基于LabVIEW的神经网络PID控制算法在液位控制系统中的仿真

基于LabVIEW的神经网络PID控制算法在液位控制系统中的仿真 毕业论文 基于LabVIEW的神经网络PID控制算法在液位控制系统中 的仿真研究 摘要 液位对象是工业上常见的过程控制对象，它具有时变、非线性、 大滞后、不确定性等过程控制对象的典型特性。随着工业过程控制 对象的日趋复杂化和人们对控制指标越来越高的要求，对于复杂的 过程控制对象，单纯使用传统的ＰＩＤ控制，已经很难达到理想的控 制效果。本文针对这一问题，围绕如何设计更有效的液位控制系统 展开研究。 论文先采用机理建模的方法对被控对象单容水箱建立了仿真 模型，对其设计了常规ＰＩＤ控制系统。在该系统设计中，论文就常 规ＰＩＤ控制器的设计作了详细叙述，并对其进行参数整定得到了最 佳ＰＩＤ参数，进行仿真试验获得了系统在液位给定值分别为 １００ｍｍ、２００ｍｍ和３００ｍｍ三个不同工作点处的阶跃响应曲线。 然后对单容液位对象设计了神经网络ＰＩＤ控制系统。在神经网 络ＰＩＤ控制系统设计中，论文先充分研究了神经网络不同结构的特 点，选择了其中应用较为广泛的多层前向网络结构ＢＰ网络作为系 统的神经网络结构部分并叙述了其工作原理和步骤。然后提出了系 统的整体结构，对系统控制原理进行了 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 ，详细叙述了如何设计 基于多层前向网的神经网络辨识器ＮＮＩ和神经网络控制器ＮＮＣ及。 如何采用最速下降法训练ＢＰ网络，并在仿真软件中实现了该系统， 然后进行试验也得到了系统在给定值分别为ｌ ００ｍｍ、２００ｍｍ和 ３００ｍｍ三个不同工作点处的阶跃响应曲线。论文最后采用比较法 对两个系统的控制结果进行了比较，从比较结果知，神经网络ＰＩＤ 控制系统不论在哪个工作点处都比常规ＰＩＤ控制系统表现出进入 稳定状态较快，超调量较小，准确性也更好等特性，从而有力地证 实了应用神经网络ＰＩＤ控制系统比常规ＰＩＤ控制系统对于单容水 箱液位对象进行控制能获得更好的控制质量。 虚拟仪器和神经网络一样都是控制理论及其工程应用中的先 进工具，将二者相结合能更充分地发挥它们的优势，从而获得更好 的控制质量，是控制系统发展的必然方向。本文探讨了神经网络 ＰＩＤ控制系统在虚拟仪器开发软件ＬａｂＶＩＥＷ中的实现方法，并将 其应用于水箱液位的控制，仿真结果表明控制系统具有良好的动、 静态控制效果。 本文将神经网络结构与常规ＰＩＤ算法结合引入液位控制系统 的设计，开辟了一种对于液位对象进行控制的新的思路，能为工业 上对液位对象的控制理论发展和实际应用提供重要的指导。 关键词：神经网络；ＰＩＤ控制算法；液位控制；虚拟仪器；ＬａｂＶＩＥＷ 实现 ＡＢＳＴＲＡＣＴ Ｌｅｖｅｌｃｏｎｔｒｏｌｓｙｓｔｅｍｉｓａｃｏｍｍｏｎｐｒｏｃｅｓｓｃｏｎｔｒｏｌｓｙｓｔｅｍｉｎ ｉｎｄｕｓｔｒｙ．Ｉｔ ｈａｓ ｍａｎｙ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｐｒｏｃｅｓｓ ｃｏｎｔｒｏｌｏｂｊｅｃｔｓ，ｓｕｃｈ ａｓｔｉｍｅ－ｖａｒｙｉｎｇ，ｎｏｎｌｉｎｅａｒｉｔｙ，ｌａｒｇｅ—ｔｉｍｅｄｅｌａｙ，ｕｎｃｅｒｔａｉｎｔｙ，ｅｔｃ．Ｔｈｅｒｅｆｏｒｅ， ｉｔ ｉｓｉｍｐｏｒｔａｎｔｔｏｓｔｕｄｙ ｈｏｗｔｏｃｏｎｔｒｏｌ ｔｈｅ ｌｅｖｅｌｏｂｊｅｃｔｓｅｆｆｉｃｉｅｎｔｌｙ ａｎｄ ｐｒｅｃｉｓｅｌｙ．Ａｓｔｈｅｐｒｏｃｅｓｓｃｏｎｔｒｏｌｏｂｊｅｃｔｉｖｅｓ ｂｅｃｏｍｅｍｏｒｅａｎｄ ｍｏｒｅ ｃｏｍｐｌｅｘ ａｎｄｔｈｅｈｉｇｈｅｒ ｃｏｎｔｒｏｌ ｐｅｒｆｏｒｍａｎｃｅｓａｒｅｅｘｐｅｃｔｅｄ，ｉｔ ｉｓｖｅｒｙｈａｒｄ ｔｏｏｂｔａｉｎ ｉｄｅａｌ ｅｆｆｅｃｔｓ ｕｓｉｎｇ ｓｉｎｇｌｅ ｃｌａｓｓｉｃａｌ ＰＩＤ ａｌｇｏｒｉｔｈｍ．Ｉｎ ｏｒｄｅｒｔｏ ｓｏｌｖｅ ｔｈｉｓｐｒｏｂｌｅｍ，ｔｈｉｓ ｔｈｅｓｉｓｒｅｓｅａｒｃｈｅｓ ｈｏｗｔｏｄｅｓｉｇｎｂｅｔｔｅｒ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍｓ． Ｆｉｒｓｔｌｙ，ａｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｏｆ ｓｉｎｇｌｅ ｌｅｖｅｌ ｔａｎｋｅｒｉｓｓｅｔｕｐｂｙ ｍｅｃｈａｎｉｓｍｍｏｄｅｌｌｉｎｇａｎｄａｃｌａｓｓｉｃａｌ ＰＩＤ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ｉｓ ａｄｏｐｔｅｄ．Ｉｎ ｔｈｅｓｙｓｔｅｍｄｅｓｉｇｎ，ｔｈｉｓｔｈｅｓｉｓ ｇｏｅｓ ｉｎｔｏ ｐａｒｔｉｃｕｌａｒｓ ｏｆ ｔｈｅ ＰＩＤ ｃｏｎｔｒｏｌｌｅｒ?Ｓ ｄｅｓｉｇｎａｎｄｉｔｓｐａｒａｍｅｔｅｒｔｕｎｉｎｇ，ａｎｄｏｂｔａｉｎｓｔｈｅｂｅｓｔＰＩＤ ｐａｒａｍｅｔｅｒｓ．Ｓｉｍｕｌａｔｉｏｎｔｅｓｔｓｄｉｓｐｌａｙｅｄ ｄｉｆｆｅｒｅｎｔ ｓｔｅｐ ｒｅｓｐｏｎｓｅｃｕｒｖｅｓ ｏｎ ｔｈｅ ｔｈｒｅｅ ｇｉｖｅｎ ｄｉｆｆｅｒｅｎｔ ｗｏｒｋｉｎｇｐｏｉｎｔｓｍｌ００ｍｍ，２００ｍｍａｎｄ３００ｍｍ ｏｆ ｔｈｅｓｙｓｔｅｍ． Ｔｈｅｎ ｔｈｉｓｔｈｅｓｉｓｄｅｖｉｓｅａｎｕｅｒａｌ ｎｅｔｗｏｒｋ ＰＩＤ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ｆｏｒ ｔｈｅ ｓｉｎｇｌｅｌｅｖｅｌｔａｎｋｅｒ． Ｉｎｔｈｅｄｅｓｉｇｎｐｒｏｃｅｓｓｏｆｔｈｅｐｉｄｃｏｎｔｒｏｌｓｙｓｔｅｍｏｆｎｅｕｒａｌ ｎｅｒｗｏｒｋ，ｔｈｉｓｔｈｅｓｉｓｆｉｒｓｔ ｆｕｌｌｙｓｔｕｄｙｔｈｅｄｉｆｆｅｒｅｎｔｆｅａｔｕｒｅｓｏｆ ｎｕｅｒａｌ ｎｅｔｗｏｒｋ，ｃｈｏｏｓｅｓｔｈｅ ｍｕｌｔｉ—ｆｏｒｗａｒｄＢＰ ｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅａｐｐｌｉｅｄｗｉｄｅｌｙ ａｓｔｈｅｓｙｓｔｅｍ?Ｓｎｅｕｒａｌ ｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅ，ａｎｄ ｄｅｍｏｎｓｔｒａｔｅｓｉｔｓ ｗｏｒｋ ｐｒｉｎｃｉｐｌｅｓａｎｄｓｔｅｐｓ． Ｔｈｅｎ，ｔｈｉｓ ｔｈｅｓｉｓ ｐｒｅｓｅｎｔｓｔｈｅｓｙｓｔｅｍ?Ｓ ｈｏｌｉｔｉｃｓｔｒｕｃｔｕｒｅ，ａｎａ ｌｙｓｅｓ ｔｈｅ ｓｙｓｔｅｍ?Ｓｃｏｎｔｒｏｌｐｒｉｎｃｉｐｌｅｓ，ｄｅｍｏｎｓｔｒａｔｅｓｈｏｗｔｏｄｅｖｉｓｅ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｉｄｅｎｔｉｆｉｅｒ（ＮＮＩ）ａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋｃｏｎｔｒｏｌｌｅｒ（ＮＮＣ）ｂａｓｅｄｏｎ ｍｕｌｔｉ—ｆｏｒｗａｒｄｎｅｔｗｏｒｋａｎｄｈｏｗｔｏｕｓｅｔｈｅｓｔｅｅｐｅｓｔ ｄｅｓｃｅｎｔｍｅｔｈｏｄ ｔｏ ｔｒａｉｎ ｔｈｅＢＰｎｅｔｗｏｒｋ，ａｎｄｒｅａｌｉｚｅ ｔｈｅｓｙｓｔｅｍｉｎｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｓｏｆｔｗａｒｅ． Ｎｅｘｔ，ｓｔｅｐ ｒｅｓｐｏｎｓｅｃｕｒｖｅｓｉｎ ｔｈｒｅｅ ｇｉｖｅｎｄｉｆｆｅｒｅｎｔｗｏｒｋｉｎｇｐｏｉｎｔｓ ｏｆ １００ｍｍ，２００ｍｍ ａｎｄ ３００ｍｍａｒｅｏｂｔａｉｎｅｄ ｉｎｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｔｉｏｎ． Ｆｉｎａｌｌｙ，ｔｈｉｓｔｈｅｓｉｓｕｓｅｓｔｈｅｃｏｍｐａｒｉｓｏｎｍｅｔｈｏｄｔｏｃｏｍｐａｒｅ ｔｈｅ ｃｏｎｔｒｏｌｒｅｓｕｌｔｓｏｆｔｈｅ ｔｗｏ ｓｙｓｔｅｍｓ．Ｆｒｏｍ ｔｈｅ ｃｏｍｐａｒｉｓｏｎ ｒｅｓｕｌｔｓ，ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ＰＩＤｃｏｎｔｒｏｌｓｙｓｔｅｍ ｈａｓｃｈａｒａｃｔｅｒｓｏｆ ｈｉｇｈｅｒｓｐｅｅｄ ｏｆ ｅｎｔｅｒｉｎｇｓｔａｂｌｅｓｔａｔｅ，ｌｏｗｅｒｏｖｅｒｓｈｏｏｔ，ａｎｄｂｅｔｔｅｒｐｒｅｃｉｓｉｏｎｗｈｅｎ ｃｏｍｐａｒｅｄｔｏｏｒｄｉｎａｒｙＰＩＤｃｏｎｔｒｏｌ ｓｙｓｔｅｍｉｎ ａｎｙｗｏｒｋｉｎｇｐｏｉｎｔｓ，ｗｈｉｃｈ ｓｔｒｏｎｇｌｙ ｔｅｓｔｉｆｙｔｈａｔａｐｐｌｙｉｎｇｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ＰＩＤ ｃｏｎｔｒｏ ｌｓｙｓｔｅｍｃａｎ 一 ｏｂｔａｉｎ ｂｅｔｔｅｒｃｏｎｔｒｏｌｑｕａｌｉｔｙ ｔｈａｎｏｒｄｉｎａｒｙＰＩＤ ｃｏｎｔｒｏｌｓｙｓｔｅｍｗｈｅｎ ｃｏｎｔｒｏｌｌｉｎｇ ｔｈｅ ｗａｔｅｒ ｌｅｖｅｌｏｂｊｅｃｔｓｏｆ ｓｉｎｇｌｅ ｔａｎｋｅｒ． Ｌｉｋｅｎｅｕｒａｌｎｅｔｗｏｒｋｓ．ｖｉｒｔｕａｌｉｎｓｔｒｕｍｅｎｔｓａｒｅａｌｓｏａｄｖａｎｃｅｄｔｏｏｌｉｎ ｃｏｎｔｒｏｌｔｈｅｏｒｙａｎｄ ｅｎｇｉｎｅｅｒｉｎｇ．Ｉｔ ｍａｙ ｂｅ ａｄｖａｎｔａｇｅｏｕｓｔｏｍａｋｅａ ｃｏｍｂｉｎａｔｉｏｎｏｆ ｔｈｅｍ；ｔｈｅｒｅｆｏｒｅａｂｅｔｔｅｒ ｃｏｎｔｒ０１ ｐｅｒｆｏｒｍａｎｃｅｗｉｌｌｂｅ ａｃｈｉｅｖｅｄ．Ｔｈｉｓ ｔｈｅｓｉｓ ｉｎｔｅｇｒａｔｅｓ ｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｓ ＰＩＤ ａｌｇｏｒｉｔｈｍｔｏｔｈｅ ＬａｂＶＩＥＷ：ａｎｄａｐｐｌｉｅｓｉｔｔｏｔｈｅ ｌｅｖｅｌｃｏｎｔｒｏｌｏｂｊｅｃｔｉｖｅ．Ｓｉｍ ｕｌａｔｉｏｎｒｅｓｕｌｔｓ ｓｈｏｗｔｈａｔｔｈｅａｐｐｒｏａｃｈ ｌａｒｇｅｌｙｉｍｐｒｏｖｅｓｔｈｅｃｏｎｔｒｏｌ ｐｅｒｆｏｒｍａｎｃｅｏｆ ｔｈｅ ｌｅｖｅｌｓｙｓｔｅｍ． ＩｔｉＳａｎｅｗｉｄｅａｔｏｃｏｍｂｉｎｅｄ ｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｓｗｉｔｈ ＰＩＤ ａｌｇｏｒｉｔｈｍｉｎｔｏ ｄｅｓｉｇｎｏｆ ｌｅｖｅｌｃｏｎｔｒｏｌｓｙｓｔｅｍ，ａｎｄｉｔｗｉｌｌｈａｓｉｍｐｏｒｔａｎｔ ｄｉｒｅｃｔｉｖｅｓｉｇｎｉｆｉｃａｎｃｅｔｏｔｈｅｃｏｎｔｒｏｌ ｔｈｅｏｒｙｄｅｖｅｌｏｐｍｅｎｔａｎｄｐｒａｃｔｉｃａｌ ａｐｐｌｉｃａｔｉｏｔｉ ｏｆｔｈｅ ｌｅｖｅｌｏｂｊｅｃｔｉｖｅｓ． ＫＥＹＷＯＲＤＳ：Ｎｅｕｒａｌｎｅｔｗｏｒｋ；ＰＩＤ ａｌｇｏｒｉｔｈｍ；Ｌｅｖｅｌｃｏｎｔｒ ｏｌ ｓｙｓｔｅｍ；Ｖｉｒｔｕａｌｉｎｓｔｒｕｍｅｎｔ；ＬａｂＶＩＥＷｒｅａｌｉｚａｔｉｏｎ １．１课题的来源和背景 第一章绪论 液位控制问题是工业生产中一类常见的问题，如饮料罐装、食品加工、 溶液过滤、污水处理等多种行业的生产过程中都需要对一些工艺介质液位进 行适当的控制，对液位对象的控制问题进行深入研究，可为工业过程控制的 理论研究和实践应用提供重要的指导材料。 液位对象因具有非线性、滞后、时变性等特性，采用经典ＰＩＤ控制 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 已很难满足人们对控制效果越来越高的要求。神经网络方法具有信息的分布 式存贮、并行处理，以及自组织、自学习的功能，能模拟人的形象思维，在 处理多输入、非线性、耦合复杂的对象中有许多成功的应用。 经典的ＰＩＤ控制算法虽然不能完全满足现代工业生产的控制要求，但是 它还在很多领域被广泛使用，因为其具有直观、实现简单、鲁棒性好等一系 列优点。针对这一情况，本文将具有前向结构的ＢＰ神经网络与常规ＰＩＤ算 法相结合，设计了神经网络ＰＩＤ控制器，并在虚拟仪器开发软件ＬａｂＶＩＥＷ平 台下实现了对典型液位对象控制的仿真研究。最后，与普通ＰＩＤ控制方案进 行比较，分析了不同控制方案的控制效果，为后续研究提供借鉴。 １．２水箱液位控制研究的现状 液位控制在工业过程控制中非常普遍，具有滞后、非线性、时变性、数 学模型难以准确建立等特点。应用常规的ＰＩＤ算法进行控制，存在ＰＩＤ最优 参数整定困难，易出现较大的超调等问题。即便在某一工作点获得了最优的 ＰＩＤ参数，仍存在在整个工作范围最优和保持长期工作最优等问题。在科学 技术飞速进步、产品质量要求越来越高的今天，采用常规ＰＩＤ控制策略在很 多工业过程中已经越来越跟不上生产发展的步伐。对此，一些科研人员根据 不同岗位液位对象的特点及实现的可能性对液位对象的其他控制方案已做过 较深入的研究和探讨。 中国民用航空学院的丁芳、李艳芳、费玉龙等对液位对象设计了智能ＰＩＤ 控制系统【４】，主要是针对液位对象的大滞后、时变和非线性特性进行控制。 实验表明该方法不仅简单、快速、精度高，而且具有较好的稳定性和抗干扰能力。 北方工业大学自动化研究所的马秀坤、孙德辉，哈尔滨理工大学的袁丽 英、牟晓光，大连交通大学的聂冰、李文以及湖南建材高等专科学校的李祖 林将模糊策略以不同的方式加于液位对象上【５￣８】，操作结果表明，他们的设计 可行，且稳定性好，控制精度高，从不同侧面证实了模糊控制方案可以使液 位系统获得较高的控制质量。 非线性是液位控制对象的一个重要特性。要对这种系统建立精确模型是 一项非常困难的工作。常用的方法就是某一个工作点附近局部线性化，然而 为了准确的描述系统，就必须建立很多局部线性模型，这常常是很难实现的。 在自适应控制中，系统运行过程中需要在线辨识系统参数，而在实际应用中， 参数的收敛性和计算花销会成为很大的问题。为了解决这个问题，文献［９１１１０】 提出了用指数ＡＲＸ模型来描述系统，这种方法采用离线辨识参数。并且，在 此模型的基础上，他们设计了一个多步预测控制器。实践应用表明，模型能 够很好的描述系统的的非线性动态特性，控制效果优异。 洛阳工业高等专科学校的火长跃、赵旎、付春仙和武汉大学的张铮、陈 小桥等人用虚拟仪器技术ＬａｂＶＩＥＷ对工业液位系统进行了仿真设计【１１儿１２１。 由于虚拟仪器概念的充分引入，他们所设计的系统的软、硬件具有开放性、 兼容性，能高效、实时、自动地监控液位系统。 １．３神经网络的发展简史及应用 １．３．１人工神经网络 人工神经网络（简写为ＡＮＮｓ）简称为神经网络（ＮＮｓ），是对人脑或自 然神经网络若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究 成果为基础，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。 国际著名的神经网络研究专家，第一家神经计算机公司的创立者与领导人 Ｈｅｃｈｔ＿＿Ｎｉｅｌｓｅｎ给人工神经网络下的定义就是：“人工神经网络是由人工建立 的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应 而进行信息处理。＂人工神经网络是人工智能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）学科的 重要分支，它几乎与人工智能——ＡＩ（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ）同时起 步，但 ３０余年来却并未取得人工智能那样巨大的成功，中间经历了一段长时间的萧 条。直到８０年代，获得了关于人工神经网络切实可行的算法，以及以Ｖｏｎ ２ Ｎｅｕｍａｎｎ体系为依托的传统算法在知识处理方面日益显露出其力不从心后， 人们才重新对人工神经网络发生了兴趣，导致神经网络的复兴。目前在神经 网络研究方法上已形成多个流派，最富有成果的研究工作包括：多层网络ＢＰ 算法，Ｈｏｐｆｉｅｌｄ网络模型，自适应共振理论，自组织特征映射理论等。人工 神经网络是在现代神经科学的基础上提出来的。它虽然反映了人脑功能的基 本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模 拟。它的研究与发展将对人工智能、认知科学、自动控制等学科产生重大影 响。 １．３．２神经网络的发展简史 神经网络科学的研究与发展可以用两次热潮来划分其历史时期。 第一次热潮（１９４３年～１９６９年） １９４３年Ｗ．Ｓ．ＭｃＣｕｌｏｃｈ和Ｗ．Ｐｉｉｔｓ提出了神经元的概念，把神经元看作双 态开关，利用布尔函数对神经过程进行数学模拟。 １９４８年，Ｗｉｅｎｅｒ在其控制论的著作中提出了伺服机反馈自稳定系统概念。 １９４９年，心理学家Ｈｅｂｂ在其专著中提出神经元群、突触和反响回路的 理论概念，成为脑模拟研究的经典理论。 １９５８年，Ｒｏｓｅｎｂｌａｔｔ提出了著名的“感知器”模型，指出了知觉过程具 有统计分离性。“感知器”模型具有在外部导师信号的指导下进行学习的功能。 １９６１年，Ｃａｉａｎｉｅｌｌｏ发表了关于神经网络数学的理论著作，提出了神经元 方程，将神经元作为双态器件，对其机能的动力过程用布尔代数加以模拟， 进而分析和研究细胞有限自动机的理论模型。 １９６９年，美国麻省理工学院出版了一本有关Ｐｅｒｃｅｐｔｒｏｎｓ的著作，作者 Ｍｉｎｓｋｙ和Ｐａｐｅｒｔ以异或问题为例说明单层神经网络无法解决非线性分割这样 的简单问题，仅能解决一阶谓词逻辑问题，进而对神经网络研究持悲观态度。 基于作者的权威和当时的研究水平，这个问题的提出在理论上给人工神经网 络以沉重打击，致使美国?些企业家和科学基金组织停止资助脑模拟研究， 并使这个研究领域的学者纷纷转向其他研究课题。 第二次热潮 ． １９８２年，在美国国家科学院的刊物上发表了著名的“Ｈｏｐｆｉｅｌｄ模型＂理 论，这是一个非线性动力系统的理论模型。它引起了各国学者的关注，并力 图将这一数学模型进行电子学或光学的硬件实现，这就形成了一大批神经网 硕ｌ： 第一章绪论 络的研究队伍。当代８０％的各国研究者都是追随Ｈｏｐｆｉｅｌｄ模型迈入这一学术 领域的。 １９８３年，年轻学者Ｓｅｊｎｏｗｓｋｉ与其合作者Ｈｉｎｔｏｎ提出了大规模并行网络 （ｍａｓｓｉｖｅｌｙｐａｒａｌｌｅｌｎｅｔｗｏｒｋ）学习机，并明确提出隐单元（ｈｉｄｄｅｎｕｎｉｔ）的概 念。这种学习机后来称为Ｂｏｌｔｚｍａｎｎ机。他们应用多层神经网络并行分布地 改变各神经元间的连接权，克服了以往神经网络的局限性。 Ｆｕｋｕｓｈｉｍａ在Ｒｏｓｅｎｂｌａｔｔ的感知器网络基础上增加了隐层，构成多层认知 器，实现了可塑的反馈联系和更为普遍的前馈联系。 １９８５年，Ｋｏｈｏｎｅｎ发表了人工神经网络的自组织联想记忆的理论专著。 同年，认知科学杂志发行专刊，首次使用ＰＤＰ术语。第二年，由Ｒｕｍｅｌｈａｒｔ 和ＭｃＣｌｅｌｌａｎｄ主编的《并行分布处理～一认知微观结构的探索》一书问世， 这本书的问世表明ＰＤＰ理论己达到一个新水平，在世界各地产生了广泛影响。 从１９８２年Ｈｏｐｆｉｅｌ模型出现到１９８６年到Ｒｕｍｅｌｈａｒｔ和ＭｃＣｌｅｌｌａｎｄ的两卷巨著 问世历经４年，新理论、新方法，新模型层出不穷，终于１９８７年，汇成了新 的研究高潮。１９９０年１２月，北京召开首届人工神经网络学术会议Ｉｌ引。 １．３．３神经网络的特点 神经网络的以下几个突出的特点使它近年来引起人们的极大关注： １、可以充分逼近任意复杂的非线性关系； ２、所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很 强的鲁棒性和容错性； ３、采用并行分布处理方法，使得快速进行大量运算成为可能； ４、可学习和自适应不知道或不确定的系统； ５、能够同时处理定量、定性知识。 神经网络的优越性主要表现在三个方面： 第一，具有自学习功能。例如实现图像识别时，只在先把许多不同的图 像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能， 慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未 来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其 应用前途是很远大的。 第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种 联想。 ４ 硕Ｉ： 第一章绪论 第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往 需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发 挥计算机的高速运算能力，可能很快找到优化解。 １．３．４神经网络的主要研究方向与应用 神经网络的研究可以分为理论研究和应用研究两大方面。 理论研究可分为以下两类： １、利用神经生理与认知科学研究人类思维以及智能机理。 ?２、利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能 更加优越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、 容错性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、非线性 神经场等。 应用研究可分为以下两类： １、神经网络的软件模拟和硬件实现的研究。 ２、神经网络在各个领域中应用的研究。这些领域主要包括： （１）模式识别和图像处理 印刷体和手写体字符区别、语音识别、签字识别、指纹识别、人脸识别、 图像压缩和图像复原等。 （２）控制和优化 过程控制、机器人运动控制、家电控制、石油精炼优化控制和超大规模 集成电路布线等。 （３）预报和智能信息管理 股票市场预测、地震预报、有价证券管理、交通管理等。 （４）通讯 自适应均衡、路由选择和ＡＴＭ网络中的呼叫接纳识别及控制等。 （５）空间科学 空间交会对接控制、导航信息智能管理、飞行器制导和飞行程序优化管 理等。 随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络 的应用定将更加深入。 硕１： 第一章绪论 １．４课题的意义及本论文的主要内容 １．４．１课题的意义 液位控制系统是工业上常见的过程控制系统，对其进行深入的研究，能 为工业过程控制的理论发展和实践应用提供重要的指导。液位对象具有非线 性、滞后、时变性、难以准确建模等特点，随着人们对控制要求的不断提高， 采用经典控制方法已很难得到更满意的控制效果，神经网络方法具有信息的 分布式存贮、并行处理，以及自组织、自学习的功能，能模拟人的形象思维， 理论上能够逼近任意连续有界非线性函数，将神经网络用于控制器的设计， 能有效应对系统的非线性和不确定性，是解决非线性系统控制问题的新思路， 并且在处理多输入、非线性、耦合复杂的对象中有许多成功的应用，也是控 制理论研究的热点问题。 １．４．２本论文的主要内容 本文在充分研究神经网络的特点与控制方法的基础上，设计了基于多层 前向网的ＰＩＤ控制器，用于单容水箱液位对象的控制，采用仿真法显示试验 结果，采用比较法证实应用该法进行控制的优势。全文共分为六章，具体安 排如下： 第一章为绪论。主要介绍了课题的来源、水箱液位对象控制研究的意义 和现状，人工神经网络的发展简史、特点、研究方向和应用领域。最后给出 了全文的结构和内容安排。 第二章从虚拟仪器（ＶＩ）的概念、操作模板、编程方法和程序调试技术 等方面简单介绍了虚拟仪器即仿真软件ＬａｂＶｉｅｗ特点和使用方法，同时列出 了几个后续章节中需要用到的小程序（子ＶＩ）。 第三章在虚拟仪器ＬａｂＶｉｅｗ中编程，采用机理建模的方法建立单容水箱 的模型，以备后用。 第四章简单介绍常规ＰＩＤ控制的结构和方法后，将探讨如何建立水箱液 位控制系统及其在仿真软件Ｌａｂｖｉｅｗ中的实现方法。 第五章详细叙述多层前向神经网络的结构和原理，单容水箱液位对象神 经网络ＰＩＤ控制系统的结构及设计方法，控制系统在Ｌａｂｖｉｅｗ中的实现方法。 最后将单容水箱液位的两种不同控制方案进行比较。第六章总结本论文所做的工作，指出有待改进和完善的地方，为 今后的 工作指明方向。 ７ 第－章ＬａｂＶｌ明简舟 第二章ＬａｂＶｉｅｗ简介 ２１虚拟仪器的概念 出于工作需要，我在攻读研究生期问学习了虚拟仪器的编程和应用方法， 并希望利用撰写本论文的机会进一步理解和掌握这种先进的、实用的软件， 所以，本论文采用了虚拟仪器软件ＬａｂＶｉｅｗ来实现所需控制系统的编程及仿 真测试。本章从虚拟仪器（ＶＩ）的概念、操作模板、编程方法和程序调试技 术等方面简单介绍了虚拟仪器即仿真软件ＬａｂＶｉｅｗ的特点和使用方法，同时 列出了几个后续章节中需要用到的小程序（子ＶＩ）。 虚拟仪器（Ｖｉｒｔｕａｌ Ｉｎｓｔｒｕｍｅｎｔｓ，简称ＶＩ）是一类用于数据采集、分析、 显示和仪器控制的开发软件。除展常用的ＬａｂＶＩＥＷ外，还有ＬａｂＳｃｅｎｅ、 ＨＰＶＥＥ、Ｐｒｏｇｒａｐｈ、ｖｉｐｅｒｓ等。ＬａｂＶＩＥＷ是美国国家仪器（Ｎａｔｉｏｎａｌ Ｉｎｓｔｒｕｍｅｎｔｓ， 简称ＮＩ）公司开发的一种图形化的编程环境，该公司还同时推出了另一种功 能和应用环境不同的虚拟软件ＬａｂＷｉｎｄｏｗｓｌｌ６－ｚｑ。 使用ＬａｂＶＩＥＷ开发平台编制的程序称为虚拟仪器程序，简称为ｖＩ程序 或ｖＩ。ｖＩ程序包括三个部分：程序前面板、框图程序和图标／连接器。 程序前面板用于设置输入数值和观察输出量，用于模拟真实仪表的前面 板。在程序前面板上，输入量被称为控制件（Ｃｏｎｔｒｏｌｓ），输出量被称为显示 件（Ｉｎｄｉｃａｔｏｒｓ）。控制件和显示件是以各种图标形式出现在前面板上，如旋钮、 不关、按钮、图表、图形等，这使得前面板直观易懂。下图２．１是一个能同 时显示两参数的ｖＩ前面板程序。 每一个程序前面板都对应着一段框图程序。框图程序用ＬａｂＶＩＥＷ图形编 坝Ｌ?位＊Ｚ 第＝｛ＬａｂＶｉｅｗ％介 程语言编写，可以把它理解成传统程序的源代码。框图程序由端口、节点、 图框和连线构成。其中端口被用来同程序前面板的控制和显示传递数据，节 点被用柬实现函数和功能调用，图框被用来实现结构化程序控制命令，而连 线代表程序执行过程中的数据流，定义了框图内的数据流动方向。上述两参 数显示程序的框图程序如下图２．２所示。 图２－２两毒数同时显示ＶＩ框囤程序 图标／连接器是子ｖＩ被其它ｖＩ调用的接口。圈标是子ｖＩ在其他程序框图 中被调用的节点表现形式；而连接器则表示节点数据的输入／输出口，就象函 数的参数。用户必须指定连接器端口与前面板的控制件和显示件一一对应。 图２．３所示为波形图和开关的图标和连接器。连接器一般情况下隐台不显示， 除非用户选择打开观察它。 ＬａｂＶＩＥＷ的强大功能归因于它的层次化结构，用户可以把创建的ｖＩ程 序当作子程序（称为子ＶＩ）调用，以创建更复杂的程序，而这种调用的层次 是没有限制的。比如下图２－４所示为神经网络结构中常用的ｓ函数运算程序， 当将它用于复杂程序时如图２－５所示。 ＬａｂＶＩＥＷ这种创建和调用子程序的方法，使创建的程序结构模块化．同 颂１学?论立 第＝章ＬａｂＶｉｅｗ简舟 时多次调用提高了它的利用率，简化了复杂程序的编程过程和图形，也使程 序更易于调试、理解和维护。 ２．２ＬａｂＶＩＥＷ的操作模板 ＬａｂＶＩＥＷ具有多个图形化的操作模扳，用于创建和运行程序。这些操作 模板可咀随意在屏幕上移动．并可以放置在屏幕的任意位置。操纵模板共有 三类，为工具（Ｔｏｏｌｓ）模板、控制（Ｃｏｎｔｒｏｌｓ）模板和功能（Ｆｕｎｃｔｉｏｎｓ）模 板。 ２ ２１工具模板（ＴｏｏＩｓＰａＩｅｔｔｅ） 工具模板如图２－６所示。工具模板为编程者提供了各种用于创建、修改 和调试ｖＩ程序的工具。工具国标有如下几种： 操作工具：用于操作前面板的控制和显示ａ ｒ习 选择工具：用于选择、移动或改变对象的大小。 一当它用于改变对象的连框大小时，会变成相应形状。 标签工具：用于输入标签文本或者创建自由标签 当创建自由标签时它会变成相应形状。 连线工具：用于在框图程序上连接对象。 图２－６工具模板 对象弹出菜单工具：用左鼠标键可以弹出对象的弹出式菜单。 漫游工具：使用该工具就可以不需要使用滚动条而在窗口中漫游 断点工具：使用该工具在ｖＩ的框图对象上设置断点 探针工具：可｜三ｌ在框图程序内的数据流线上设置探针。程序调试员 可以通过控针窗口来观察该数据流线上的数据变化状况， 颜色提取工具：使用该工具来提取颜色用于编辑其他的对象。 颜色工具：用来给对象定义颜色。它也显示出对象的前景色 和背景色。 与上述工具模板不同，控制和功能模板只显示项层子模板的图标。在这 些顶层子模板中包含许多不同的摔制或功能子模板。通过这些控制或功能子 模板可以找到创建程序所需的面板对象和框图对象。 ２ ２２控制模板（ＣｏｎｔｒｏＩｓＰａＩｅｔｔｅ） 用控制模板可以给前面板添加输入控制和输出显示。每个图标代表一个 子模板。控制模板如图２—７所示，它包括下面几个子模板。 圈囤臣囤曰 数值子模板：数值的控制和显示 布尔值子模块：逻辑数值的控制和 显示。 字符串子模板：字符串和 表格 关于规范使用各类表格的通知入职表格免费下载关于主播时间做一个表格详细英语字母大小写表格下载简历表格模板下载 的控 制和显示。 列表和环（Ｒｉｎｇ）子模板：菜单环 和列表栏的控制和显示。 数组和群子模扳：复合型数据类型的控制和显示。 图形子模板：显示数据结果的趋势图和曲线图 路径和参考名（Ｒｅｆｎｕｍ）子模板：文件路径和各种标识的控制和显 控件容器库予模板：用于操作ＯＬＥ、ＡｃｔｉｖｅＸ等功能。 对话框子模板：用于输入对话框的显示控制。 修饰子模板：用于给前面板进行装饰的各种图形对象。 用户自定义的控制和显示 调用存储在文件中的控制和显示的接１３。 ２ ２３功能模板（ＦｕｎｃｔｉｏｔｉｓＰａＩｅｔｔｅ） 功能模板是创建框图程序的工具。该模板上的每一个顶层国标都表示一 个子模板。 结构ｆ模板：包括程序控制结构命令，例如循环控制等，以及全 局变量和局部变量。 数值运算子模板：包括各种常用的数值 运算符，如＋、．等；以及各种常见的数值运 算式，如＋１运算；还包括数制转换、三角函数、 对数、复数等运算．以及各种数值常数。 布尔逻辑子模板：包括各种逻辑运算符 以及柿尔常数。 字符串运算子模板：包含各种字符串操 作函数、数值与字符串之间的转换函数，以 及字符ｆ串）常数等。 数组子模板：包括数组运算函数、数组 转换函数，以及常数数组等。 囤? 群子模板：包括群的处理函数，以及群 常数等。这里的群相当于Ｃ语言中的结构。 比较子模板：包括各种比较运算函数，如大于、小十、等于 时问和对话框子模板：包括对话框窗｜Ｉ、时『日ｊ和出错处理函数等 文件输入／输出于模板：包括处理文件输入／输出的程序和函数 仪器控制子模板：包括ＧＰＩＢ（４８８、４８８ ２）、串行、ＶＸＩ仪器控制 的程序和函数，以及ＶＩＳＡ的操作功能函数。 仪器驱动程序库：用于装入各种仪器驱动程序 瞄一型雕一到劐 数据采集子模板：包括数据采集硬件的驱动程序，以及信号调理 所需的各种功能模块。 信号处理于模板：包括信号发生、时域及频域分析功能模块 。 数学模型子模块：包括统计、曲线拟合、公式框节点等功能模块 以及数值微分、积分等数值计算工具模块。 ?， 图形与声音子模块：包括３Ｄ、ＯｐｅｎＧＬ、声音播放等功能模块 是旦 通讯子模板：包括ＴＣＰ、ＤＤＥ、ＡｃｔｉｖｅＸ和ＯＬＥ等功能的处理模 块。 应用程序控制子模块：包括动态调用Ｖ１、 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 可执行程序的功能 。 函数。 底层接口子模块：包括调用动态连接库和ＣＩＮ节点等功能的处理 模块。 文档生成子模板。 示教课程子模板：包括ＬａｂＶＩＥＷ示教程序 用户自定义的子ｖＩ模板。 “选掸…ｖＩ子程序”子模板：包括一个对话框，可以选择一个 ｖＩ程序作为子程序（ＳＵＢＶ１）插入当前程序中。 ２３创建ｖｌ程序 一个ｖＩ程序必须具有三个要素：前面板、框图程序和图标／连接器。按 照图２－９和２一】０分别创建读数据子程序和写数据子程序两个ｖＩ。相关说明如 型譬剖五型?一 碗』｛位沦文 第一章Ｌａｂｖｌｅｗ简舟 ２ ３１前面板 使用输入控制和输出显示柬构成前面板。控制是用户输入数据到程序的 接口。而显示是输出程序产生的数据接口。控制和显示有许多种类，可以从 控制模扳的各个子模板中选取。 两种照常用的前面板对象是数字控制和数字显示。若想要在数字控制中 输入或修改数值，你只需要用操作工具（见工具模板）点击控制部件和增减 按钮，或者用操作工具或标签工具双击数值栏进行输入数值修改。 框图程序是由节点、端点、图框和连线四种元素构成的。 节点类似于文本语言程序的语句、函数或者子程序。ＬａｂＶＩＥＷ有二种节 点类型——函数节点和子ｖＩ节点，函数节点是ＬａｂＶＩＥＷ以编泽好了的机器代码供用户使用的，而子ｖＩ节点是以图形语言形式提供给用户的。用户可以 访问和修改任一子ｖＩ节点的代码，但无法对函数节点进行修改。 囤２－１ ０写敷据干程序框图程序 端点是只有一路输入／输比，且方向固定的节点。ＬａｂＶＩＥＷ有三类端点…－ 前面板对象端点、全局与局部变量端点和常量端点。对象端点是数据在框图 程序部分和前面板之『日Ｊ传输的接口。全局和局部变量端点用柬传递程序中不 同位置需要的相同数据。常量端点只能在ｖＩ程序框图中作为数据流源点。 圈框是ＬａｂＶＩＥＷ实现程序结构控制命令的图形表示，编程人员可以使用 它们控制ＶＩ程序的执行方式。代码接口节点（ＣＩＮ）是框图程序与用户提供 的Ｃ语言文本程序的接口。 连线是端口间的数据通道，类似于普通程序中的变量。数据是单向流动 的。不同的线型、颜色代表不同的数据类型，常用数据的线型和颜色如下： 整形数 兰色 浮点数 橙色 逻辑量 绿色 字符串 粉色 文件路径青色 标量 一维数组 二蛙数组 ２．３．３从框图程序窗口创建前面板对象 ２．４程序调试技术 对一个节点而言，只有当它的 所有输入端口上的数据都成为有 效数据时，它才能被执行。当节点 程序运行完毕后，它把结果数据送 给所有的输出端口，使之成为有效 数据。如左图２．１１所示，这个ＶＩ 程序把两个输入数值相乘，再把乘 积减去５０．０才得到最后的结果。 １、找出语法错误 如果一个ＶＩ程序存在语法错误，则在面板工具条上的运行按钮将会变成 一个折断的箭头，表示程序不能被执行，点击它，会弹出错误列表，点击其 中任何一个所列出的错误，则出错的对象或端口就会变成高亮。 ２、设置执行程序高亮 点击“高亮执行??按钮使该按钮图标变成高亮形式，再点击运行按钮， ＶＩ程序就以较慢的速度运行，执行后的代码高亮显示，没有执行的以灰色显 示，并显示相应数据值，以便让你根据数据的流动状态跟踪程序的执行。 ３、断点与单步执行 为了查找程序中的逻辑错误，你可以使用断点工具可以在程序的某一地 点中止程序执行，用探针或者单步方式查看数据。 ４、探针 从Ｔｏｏｌｓ工具模板选择探针工具，再用鼠标左建点击你希望放置探针的连 接线。这时显示器上会出现一个探针显示窗口。你可以用探针工具来查看当 框图程序流经某一根连接线时的数据值。 ２．５小结 本章从虚拟仪器（ＶＩ）的概念、操作模板、编程方法和程序调试技术等 方面简单介绍了虚拟仪器即仿真软件ＬａｂＶｉｅｗ特点和使用方法，同时列出了 几个后续章节中需要用到的小程序。 １７ 埘Ｉ学位瞳ｉ 第＝章水箱Ｗ象的模型 ３１水箱对象装置 第三章水箱对象的模型 深圳ＧｏｏｇｏｌＴｅｃｈｎｏｌｏｇｙ公司生产的液位过程控制系统（ＧＷＴ系列）水 箱实验装置为三容水箱装置，系统组成如图３－ｉ所示，包含电控箱、水箱本 体及由ＡＤ／ＤＡ数据采集卡（ＰＣＩ２００６）和普通Ｐｃ机组成的控制实验平台等三大 部分。其中电控箱内安装的主要部件有电磁阀控制器、Ｉ／０接口板、开关电 源、开关和指示灯等电气元件”“。 囤３ １水葙硬件关系囤 其中水箱本体见图３ ２所示，除水箱外其余部分分别为： Ｔ－、Ｔ２、Ｔ厂一一圆柱形玻璃容器，用于形成不同液位的水杜作为被控对 象： Ｐｌ、Ｐ２——水泵； ＬＴｌ、ＬＴ２、ＬＴ３——压力变送器，用于测量水柱液位高度； ＶＩ、Ｖ２——电磁阀； Ｖ３～Ｖ９——手动阀。 水箱内的水由泵Ｐｌ、Ｐ２抽出分别经自动阀ｖ１、ｖ２注入容器ＴＩ和Ｌ， 再经ｖ３、ｖ４流入容器Ｔ２，各容器内的水经各自的出水阔ｖｓ、ｖ６、ｖ７流回 水箱形成循环。改变阀ｖ３、ｖ４的开度可改变三个容器间的关联关系，改变 阀ｖｓ、ｖ６、Ｖ７的开度可以分别向三个容器引入干扰，阀Ｖｓ、ｖ９用于分流 以模拟工业过程中相互串联的容器具有不同的介质输入流量，并且以利于容 器Ｔ１和Ｔ３输入流量的控制。 图卜３单容水葙对象装王 本论文研究过程中，研究对象是基于图３－２中的单容液位系统，其示 意图如图３－３所示。水箱对象装置内流动的液体（纯净水）存储在水箱中，水 箱内的水由泵抽出经自动阀门２注入水柱，再经出水阀门１流回水箱形成循 环。通过电动阀门２（控制阀门）可以调节进水量ｇ。，通过阀门１可以手动 调节出水量ｑ。。这是一个典型的有自平衡能力的液位对象。 ３．２水箱对象的模型 ３．２．１水箱对象的数据采集 得到系统的输入输出数据，是建立液位系统模型的前提心３￣２４Ｊ。我们可以 通过编程操作数据采集卡，实现数据采集。本文中采用ＶＣ＋＋６．０来完成编 码„２５￣３０?\u12290X ｌ、ＶＣ＋＋６．０操作数据采集卡 本系统采用的是阿尔泰公司生产的ＰＣＩ２００６型号的数据采集卡，其自带 有访问操作数据采集卡的底层驱动，因此在正式编程之前，首先需要把 ＰＣＩ２００６．ＬＩＢ、ＰＣＩ２００６．ｈ添加到项目中。采用面向对象化编程，为数据采集 卡建立一个ＩＯＰｏｒｔ类，将数据采集功能全部封装在类中。ｌＯＰｏｒｔ类的基本 结果如下： ｃｌａｓｓ ＩＯＰｏｎ ｛ ｐｒｉｖａｔｅ： ＢＯＯＬ ｍ——ｂＰｏｒｔＯｐｅｎ； ＨＡＮＤＬＥ ｉｎ．—ｈＤｅｖｉｃｅ； ＰＣＩ２００６——ＰＡＲＡ—．ＡＤ ｍ——ＡＤＰａｒａ； ｐｕｂｌｉｃ： ＢＯＯＬＩｓＰｏｎＯｐｅｎ（Ｖｏｉｄ）； ｖｏｉｄＷｒｉｔｅＤａｔａ（ｄｏｕｂｌｅ＋ｖａｌｕｅ）； ｖｏｉｄＲｅａｄＤａｔａ（ｄｏｕｂｌｅ｝ｖａｌｕｅ）； ｖｏｉｄＣｌｏｓｅ（）； ＢＯＯＬＯｐｅｎ（ＵＩＮＴ ｎＩＤ）； ： ： ） 其基本功能为： ＢＯＯＬｍｂＰｏｒｔＯｐｅｎ：标示采集卡工作状态变量； ＨＡＮＤＬＥ ｍｈＤｅｖｉｃｅ：标示采集卡设备句柄； ＰＣＩ２００６ ＰＡＲＡ ＡＤ ｍＡＤＰａｒａ：标示采集卡参数设置类变量； ＢＯＯＬＩｓＰｏｒｔＯｐｅｎ（ｖｏｉｄ）：返回采集的工作状态； ｖｏｉｄＷｒｉｔｅＤａｔａ（ｄｏｕｂｌｅ?ｖａｌｕｅ）：写入ＤＡ数据； ｖｏｉｄＲｅａｄＤａｔａｆｄｏｕｂｌｅ木ｖａｌｕｅ）：读取ＡＤ数据； ｖｏｉｄＣｌｏｓｅ（）：停止数据采集卡； ＢＯＯＬＯｐｅｎ（ＵＩＮＴ ｎｌＤ）：开启指定设备号的数据采集卡。 ２、精确的定时器实现 ＶＣ＋＋６．０中提供了以下几种可供选择的定时方式： （１）ＷＭ ＴＩＭＥＲ消息映射能进行简单的时间控制。这种定时方法非 常简单，可以实现一定的定时功能，但精度非常低。 （２）利用ＧｅｔＴｉｃｋＣｏｕｎｔ０函数实现定时。精度比ＷＭ ＴＩＭＥＲ消息映射 高，ＣＰＵ占用率非常高，只能用于要求不高的延时程序中。 （３）多媒体定时器函数ＤＷＯＲＤ ｔｉｍｅＧｅｔＴｉｍｅ（ｖｏｉｄ），该函数定 时精度 为ｍｓ级，返回从Ｗｉｎｄｏｗｓ启动开始经过的毫秒数。但是很占用系统资源。 （４）利用ＱｕｅｒｙＰｅｒｆｏｒｍａｎｃｅＦｒｅｑｕｅｎｃｙ（）和Ｑｕｅｒｙ ＰｅｒｆｏｒｍａｎｃｅＣｏｕｎｔｅｒ（） 函数实现定时。其定时误差不超过１微秒，精度与ＣＰＵ等机器配置有关， 在精度要求非常高的情况下使用。 本系统中，数据采样周期为ｌ Ｓ，故采用第４种定时方式设计了一个定 时器线程，其核心代码如下： Ｕ ＩＮ ＴＴｉｍｅ—Ｐｒｏｃ（ＬＰＶＯＩＤ ＩＰａｒａｍ） ｛ ＬＡＲＧＥ．—ＩＮＴＥＧＥＲｌｉｔｍｐ； ＬＯＮＧＬＯＮＧ ＱＰａｒｔ １．ＱＰａｒｔ２； ｄｏｕｂｌｅ ｄｉｍｉｎｕｓ，ｄｆＦｒｅｑ，ｄｆＦｉｍ； ＱｕｅｒｙＰｅｒｆｏｒｍａｎｃｅＦｒｅｑｕｅｎｃｙ（＆ｌｉｔｍｐ）； ｄｆＦｒｅｑ＝（ｄｏｕｂｌｅ）ｌｉｔｍｐ．ＱｕａｄＰａｒｔ；／／获得计数器的 时钟频率 ＱｕｅｒｙＰｅｒｆｏｒｍａｎｃｅＣｏｕｎｔｅｒ（＆ｌｉｔｍｐ）； ＱＰａｒｔ１＝ｌｉｔｍｐ．ＱｕａｄＰａｒｔ；／／获得初始值 ＱＰａｒｔ２＝ＱＰａｒｔｌ； ２ｌ 硕｛： 第三章水箱对象的模型 ｗｈｉｌｅ（ＴＲＵＥ） ｛ ＱＰａｒｔｌ＝ＱＰａｒｔ２；／／上一次的终止值变成新的起始值 ＩＩＩＩ加入需要定时完成的事件代码 ｄｏ｛ ＱｕｅｒｙＰｅｒｆｏｒｍａｎｃｅＣｏｕｎｔｅｒ（＆ｌｉｔｍｐ）； ＱＰａｒｔ２＝ｌｉｔｍｐ．ＱｕａｄＰａｒｔ；／／获得中止值 ｄｆＭｉｎｕｓ＝（ｄｏｕｂｌｅ）（ＱＰａａ２－ＱＰａｒｔ １）； ｄｆＴｉｍ＝ｄｆＭｉｎｕｓ／ｄｆＦｒｅｑ；／／获得对应的时间值，单位为秒 ）ｗｈｉｌｅ（ｄｔＴｉｍ＜１）； ） ３．２．２水箱对象的模型 有了输入、输出数据，我们就可以设计对象的模型了。 对于图３－３所示对象的动态工作过程，由质量守恒原理知： 此外，由于水箱系统的输入是电磁阀门２（控制阀门）的控制电压，而 不是进水量ｑ。，所以，除式（３—５）外，还要有电磁阀门２的控制电压与进 水量ｑ。的关系模型。该系统电磁阀门为电压控制型阀门，控制电压为０一ｌＯ 伏，现取最大开度时的流量为最大流量，取其余开度时的流量与最大流量 的比值（即相对流量）为被测量。在实际测量中，通过测量经进水阀门向水柱 提供相同高度（取１００ｍｍ）的水所用的时间来间接测量相对流量，据此可得三 容装置两个电磁阀的相对流量特性图，如图３．４所示，其中蓝色虚线所示为 电动阀门２的相对流量特性曲线。从图中可以看出，全程动作时该电磁阀的 输入输出特性是非线性的，但在控制电压处于０．６＂３ｖ之间时其特性接近线 性，为降低控制系统的设计难度，本论文后续所用有效数据均处于上述范围 内，即该阀门被看成是一个线性阀，其放大倍数ＫＰ值随系统工作点不同而 不同，具体值计算如下。 ３３小结 本章在虚拟仪器ＬａｂＶｉｅｗ中编程，采用机理建模的方法建立单容水箱的 模型，以各后用。 硕士 第四章水箱液位的ＰＩＤ控制系统 第四章水箱液位的ＰＩＤ控制系统 在工业过程控制中，因为经典ＰＩＤ控制方式具有直观、实现简单、工作 可靠和调整方便等一系列优点，在长时间粗放型的工业生产中，这些特点综 合起来成就了其无可替代的优势，也使之成为了历史最悠久，应用最广泛， 生命力最强的控制方式。利用这种方式，只需简单地调整比例、积分和微分 三种运算的参数就可以快速地解决自动控制系统需要解决的最基本问题，即 系统的稳定性、快速性和准确性。以至于很多新型控制方式都是在常规ＰＩＤ 算法的基础上进行改造或改良的结果，如自适应ＰＩＤ、数字ＰＩＤ、智能ＰＩＤ、 模糊ＰＩＤ等。本章主要研究采用经典ＰＩＤ控制算法对于水箱液位进行控制的 系统设计及ＬａｂＶｉｅｗ实现方法。 ４．１水箱液位的ＰＩＤ控制系统 下图４．１是经典ＰＩＤ控制系统的结构方块图。基本原理是：液位变送器 将系统的输出液位信号Ｙ反馈到输入端，先与液位设定值，－进行比较得到偏 差ｅ，将偏差信号送给ＰＩＤ控制器得到控制信号甜，控制信号Ｕ传给驱动器来 控制阀门的开度，从而调节液位高度。 设定值 偏差 控制量 操纵变量 被控变量 图４－１水箱液位的ＰＩＤ控制系统结构方块图 ４．２ＰＩＤ控制器的设计 常规ＰＩＤ控制器是由比例、积分、微分三种数学运算组合而成的运算器， 它们称为控制器的控制规律。ＰＩＤ控制器的输入输出信号关系式为 式中 “（ｆ）…．控制器输出； Ｐ（，）…．控制器输入偏差，为控制器设定值和测量值之差：ｅ＝，．一Ｙ： Ｋ，．…比例放大倍数； Ｚ…．积分时间； 乃…．微分时间 其中，比例（Ｐ）控制是最简单、最基本的控制方式。当控制器中仅有 比例控制规律时，控制器的输出与输入偏差信号成比例变化，系统反应快速、 控制及时：但同时会使控制系统输出存在稳念误差或称余差。 积分（Ｉ）控制规律使控制器的输出与输入偏差信号的积分成正比关系。 如果一个自动控制系统进入稳态后存在稳态误差，则称这个控制系统是有差 系统，在系统质量要求高时是不允许的。为了消除稳态误差，在控制器中应 该引入“积分项”。积分项对偏差的克服作用取决于偏差存在的时间，随着 时ｆａＪ的增加，积分项会增大，这样，即便误差很小，积分项也会随着时间的 增加而加大，它推动控制器的输出增大使稳态误差进一步减小，直到等于零。 因此，比例＋积分（ＰＩ）控制器，可以使系统在进入稳态后没有余差。 微分（Ｄ）控制规律使控制器的输出与输入偏差信号的微分（即偏差的 变化率）成正比关系，它能预测偏差变化的趋势，提前产生控制作用，从而 避免了被控变量的严重超调。微分控制规律一般用在有较大惯性或滞后的被 控对象的调节过程中以改善其动态特性。 本文研究的单容水箱本身反应速度较快，所以实际控制时只选取比例和 积分（ＰＩ）两种算法就可以达到控制要求。 因为用ＬａｂＶｉｅｗ编程实现控制系统需要数字信号，所以上式还需离散化。 ４３水箱液位ＰＩＤ控制系 统的Ｌｖ实现 水箱液位ＰＩＤ控制系统的Ｕ Ｌｖ总体框图如下图４－３所示ｍ１。。 图中各部分说明如下： ? 第１部分为各参数、权赋 初始值； 第１Ｉ部分是ＰＩＤ控制器； 第?部分是水箱模型： 第?部分是系统偏差显示、 记录 混凝土 养护记录下载土方回填监理旁站记录免费下载集备记录下载集备记录下载集备记录下载 及程序运行控制等部分。 ４４控制系统的参数整定及控制结果 在ＰＩＩ）控制系统中，由于ＰＩＤ控制参数直接影响到整个系统的控制性能 硕ｆｊ 第四章水箱液他的ＰＩＤ控制系统 因此，确定一组较准确的参数值是一项至关重要的工作。关于ＰＩＤ参数整定 的问题，有文献对此作了专门的阐述?１￣３引，参数整定通常有两种方法，即 理论设计法和试验确定法。前者需要被控对象的精确模型，然后采用最优化 的方法确定ＰＩＤ的各参数。被控对象的模型可以通过物理建模或系统辨识等 方法得到，但这样通常只能得到近似的模型。通过试验确定法（试凑法）来选 择ＰＩＤ参数通常是行之有效的方法。试凑法是通过模拟或闭环运行系统来观 察系统的响应曲线，然后根据各控制参数对系统响应的大致影响来改变参 数，反复试凑，直至逼近最优值。在考虑了以上参数对控制过程的影响后， 试凑时，可按先比例一后积分一再微分的顺序反复调试参数。具体步骤如下： （１）首先只调整比例部分，将比例系数由小变大，并观察系统所对应 的响应，直到得到响应快、超调量小的响应曲线为止。如果这时系统的静态 误差己在允许范围内，并且达到４：ｌ哀减比（定值系统的最佳经验值）的 响应曲线，那么只需要调整比例环节即可，由此可以确定出比例系数。 （２）如果在比例调节的基础上，系统的静态误差还达不到设计要求， 则必须调整积分环节。积分常数在试凑时，先给一个较大值，并将上一步调 整时获得的比例系数略微减小，然后逐渐减小积分常数进行试凑，并根据所 获得的响应曲线进一步调试比例系数和积分常数值，直到消除静态误差，并 且保持良好的动态性能为止。 （３）如果使用比例积分环节虽然消除了静态误差，但系统的动态性能 仍不能令人满意，这时可调节微分环节。在试凑时，可先给一个很小的微分 常数，以后逐渐增大，同时相应地改变比例系数和积分常数，直到获得满意 的效果为止。 按照上述方法对系统进行参数整定，得到本系统的最佳参数值为： Ｋ．口＝４．１，巧＝８０ｓ，乃＝０ｓ。 取采样周期为Ｔ＝ｌｓ，水柱面积Ａ＝３００ｍｍ２，在系统工作点分别处于 １００ｍｍ、２００ｍｍ、３００ｍｍ时，电磁阀放大系数Ｋ．，分别取２０、４０和６０，手动出水 阀门阻力系数Ｒ＝８，控制器参数为Ｋ。＝４．１，Ｚ＝８０ｓ，乃＝０ｓ，其余各参数 初始值取为０，设定值，．分别为１００ｍｍ、２００ｍｍ、３００ｍｍ。启动系统，待系统状态 平稳后再加入阶跃干扰信号，干扰信号取控制电压Ａｕ＝０．５ｖ。系统控制结果 分别如下图４—４＂－４—６所示。 第五章水箱液位的神经网络控制系统 ５．１神经网络基础 ５．１．１神经网络模型 模拟人类实际神经网络的数学方法问世以来，人们已慢慢习惯了把这种 人工神经网络直接称为神经网络。神经网络在系统辨识、模式识别、智能控 制等领域有着广泛而吸引人的前景。特别在智能控制中，人们对神经网络的 自学习功能尤其感兴趣，并且把神经网络这一重要特点看作是解决自动控制 中控制器适应能力这个难题的关键钥匙之一【３６￣４２。。 神经网络的基础在于神经元。神经元是以生物神经系统的神经细胞为基 础的生物模型，把神经元数学化，就产生了神经元数学模型。大量的形式相 同的神经元连结在一起就组成了神经网络。 神经网络是一个高度非线性动力学系统。虽然，每个神经元的结构和功 能都不复杂，但是神经网络的动态行为却是十分复杂的，因此，用神经网络 可以表达实际物理世界的各种现象。 „ 神经网络模型是以神经元的数学模型为基础来描述的。神经网络模型由 网络拓扑、节点和学习规则来表示。 １、神经网络的基本机理和结构 神经网络的基本组成单元是神经元，人工神经网络理论是用神经元这种 抽象的数学模型来描述客观世界的生物细胞的。 生物的神经细胞是神经网络理论诞生和形成的物质基础和源泉。神经网 络的拓朴结构也是以生物学解剖中神经细胞互连的方式为依据的。这样，神 经元的数学描述就必须以生物神经细胞的客观行为特性为依据。因此，了解 生物神经细胞的行为特性就非常有必要。 神经元的生物学解剖可以用图５－１所示的结构表示由图可知，神经元由 细胞体，树突和轴突三部分组成，它们分别完成。 硕士 第五章水箱液位的神经网络控制系统 图５－１神经元的解剖 突触是一个神经元与另一个神经元之间相联系并进行信息传送的结构。 突触如图５－２所示。 树突 图５－２突触结构 根据神经生理学的研究，已经发现神经元及其间的突触起码有４种不同 的行为。神经元的４种生物行为为： （１）能处于抑制或兴奋状态： （２）能产生爆发和平台两种情况； （３）能产生抑制后的反冲； （４）具有适应性。 突触的４种生物行为有： （１）能进行信息综合； 硕士 第五章水箱液位的神经网络控制系统 （２）能产生渐次变化的传送； （３）有电接触和化学接触等多种连接方式； （４）会产生延时激发。 目前，神经网络的研究仅仅是对神经元的第一种行为和突触的第一种行 为进行模拟，其它行为尚未考虑。但是，神经网络的研究已向人们展示了其 美好的前景，只要按阶段不断取得进展，神经元和突触的其它行为是完全可 以实现人工模拟的。 ２、神经元的信息处理与传递 （１）神经元的兴奋与抑制 神经网络对神经元的兴奋与抑制进行模拟。一个神经元的兴奋和抑制两 种状态是由细胞膜内外之间不同的电位差来表征的。在抑制状态，这个电位 差大约在－５０～ｌＯＯｍｖ之间；在兴奋状态，则表现为约６０＂－＂ｌＯＯｍｖ的电脉冲。 神经元的兴奋过程电位变化如图５－３所示。 ３０ ? 柏 ２０ ０ －２０ —４０ 一印 一８０ 一ｌ? 图５－３神经元的兴奋过程电位变化 （２）神经元的信息传递及阀值特性 对神经细脑的研究结果表明：神经元的电脉冲几乎可以不衰减地沿着轴 突传送到其它神经元去。 当神经元接受来自其它神经元的信息时，膜电位在开始时是按时间连续 ３３ 硕Ｉ： 第五章水箱液位的神经网络控制系统 渐渐变化的。当膜电位变化经超出一个定值时，才产生突变上升的脉冲，这 个脉冲接着沿轴突进行传递。神经元这种膜电位高达一定阀值才产生脉冲传 送的特性称阀值特性。 这种阀值特性从图５－３中也可以看出。 神经元的信息传递除了有阀值特性之外，还有两个特点。一个是单向性 传递，即只能从前一级神经元的轴突未梢传向后一级神经元的树突或细胞 体，不能反之。另一个是延时性传递．信息通过突触传递，通常会产生０．５～ ｌｍｓ的延时。 （３）神经元的信息综合特性 神经元对来自其它神经元的信息有时空综合特性。 在神经网络结构上，大量不同的神经元的轴突末梢可以到达同一个神经 元的树突并形成大量突触。来源不同的突触所释放的神经递质都可以对同一 个神经元的膜电位变化产生作用。因此，在树突上，神经元可以对不同来源 的输入信息进行综合。这就是神经元对信息的空Ｉ?日Ｊ综合特性。 对于来自同一个突触的信息，神经元可以对于不同时间传人的信息进行 综合。故神经元对信息有时间综合特性。 （４）神经元、突触的Ｄ／Ａ、Ａ／Ｄ特性 从神经元轴突上传递的信息是等幅、恒宽、编码的离散电脉冲信号，故 而是一个数字量。但在突触中神经递质的释放和树突中膜电位的变化是连续 的。故而，这时说明突触有Ｄ／Ａ功能。在神经元的树突膜电位高过一定阀值 时，则又变成电脉冲方式由轴突传送出去。故而，这个过程说明神经元有 Ａ／Ｄ功能。 很明显，信息通过一个神经元传递时，神经元对信息执行了Ｄ／Ａ、Ａ／Ｄ 转换过程。 从上面可知，神经元对信息的处理和传递有阀值，Ｄ／Ａ、Ａ／Ｄ和综合等 一系列特性和功能。 ３、神经元的数学模型 从神经元的特性和功能可以知道，神经元是一个多输入单输出的信息处 理单元，而且，它对信息的处理是非线性的。根据神经元的特性和功能，可 以把神经元抽象为一个简单的数学模型。工程上用的人工神经元模型如图 ５—４所示。 在图５－４中，Ｘ．，Ｘ，，……，Ｘ。是神经元的输入，即是来自前级ｒ１ 个神经元的轴突的信息是ｉ神经元的阀值；形。，形：……，既分别是ｉ神 硕士 第五章水箱液位的神经网络控制系统 经元对Ｘ。，Ｘ２，ｅｅｅｅｅｅ９Ｘ。的权系数，也即突触的传递效率；Ｙ，是ｉ神经 元的输出；“?］是激发函数，它决定ｉ神经元受到输人Ｘ。，Ｘ：，……，Ｘ。 的共同刺激达到阀值时以何种方式输出。 对于阶跃型激发函数，它的输出是电位脉冲，故而这种激发函数的神经 元称离散输出模型。 对于线性激发函数，它的输出是与输入的激发总量成正比的，故这种神 经元称线性连续型模型。 对于Ｓ型激发函数，因它的输出是非线性的，故这种神经元称非线性连 续型模型。 上面所叙述的是最广泛应用而且人们最熟悉的神经元数学模型；也是历 史最长的神经元模型。近若干年来，随着神经网络理论的发展，出现了不少 新颖的神经元数学模型，这些模型包括逻辑神经元模型，模糊神经元模型等， 并且渐渐也受到人们的关注和重视。 神经网络在目前已有几十种不同的模型。人们按不同的角度对神经网络 进行分类，通常可按５个原则进行神经网络的归类。 按照网络的结构区分，有前向网络和反馈网络。 按照学习方式区分，有有教师学习和无教师学习网络。 按照网络性能区分，有连续型和离散性网络，随机型和确定型网络。 按照突触性质区分，有一阶线性关联网络和高阶非线性关联网络。 按对生物神经系统的层次模拟区分，有神经元层次模型、组合式模型、 网络层次模型、神经系统层次模型和智能型模型。 通常，人们较多地考虑神经网络的互连结构。一段而言，神经网络有分 层网络、层内连接的分层网络、反馈连接的分层网络、互连网络等４种互连 结构，这些结构如图５—６所示。 在人们提出的几十种神经网络模型中，人们较多用的是Ｈｏｐｆｉｅｌｄ网络、 ＢＰ网络、Ｋｏｈｏｎｅｎ网络和ＡＲＴ（自适应共振理论）网络。 （ａ）分层网络 （ｂ）有层内连接的分层网络 （ｃ）有反馈连接的分层网络 （ｄ）互连网络 图５－６神经网络的互连结构 Ｈｏｐｆｉｅｌｄ网络是最典型的反馈网络模型，它是目前人们研究得最多的 模型之一。Ｈｏｐｆｉｅｌｄ网络是由相同的神经元构成的单层，并且不具学习功 能的自联想网络。它需要对称连接。这个网络学习以完成制约优化和联想记 忆等功能。 ＢＰ网络是反向传播（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）网络。它是一种多层前向网络， 采用最小均方差学习方式。这是一种最广泛应用的网络。它可用于语言综合， 识别和自适应控制等用途。ＢＰ网络需有教师训练。 Ｋｏｈｏｎｅｎ网络是典型的自组织神经网络，这种网络也称为自组织特征映 射网络ＳＯＭ。它的输入层是单层单维神经元；而输出层是二维的神经元，神 ３７ 经元之间存在侧向交互的作用。因而，在输出层中，神经元之间有近扬远抑 的反馈特性，从而使Ｋｏｈｏｎｅｎ网络可以作为模式特征的检测器。 ＡＲＴ网络也是一种自组织网络模型。这是一种无教师学习网络。它能够 较好地协调适应性，稳定性和复杂性的要求。ＡＲＴ网络主要用于模式识别， 它不足之处是在于对转换、失真和规模变化较敏感。 ４、神经网络信息处理的数学过程 神经网络信息处理可以用数学过程来说明，这个过程可分为两个阶段； 执行阶段和学习阶段。下面以前向网络情况说明这两个阶段。 （１）执行阶段 执行阶段是指神经网络对输入信息进行处理，并产生对应的输出过程。 在执行阶段，网络的连接结构和权系数是已经确定并且不会变化的。这时有： “，ｏ＋１）＝?％（，＋１）„（，）一ｐ（Ｈ１） （５—７） 』＝ｌ ｚ（，＋１）＝ｆＪｕ，（，＋１）】 （５－８） 其中：Ｘ．是前级神经元的输出； 形，是第ｉ个神经元和Ｉｊｉ『级ｊ个神经元突触的权系数； 伊是第ｉ个神经元的阀值； ，：为第ｉ个神经元的非线性激活函数； Ｘ．为第ｉ个神经元的输出。 （２）学习阶段 学习阶段是指神经网络自完善的阶段。这时，网络按一定的学习规则修 改突触的权系数彬，，以使得给定的测度函数Ｅ达到最小。一般取： Ｅ＝（Ｚ，置） （５－９） 其中，Ｚ是教师信号： Ｘ，是神经元的输出。 其中：缈是一个非线性函数，％是权重变化率，万是学习时的迭代次数。 神经网络对信息的处理一般都需要学习阶段和执行阶段结合，才能实现 合理的处理过程。神经网络对信息的学习是为了取得对信息的适应特性，或 信息的特征；而神经网络对信息的执行过程是对特征检索或者对信息分类。 学习和执行是神经网络不可缺少的两个处理和功能。神经网络的各种有 效的行为和作用，都是通过这两个关键的过程来实现的。 通过学习阶段，可以把神经网络训练成对某种信息模式特别敏感，或具 有某种特征的动力学系统。通过执行阶段，可以用神经网络识别有关信息模 式或特征。 在智能控制中，用神经网络作为控制器，则在学习时就是以神经网络去 学习被控对象的特征，从而使神经网络能适应被控对象的输入输出关系，这 样，在执行时，神经网络就能以学习到的知识对被控对象实现最恰当的控制。 ５．１．２神经网络的学习方式 学习是神经网络最重要的特征之一。神经网络能够通过学习和训练改变 其内部结构参数，使输入输出朝更确切地表示其关系的方向发展。训练的实 质是同一个训练集的样本输入输出模式反复作用于网络，网络按照一定的训 练规则（又称学习规则或学习算法）自动调节神经元之间的连接强度或拓扑 结构。当网络的实际输出满足期望的要求，或者趋于稳定，则认为训练圆满 结束。按环境所提供信息的多少，学习方式可分为以下三种。 １、有教师学习 图５－７有教师学习模式 ３９ 有教师学习方式需要外界存在一个“教师??信号，所谓教师信号，就是 在神经网络学习中由外部提供的输入输出模式样本信号。它可对一组给定输 入提供应有的输出结果，这组已知的输入输出数据称为训练样本集。学习系 统根据已知输出与实际输出之间的差值来调节系统参数，如图５—７所示。当 输入作用到网络时，网络的实际输出与目标输出相比较，然后学习规则调整 网络的权值和阈值，从而使网络的实际输出接近于目标输出。 ２、无教师学习 无教师学习时不存在外部教师，学习系统完全按照环境所提供的某些统 计规律来调节自身参数或结构，以表示外部输入的某种固有特性（如聚类）， 如下图５－８所示。当输入模式进入网络后，网络按照一预先设定的规则（如 竞争规则）自动调整权值，使网络最终具有模式分类等功能。 环境状态 图５－８无教师学习模式 ３、强化学习 强化学习介于上面两种学习之间，外部环境对系统输出结果只给出评价 而不是正确答案，学习系统通过强化那些受奖励的动作来改善自身性能，如 下图５—９所示。 图５－９强化学习模式 感知器采用有教师信号进行学习，而认知器则是采用无教师信号进行学 习的。在主要神经网络中，ＢＰ网络和Ｈｏｐｆｉｅｌｄ网络是需要教师信号才能进 行学习的，而ＡＲＴ网络和Ｋｏｈｏｎｅｎ网络则无需教师信号就可以学习。 ５．１．３神经网络的学习规则 学习是神经网络一种最重要也最令人注目的特点。在神经网络的发展进 程中，学习规则的研究有着十分重要的地位。 神经网络的学习规则可以粗略分成３类，这些类别分别如下： １、纠错学习规则 这种规则根据输出节点的外部反馈改变权系数。在方法上它和梯度下降 法等效，按局部改善最大的方向一步步进行优化，从而最终找到全局优化值。 感知器学习就采用这种纠错学习规则，ＢＰ算法、用于统计性算法的模拟退 火算法也属于这种学习规则。 令只何为输入ｘ内时神经元ｆ在ｋ时刻的实际输出，，，?表示相应的期望 输出，则误差信号可写为 ｅｔ（七）＝ｆ，（尼）一只（｜｜｝） （５—１２） 纠错学习规则的最终目的是使某一基于巴内的函数达到最小，以使网络 中每一输出单元的实际输出在某种统计意义上最逼近于期望输出。一旦选定 了目标函数形式，纠错学习就成为一个典型的最优化问题。最常用的目标函 数是均方误差判据，￡是统计期望算子，上式的前提是被学习的过程是宽平稳的，可 用最速下降法实现。直接用，作为目标函数时，需要知道整个过程的统计特 性，为解决这个问题，通常用／在时刻ｋ的瞬时值， ２、Ｈｅｂｂ学习规则 神经心理专家Ｈｅｂｂ提出的学习规则可归结为“当某一突触（连接）两 端的神经元激活同步时，该连接的强度应增强，反之应减弱”，用数学方式 可描述为： ４１ ３、竞争学习规则 顾名思义，在竞争学习时网络各输出单元之问互相竞争，最后达到只有 一个最强者激活。最常见的一种情况是输出神经元之间有侧向抑制性连接。 这样众多输出单元中如有某一单元较强，则它将获胜并抑制其他神经元，最 后只有比较强者处于激活状态。最常用的竞争学习规则可写为 ５．２前向神经网络ＢＰ算法 反向传播算法也称ＢＰ（ＢａｃｋＰｒｏｐａｇａｔ ｉｏｎ）算法，由Ｒｕｍｅｌｈａｒｔ于１９８６ 年提出。ＢＰ算法是目前最广泛应用的神经网络学习算法之一，也是在自动 控制中最有用的学习算法。ＢＰ算法是为了解决多层前向神经网络的权系数 优化而提出来的，所以，ＢＰ算法也通常暗示着神经网络的拓扑结构是一种 无反馈的多层前向网络。故而，有时也称无反馈多层前向网络为ＢＰ模型。 ５．２．１ＢＰ算法原理 ＢＰ算法是用于前向多层网络的学习算法，前向多层网络的结构一般如 图５—１０所示。 它含有输人层、输出层以及处于输入输出层之间的中间层。中间层有单 层或多层，由于它们和外界没有直接的联系，故也称为隐层。隐层虽然和外 界不连接，但是，它们的状态会影响输入输出之间的关系，也是说，改变隐 层的权系数，可以改变整个多层神经网络的性能。 设有一个ｍ层的神经网络，并在输入层加有样本Ｘ；设第ｋ层的ｆ神经 元的输入总和表示为阱，输出Ｆ；从第ｋ一１层的第，个神经元到第ｋ层的 ４２ 第ｆ个神经元的权系数为Ｗ；，各个神经元的激发函数为／，则各个变量的关系 可用下面有关数学式表示： 反向传播算法分二步进行，即正向传播和反向传播。这两个过程的工作 简述如下。 １、正向传播 输入的样本从输入层经过隐单元一层一层进行处理，通过所有的隐层之 后，再传向输出层；在逐层处理的过程中，每一层神经元的状态只对下一层 神经元的状态产生影响。在输出层把现行输出和期望输出进行比较，如果现 行输出不等于期望输出，则进入反向传播过程。 ２、反向传播 反向传播时，把误差信号按原来正向传播的通路反向传回，并对每个隐 ４３ 层的各个神经元的权系数进行修改，以期误差信号趋向最小。 ５．２．２ＢＰ算法的数学表达 ＢＰ算法实质是求取误差函数的最小值问题。这种算法采用非线性规划 中的最速下降方法，按误差函数的负梯度方向修改权系数。 为了说明ＢＰ算法，首先定义误差函数ｅ。取期望输出和实际输出之差 的平方和为误差函数，则有： Ｐ＝ｉ１己Ｌ咒ｍ—Ｚ）２ （５—２１） 其中：ｒ是输出单元的期望值，它也在这罩用作教师信号，Ｉｙ，ｍ是第ｍ层 的实际输出。 由于ＢＰ算法按误差函数ｅ的负梯度方向修改权系数，故权系数ｗ，的修 改量?％和ｅ的关系应为 ４、求各层的学习误差钟。 对于输出层有ｋ＝聊，有 吐朋＝ｙ，”（１讲”）（只”一ｒ） （５—４５） 对于其他各层，有 钟＝?（１并？）?ｗｆｌ钟“ （５—４６） ， ５、修正权系数％和阀值秒。 用式（５—４１）时有： ％（，＋１）＝％（，）－卯ｊ?ｋ－１ （５—４７） 用式（５—４２）时有： ％（ｆ＋１）＝％（，）－叩叩ｊ矽Ｊ＋仅?ｗ?（，） （５—４８） 其中： Ａｗ，ｊ（ｔ）＝－聊ｊｋ－１＋ａａｗ，ｊ（ｔ－１） ＝ｗｙ（ｔ）一％（ｆ一１） （５－４９） ６、当求出了各层各个权系数之后，可按给定品质指标判别是否满足要 求。如果满足要求，则算法结束；如果未满足要求，则返回第３步执行。 这个学习过程，对于任一给定的样本Ｘｐ＝（ｘ胪ｘｐ：，…，ｘ朋，１）和期望输出 „＝（ｙ胪ｙＰ：，…，ｙ用）都要执行，直到满足所有输入输出要求为止。 ５．３水箱液位的神经网络ＰｌＤ控制系统 ＰＩＤ控制由于具有直观、实现简单和鲁棒性能好等优点，在工业控制系统 中一直颇受青睐。但是，在实际生产现场，由于条件常常受到限制，比如缺 乏相关仪器、不允许附加扰动和调试时间短等因素，使得ＰＩＤ参数的整定往往 硕士 第五章水箱液位的神经网络控制系统 难以达到最优状态，并且由于工业过程对象一般具有时变性，即使在某一工 作点获得了最优参数，仍存在在这个工作范围保持长期工作最优的问题。针 对上述问题，有人已提出过多种自校正方法，但由于自适应控制是在被控对 象为线性对象的前提下进行研究的，面对工业过程的非线性特性，仍存在不 尽人意之处。由于神经网络可在一定条件下逼近非线性，人们自然地将神经 网络方法与ＰＩＤ控制结构相结合，产生了基于神经网络的ＰＩＤ控制方法。【４３】￣【５２Ｊ 神经网络方法与ＰＩＤ控制结构相结合的方式有多种如基于单个神经元的 直接ＰＩＤ控制、基于多层前向网的ＰＩＤ控制和神经网络变结构控制等。本文研 究精度较高的基于多层前向网的ＰＩＤ控制方式。 ５．３．１基于多层前向网的ＰＩＤ控制结构 图５－１１神经网络ＰＩＤ控制系统原理方块图 在基于多层前向网即ＢＰ神经网络结构的ＰＩＤ控制方案中，采用了间接控制 方式，它由控制器网络ＮＮＣ和辨识器网络ＮＮＩ组成，其控制系统结构框图如图 ５一１１所示【５３】。 控制系统启动后，首先对对象被控变量ｙ（ｔ）进行采样，一方面送给ＮＮＣ控 ４９ 制器计算偏差值即偏差的ＰＩＤ值，再利用ＮＮＣ的ＢＰ网络计 算控制信号甜（ｆ）；另一方面送给辨识器ＮＮＩ与接收到的“（ｆ）一起按照预定的学 习算法１对辨识器进行权值修正。辨识器计算出被控变量的第，＋１步预测值 ｙ（ｔ＋１）与设定值进行比较后按照学习算法２对控制器ＮＮＣ进行权值修正，试图 提前对系统各结构参数进行修正以得到更快的收敛速度和更好的控制效果。 各学习算法均以梯度下降法通过沿着误差平方和的最快下降方向连续调整网 络的权值和阈值。 ５．３．２神经网络ＰＩＤ控制系统辨识器的设计 被控对象水箱为单输入单输出的非线性系统，设其数学模型为 ｙ（ｔ）＝ｆ［ｙ（ｔ－１），…，ｙ（ｔ－ｎ），ｕ（ｔ－１），?？?，“ｍ甩）】 （５－５０） 式中，“（ｒ），ｙ（ｒ）分别为对象的输入和输出；ｍ和刀分别为函（ｒ）｝和 涉（，））的 阶次，且ｍ＝刀＝１：ｆ（?）是非线性函数。 网络的输入层有Ｍ＝ｎ＋ｍ＋ｌ＝３个神经元 神经网络ＰＩＤ控制比常规ＰＩＤ控制要较快进入稳定状态，超调量较小，准确性 也更好。 从整体比较发现，各控制系统在液位设定值较高时控制效果均比工作点 较低时要差，究其原因，差别来自于两个方面： 其一，因为干扰是以改变等量电磁阀的控制电压来给定的，而由于电磁 阀的特性是非线性的，在系统不同工作点处同样电压值改变的水箱进水量是 不一样的，其值随着工作点的升高而升高，造成液位控制点较高时系统的振 荡幅度都增大，稳定性下降，过渡过程时间都拖长。当采用普通ＰＩＤ控制方案 时，情况比较严重，但采用基于神经网络的ＰＩＤ控制方案时，由于控制器各信 号权系数Ｋ，在控制过程中会按照ＢＰ原理进行及时的修正，所以整体效果比普 通ＰＩＤ控制的要好。 其二，来自于对象模型设计的局限性。为工作方便，本论文所采用的数 据都是事先采样好保存在一些．ｔｘｔ文档中，建立对象的模型时，虽然也对不同 工作点的数据进行了测试修正，但在控制过程中，对象模型基本上是固定的， 各动、静态参数都被固定在工作点２００ｍｍ附近，所以当给它输入１００ｍｍ的数 据时，响应会较快，而在３００ｍｍ时刚好相反，同时也由于神经网络ＰＩＤ控制系 统具有权系数在线修正功能，使得其比普通ＰＩＤ控制系统的控制效果要好。 综上，基于神经网络的ＰＩＤ控制较普通的ＰＩＤ控制在单容液位的控制 中总体具有更好的应用效果。在不同的控制点处，基于神经网络的ＰＩＤ控 制都得到了比普通ＰＩＤ控制较小的超调量、响应时间和稳态误差，动态偏 差也在更短的时间内得到控制，效果良好。 常规ＰＩＤ控制方式由于其计算方法的确定性和参数整定过程的安全性 决定了其控制过程一定会有动态偏差、超调，一定会振荡，所以系统的稳定 性和快速性会相应地受到制约，上述偏差和振荡状况可以在一定范围内被改 善但不可能完全克服。而神经网络采用的ＢＰ算法以偏差最小化为目标进行 在线的对象模型自动辨识和网络结构权值等参数的自行修改，以最速下降法 沿着不变的方向进行控制，所以控制系统可以在利用了常规ＰＩＤ控制方式 优点的同时，最大程度地克服偏差和振荡，获得最佳的快速性、稳定性和准 确性。这也就是为什么在图５—１７～５—２２所示系列曲线中，所有基于神经网 络的ＰＩＤ控制曲线都比相应常规ＰＩＤ控制曲线具有更快的速度，而且几乎不 振荡的原因。 通过对上述仿真实验结果的比较、分析，我们可以认为，基于神经网络 的ＰＩＤ控制方式比常规ＰＩＤ控制方式的控制效果更好，控制质量更高，值得 推广应用。 ５．５小结 本章详细叙述了多层Ｉｊ｛『向神经网络的结构和原理，单容水箱液位对象神 经网络ＰＩＤ控制系统的结构及设计方法及控制系统在Ｌａｂｖｉｅｗ中的实现方 法。最后将单容水箱液位的两种不同控制方案进行比较。结果证明，神经网 络ＰＩＤ控制系统比常规ＰＩＤ控制系统对于单容液位对象的控制具有更好的 控制性能。 ６１ 硕Ｉ： 第六章结束语 ６．１本文的工作 第六章结束语 工业上常见的液位对象经常会同时具有时变、非线性、大滞后、不确定 性等多种难以控制的特性，随着人们对控制指标的要求越来越高，对于复杂 的过程控制对象，单纯使用传统的ＰＩＤ控制，已经很难达到理想的控制效果。 本文在充分研究神经网络的特点与控制方法的基础上，设计了基于多层前向 网的ＰＩＤ控制器，用于单容水箱液位对象的控制，采用仿真法显示了试验结 果，采用比较法证实了应用神经网络ＰＩＤ控制系统进行控制的优势。其主要 内容如下： 首先，论文介绍了课题的来源、水箱液位对象控制研究的意义和现状， 人工神经网络的发展简史、特点、研究方向和应用领域。 然后简单介绍了用于系统实现和仿真的虚拟仪器软件ＬａｂＶｉｅｗ的概念、 操作模板、编程方法和程序调试技术等方面的内容，同时列出了几个后续章 节中需要用到的小程序。 接下来采用机理建模的方法建立了单容水箱的模型，并在虚拟仪器 ＬａｂＶｉｅｗ中编程实现，备用。 本文的重点部分介绍了单容液位对象的两个不同的控制系统并对它们的 控制结果进行了比较。 ｌ、常规ＰＩＤ控制系统。简单介绍常规ＰＩＤ控制的结构和方法后，详细探 讨了如何建立单容水箱液位的常规ＰＩＤ控制系统及其在仿真软件Ｌａｂｖｉｅｗ中 的实现方法。经过对控制器进行参数整定获得最佳ＰＩＤ参数值后，我们得到 了系统在指定工作点处由阶跃干扰引起的响应曲线。 ２、神经网络ＰＩＤ控制系统。在充分研究神经网络的特点与控制方法的基 础上，本文选择了应用广泛的多层前向神经网络的结构ＢＰ网络和同样应用广 泛而易于操作的ＰＩＤ控制算法相结合，组成了神经网络ＰＩＤ控制系统。详细 叙述了多层前向神经网络ＰＩＤ控制系统的结构和工作原理，详细叙述了系统 中神经网络控制器和神经网络辨识器的结构及设计方法，以及控制系统在 Ｌａｂｖｉｅｗ中的实现方法。对系统进行试验，我们也得到了系统在指定工作点处 由阶跃干扰引起的响应曲线。 最后，论文对单容水箱液位的两种不同控制方案的控制结果进行了比较。 从比较结果知，神经网络ＰＩＤ控制系统不论在哪个工作点处都比常规ＰＩＤ控 硕ｌ： 第六审结束语 制系统表现出进入稳定状态较快，超调量较小，准确性也更好等特性，该结 果说明，应用神经网络ＰＩＤ控制系统比常规ＰＩＤ控制系统对于单容水箱液位 对象进行控制能获得更好的控制性能。 本文将神经网络与常规ＰＩＤ算法结合引入液位控制器的设计中，开辟了 一种对于液位对象进行控制的新思路，同时，结合工作的需要，探讨了将控 制系统在仿真软件ＬａｂＶｉｅｗ中的实现方法，获得了预期的效果，能为工业上 对液位对象的控制理论发展和实际应用提供重要的指导。 ６．２今后的研究方向 ｌ、进一步研究神经网络结构的多样性和改进措施，进一步探索对象建 模的多种方法，优化控制方案，提高控制质量。 ２、探究多容液位对象的多种控制方案，探索多容液位控制系统的实现 方法和途径。 ３、更深入地学习ＬＶ程序设计的方法，将其灵活运用于过程控制系统的 建模、辨识、控制、仿真等多个领域。 总之，本文是一篇理论研究和实践应用相结合的论文，将先进的控制方 法和控制思想应用于生产过程中常见对象的控制，以期得到更好的效果，它 将对进一步研究多容对象具有非常重要的借鉴意义和广泛的应用前景。 硕Ｉ： 参考文献 参考文献 【１】金彦平．用ＰＬＣ实现分段液位控制【Ｊ】．机床电器．２００４，（４） 【２】喻其炳．工程中液位控制的三种常见方式【Ｊ】．渝州大学学报（自然科学 版）．２００２，１９（４） 【３】陆仲达，徐凤霞．单片机液位控制系统【Ｊ】．齐齐哈尔大学学报．２００３，１９（１） 【４】丁芳，李艳芳，费玉龙．智能ＰＩＤ算法在液位控制系统中的应用【Ｊ】．微计算 机信息．２００６，２２（６．１） 【５】马秀坤，孙德辉，马学军，郑桂财．模糊控制在多变量液位控制系统中的 应用研究【Ｊ］．电气应用．２００５，２４（８） 【６】袁丽英，牟晓光．自适应液位模糊控制系统设计【Ｊ］．哈尔滨商业大学学报（自 然科学版）．２００５，（６） 【７】聂冰，李文．自学习模糊控制器在水箱液位控制系统中的应用［Ｊ】．仪器仪表 用户．２００６，１３（３） 【８】李祖林．基于模糊控制决策的连铸机结晶器液位控制系统设计［Ｊ】．工业仪表 与自动化装置．２００４，（１） 【９】ＨｕｉＰｅｎｇ，Ｔｏｒｕ Ｏｚａｋｉ，Ｖａｌｅｒｉｅ Ｈａｇｇａｎ－Ｏｚａｋｉ．Ａ Ｎｏｎｌｉｎｅａｒ Ｅｘｐｏｎｅｎｔｉａｌ ＡＲＸ Ｍｏｄｅｌ－Ｂａｓｅｄ ＭｕｌｔｉｖａｒｉａｂｌｅＧｅｎｅｒａｌｉｚｅｄ Ｐｒｅｄｉｃｔｉｖｅ Ｃｏｎｔｒｏｌ Ｓｔｒａｔｅｇｙ ｆｏｒ Ｔｈｅｒｍａｌ ＰｏｗｅｒＰｌａｎｔｓ［Ｊ］．ＩＥＥＥＴＨＡＮＳＡＣＴＩＯＮＳ ＣＯＮＴＲＯＬＳＹＳＴＥＭＴＥＣＨＮＯＬＯＧＹ． Ｍａｒｃｈ，２００２ 【１ ０】ＨｕｉＰｅｎｇ，ＴｏｒｕＯｚａｋｉ，Ｖａｌｅｒｉｅ Ｈａｇｇａｎ－Ｏｚａｋｉ．Ｍｏｄｅｌｉｎｇａｎｄ Ｃｏｎｔｒｏｌ ｏｆ ＮＯｘ ＤｅｃｏｍｐｏｓｉｔｉｏｎＰｒｏｃｅｓｓｗｉｔｈＯｐｅｒａｔｉｎｇ—ＰｏｉｎｔＤｅｐｅｎｄｅｎｔＤｙｎａｍｉｃｓ［Ｊ］．ＩＥＥＥ ＴＨＡＮＳＡＣＴＩＯＮＳ ＣＯＮＴＲＯＬＳＹＳＴＥＭ ＴＥＣＨＮＯＬＯＧＹ．Ｍａｒｃｈ，２００３． 【１１】火长跃，赵旎，付春仙．用ＬａｂＶＩＥＷ实现液位的实时控制【Ｊ】．洛阳工业 高等专科学校学报．２００３，（１２） 【１２】张铮，陈小桥．虚拟仪器技术的工业液位仿真系统设计【Ｊ】．实验室研究与探 索．２００３，（１０） 【１３】陈明．神经网络模型［Ｍ】．大连：大连理工大学出版社，１９９５ 【１４】数字神经网络系统．【Ｍ／ＯＬ］．［２００８－１１－０８］． ｈｔｔｐ：／／ｗｗｗ．ｊｇｃｈｉｎａ．ｃｏｍ／ｅｄｎｎｓ／ｅｄｎｎｓｂｋ／ｄｉｒｅｃｔｏｒ．ｈｔｍ 【１５】中科永联高级技术培训中心．人工神经网络．【Ｇ／ＯＬ］．［２００８．１１－０８］． ｈｔｔｐ：／／ｗｗｗ．ｉｔｉｓｅｄｕ．ｃｏｍ／ｐｈｒａｓｅ／２００６０３０２１２３１１７５．ｈｔｍｌ ［１６】Ｎａｔｉｏｎａｌ Ｉｎｓｔｒｕｍｅｎｔｓ．ＬａｂＶＩＥＷ７Ｅｘｐｒｅｓｓ评估版使用指南【Ｍ】．２ ００３ 硕１： 参考义献 ［１７】戴敬等．ＬａｂＶＩＥＷ基础教程［Ｍ】．北京：国防工业出版社，２００２ 【１ ８】ＪａｃｋＪａｋｋｉｄｉ．ＧｅｔｔｈｅｍｏｓｔｆｒｏｍＬａｂＶｉｅｗ［Ｊ］．ＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ Ｔｉｍｅｓ，２００５，（１３８９）：７０ 【１９】张毅，周绍磊，杨秀霞．虚拟仪器技术分析与应用［Ｍ】．北京：机械工业出 版社，２００４ 【２０】ＡｎｉｒｕｄｄｈａＭｉｔｒａ，ＳａｈａｎａＳｅｎ．ＦＦＴ ＡＮＡＬＹＳＩＳ ＵＳＩＮＧＬＡＢＶＩＥＷＡＳ Ａ ＰＡＲＴＯＦ ＶＩＢＲＡＴＩＯＮ ＡＮＤ ＰＲＥＶＥＮＴＩＶＥＭＡＩＮＴＥＮＡＮＣＥＣＬＡＳＳ ＦＯＲ ＳＥＮＩＯＲ ＬＥＶＥＬＭＥＴＳＴＵＤＥＮＴＳ［Ｊ］．２００５ＡＳＭＥＩｎｔｅｒｎａｔｉｏｎａｌＭｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ＣｏｎｇｒｅｓｓａｎｄＥｘｐｏｓｉｔｉｏｎ（ＩＭＥＣＥ ２００５），２００５ 【２ １】ＨａｒｒｙＦｒａｎｚ．ＤＥＶＥＬＯＰＭＥＮＴＯＦ ＡＮ ＥＬＥＣＴＲＩＣＡＬＰＯＷＥＲＳＹＳＴＥＭＳ ＣＯＵＲＳＥ ＵＳＩＮＧＬＡＢＶＩＥＷＡＮＤ ＶＩＳＵＡＬ ＢＡＳＩＣＳＯＦＴＷＡＲＥ［Ｊ］．２００６ＡＳＥＥ Ａｎｎｕａｌ Ｃｏｎｆｅｒｅｎｃｅ＆Ｅｘｐｏｓｉｔｉｏｎ．２００６ 【２２】Ｇｏｏｇｏｌ Ｔｅｃｈｎｏｌｏｇｙ液位过程控制系统（教学设备）ＧＷＴ系列软件使用说 明书［Ｍ】，深圳固高科技有限公司．２００３ 【２３］潘立登，潘仰东．系统辨识与建模．北京：化学工业出版社，２００１．１：１４～４５ 【２４】Ｋａｔｓｕｈｉｋｏ Ｏｇａｔａ，．现代控制工程．北京：清华大学出版社，２００６．１１：２５～４ ５ 【２５】ＰＣＩ２００６数据采集卡使用说明书【Ｍ】．北京阿尔泰科贸有限公司，２００４ 【２６］黄维通．ＶｉｓｕａｌＣ＋＋面向对象与可视化程序设计【Ｍ］．北京：清华大学出版 社，２０００ ［２７】张海棠．Ｖｉｓｕａｌ Ｃ＋＋６．０编程指南【Ｍ】．北京：航空工业出版社， １９９９．１１：５－１００ 【２８】邓小石等．精通Ｖｉｓｕａｌ Ｃ＋＋６．０【Ｍ】．北京，清华大学出版社，２０００ 【２９】路明等．Ｃ＋＋自学通［Ｍ］．北京：机械工业出版社，１９９７ ［３０１程维兴，林小茶．ＭＦＣ编程宝典【Ｍ】．北京：清华大学出版社，２０００ 【３１】刘镇，姜学智．ＰＩＤ控制参数整定方法［Ｊ】．电子技术应用，１９９７，２３（５）：４－ ６． 【３２】张健民，杨华勇，路雨详．基于工程整定法的模糊ＰＩＤ［Ｊ］．信息与控制， １９９８，２７（２）：６６—７０． 【３３］张恩勤，施颂椒．一类基于ＰＩＤ控制ｈ新型模糊控制方法【Ｊ】．上海交通大 学学报，２０００，３４（３）：６３０．６３４． 。 【３４】王亚刚，邵惠鹤．一种基于灵敏度的自整定最优ＰＩＤ控制器［Ｊ】自动化学 报，２００１，２７（１）：１４０．１４３． 【３５】王伟，张晶涛，柴天佑．ＰＩＤ参数先进整定方法综述［Ｊ】．自动化学 报，２０００，２６（３）：３４７．３５５． ［３６】蔡自兴．智能控制［Ｍ】．电子工业出版社，２００４．２３３～２３５ 【３７】ＡｂｈｉｊｉｔＳ．Ｐａｎｄｙａ ＲｏｂｅｒｔＭａｃｙ（徐勇，荆涛等译）．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈ Ｎｅｕｒａｌ ＮｅｔｗｏｒｓｉｎＣ＋＋（神经网络模式识别及其实现）【Ｍ】．北京：电子工业出 版社，１９９９ ［３ ８】Ｃｈｒｉｓｔｏｓ Ｎ．Ｈｏｕｍｋｏｚｌｉｓ，［ＧｅｏｒｇｅＡ．Ｒｏｖｉｔｈａｋｉｓ．ＴｏｗａｒｄｓＳａｔｉｓｆｙｉｎｇａｎ Ａｐｐｌｉｃａｔｉｏｎ ＬｅｖｅｌＱｕａｌｉｔｙ ＭｅａｓｕｒｅｖｉａａＮｅｕｒａｌ Ｎｅｔｗｏｒｋ ＴＣＰ．１ｉｋｅＰｒｏｔｏｃｏｌ［Ｊ］． ４４ｔｈＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＤｅｃｉｓｉｏｎａｎｄＣｏｎｔｒｏｌ＆８ｔｈＥｕｒｏｐｅａｎＣｏｎｔｒｏｌ Ｃｏｎｆｅｒｅｎｃｅ（ＣＤＣ—ＥＣＣ?０５），２００５ 【３９】ＣｈｒｉｓｔｏｓＮ．Ｈｏｕｍｋｏｚｌｉｓ，ＧｅｏｒｇｅＡ．Ｒｏｖｉｔｈａｋｉｓ．ＴｏｗａｒｄｓＳａｔｉｓｆｙｉｎｇａｎ ＡｐｐｌｉｃａｔｉｏｎＬｅｖｅｌＱｕａｌｉｔｙＭｅａｓｕｒｅｖｉａａＮｅｕｒａｌＮｅｔｗｏｒｋＴＣＰ．１ｉｋｅ Ｐｒｏｔｏｃｏｌ［Ｊ］．２００５４４ｔｈ ＩＥＥＥ ＣｏｎｆｅｒｅｎｃｅｏｎＤｅｃｉｓｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ＆Ｅｕｒｏｐｅａｎ Ｃｏｎｔｒｏｌ Ｃｏｎｆｅｒｅｎｃｅ，２００５ 【４０】ＢｈａｇａｖａｎｕｌｕＤ．Ｖ．Ｓ．，Ｓａｒａｖａｎａｋｕｍａｒ，Ｍ．Ｐ．，Ｓａｎｔｈｏｓｈｋｒｉｓｈｎａ，Ｔ．，Ｓａｔｈｙａ Ｓｒｉｎｉｖａｓ Ｙｅｌａｍａｔｉ．Ｒｅｓｅｒｖｏｉｒ ＳｉｍｕｌａｔｉｏｎＭｏｄｅｌＵｓｉｎｇＭａｒｋｏｖｉａｎＡｐｐｒｏａｃｈ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ ＣｏｎｆｅｒｅｎｃｅｏｎＥｎｖｉｒｏｎｍｅｎｔａｌＭａｎａｇｅｍｅｎｔ（ＩＣＥＭ?０５）４，２００６ 【４１】王慧东．神经网络与高级思维【Ｇ／ＯＬ】．【２００８．１１．８】 ｈｔｔｐ：／／ｗｗｗ．ｃｈｉｎａａｉ．ｏｒｇ／Ａｒｔｉｃｌｅ—Ｓｈｏｗ．ａｓｐ？ＡｒｔｉｃｌｅｌＤ＝４２３ 【４２】闻新，周露，王丹力，等．ＭＡＴＬＡＢ神经网络应用设计［Ｍ】．北京：科学出 版社，２０００ 【４３】ＱＵＪｉ－ｈｏｎｇ，ＨＵＡＮＧＱｉａｎｇ，ＣＨＥＮＮａｎ．ｘｉａｎｇ，ＸＵＪｉａｎ．ｘｉｎ．Ｇｒｏｕｎｄｗａｔｅｒ ｌｅｖｅｌ ｐｒｅｄｉｃｔｉｏｎ ｂａｓｅｄｏｎｈｙｂｒｉｄｈｉｅｒａｒｃｈｙ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ａｎｄ ＲＢＦ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］．Ｊｏｕｒｎａｌｏｆ ｃｏａｌｓｃｉｅｎｃｅ＆ｅｎｇｉｎｅｅｒｉｎｇ（Ｃｈｉｎａ），２ ００７ 【４４】ＫａｒａＳ，ＯｋａｎｄａｎＭ．Ａｔｒｉａｌｆｉｂｒｉｌｌａｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎｗｉｔｈａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，２００７ 【４５】Ｊｉａｙｏｕ Ｗａｎｇ，ＫａｚｕｏｍｉＫｕｓｕｍｏｔｏ，Ｋｉｋｕｏ ＮｅｚｕＡｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌｎｅｔｗｏｒｋ ｅｓｔｉｍａｔｉｏｎ ｏｆ?ｄｒｏｓｓ ａｔｔａｃｈｅｄ ｌｅｖｅｌ?ｉｎ ｐｌａｓｍａａｒｃｃｕｔｔｉｎｇｐｒｏｃｅｓｓ［Ｊ］．Ｓｃｈｗｅｉｓｓｅｎ＆ Ｓｃｈｎｅｉｄｅｎ，２００ １ 【４６】ＪｕｎＬｉ，ＹｕｚｈｏｕＬｉ．Ａｄａｐｔｉｖｅ Ｂａｃｋｓｔｅｐｐｉｎｇ Ｃｏｎｔｒｏｌ ｆｏｒＰｅｒｍａｎｅｎｔ Ｍａｇｎｅｔ ＳｙｎｃｈｒｏｎｏｕｓＭｏｔｏｒＦｅｄｂｙＴｈｒｅｅ．ＬｅｖｅｌＩｎｖｅｒｔｅｒ［Ｊ］．ＣｈｉｎｅｓｅＣｏｎｔｒｏｌ Ｃｏｎｆｅｒｅｎｃｅ，２００６ 【４７】蔡清华，杨世锡，罗锡梁．ＢＰ神经网络在ＬａｂＶＩＥＷ中的实现及应用【Ｊ】． 现代机械，２００６（２） 【４８】韩丽，史丽萍，徐志皋．基于多Ａｇｅｎｔ系统设计原理的神经网络结构设计 硕ｌ： 参考义献 ［Ｊ】湖０控技术，２００８２７（８） 【４９】胡跃华．神经网络结构优化设计方法【Ｊ】．无线电通讯技术，２００４，３０（５） 【５０】吴昌友．神经网络的研究及应用［Ｄ／ＯＬ］．黑龙江：东北农业大学，２００７ 【５ １】ＨｓｕＣ．一Ｆ．Ｓｅｌｆ－Ｏｒｇａｎｉｚｉｎｇ Ａｄａｐｔｉｖｅ Ｆｕｚｚｙ ＮｅｕｒａｌＣｏｎｔｒｏｌ ｆｏｒａＣｌａｓｓ ｏｆ ＮｏｎｌｉｎｅａｒＳｙｓｔｅｍｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，２００７ 【５２】Ｋｕｎ—ＬｉｎＨｓｉｅｈ．ＡｐｐｌｙｉｎｇＮｅｕｒａｌＮｅｔｗｏｒｋｓＡｐｐｒｏａｃｈｔＯＡｃｈｉｅｖｅｔｈｅ ＰａｒａｍｅｔｅｒＯｐｔｉｍｉｚａｔｉｏｎｆｏｒＣｅｎｓｏｒｅｄＤａｔａ［Ｊ］．ＷＳＥＡＳＴｒａｎｓａｃｔｉｏｎｓｏｎ Ｃｏｍｐｕｔｅｒｓ，２００７ ［５３】王永骥，涂健．神经元网络控制【Ｍ】．北京：机械工业出版社，１９９８ ［５４】姚文俊．ＢＰ算法的改进在Ｍａｔｌａｂ的实现研究［Ｇ／ＯＬ］．【２００８—１１—８】 ｈｔｔｐ：／／ｈｉ．ｂａｉｄｕ．ｃｏｍ／ｚｈｕａｎｌｉ５５５／ｂｌｏｇ／ｉｔｅｍ／８ｆａｂ３ｅ２ｅｄｂ８４ｆａ５０４ｅｃ２２６５３．ｈｔｍｌ 【５５】匡芬芳．ＢＰ算法在ＬａｂＶｌＥＷ中的实现及应用［Ｊ】．仪器仪表用户，２００８，（６） 【５６】Ｄ．ＭＡＲＱＵＡＲＴ，Ａｎａｌｇｏｒｉｔｈｍｆｏｒｌｅａｓｔ－ｓｑｕａｒｅｓ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｎｏｎｌｉｎｅａｒ ｐａｒａｍｅｔｅｒ，ＳＩＡＭＪＡｐｐｌ［Ｊ］．Ｍａｔｈ，ｌ Ｉ（１９６３）：４３１－４４１ 【５７】徐仲，张凯院，陆全，冷国伟．矩阵论简明教程【Ｍ】．北京：科学出版社， ２００１．１４５－１５１ 【５８】ＡＹｅｓｉｌｄｉｒｅｋ，Ｆ Ｌ Ｌｅｗｉｓ，Ｆｅｅｄｂａｃｋ ｌｉｎｅａｒｉｚａｔｉｏｎ ｕｓｉｎｇ ｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］． Ａｕｔｏｍａｔｉｃｓ，１９９５，３１（１１、：１６５９－１６６４ ［５９】ＭａｒｉａＯｌｅａ．Ｍｏｄｅｌｌｉｎｇ ｏｆｔｈｅ ｐ，ｐ'－Ｄｉｎｉｔｒｏｄｉｂｅｎｚｙｌ Ｅｌｅｃｔｒｏｒｅｄｕｃｔｉｏｎｂｙ ＵｓｉｎｇａｎＡｒｔｉｆｉｃｉａｌ ＮｅｕｒａｌＮｅｔｗｏｒｋ［Ｊ］．Ｍａｔｃｈ，２００７ 【６０】ＤｉｎｇＦａｎｇ，ＣａｏＴｉａｎｊｉｅ，ＭｅｔｈｏｄｓＳｔｕｄｙｔｏｔｈｅ ＬｅｖｅｌＣｏｎｔｒｏｌＢａｓｅｄｏｎ ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ［Ｊ］．６ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＴｅｓｔａｎｄ Ｍｅａｓｕｒｅｍｅｎｔ（ＩＳＴＭ／２００５），２００５ ［６ １】ＤａｏｇａｎｇＰｅｎｇ，Ｈａｏ Ｚｈａｎｇ，Ｐｉｎｇ Ｙａｎｇ，ＹｏｎｇＷａｎｇ．ＮｅｕｒａｌＮｅｔｗｏｒｋ Ｐｒｅｄｉｃｔｉｖｅ Ｃｏｎｔｒｏｌ ｆｏｒＷａｔｅｒＬｅｖｅｌ ｏｆ Ｂｏｉｌｅｒ Ｄｒｕｍ ｉｎ ＰｏｗｅｒＳｔａｔｉｏｎ［Ｊ］．Ｐｒｏｃｅｅ ｄｉｎｇｓｏｆ ２００６ ｉｎｔｅｒｎａｔｉｏｎａｌ ｃｏｎｆｅｒｅｎｃｅｏｎａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ，２００６ ６７ 致谢 本论文是在教授的亲切关怀和悉心指导下完成的，从论文的选 题、研究、撰写到定稿，都得到彭老师精心细致的指导。导师渊博的知识， 严谨的治学态度，精深的专业造诣，高尚的做人风范，言传身教，将使作者 受益终身。在此，在此谨向老师致以诚挚的谢意和崇高的敬意！ 中南大学及信息科学与工程学院为我们提供了良好的教育环境和研究条 件，在这里我愉快地度过了我的生涯，在此同样感谢所有培育和帮助 我的老师！ 我还要感谢一起度过研究生生活的２００４级控制理论与控制工程班的全体 同窗和在民主楼１１ｌ复杂系统建模与优化实验室一起学习和工作的学弟、学 妹们，是你们无私和热心的帮助与支持，让我克服了一个又一个困难，直至 本文的完成。 最后，向我的家人致谢，感谢他们对我的理解与支持，他们是我完成本 论文所有工作的最大动力。