是常規(guī)的PID控制算法，這是因為PID控制具有結構簡單、容易實現(xiàn)、控制效果好和魯棒性強等特點，且PID算法原理簡明，參數(shù)物理意義明確，理論分析體系完整，為廣大控制工程師所熟悉。但在生產(chǎn)現(xiàn)場往往
4、由于參數(shù)整定不好而使PID控制器控制效果欠佳，整定的好壞不但會影響到控制質(zhì)量，而且還會影響到控制器的性能。PID控制中一個至關重要的問題，就是控制器三參數(shù)(比例系數(shù)、積分時間、微分時間)的整定。在工業(yè)控制中，傳統(tǒng)的PID控制至今仍處于主導地位，尤其適用于能建立數(shù)學模型的確定性控制系統(tǒng)，然而大量的工業(yè)過程往往具有非線性、時變不確定性等因素，難以建立其精確的數(shù)學模型，而且，在實際生產(chǎn)現(xiàn)場，由于條件常常受到限制，比如缺乏有關儀器、不允許附加擾動和調(diào)試時間短等，因此，PID參數(shù)的整定往往難以達到最優(yōu)狀態(tài)。并且即使針對某一工作點獲得
5、了PID控制的最優(yōu)參數(shù)，由于工業(yè)過程對象一般具有時變性，仍存在整個工作范圍和保持長期工作最優(yōu)的問題。PID控制是工業(yè)控制中最常用的方法，但用其對具有復雜非線性特性的對象或過程進行控制難以達到滿意的效果。針對上述問題，已提出過多種自適應PID控制方法，但由于自適應控制是在被控對象為線性對象的前提下進行研究的，面對工業(yè)過程的非線性對象，仍存在不盡人意之處。由于神經(jīng)網(wǎng)絡可在一定條件下逼近非線性，人們自然地將神經(jīng)網(wǎng)絡的方法與PID控制的結構相結合，產(chǎn)生了基于神經(jīng)網(wǎng)絡的PID控制方法。人工神經(jīng)網(wǎng)絡(ArtificialNeuralN
6、etwork—ANN)是近十幾年來迅速地發(fā)展起來的一門新興交叉學科[1]。所謂“人工神經(jīng)網(wǎng)絡”遼寧科技大學本科生畢業(yè)設計（論文）第31頁實際上是以一種簡單計算—處理單元（即神經(jīng)元）為節(jié)點，采用某種網(wǎng)絡拓撲結構構成的活性網(wǎng)絡，可以用來描述幾乎任意的非線性系統(tǒng)；不僅如此，ANN還具有學習能力、記憶能力、計算能力以及各種智能處理能力，在不同程度和層次上模仿人腦神經(jīng)系統(tǒng)的信息處理、存儲和檢索的功能。神經(jīng)網(wǎng)絡具有許多優(yōu)異的性能，它的可塑性、自適應性和自組織性使它具有很強的學習能力；它的并行處理機制使它求解問題的時間很短，具有滿足實時
7、性要求的潛力；它的分布存儲方式使它的魯棒性和容錯性都相當好。不同領域的科學家，對ANN有著不同的理解、不同的研究內(nèi)容，并且采用不同的研究方法。對于控制領域的研究工作者來說，ANN的魅力在于：1、能夠充分逼近任意復雜的非線性關系，從而形成非線性動力學系統(tǒng)，以表示某些被控對象的模型或控制器模型；2、能夠?qū)W習和適應不確定性系統(tǒng)的動態(tài)特性；3、所有定量或定性的信息都分布存儲于網(wǎng)絡內(nèi)的各神經(jīng)單元，從而具有很強的容錯性和魯棒性；4、采用信息的分布式并行處理,可以進行快速大量計算。神經(jīng)網(wǎng)絡能夠充分逼近任意復雜的非線性關系，具有高度的自適
8、應和自組織性，能夠?qū)W習和適應嚴重不確定性系統(tǒng)的動態(tài)特性，在解決高度非線性和嚴重不確定系統(tǒng)的控制方面具有巨大的潛力。正因為如此，近年來在控制理論的所有分支幾乎都能看到ANN的引入及應用，對于傳統(tǒng)的PID控制當然也不例外，以各種方式應用于PID控制的新算法大量涌現(xiàn)，其中有一些取得了明顯的效果。系統(tǒng)建模與辨識
