智能PID控制器在工业对象中的应用.PDFVIP

智能!# 控制器在工业对象中的应用 !# $%%’()*’+, +- .,*#’/#,* 0.1 2+,*3+#3 ’, .,456*3’) 789#(*6 王耀南 刘 治（湖南大学电气与信息工程学院，长沙 $%’( ） 关键词：神经网络 !#$% 预估器 ’( 控制 纯滞后 效控制。但是当现场出现大滞后和非线性时，常规的 )*+ ,-./0：1*2.34 5*$,-.6 !#$% 70$#3$-. ’( 8-5$.-4 自校正方法难以奏效。为此，本文利用一个 — !# M (*3/9$#* — 结构的 网络（见图 ）在线学习，自适应调节 M % )*+ % 摘 要 针对纯滞后工业对象提出了一种基于 网的 参 )*+ !# 各个参数，实现!# 参数的自整定。 数自整定的控制方法，采用将,-. 算法和梯度法相融合的新型 学习算法，并将这种控制方法与./012 预估器相结合应用于纯滞 后工业对象。仿真结果表明该方法十分有效。 :;0$.38$ 3 4567819:0:; !# =:1=6 41?15;@ A?45B =: )+* :51C=D 7= B5?B 10/5 =AE514 0: 0:B941@ 04 41?15B F *@ 940:; :5C 65?:0:; ?6;=012/ C202 04 /5;5B A@ ,-. ?6;=012/ ?:B ;?B05:1 /512=B ?:B =/A0:0:; 1204 =:1=6 /512=B 1=;5125 C012 ./012 G410/?1= 125 /512=B 2?4 A55: 945B 7= =:1=660:; B5?B 10/5 0:B9410?6 =AE514 F H25 54961 =7 40/96?10=: 图 神经网络的 控制器结构 % )*+ !# 42=C4 12?1 1204 /512=B 04 I5@ 577510I5 F 在图 中，输入层的三个输入向量分别为 （）， % 纯滞后的工业对象一直是控制界研究的热门课题 ,- （） ［（） （ ）］和 （）。 （ ，，） K L L % . ( K % ( M 之一。由于纯滞后不但导致输出响应的迟缓，超调和 ! ! ( % 振荡，而且会导致系统的不稳定。针对这种系统人们 为神经网络权值，（）为神经网络输出。 !