基于蚁群优化的神经网络智能PID控制策略研究

论文摘要

PID控制器因其结构原理简单、容易实现、控制效果好和鲁棒性强等特点,被广泛应用于各种工业控制中。然而,常规PID控制器因其参数一旦调定将不可变,同时由于实际系统的非线性、时变性、不确定性等因素的影响,往往难以达到理想的控制效果。智能控制理论的发展为解决复杂动态不确定系统的控制问题提供了新的途径,智能控制与常规PID控制相结合,扬长避短,优势互补,可形成许多形式的智能PID控制器。智能PID控制器因其具有不依赖于精确的系统数学模型、对系统参数变化具有较好的适应性等特点而具有广阔的应用前景。BP学习算法作为前馈神经网络训练中应用最多的算法,它是利用非线性规划方法中的最速下降梯度方法修正网络权值和阈值,使得学习误差达到最小二乘意义下的最小。但其存在着收敛慢、对权值初值敏感、易陷入局部极小等严重缺陷。BP神经网络整定PID参数的本质是在传统PID基础上融合BP神经网络学习,因此,不可避免地存在BP神经网络的一些缺陷。在BP网络整定PID参数的过程中,当网络结构、学习速率因子、激活函数等参数合理选定的情况下,研究网络权系数初值的随机性选取、被控对象Jacobian信息的不精确性对BP算法学习性能的影响,有着非常重要的意义。因此,本文提出了一种基于蚁群优化的离线全局寻优BP网络的权系数初值、BP神经网络在线自学习、RBF神经网络实时辨识Jacobian信息的智能控制PID控制策略,有效地克服了BP算法训练过程中收敛慢和易陷入局部极小值的缺陷。利用该控制策略,对PID参数进行在线调整,并应用于材料试验机电液位置伺服系统。通过基于MATLAB的仿真分析和基于LabVIEW编程的实时控制系统的实验研究,结果均表明,与多种传统PID控制策略相比,该智能PID控制器控制的系统具有更好的动态响应特性和抗扰动能力。

论文目录

摘要

ABSTRACT

第1章绪论

1.1 智能PID 产生与发展

1.1.1 智能PID 控制产生背景

1.1.2 智能控制理论综述

1.2 课题研究的背景及意义

1.2.1 基于BP 神经网络学习算法的改进研究现状

1.2.2 基于蚁群算法的优化策略研究现状

1.2.3 课题研究的意义

1.3 本文的主要研究内容

第2章基于神经网络的PID 控制策略研究

2.1 引言

2.2 人工神经网络

2.2.1 神经网络产生与发展

2.2.2 人工神经网络结构

2.2.3 神经网络分类

2.2.4 神经网络工作原理及其学习规则

2.2.5 人工神经网络的研究内容及其进展

2.3 基于神经网络整定的PID 控制策略

2.3.1 传统PID 控制基本理论

2.3.2 常用的传统PID 参数整定方法

2.3.3 智能PID 控制基本理论

2.3.4 基于神经网络整定的PID 控制

2.4 基于BP 神经网络整定的PID 控制策略研究

2.4.1 BP 模型网络结构设计

2.4.2 基于BP 网络整定的PID 控制策略基本原理

2.5 本章小结

第3章基于蚁群算法的智能PID 控制策略研究

3.1 引言

3.2 蚁群算法

3.2.1 蚁群算法生物学背景

3.2.2 基本蚁群算法的数学模型建立及其实现

3.2.3 蚁群算法的影响因子及其选择的基本原则

3.3 基于蚁群算法的PID 控制策略

3.4 基于二进制编码遗传算法的PID 整定策略

3.4.1 蚁群算法与遗传算法比较

3.4.2 基于二进制编码遗传算法的PID 整定策略

3.5 材料试验机位置伺服系统建模

3.5.1 阀控缸环节

3.5.2 伺服放大器环节

3.5.3 伺服阀环节

3.5.4 位移传感器环节

3.5.5 系统参数选取及其计算

3.6 仿真结果分析

3.6.1 基于Ziegler-Nichols 整定的系统仿真

3.6.2 基于蚁群算法整定的系统仿真

3.6.3 基于二进制编码遗传算法整定的系统仿真

3.7 本章小结

第4章基于ACO 的神经网络智能PID 控制策略研究

4.1 引言

4.2 基于ACO 的神经网络智能PID 控制策略

4.2.1 基于ACO 的神经网络智能PID 控制系统结构

4.2.2 RBF 网络学习基本原理

4.2.3 基于ACO 的离线寻优的控制算法

4.3 基于实数编码遗传算法的神经网络智能PID 控制策略

4.4 系统仿真及结果分析

4.5 基于LABVIEW 的系统实验研究分析

4.5.1 基于LabVIEW 数据采集系统

4.5.2 实验结果分析

4.6 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢

作者简介

基于蚁群优化的神经网络智能PID控制策略研究

论文摘要

论文目录

相关论文文献

猜你喜欢