神经网络控制算法仿真毕业设计(2)

模型主要有神经自校正控制，神经PID控制，神经模型参考自适应控制，神经内膜控制等等[4]

(1) 、神经网络自校正控制

神经自校正控制结构如图，它由两个回路组成：(1)自校正控制器与被控对象构成的反馈回路；(2)神经网络辨识器与控制器设计，以得到控制器的参数。这种方案的设计思想是利用神经网络辨识器的计算估计能力对常规控制器参数进行约束优化求解,从而实现对常规控制器的参数或结构进行调整。方框图如下[5]：

r u y 自校正控制器 被控对象 控制器设计 神经辨识器

图1-1 神经自校正控制结构图

可见，辨识器与自校正控制器的在线设计是自校正控制实现的关键。 （2）、神经网络PID控制。

PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，从变化无穷的非线性组合中可以找出最佳的关系。神经网络所具有的任意非线性表示能力，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。方框图如下[6]：

神经网络 r kp ki kd u y + PID控制器 被控对象 - e

图1-2 神经PID控制结构图

对于一般神经PID常采用BP算法，因BP神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。 (3) 、神经网络模型参考自适应控制

神经网络模型参考自适应控制 ,将神经网络同模型参考自适应控制相结合，就构成了神经网络模型参考自适应控制，其系统的结构形式和线性系统的模型参考自适应控制系统是相同的，只是通过神经网络给出被控对象的辨识模型。根据结构的不同可分为直

2

接与间接神经网络模型参考自适应控制两种类型，分别如图中(a)和(b)所示。间接方式比直接方式中多采用一个神经网络辨识器，其余部分完全相同[7]。

r

(a) r

(b)

图1-3 神经模型参考自适应控制结构图

参考模型 参考模型 yp - e 神经控制器 u 对象 y + e yp - e + e 神经控制器 对象 神经辨识器 - + y 神经控制器的权重修正目标是使过程输出最后以零误差跟踪参数模型输出。对于直接方式，由于未知的非线性对象处于误差和神经控制器的中间位置，给参数修正造成困难。为了避免这一问题，增加神经辨识器，变为间接方式。 （4）、神经网络内模控制

神经网络内模控制系统如下图所示。图中的神经辨识器用于充分逼近被控对象的动态模型，相当于正向模型。神经网络控制器不是直接学习被控对象的逆模型，而是间接地学习被控对象的逆动态特性。

3

r + - 图1-4 神经内膜控制结构图

神经辨识器 滤波器 神经控制器 被控对象 D + y + + - 在神经网络内模控制系统中，神经辨识器作为被控对象的近似模型与实际对象并行设置，它们的差值用于反馈，同期望的给定值之差经一线性滤波器处理后，送给神经网络控制器，经过多次训练，它将间接地学习对象的逆动态特性。此时，系统误差将趋于零[8]。

（5）、神经网络预测控制

由于神经网络可以精确描述非线性动态过程，因此，可用神经网络设计预测控制系统。预测控制是近年来发展起来的一类新型计算机控制算法，它利用内部模型预测被控对象未来输出及其与给定值之差，然后据此以某种优化指标计算当前应加于被控对象的控制量，以期使未来的输出尽可能地跟踪给定参考轨线。下面是神经网络预测控制系统的一般方框图[9]。

r?t? + +

- 神经网络 控制器 u 被控对象 y?t?

?(t?k) 预测器 + y 图1-5 神经预测控制结构图

这种算法的基本特征是建立预测模型方便，采用滚动优化策略和采用模型误差反馈校正，预测模型根据系统的历史信息和选定的未来输入，预测系统未来的输出。根据预测模型的输出，控制系统采用基于优化的控制策略对被控对象进行控制。 (6) 、其他先进的神经控制

模糊神经网络控制：模糊系统是以模糊集合论、模糊语言变量及模糊逻辑推理的知识为基础，力图在一个较高的层次上对人脑思维的模糊方式进行工程化的模拟。而神经网络则是建立在对人脑结构和功能的模拟与简化的基础上。由于人脑思维的容错能力源

4

于思维方法上的模糊性以及大脑本身的结构特点，因此将两者综合运用便成为自动控制领域的一种自然趋势。模糊系统与神经网络主要采用以下综合方式，既将人工神经网络作为模糊系统中的隶属函数、模糊规则的描述形式[10]。

多层神经网络控制：一个普通的多层神经控制系统如下图所示，基本上是一种前馈控制器。该系统存在两个控制作用：前馈控制和常规反馈控制。前馈控制由神经网络实现，训练目标是使期望输出与受控对象实际输出间的偏差为最小。该误差作为反馈控制器的输入。反馈作用与前馈作用被分别考虑[11]。 r

图1-6 多层神经网络控制结构图 前馈神经控制器 + e - 常规控制 + + u 受控对象 y 1.3 立论依据

BP算法就是在模拟生物神经元的基础上建立起来的在人工神经网络上的一种搜索和优化算法。对于人工神经网络，网络的信息处理是由神经元间的相互作用来实现，知识与信息的存贮表现为网络元件互相联结分布的物理联系，网络的学习和训练决定于各神经元连接权系数的动态调整过程。人工神经网络作为一种新型的信息描述和处理方式，广泛应用在控制领域，其在控制领域的吸引力主要表现在以下几方面[19]： （l）能够充分逼近任意复杂的非线性关系； （2）能够学习与适应严重不确定性系统的动态特性；

（3）所有定量或定性的信息都分布存贮于网络的权中，故人工神经网络有很强的鲁棒性和容错性；

（4）采用并行分布处理的方法，使得快速进行大量运算成为可能。

这些特点都表明神经网络在解决高度非线性和严重不确定性系统的控制上有巨大的潜力。而电厂主汽温是典型的具有大迟延、大惯性、非线性及时变性的控制系统，大量的文献资料表明，用神经网络对主汽温进行控制是可行且有效的。

而PID控制是最早发展起来的控制策略之一，历史悠久，理论完善，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，如火电厂的锅炉主汽温对象，因而难以建立精确的数学模型，应用常规PID控制器不能达到理

5

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。因此常规PID控制的应用受到很大的限制和挑战。那么是否可以把神经网络和PID结合在一起，充分利用两者的优点呢，使新算法既有神经网络的学习能力又有PID控制的简单性呢？。基于以上种种因素，本文采用神经网络控制，选取应用最广泛的BP算法，与传统PID控制结合的控制策略来实现对主汽温的有效控制，可以说这是采用多策略的智能控制与PID结合实现主汽温控制的又一次有益的尝试与探索。

1.4 本文所做的主要工作

首先，本文对神经网络的模型，结构，学习方式和学习算法作了介绍，并阐述了BP神经网络的结构，算法. 接着结合BP神经网络和PID控制的原理，对二者进行了结合，采用了基于神经网络的自整定PID 控制，即把神经网络的输出当做PID的三个参数，在一定的准则函数下，不断自动调整这三个参数，直到满足一定的性能指标。

紧接着，在主汽温系统上进行仿真分析，锅炉主汽温对象是一个大迟延、时变的对象，在不同的负荷下有不同的动态特性，因此对其不同的负荷均进行仿真分析。本文采用三层BP神经网络，经典增量式数字PID的控制算法，只要主汽温系统的输入输出之差不为0,就不断调整神经网络的权值，进而调整PID的参数。仿真结果表明:本文采用的基于BP神经网络的PID控制有较好的自适应和自学习能力。 具体安排如下： 第一章、绪论

简单论述了选题的意义和重要性以及神经网络用于控制的研究现状，并阐述了论文的理论依据，说明了本论文所采用算法的可行性和必要性。最后介绍了本文所作的主要工作和文章的结构安排。 第二章、神经网络的基本理论

本章介绍了神经网络的基础知识，重点对BP神经网络的结构和算法进行了阐述。 第三章、基于BP神经网络的自整定PID控制原理

本章论述了基于BP神经网络的PID自整定控制算法的基本原理，为以后仿真分析打下基础。

第四章、基于BP神经网络的PID控制在主汽温控制系统中的应用

本章首先对主汽温的动态特性进行分析，对常见的和改进的主汽温控制策略进行了描述和总结，并对主汽温进行仿真分析。

最后是结论与展望,本部分总结了本论文的成果和不足，提出以后应该注意和改进的地方，为以后的研究指明方向。

6

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库神经网络控制算法仿真毕业设计(2)在线全文阅读。