毕设 利用BP神经网络PID控制器进行优化.docVIP

引 言 PID控制是最早发展起来的控制策略之一，由于其算法简单、鲁棒性好和可靠性高，被广泛应用于工业控制过程，尤其适用于可建立精确数学模型的确定性控制系统。而实际工业生产过程中往往具有非线性，时变不确定性，因而难以建立精确的数学模型，应用常规PID控制器不能达到到理想的控制效果，在实际生产过程中，由于受到参数整定方法繁杂的困扰，常规PID控制器参数往往整定不良，性能欠佳，对运行工况的适应性很差[1]。因此常规PID控制的应用受到很大的限制和挑战。人们对PID应用的同时，也对其进行各种改进，主要体现在两个方面：一是对常规PID本身结构的改进，即变结构PID控制。另一方面，与模糊控制、神经网络控制和专家控制相结合，扬长避短，发挥各自的优势，形成所谓智能PID控制。这种新型控制器己引起人们的普遍关注和极大的兴趣，并已得到较为广泛的应用。它具有不依赖系统精确数学模型的特点，对系统参数变化具有较好的鲁棒性。主要算法有:基于规则的智能PID自学习控制算法、加辨识信号的智能自整定PID控制算法、专家式智能自整定PID控制算法、模糊PID控制算法、基于神经网络的PID控制算法、自适应PID预测智能控制算法和单神经元自适应PID智能控制等多种控制算法。 本设计正是利用BP神经网络PID控制器对一个单闭环调速系统进行仿真研究，并和常规的PID控制进行对比，从而得出BP神经网络PID控制器具有较强的自整定、自适应的优点。 第1章 绪论 1.1课题背景 随着科学技术的迅速发展和进步，对控制系统提出了新的更高要求。由于各种实际工程系统的发展规模越来越大，复杂性越来越高，常规控制的理论和技术已无法满足工程上对提高自动化水平和扩大自动化范围的要求，因此，科学技术的进步促使了智能控制技术的建立与发展。 智能控制是一类无需人的干预就能够独立的驱动智能机器实现其目标的自动控制。目前的智能控制技术包括：神经元网络技术、模糊控制技术、遗传算法优化技术、专家控制系统、基于规则的仿人智能控制技术等已进入工程化和实用化的时代，并已有商品出售。 在控制系统的实验研究中，可以在实际物理系统上进行，也可以通过物理装置模型进行研究。当前，由于控制系统的对象规模越来越大，对象结构越来越复杂．对象种类越来越繁多，控制手段越来越复杂，因此，在控制系统的设计过程中，控制系统的仿真研究也就基本取代了物理系统的实验研究。一般只有到了控制系统设计的最后阶段——系统调试阶段，才有可能进行实际系统实验。 计算机仿真目前已经成为解决工程实际问题的重要手段，MATLAB/Simulink 软件已成为其中功能最强大的仿真软件之一。当然，该软件对BP神经网络的PID控制研究提供了非常大的帮助。它不仅能得出精确的数据，还有比较直观的图形。给我们提供了较好的理论依据，以便更好的研究。 1.2神经网络技术的发展与现状 人工神经网络(简称神经网络，NN)是由人工神经元(简称神经元)互联组成的网络。是1943年由心理学家McCulloch和数学家Pitts提出的。他们提出了第一个神经元模型MP模型。 1949年心理学家Hebb提出了改变神经元连接强度的Hebb规则。1958年Rosenblatt提出了感知器(Perceptron)模型，为神经网络模型的研究提供了重要的方向。1960年Widrow和Hoff提出了自适应线性元件(Adaline)模型以及神经网络PID控制器研究及仿真Widrow一HoffHoPfield提出了HNN模型，使神经网络的研究有了突破性进展。他通过引入“能量函数”的概念，给出了网络的稳定性判据;此外，HNN的电子电路实现为神经计算机研究奠定了基础，同时开拓了神经网络用于联想记忆和优化计算的新途径，引起了工程技术界的普遍关注，从而掀起了神经网络研究的又一次热潮。在这一时期，随着大量开拓性研究工作的深入开展，数百种网络结构、学习算法应运而生，硬件实现的研究工作也在积极开展，神经网络理论的应用研究己经渗入到各个领域，并在智能控制、模式识别、自适应滤波和信号处理、非线性优化、传感技术和机器人、生物医学工程等方面取得了令人鼓舞的进展。使神经网络的研究进入了一个空前高涨的时期。主要的研究集中在网络结构、学习算法和实际应用方面。 尽管这些年来，神经网络理论及其应用研究取得了可喜的进步，但是应该看到，神经网络的理论仍有许多缺陷，尚待进一步发展与完善。 1.3研究本课题的意义 神经网络应用时不需考虑过程或现象的内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