基于神经网络的PID控制算法

论文摘要

PID控制技术是一种应用很普遍的控制技术,目前在很多方面都有广泛的应用。论文详细阐述了神经网络PID控制器。首先简要介绍了神经网络的理论基础和神经网络的学习算法,传统的常规PID控制器,针对常规PID控制器对于复杂的、动态的、不确定的和非线性的系统控制还存在的许多不足之处进行了阐述,为了达到改善常规PID控制器的目的,文中系统的列举了五种改进方式(模糊PID控制器、专家PID控制器、基于遗传算法整定的PID控制器、灰色PID控制器和神经网络PID控制器)。经典PID控制算法作为一般工业过程控制方法应用范围相当广泛,原则上讲它并不依赖于被控对象的具体数学模型,但算法参数的整定却是一件很困难的工作,更为重要的是即使参数整定完成,由于参数不具有自适应能力,因环境的变化,PID控制对系统偏差的响应变差,参数需重新整定。针对上述问题,人们一直采用模糊、神经网络等各种调整PID参数的自适应方法,力图克服这一难题。一般情况下,一个自适应控制系统能够运行,其相应的参数要适应现场状况的变化,因此就必须根据现场的数据对相应的参数进行在线辨识或估计。对非时变参数可以通过一段时间的在线辨识确定下来,但对时变参数系统,必须将这个过程不断进行下去,因此要求辨识速度快或参数变化速度相对较慢,极大地限制了自适应技术的应用。为克服这种限制,本文利用文献[37]的思想,将神经网络的技术应用于参数辨识过程,结合经典的PID控制算法,形成一种基于BP神经网络的自适应PID控制算法。这一算法的本质是应用神经网络建立系统参数模型,将时变参数系统的参数变化规律转化为神经网络参数模型,反映了参数随状态而变的规律,即当系统变化后,可直接由模型得到系统的时变参数,而无需辨识过程。在神经网络参数模型的基础上,结合文献[37]已知系统模型下PID控制参数的计算,推导出一种自适应PID控制算法。通过在计算机上对线性和非线性系统仿真,结果表明了这种自适应PID控制算法的有效性。

论文目录

• 中文摘要
• Abstract
• 第1章 绪论
• 1.1 研究的目的及意义
• 1.2 神经网络与神经网络控制的发展与现状
• 1.2.1 神经网络发展概况
• 1.2.2 神经网络控制的研究与进展
• 1.3 神经网络控制系统
• 1.3.1 神经网络控制系统特性
• 1.3.2 神经网络控制系统的作用和结构
• 1.3.3 当前神经网络控制系统的研究课题
• 1.4 本论文的内容和主要创新
• 第2章 神经网络的理论基础
• 2.1 MP 模型
• 2.1.1 非对称型Sigmoid 函数
• 2.1.2 对称型Sigmoid 函数
• 2.1.3 对称型阶跃函数
• 2.2 感知器
• 2.2.1 单层感知器
• 2.2.2 多层感知器
• 2.3 典型的多层前向网络——BP 网络的结构及算法
• 2.3.1 BP 神经网络的前向计算
• 2.3.2 BP 神经网络的误差反向传播和加权系数的调整
• 2.4 径向基函数神经网络
• 2.4.1 网络输出计算
• 2.4.2 网络的在线学习算法
• 2.5 神经网络的学习规则
• 2.6 本章小结
• 第3章 数字 PID 控制
• 3.1 PID 控制原理
• 3.2 数字PID 控制
• 3.2.1 位置式 PID 控制算法
• 3.2.2 增量式 PID 控制算法
• 3.3 改进型PID 控制器
• 3.3.1 模糊 PID 控制器
• 3.3.2 专家PID 控制器
• 3.3.3 基于遗传算法整定的PID 控制器
• 3.3.4 灰色PID 控制器
• 3.3.5 神经网络PID 控制器
• 3.4 本章小结
• 第4章 基于神经网络参数模型的系统控制
• 4.1 神经控制器基本结构
• 4.1.1 神经网络监督控制
• 4.1.2 神经网络直接逆模型控制
• 4.1.3 神经网络自适应控制
• 4.1.4 神经网络内模控制
• 4.1.5 神经网络预测控制
• 4.2 神经元 PID 控制器
• 4.3 单神经元自适应 PID 控制器
• 4.4 基于 BP 神经网络参数自适应 PID 控制器
• 4.5 本章小结
• 第5章 改进型BP 神经网络控制器设计及其仿真研究
• 5.1 改进型BP 神经网络自适应PID 控制算法
• 5.1.1 改进型 BP 神经网络参数模型
• 5.1.2 改进型 BP 神经网络自适应 PID 控制算法
• 5.2 对参数为定常和时变的系统辨识仿真研究
• 5.3 对非线性自适应控制系统的仿真研究
• 5.4 结论
• 结论
• 参考文献
• 攻读硕士学位期间公开发表的论文
• 致谢