基于单神经元PID控制器的设计报告方案.docVIP

研究生课程期末论文 课程名称： 神经网络设计 任课教师： 论文题目： 基于单神经元设计 姓 名： 学 号： 摘要关键词： 第一章 引言 70年代以来，由于空间技术和过程控制发展的需要，特别是在微电子和计算机技术的推动下，自适应发展很快[1]。到了80年代，建立在状态空间概念上的现代控制理论取得了很大进展，它不仅能用来解决单输入单输出控制系统的分析与设计问题，同时还能处理多输入多输出的控制系统的情况。更为重要的是，在此期间内，线性系统，最优控制，最优估计，系统的辩识，随机控制等多个现代控制理论分支相继出现，并取得了有使用价值的成果，为自适应控制技术进一步发展提供了坚实的基础。 随着工业和自动化技术的发展，自动化的应用领域日趋广泛，受控对象的复杂程度差异很大， 而且控制精度的要求也参差不齐。特别应该指出的是，对某些实际的工业受控对象来说，它们的数学模型（包括结构与参数）是很难事先提供的。因为在实际情况中可能会出现受控对象的数学模型未知的情况和受控对象参数要发生不可知的变化的情况。在实际的工业过程中，许多被控过程机理较复杂，具有高度非线性、时变不确定性和纯滞后等特点。在噪声、负载扰动等因素的影响下，过程参数，甚至模型结构，均会发生变化。这就要求在PID控制中，不仅PID参数的整定不依赖于对象数学模型，并且PID参数能在线调整，以满足实时控制的要求。 数学模型事先难以得到或事后又要发生变化的受控对象的控制问题，人们按照“仿生学”的思想，提出了一种新的控制方案——自适应控制方案。该方案摹仿自然界中存在的“适应”过程，从而使系统具有能自动适应环境变化的能力。 如果我们把受控对象的数学模型（结构形式或和参数）或其变化事先并不知道这一特性称之为受控对象的不确定性，那么，自适应控制方案的大致思路可归纳为：系统可随时检测出本身的特性（或其变化），并在此基础上，对控制器的工作加以适当修正，以使系统内不确定性对系统性能所产生的不良影响得以减小。自适应控制系统是一个具有一定适应能力的系统，它能够认识环境条件的变化,并自动校正控制动作，使系统达到最优或次优的控制并自动校正控制使系统达到最优或次优的控制效果。自适应控制系统的原理框图如图.1。这一系统在运行过程中，根据参数输入、控制输入、对象输出和已知外部干扰来测量对象性能指标进行比较，做出决策，然后通过适应机构来改变系统参数，或者产生一个辅助的控制输入量，累加到系统上，以保证系统跟踪上给定的最优性能指标，使系统处于最优或次优的工作状态。 图.1自适应控制系统原理框图 单神经元作为构成神经网络的基本单位，具有自学习和自适应能力，而且结构简单易于计算。而传统的PID控制器也具有结构简单、调整方便和参数整定与工程指标联系密切等特点。若将这两者结合，则可以在一定程度上解决传统PID控制器不易在线实时整定参数、难于对一些复杂过程和参数慢时变系统进行有效控制的不足。用神经元实现的自适应PID控制器的结构框图如图.2所示 图 单神经元自适应PID控制的结构图 单神经元控制系统的结构如图4.1所示。图中转换器的输入为设定值和输出，转换器的输出为神经元学习所需要的状态量，K为神经元的比例系数。 单神经元自适应PID控制器运用有监督Hebb学习规则的控制算法及学习算 (3.1) (3.2) (3.3) (3.4) (3.5) 式中 (3.6) (3.7) (3.8) 分别为积分、比例、微分的学习速率，K为神经元的比例系数，K0，为性能指标或递进信号， 对积分I、比例P和微分D分别采用了不同的学习速率，以使对不同的权系数分别进行调整。 在大量的实际应用中，通过实践表明，PID参数的在线学习修正主要与和有关，基于此可将单神经元自适应PID控制算法中的加权系数学习修正部分进行改进，即将其中的改为，改进后的算法如下 (3.9) (3.10) (3.11) (3.12) (3.13) 式中 (4.14) 采用改进后的算法后，权系数的在线修正就不完全是根据神经网络学习原理，而是参考实