变参数压力对象的控制算法研究

论文摘要

随着现在工业生产和科研技术的进步,被控对象的时变性、滞后性和非线性表现的愈来愈明显,这些对象很难用解析表达式建立精确的数学模型。因此用经典的控制算法很难达到满意的控制效果。本文针对工业生产中的变参数压力对象,给出了一种基于PID控制的神经网络控制算法。它以PID控制算法为基础,根据对象工况的变化,通过神经网络实时调整PID算法的控制参数。这种算法的调整分为离线粗调和在线精调两个步骤。在离线粗调阶段,设计了RBF网络辨识出被控对象的数学模型(NNI),并用它代替实际被控对象进行控制参数的初步整定;在线精调的过程中等同于一开始就进行在线精调,由于控制参数已经进行了初步调整,所以使被控量不致于产生较大的波动,提高了系统的在线控制品质。文章在分析神经网络辨识模式和神经网络控制策略的基础上,设计了变参数压力对象神经网络控制系统,给出了系统的硬件结构及主要部件的选择和软件编写导入等问题,进行了控制算法程序设计,并进行了仿真分析和实验研究。结果表明,与经典的控制算法相比较本文提出的控制算法取得了较好的控制效果。该算法为变参数压力对象的控制算法研究提供了具有参考意义的新方法。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 选题背景及意义
• 1.1.1 经典控制理论遇到的困惑
• 1.1.2 变参数对象的PID 控制
• 1.2 智能控制的在变参数控制中的应用
• 1.2.1 智能控制的研究对象和功能
• 1.2.2 智能控制的主要分支
• 1.3 国内外的研究现状
• 1.3.1 过程控制中PID 经典算法
• 1.3.2 变参数控制中PID 参数的整定
• 1.3.3 神经网络控制的研究现状
• 1.3.4 神经网络PID 控制系统的应用
• 1.4 本文研究的主要内容
• 1.5 本文的章节安排
• 第2章 变参数对象的神经网络控制研究
• 2.1 神经网络应用于变参数控制
• 2.2 神经元的结构
• 2.3 BP 神经网络
• 2.3.1 BP 网络的学习算法
• 2.3.2 BP 网络的改进学习算法
• 2.4 用于辨识的RBF 神经网络
• 2.4.1 RBF 学习算法推导
• 2.4.2 RBF 网络的学习算法
• 2.5 神经网络控制策略研究
• 2.5.1 网络辨识的控制结构
• 2.5.2 神经网络控制结构
• 第3章 控制系统的硬件搭建
• 3.1 硬件系统的组成工作原理
• 3.2 主要部件选择
• 3.3 电源箱的搭建
• 3.4 信号调理板的研制
• 3.5 本章小结
• 第4章 控制系统的软件实现
• 4.1 程序设计流程
• 4.2 主界面的设计
• 4.3 系统自检
• 4.4 参数设置
• 4.5 试验信息
• 4.6 系统校准
• 4.7 电源控制
• 4.8 数据采集
• 4.9 控制算法程序的调用
• 4.10 本章小结
• 第5章 神经网络 PID 控制器的设计仿真
• 5.1 经典神经网络PID 控制器
• 5.2 基于BP 算法的PID 控制的信息处理过程
• 5.3 被控对象数学模型的建立及描述
• 5.4 采用传统PID 控制
• 5.4.1 微分先行PID 控制结构
• 5.4.2 计算机控制算法的推导
• 5.4.3 实验研究
• 5.5 神经网络PID 控制的仿真研究
• 5.5.1 辨识网络NNI 的设计仿真
• 5.5.2 控制网络NNC 的参数整定
• 5.5.3 仿真分析
• 第6章 结论与展望
• 参考文献
• 致谢
• 攻读硕士学位期间的研究成果