开题的报告模板.docVIP

毕业设计（论文） 开 题 报 告 题 目 专 业 班 级 学 生 指导教师 李玉军 2014 年 毕业设计(论文)课题来源、类型 本课题来源于实际科研课题，属科研论文。 二、选题的目的及意义 传统的PID控制器由于结构简单、易于调整等优点，至今仍广泛应用于控制领域。但在实际的应用中,许多被控过程机理复杂,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随时间和工作环境的变化而变化，这时采用传统的PID控制就不能取得令人满意的控制效果。因此，如何使PID控制器具有在线自整定其参数的功能，是自从使用PID控制以来人们始终关注的重要问题。并且，随着相关领域技术的不断发展，对控制系统的指标要求也越来越高。人们一直在寻求PID控制器参数的自适应技术，以适应复杂系统的控制要求，神经网络理论的发展使这种设想成为可能。 人工神经网络ANN（Artificial Neural Network）具有自学习、自适应和自组织的能力，将ANN与传统的PID控制结合，构成智能型的神经网络PID控制器，能够自动辨识被控过程参数、自动整定控制参数、适应被控过程参数的变化，是解决传统PID控制器参数整定难、不能实时调整参数和鲁棒性不强的有效措施。 误差反向传播神经网络（简称BP网络），所具有的任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。基于BP神经网络的PID控制器由经典的PID控制器和BP神经网络组成，其基本思想是利用神经网络的自学习功能和非线性函数的表示能力，遵从一定的最优指标，在线调整PID控制器的参数，使之适应被控对象参数以及结构的变化和输入参考信号的变化，并能够抵御外来扰动的影响，达到具有良好的鲁棒性的目标。虽然BP神经网络的理论依据坚实，推导过程严谨，通用性强，在控制领域对复杂 的多变量系统的控制有很大的优势，但是由于其算法是基于最陡梯度下降算法、以误差平方为目标函数的，所以其不可避免地存在着易陷入局部极小、收敛速度慢等缺陷。并且，神经网络的初始权值的选取直接影响着控制器的性能，采用反复试验初始权值的方法很难得到最优参数的控制器。因此，需要一种算法解决神经网络权值优化的问题。本课题在分析研究国内外神经网络PID复合控制结构方案的基础上，针对利用BP神经网络对二阶系统数字pid控制器进行参数整定以及利用RBF神经网络对二阶系统数字pid控制器进行参数整定的两种方案，采用理论加仿真的方法进行研究。通过本课题的研究设计，不仅使自己熟练掌握pid控制器参数整定方法，同时也掌握了人工神经网络整定pid控制器参数的基本原理。还需要自行编写程序代码，实现二阶系统的数字pid控制器的参数整定，从而进一步培养自己独立解决问题的能力。 本课题在国内外的研究状况及发展趋势 传统的PID参数优化方法主要是一些手动整定方法，阶跃响应是其整定PID参数的主要依据。这种方法仅根据系统的动态响应来整定控制器的参数，具有物理意义明确的优点，可以以较少的试验工作量和简便的计算，得出控制器参数，因其简单实用，因而在生产现场仍在大量应用，尤其是在单回路系统中。但运用该方法得到的控制器参数比较粗糙，控制效果只能满足一定要求，参数的优化远远不够，同时，对于一些系统，由于控制对象的复杂性、变化性，难以运用传统方法进行整定。神经网络研究的兴起，为PID控制器的整定提供了新的方法和广阔的应用空间。 在神经网络模型中最具代表意义的一种就是基于误差反向传播算法（BP：Error BackPropagation Algorithm）的前馈神经网络，即BP网络。它是一种反向传递并修正误差的多层映射神经网络，也是当前应用最为广泛的神经网络模型之一。BP神经网络的良好的非线性逼近能力和泛化能力以及使用的易适性，使得基于BP神经网络参数优化的PID控制器近年来成为了人们研究的热点。磁