神经网络PID控制器的研究及解耦应用

论文摘要

本文先论述了完全微分PID算法和不完全微分PID算法,并分析了不完全微分PID算法的优点。在处理实际系统的时变性、非线性等方面,神经网络具有明显的优势,将完全微分PID算法、不完全微分PID算法与神经网络进行结合,构成了神经网络控制器,特别是提出了基于不完全微分PID算法的RBF神经网络控制器和基于不完全微分PID算法的PID型神经网络控制器。然后将这些神经网络控制器应用于线性对象和非线性对象的单变量控制,并进行了实例仿真和比较,其中重点研究了基于不完全微分PID算法的RBF神经网络控制。仿真结果表明:基于不完全微分PID算法的神经网络控制比基于完全微分PID算法的神经网络控制的响应快、误差小、稳定性好和自适应能力佳。神经网络控制技术的研究主要服务于工业实际应用,本文考虑其中的一个应用-多变量解耦控制。把基于不完全微分PID算法的神经元控制应用于解耦控制,提出了基于不完全微分PID算法的RBF神经网络解耦控制和基于完全微分PID算法的RBF神经网络解耦控制,并将这两种算法的解耦效果进行了比较。针对传统RBF神经网络的不足,本文使用了具有动态性能的新型RBF神经网络结构,将其应用于多变量系统解耦,并用实例与基于完全微分PID算法的RBF神经网络解耦控制进行了对比。结果表明:基于不完全微分PID算法的RBF神经网络的解耦效果较好,而使用新型RBF神经网络的效果更令人满意,即收敛精度高、控制器参数适应环境的能力强和计算量小。最后,本文对研究工作进行了总结,列出了取得的一些结论,并提出了下一步的研究工作。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题的依据
• 1.2 解耦技术现状
• 1.2.1 经典控制理论和现代控制理论解耦技术
• 1.2.2 自适应解耦技术
• 1.2.3 模糊解耦技术
• 1.2.4 智能解耦技术
• 1.2.5 其他新方法解耦技术
• 1.3 本论文的研究工作及创新点
• 第二章 神经网络技术的发展及其趋势
• 2.1 神经网络的发展
• 2.1.1 初创阶段
• 2.1.2 低潮阶段
• 2.1.3 复苏阶段
• 2.1.4 新高潮阶段
• 2.2 神经网络的学习分类
• 2.3 神经网络的分类
• 2.4 神经网络的发展趋势
• 2.5 本章小结
• 第三章 不完全微分 PID 算法在神经网络的研究
• 3.1 完全微分 PID 控制器与不完全微分PID 控制器
• 3.1.1 完全微分PID 控制器
• 3.1.2 不完全微分PID 控制器
• 3.2 基于不完全微分 PID 算法的神经元控制
• 3.2.1 基于不完全微分PID 算法的神经元控制器
• 3.2.2 参数设置及仿真研究
• 3.3 基于不完全微分 PID 算法的BP 神经网络控制
• 3.3.1 基于不完全微分PID 算法的BP 神经网络控制器
• 3.3.2 参数设置及仿真研究
• 3.4 基于不完全微分 PID 算法的PID 型神经网络控制
• 3.4.1 基于不完全微分PID 算法的PID 型神经网络控制器
• 3.4.2 参数设置及仿真研究
• 3.5 本章小结
• 第四章 新型神经网络控制器的研究及其应用
• 4.1 基于不完全微分 PID 算法的RBF 神经网络控制
• 4.2 参数设置及仿真研究
• 4.2.1 线性控制对象仿真实例
• 4.2.2 非线性控制对象仿真实例
• 4.3 本章小结
• 第五章 神经网络 PID 控制器在多变量控制中的应用
• 5.1 相关准备知识
• 5.1.1 耦合度
• 5.1.2 变量匹配
• 5.1.3 精馏塔控制系统
• 5.2 基于不完全微分 PID 算法的神经元多变量控制
• 5.2.1 不完全微分PID 算法的神经元多变量控制原理
• 5.2.2 参数设置及仿真研究
• 5.3 基于完全微分 PID 算法的RBF 神经网络多变量控制
• 5.3.1 基于完全微分PID 算法的RBF 神经网络多变量控制原理
• 5.3.2 参数设置及仿真研究
• 5.4 基于不完全微分PID 算法的RBF 神经网络多变量控制
• 5.4.1 基于不完全微分PID 算法的RBF 神经网络多变量控制原理
• 5.4.2 参数设置及仿真研究
• 5.5 基于完全微分PID 算法的新型RBF 神经网络多变量控制
• 5.5.1 新型RBF 神经网络算法及结构
• 5.5.2 基于完全微分PID 算法的新型RBF 神经网络控制原理
• 5.5.3 参数设置及仿真研究
• 5.6 本章小结
• 第六章 全文总结与展望
• 6.1 取得的成果
• 6.2 展望
• 参考文献
• 攻读硕士学位期间发表论文
• 致谢