晶体生长炉PID神经网络温度控制研究

晶体生长炉PID神经网络温度控制研究

论文摘要

随着信息产业的兴起以及利用新能源引起的光伏发电的热潮,对优质大尺寸的晶体需求大大增加,这对晶体生长环境的温度控制精度与控制性能提出了更高的要求。面对晶体生长过程中的加热系统具有大滞后、大惯性的特点,作为控制简单、可靠性高而在工业中获得了广泛应用的PID控制器难以获得令人满意的控制效果。充分利用PID控制的优点并结合具有自学习、自适应能力、能以任意精度逼近非线性函数的人工神经网络设计出高精度的温度控制器,这无论在理论上还是在实践上都具有重要的意义。本文较为全面地分析了PID神经网络控制算法。首先简要介绍了传统的常规PID控制器的控制算法以及优缺点,进而引出了常规PID控制器的改进算法并分析了它们的优缺点。全面阐述并分析了人工神经网络,重点介绍了决定人工神经网络信息处理性能的三大要素:人工神经元的激发函数、神经网络的连接方式以及神经网络的学习规则。在此基础上,引出了PID控制算法与人工神经网络的融合――PID神经网络,通过对PID神经网络的分析确定了利于硬件实现的PID神经网络结构与算法,并用工程仿真软件MATLAB对PID神经网络进行了仿真,通过仿真论证了PID神经网络相对于PID控制有着更优异的控制性能。在论文最后,以晶体生长炉的温度控制系统为背景,探索了PID神经网络温度控制器硬件实现,在探索过程中对PID神经网络的算法进行改进,使其运算只有乘法、加法与延迟运算。经过改进,PID神经网络适合于数字信号处理且易于硬件实现,并用FPGA(Field Programmable Gate Array)实现了PID神经网络的并行结构。PID神经网络控制模块采用Altera公司提供的符合32位IEEE754的单精度浮点数运算单元的IP核进行模块化设计,使用Altera公司的软件QuartusII8.0进行编译并进行时序仿真实验。理论分析和仿真结果表明:该PID神经网络温度控制模块具有很高的控制精度和响应速度,有利于提高晶体生长炉的控温精度和加热效率,适合于实时控制。总体上,PID神经网络温度控制模块达到了设计的目标。

论文目录

  • 中文摘要
  • 英文摘要
  • 1 绪论
  • 1.1 课题来源与研究背景
  • 1.2 晶体生长炉温度控制系统发展与现状
  • 1.3 神经网络与神经网络控制的发展与现状
  • 1.3.1 神经网络与神经网络控制的发展
  • 1.3.2 国内研究现状
  • 1.4 课题研究的目的和意义
  • 1.4.1 研究目的
  • 1.4.2 课题研究的意义
  • 2 PID 控制
  • 2.1 PID 控制原理
  • 2.2 数字PID 控制算法
  • 2.2.1 位置式PID 控制算法
  • 2.2.2 增量式PID 控制算法
  • 2.3 改进PID 控制
  • 2.3.1 自适应PID 控制
  • 2.3.2 智能PID 控制
  • 2.3.3 模糊PID 控制
  • 2.4 本章小结
  • 3 人工神经网络基础
  • 3.1 人工神经元
  • 3.1.1 人工神经元数学模型
  • 3.1.2 神经元的激发函数
  • 3.2 人工神经网络模型
  • 3.2.1 网络拓扑结构类型
  • 3.2.2 网络信息流向类型
  • 3.3 神经网络学习
  • 3.3.1 Hebb 学习规则
  • 3.3.2 Perceptron 学习规则
  • 3.3.3 δ学习规则
  • 3.3.4 LMS 学习规则
  • 3.3.5 Correlation 学习规则
  • 3.3.6 Winner-Take-All 学习规则
  • 3.3.7 Outstar 学习规则
  • 3.4 PID 神经网络
  • 3.4.1 人工神经网络PID 调节元
  • 3.4.2 PID 神经网络的基本形式
  • 3.4.3 PID 神经网络调整算法
  • 3.5 本章小结
  • 4 基于 FPGA 的 PID 神经网络温度控制模块设计
  • 4.1 IEEE754 标准的单精度浮点数表示
  • 4.2 FPGA 与数字系统设计
  • 4.2.1 Altera 公司的FPGA 器件系列
  • 4.2.2 FPGA 的工程设计流程
  • 4.2.3 IP 技术
  • 4.2.4 Altera 软IP 核的应用
  • 4.3 晶体生长炉温度控制的电路结构
  • 4.3.1 晶体生长炉温度控制系统框图
  • 4.3.2 PID 神经网络控制器的电路结构示意图
  • 4.3.3 基于FPGA 的PID 神经网络控制模块的实现
  • 4.4 本章小结
  • 5 PID 神经网络温度控制器模块测试与分析
  • 5.1 控制算法的MATLAB 仿真测试
  • 5.1.1 温度控制系统仿真测试模型
  • 5.1.2 温度控制系统仿真与分析
  • 5.2 温度控制模块空载时序仿真测试
  • 5.3 温度控制模块加热控制时序仿真测试与分析
  • 5.4 本章小结
  • 6 总结与展望
  • 致谢
  • 参考文献
  • 附录 作者在攻读学位期间发表的论文
  • 相关论文文献

    • [1].PID性能评估与整定软件的开发及应用[J]. 炼油与化工 2019(05)
    • [2].基于模糊PID的步进电机速度控制[J]. 软件 2019(12)
    • [3].采用改进模糊神经网络PID控制的移动机器人运动误差研究[J]. 中国工程机械学报 2019(06)
    • [4].基于改进模糊PID的轮式机器人速度控制器设计[J]. 河北科技大学学报 2020(01)
    • [5].基于模糊PID的高速列车车内压力主被动控制[J]. 中国测试 2020(01)
    • [6].混合式步进电机模糊PID控制器设计仿真[J]. 安徽工程大学学报 2019(06)
    • [7].基于模糊PID控制的列车主动悬架振动控制研究[J]. 工业控制计算机 2020(01)
    • [8].拖拉机液压机械式变速器小波神经网络PID控制[J]. 合肥工业大学学报(自然科学版) 2020(01)
    • [9].雷达稳定平台模糊PID串级控制设计与仿真[J]. 计算机测量与控制 2020(02)
    • [10].基于模糊神经网络PID控制的粉体包装计量控制系统[J]. 食品与机械 2020(01)
    • [11].考虑路面时变的整车主动悬架的改进模糊PID集成控制策略[J]. 现代制造工程 2020(02)
    • [12].基于广义预测控制PID算法的桥式起重机吊钩防摆控制器设计[J]. 制造业自动化 2020(03)
    • [13].面向抽水蓄能电站区域负荷频率的分数阶PID控制研究[J]. 电网技术 2020(04)
    • [14].基于智能控制的PID控制方式的研究[J]. 电子测试 2020(05)
    • [15].基于变速积分与微分先行PID的无刷直流电机串级调速控制[J]. 齐齐哈尔大学学报(自然科学版) 2020(01)
    • [16].基于模糊PID算法吸附机器人转向控制系统[J]. 精密制造与自动化 2020(01)
    • [17].农用车辆路径跟踪预瞄控制研究——基于免疫模糊PID算法和视觉导航[J]. 农机化研究 2020(11)
    • [18].基于模糊PID算法吸附机器人转向控制[J]. 软件 2020(04)
    • [19].基于模糊PID算法的臭氧发生器控制系统优化措施[J]. 自动化应用 2020(04)
    • [20].基于遗传算法的智能PID系统设计和分析[J]. 设备管理与维修 2020(10)
    • [21].基于模糊PID的电力巡检机器人路径纠偏[J]. 智慧工厂 2020(04)
    • [22].基于PID的多电发动机磁轴承控制系统设计与验证[J]. 微特电机 2020(06)
    • [23].基于遗传算法的全自动除泡机腔体充排气PID控制研究[J]. 机械管理开发 2020(05)
    • [24].基于吸收塔动态模型的PID控制模拟研究[J]. 辽宁化工 2020(06)
    • [25].基于PID的光伏清洁机器人速度控制及仿真研究[J]. 造纸装备及材料 2020(03)
    • [26].基于改进模糊-PID的船舶自动舵控制方法[J]. 船舶物资与市场 2020(06)
    • [27].运用启发式算法优化一阶倒立摆PID参数研究[J]. 产业科技创新 2020(10)
    • [28].基于前馈补偿PID控制的轮式机器人轨迹跟踪[J]. 河南工程学院学报(自然科学版) 2020(03)
    • [29].基于模糊PID的驾驶模拟器方向盘力反馈系统设计[J]. 机电技术 2020(04)
    • [30].基于模糊PID的小型冷库过热度控制方法[J]. 湖北工业大学学报 2020(04)

    标签:;  ;  ;  ;  

    晶体生长炉PID神经网络温度控制研究
    下载Doc文档

    猜你喜欢