毕业设计 神经网络控制算法仿真

毕业设计 神经网络控制算法仿真 华北电力大学本科毕业设计(论文) 摘 要 目前，由于PID结构简单，可通过调节比例积分和微分取得基本满意的控制性 能，广泛应用在电厂的各种控制过程中。电厂主汽温被控对象是一个大惯性、大 迟延、非线性且对象变化的系统，常规汽温控制系统为串级PID控制或导前微 分控制,当机组稳定运行时,一般能将主汽温控制在允许的范围内。但当运行工况 发生较大变化时,却很难保证控制品质。因此 关键词:主汽温，PID，BP神经网络，MATLAB仿真 I 华北电力大学本科毕业设计(论文) ABSTRACT At present, because PID has a simple structure and can be adjusted proportional 、 integral and differential to satisfactory control performance, it is widely used in power plants of various control process. The system of power plant main steam temperature is an large inertia、big time-delayed and nonlinear dynamic system. Conventional steam temperature control system adopted cascade PID control or the differential control of lead before. When the unit is stable, these methods will control the steam temperature in a certain range ,but when operating conditions changed greatly, it is difficult to ensure the quality of control. This article studies PID control based BP neural network . Using such characteristics of neural network self-learning, nonlinear and don?t rely on model realize PID parameters auto-tuning. It can make full use of the advantages of PID and neural network. Here, we use a multilayer feedforward neural network using back propagation algorithm. This net can real-time output Kp, Ki, Kd as the PID controller parameters , insteading of the traditional PID parameters determined by experience, so it can obtain good control performance .For such a system ,we can simulate in MATLAB simulation platform. The simulation results show that the PID control based BP neural network has good adaptive ability and self-learning ability. For the system of large delay and free-model can obtain good control effect. KEY WORDS: main steam temperature ，PID ，BP neural network， MATLAB simulation II 华北电力大学本科毕业设计(论文) 目 录 摘 要 .................................................................... I ABSTRACT ................................................................... II 第一章 绪论 ................................................................. 1 1.1 选 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 背景和意义 ...................................................... 1 1.2 国 1 1.3 立论依据 ............................................................ 5 1.4 第二章 神经网络的基本原理 ................................................... 8 2.1 人工神经元模型 ...................................................... 8 2.2 神经网络的学习方式和学习规则 ........................................ 9 2.2.1 神经网络的学习方式 ............................................ 9 2.2.2 神经网络的学习规则 ............................................ 9 2.3 神经网络的特点及应用 ............................................... 10 2.4 BP神经网络 ........................................................ 11 2.4.1 BP神经网络的结构 ........................................... 11 2.4.2 BP神经网络的算法 ........................................... 12 2.5 本章小结 .......................................................... 16 第三章 基于BP神经网络的PID控制 .......................................... 17 3.1 PID控制器的离散差分方程 .......................................... 17 3.2 基于BP神经网络的PID整定原理 ...................................... 18 3.3 基于BP神经网络的PID控制算法流程 .................................. 22 3.4 本章小结 ........................................................... 22 第四章 基于BP神经网络的PID控制在主汽温控制系统中的应用 ................... 23 4.1 主汽温的控制任务 ................................................... 23 4.2 主汽温被控对象的动态特性 ........................................... 23 4.3 主汽温控制策略 ..................................................... 24 4.3.1 主汽温控制信号的选择 ......................................... 24 4.3.2 主汽温控制的两种策略 ......................................... 26 4.4仿真分析 ........................................................... 27 III 华北电力大学本科毕业设计(论文) 4.5 本章总结 ........................................................... 34 结论与展望 ................................................................. 35 参考文献 ................................................................... 37 致 谢 ................................................................... 39 IV 华北电力大学本科毕业设计(论文) 第一章 绪论 1.1 选题背景和意义 在控制系统设计中,最主要而又最困难的问题是如何针对复杂、变化及具有不确 定性的受控对象和环境作出有效的控制决策。经典控制理论和现代控制理论的基 础是建立数学模型,以此进行控制系统设计,然而面对 工程 路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理 实际问题和工程应用对 控制要求的不断提高,基于数学模型的控制理论和方法的局限性日益明显。无模 型控制能有效提高控制系统的适应性和鲁棒性,因此,走向无模型控制是自动控制 发展的另一个重要方向。 在1943年，麦卡洛克和皮茨首次提出了脑模型，其最初动机在于模仿生物的神经系统。随着超大规模集成电路(VLSl)、光电子学和计算机技术的发展，人工神经网络己引起更为广泛的注意。近年来，基于神经元控制的理论和机理已获得进一步的开发和应用。尽管基于神经元的控制能力还比较有限，但由于神经网络控制器具有学习能力和记忆能力、概括能力、并行处理能力、容错能力等重要特性，仍然有许多基于人工神经网络的控制器被设计出来,这类控制器具有并行处理、执行速度快、鲁棒性好、自适应性强和适于应用等优点，广泛的应用在控制领域。 神经网络控制是一种基本上不依赖于模型的控制方法,它比较适用于那些具有不确定性或高度非线性的控制对象,并具有较强的适应和学习功能,它是智能控制的一个重要分支。对于自动控制来说,神经网络有具有自适应功能，泛化功能，非线性映射功，高度并行处理功能等几方面优势，这使得神经网络成为当今一个非常热门的交叉学科, 广泛应用在电力，化工，机械等各行各业，并取得了比较好的控制效果。 [2][1] 1.2 国内外研究现状 随着现代工业过程的日益复杂，经典现代控制理论面临严峻挑战，例如被控系统越来越巨大，存在多种不确定因素，存在难以确定描述的非线性特性，而控制的要求越来越高(如控制精度、稳定性、容错、实时性等)，因此人们一直在探索如何使控制系统具有更高的智能，使之能够适应各种控制环境。而神经网络源于对人脑神经功能的模拟，它的某些类似人的智能特性有可能被用于解决现代控制面临的一些难题。因此，从20世纪60年代起，人们就开始研究神经网络在控制中的应用了，取得了一定效果。目前，随着神经理论的发展和新算法的相继提出，神经网络的应用越来越广泛。 从神经网络的基本模式看,主要有:前馈型、反馈型、自组织型及随机型神经网络。这四种类型各自具有不同的网络模型:前馈网络中主要有BP网络及RBF网络;反馈网络主要有Hopfield网络;自组织网络主要有ART网。当前，已经比较成熟的神经网络控制 1 [3] 华北电力大学本科毕业设计(论文) 模型主要有神经自校正控制，神经PID控制，神经模型参考自适应控制，神经内膜控制等等[4] (1) 、神经网络自校正控制 神经自校正控制结构如图，它由两个回路组成:(1)自校正控制器与被控对象构成的反馈回路;(2)神经网络辨识器与控制器设计，以得到控制器的参数。这种 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 的设计思想是利用神经网络辨识器的计算估计能力对常规控制器参数进行约束优化求解,从而实现对常规控制器的参数或结构进行调整。方框图如下[5]: 图1-1 神经自校正控制结构图 可见，辨识器与自校正控制器的在线设计是自校正控制实现的关键。 (2)、神经网络PID控制。 PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，从变化无穷的非线性组合中可以找出最佳的关系。神经网络所具有的任意非线性表示能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。方框图如下[6]: 图1-2 神经PID控制结构图 对于一般神经PID常采用BP算法，因BP神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。 (3) 、神经网络模型参考自适应控制 神经网络模型参考自适应控制 ,将神经网络同模型参考自适应控制相结合，就构成了神经网络模型参考自适应控制，其系统的结构形式和线性系统的模型参考自适应控制系统是相同的，只是通过神经网络给出被控对象的辨识模型。根据结构的不同可分为直 2 华北电力大学本科毕业设计(论文) 接与间接神经网络模型参考自适应控制两种类型，分别如图中(a)和(b)所示。间接方式比直接方式中多采用一个神经网络辨识器，其余部分完全相同[7]。 (a) (b) 图1-3 神经模型参考自适应控制结构图 e 神经控制器的权重修正目标是使过程输出最后以零误差跟踪参数模型输出。对 于直接方式，由于未知的非线性对象处于误差和神经控制器的中间位置，给参数修正造成困难。为了避免这一问题，增加神经辨识器，变为间接方式。 (4)、神经网络内模控制 神经网络内模控制系统如下图所示。图中的神经辨识器用于充分逼近被控对象的动态模型，相当于正向模型。神经网络控制器不是直接学习被控对象的逆模型，而是间接地学习被控对象的逆动态特性。 3 华北电力大学本科毕业设计(论文) 图1-4 神经内膜控制结构图 在神经网络内模控制系统中，神经辨识器作为被控对象的近似模型与实际对象并行设置，它们的差值用于反馈，同期望的给定值之差经一线性滤波器处理后，送给神经网络控制器，经过多次训练，它将间接地学习对象的逆动态特性。此时，系统误差将趋于零[8]。 经网络预测控制 (5)、神 由于神经网络可以精确描述非线性动态过程，因此，可用神经网络设计预测控制系统。预测控制是近年来发展起来的一类新型计算机控制算法，它利用内部模型预测被控对象未来输出及其与给定值之差，然后据此以某种优化指标计算当前应加于被控对象的控制量，以期使未来的输出尽可能地跟踪给定参考轨线。下面是神经网络预测控制系统的一般方框图[9]。 图1-5 神经预测控制结构图 这种算法的基本特征是建立预测模型方便，采用滚动优化策略和采用模型误差反馈校正，预测模型根据系统的历史信息和选定的未来输入，预测系统未来的输出。根据预测模型的输出，控制系统采用基于优化的控制策略对被控对象进行控制。 (6) 、其他先进的神经控制 模糊神经网络控制:模糊系统是以模糊集合论、模糊语言变量及模糊逻辑推理的知识为基础，力图在一个较高的层次上对人脑思维的模糊方式进行工程化的模拟。而神经 4 华北电力大学本科毕业设计(论文) 网络则是建立在对人脑结构和功能的模拟与简化的基础上。由于人脑思维的容错能力源于思维方法上的模糊性以及大脑本身的结构特点，因此将两者综合运用便成为自动控制领域的一种自然趋势。模糊系统与神经网络主要采用以下综合方式，既将人工神经网络作为模糊系统中的隶属函数、模糊规则的描述形式。 多层神经网络控制:一个普通的多层神经控制系统如下图所示，基本上是一种前馈控制器。该系统存在两个控制作用:前馈控制和常规反馈控制。前馈控制由神经网络实现，训练目标是使期望输出与受控对象实际输出间的偏差为最小。该误差作为反馈控制器的输入。反馈作用与前馈作用被分别考虑。 图1-6 多层神经网络控制结构图 [11][10]1.3 立论依据 BP算法就是在模拟生物神经元的基础上建立起来的在人工神经网络上的一种搜索和优化算法。对于人工神经网络，网络的信息处理是由神经元间的相互作用来实现，知识与信息的存贮表现为网络元件互相联结分布的物理联系，网络的学习和训练决定于各神经元连接权系数的动态调整过程。人工神经网络作为一种新型的信息描述和处理方式，广泛应用在控制领域，其在控制领域的吸引力主要表现在以下几方面[19]: (l)能够充分逼近任意复杂的非线性关系; (2)能够学习与适应严重不确定性系统的动态特性; (3)所有定量或定性的信息都分布存贮于网络的权中，故人工神经网络有很强的鲁棒性和容错性; (4)采用并行分布处理的方法，使得快速进行大量运算成为可能。 这些特点都表明神经网络在解决高度非线性和严重不确定性系统的控制上有巨大的潜力。而电厂主汽温是典型的具有大迟延、大惯性、非线性及时变性的控制系统，大量的文献资料表明，用神经网络对主汽温进行控制是可行且有效的。 而PID控制是最早发展起来的控制策略之一，历史悠久，理论完善，由于其算法简单、鲁棒性好和可靠性高，被广泛应用于工业控制过程，尤其适用于可建立精确数学模 5 华北电力大学本科毕业设计(论文) 型的确定性控制系统。而实际工业生产过程中往往具有非线性，时变不确定性，如火电厂的锅炉主汽温对象，因而难以建立精确的数学模型，应用常规PID控制器不能达到理想的控制效果，在实际生产过程中，由于受到参数整定方法繁杂的困扰，常规PID控制器参数往往整定不良，性能欠佳，对运行工况的适应性很差。因此常规PID控制的应用受到很大的限制和挑战。那么是否可以把神经网络和PID结合在一起，充分利用两者的优点呢，使新算法既有神经网络的学习能力又有PID控制的简单性呢,。基于以上种种因素， 1.4 首先， 紧接着，在主汽温系统上进行仿真分析，锅炉主汽温对象是一个大迟延、时变的对象，在不同的负荷下有不同的动态特性，因此对其不同的负荷均进行仿真分析。 具体安排如下: 第一章、绪论 简单论述了选题的意义和重要性以及神经网络用于控制的研究现状，并阐述了论文的理论依据，说明了本论文所采用算法的可行性和必要性。最后介绍了 第二章、神经网络的基本理论 本章介绍了神经网络的基础知识，重点对BP神经网络的结构和算法进行了阐述。 第三章、基于BP神经网络的自整定PID控制原理 本章论述了基于BP神经网络的PID自整定控制算法的基本原理，为以后仿真分析打下基础。 第四章、基于BP神经网络的PID控制在主汽温控制系统中的应用 本章首先对主汽温的动态特性进行分析，对常见的和改进的主汽温控制策略进行了描述和总结，并对主汽温进行仿真分析。 6 华北电力大学本科毕业设计(论文) 最后是结论与展望,本部分总结了本论文的成果和不足，提出以后应该注意和改进的地方，为以后的研究指明方向。 7 华北电力大学本科毕业设计(论文) 第二章 神经网络的基本原理 人工神经网络(ANN，ArtifieialNeuralNetworks)是对人脑神经系统的模拟而建立起来的。它是由简单信息处理单元(人工神经元，简称神经元)互联组成的网络，能够接受并处理信息。网络的信息处理是由处理单元之间的相互作用(连接权)来实现的。多年来，学者们己经建立了多种神经网络模型，其中决定它们整体性能的因素主要是:神经元(信息处理单元)的特性，神经元之间相互连接的形式，为适应环境而改善性能的学习规则等。 2.1 人工神经元模型 人脑神经元是组成人脑神经系统的最基本单元，对人脑神经元进行抽象化后得到一种称为McCulloch一Pitts模型的人工神经元，人工神经元是人工神经网络的基本单元，从图2一1中可以看出，它相当于一个多输入单输出的非线性阐值器件。 x1xn 图2-1人工神经元元模型结构 x2yi:神经元i的输出，它可以与其他多个神经元通过权值连接。 xi:神经元i的输入。 wij:神经元的连接权值。 f(ui):神经元神经元i的阈值。 i的非线性输出函数。 (2-1) 该神经元的输出yi，可用下式描述: 令 (2-2) 则 (2-3) 根据活化函数的不同，人们把人工神经元分成以下几种类型[22]: 8 华北电力大学本科毕业设计(论文) (1)分段线性活化函数: (2-4) (2)sigmoid活化函数: -5) (3)双曲正切活化函数: (4)高斯活化函数: -(2-7) 2.2 神经网络的学习方式和学习规则 2.2.1 神经网络的学习方式 学习是神经网络的主要特征之一。学习规则就是修正神经元之间连接强度或加权系数的算法，使获得的知识结构适应周围环境的变化。在学习过程中，执行学习规则，修正加权系数。神经网络的学习方式主要分为有导师(指导式)学习、无导师(自学式)学习和再励学习(强化学习)三种[19]: (l)有导师学习:就是在学习的过程中，有一个期望的网络输出，学习算法根据给定输入的神经网络实际输出与期望输出之间的误差来调整神经元的连接强度，即权值。因此学习需要有导师来提供期望输出信号。 (2)无导师学习:就是在学习过程中不需要有期望输出，因而不存在直接的误差信息。网络学习需要建立一个间接的评价函数，每个处理单元能够自适应连接权值，以对网络的某种行为趋向作出评价。 (3)再励学习:这种学习介于上述两种情况之间，外部环境对系统输出结果只给出评价(奖或罚)而不是给出正确 答案 八年级地理上册填图题岩土工程勘察试题省略号的作用及举例应急救援安全知识车间5s试题及答案 ，学习系统经过强化那些受奖励的行为来改 善自身性能。 2.2.2 神经网络的学习规则 神经网络通常采用的网络学习规则包括以下三种: (l)误差纠正学习规则[19] 9 华北电力大学本科毕业设计(论文) 表示应有的输出(可由令是输入时神经元k在n时刻的实际输出， 训练样本给出)，则误差信号可写为: -8) 误差纠正学习的最终目的是使某一基于的目标函数达到要求，以使网络中每一输出单元的实际输出在某种统计意义上逼近应有输出。一旦选定了目标函数形式，误差纠正学习就变成了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，定义为误差平方和的均值: n (2- k e 2 其中E为期望算子。上式的前提是被学习的过程是平稳的，具体方法可用最优梯度下降法。直接用J作为目标函数时需要知道整个过程的统计特性，为解决这一问题，通常用J在时刻n的瞬时值代替J，即: 1 - 2k k 问题变为求E对权值w的极小值，据梯度下降法可得: (2-11) 其中为学习步长，这就是通常所说的误差纠正学习规则。 (2)Hebb学习规则[13] 由神经心理学家Hebb提出的学习规则可归纳为“当某一突触连接两端的神经元同时处于激活状态(或同为抑制)时，该连接的强度应增加，反之应减弱”用数学方式可描述为: (2-12) 由于与yk(n),yj(n)的相关成比例，有时称为相关学习规则。 (3)竞争学习规则[19] 顾名思义，在竞争学习时，网络各输出单元互相竞争，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，这样原来输出 单元中如有某一单元较强，则它将获胜并抑制其它单元，最后只有此强者处于激活状态。最常用的竞争学习规则可写为: 若神经元j竞争获胜 若神经元j竞争失败 (2-13) 2.3 神经网络的特点及应用 神经网络具有以下特点[11]: (1)、分布式存贮信息 10 华北电力大学本科毕业设计(论文) 神经网络使用大量的神经元之间的连接及对各连接权值的分布来表示特定的信息，从而使网络在局部网络受损或输入信号因各种原因发生部分畸变时，仍能够保证网络的正确输出，提高网络的容错性和鲁棒性。 (2)、并行协同处理信息 神经网络中的每个神经元都可以根据接收到的信息进行独立的运算和处理，并输出结果，同一层中的各个神经元的输出结果可被同时计算出来。 (3)、信息处理与存储和二为一 神经网络的每个神经元都兼有信息处理和存储功能，神经元之间连接强度的变化，既反映了对信息的记忆，同时又和神经元对激励的响应一起反映了对信息的处理。 (4)、对信息的处理具有自组织、自学习的特点，便于联想、综合和推广 神经网络的神经元之间的连接强度用权值大小来表示，这种权值可以通过对训练的学习而不断变化，而且随着训练样本量的增加和反复学习，这些神经元之间的连接强度会不断增加，从而提高神经元对样本特征的反映灵敏度。正是因为神经网络具有的这些特点，才使它在模式识别、人工智能、控制工程、信号处理等领域有着广泛的应用，相信随着人工神经网络研究的进一步深入，其应用领域会更广，用途会更大。 2.4 BP神经网络 20世纪80年代中期，以Rumelhart和McClelland为首，提出了多层前馈网络(MFNN)的反向传播(BP，back Propagation)的学习算法，简称BP算法。 2.4.1 BP神经网络的结构 BP网络结构如下图: j 图2-2 BP网络结构图 x,o为网络的输入和输出，每个神经元用一个节点表示，网络包含一个输出层和一个输入层，隐含层可以是一层也可以是多层。图中j表示输入层神经元，i表示隐层神 11 华北电力大学本科毕业设计(论文) 经元，k表示输出层神经元。已经证明BP网络能逼近任意非线性函数，在各个领域中有广泛的应用。BP网络中采用梯度下降法，即在网络学习过程中，使网络的输出与期望输出的误差边向后传播边修正连接权值，以使其误差均方值最小。学习算法有正向传播和反向传播组成，在正向传播中，输入信号从输入层经过隐层传向输出层，若输出层得到期望的输出，学习结束，否则，转至反向传播。反向传播算法是将误差信号按照原链路反向计算，由梯度下降法调整各层神经元的权值，使误差信号最小。这两部分是相继连续反复进行的，直到误差满足要求。 2.4.2 BP神经网络的算法 BP神经网络的算法主要可以分为两部分，一是前向传播算法，就是已知网络的输入和活化函数求各层的输出;二是反向传播算法，即如果输出不满足要求就不断修正权值。 (1) BP神经网络的前向传播算法 设某BP神经网络具有m个输入、q个隐含节点、r个输出的三层结构，则BP神经网络的输入为: x(j) j=1,2.......m (2-14) 输入层节点的的输出为 : (2-15) 隐含层第i个神经元的输入: m net(2) (2-16) 输出可表达为 : -17) 2 其中为输入层到隐层加权系数;上标(1)、(2)、(3)分别代表输入层、 隐含层、 输出层，为隐层活化函数，这里取为Sigmoid活化函数[8]。 -18) 输出层的第k个神经元的总输入为: q (2-19) 输出层的第k个神经元的总输出为 (2-20) (3) 12 华北电力大学本科毕业设计(论文) (3) 式中，wik:为隐层到输出层加权系数，为输出活化函数。 以上工作在神经网络工作时，就可以完成了一次前向传播的计算。 (2) BP神经网络的反向传播计算 ，在前向计算中，若实际输出ok与理想输出 假设，神经网络的理想输出为dk dk不一致，就要将其误差信号从输出端反向传播回来，并在传播过程中对加权系数不断修正，使输出层神经元上得到所需要的期望输出dk为止。为了对加权系数进行调整，选取目标函数为: 1 m k 2 2 1 m 2k (2-21) 以误差函数E减少最快方向调整，即使加权系数按误差函数E的负梯度方向调整，使网络逐渐收敛。按照梯度下降法，可得到神经元j到神经元i的t+1次权系数调整值: (2-22) 由式(2-21)可知，需要变换出E相对于该式中网络此刻实际输出关系，因此 而其中的 (2-24) j (2-23) . 其中的Ij表示节点i的第j个输入。所以 j (2-25) )代入式(2-23)，可以得到: 将(2-25 (2-26) 令 (2-27) 式中为第i个节点的状态neti对E的灵敏度。 由式(2-26)和式(2-27)可以得到: 13 华北电力大学本科毕业设计(论文) 以下分两种情况计算: i (2-28) ? 若i为输出层节点，即i =k 由式(2-21)和(2-27)可得 (2-29) „ „ 所以可得: 此时wij应该按照下列公式进行调整: 式中为学习速率。 ? 若i不为输出层神经元，即此时式(2-27)为 其中 i ( * m 1j Ij m1 m1 m1 m1 i j 式中m* 1是节点i后边一层的第m1个节点，Ij是节点m1的第j个输入。 mi m1 wm1i m1 m1 m1 当i=j时，oI* 将式(2-32)和(2-34)代入(2-28)，有 m1 此时的权值调整公式为: 14 (2-30) (2-31) (2-32) (2-33) (2-34) (2-35) 华北电力大学本科毕业设计(论文) (2-36) m1? 通过(2-31)和(2-36)我们就可以完成神经网络的反向传播算法。实现权值的实时调整。 对上面的算法流程进行总结我们可以的出下面的算法流程图: 图2-3 BP网络算法流程图 15 华北电力大学本科毕业设计(论文) 2.5 本章小结 本章主要介绍了神经网络的基础知识，其中包括神经元模型，学习方式和学习规则等，在了解了神经网络的基础上，进一步介绍了本论文要用到的BP神经网络，包括其结构，前向和反向传播算法及实现步骤。 16 华北电力大学本科毕业设计(论文) 第三章 基于BP神经网络的PID控制 一般来说，基于神经网络的PID控制器的典型结构主要有两种，一种是基于神经网络的整定PID控制，即把神经网络的输出作为PID控制器的比例，积分和微分。另一种是把神经网络的权值做为比例，积分和微分。本章将详细介绍基于BP神经网络的自整定PID控制算法，即把神经网络的输出作为PID控制器的比例，积分和微分，然后对电厂主汽温系统进行设计，并在Matlab上进行仿真。 3.1 PID控制器的离散差分方程 在连续信号系统中，PID控制算式的表达式 1Ti t0 Tdde(t)dt ) (3-1) 式中，kp—比例系数，Ti—积分时间常数，Td—微分时间常数。 写成传递函数形式 U(s)E(s) 1Tis (3-2) 当采样周期较小时， 可以用求和代替积分，用差商代替微分，即做如下近似变换来离散化: T k (3-3) t) T 式中，k为采样序号，k=1，2，…，T为采样周期。由上式可得离散的PID表达式为: Tk T (3-4) 此式称为PID的位置算式。位置算式使用不方便，累加偏差ej不仅要占大量的 T (3-5) 17 华北电力大学本科毕业设计(论文) 用式(3-4)减式(3-5)，可得增量式PID控制算法 T (3-6) 式(3-6)进一步可改写为: 式中，a0 用增量式PID控制算法有以下优点: (1)增量算法不需要累加，控制量增量的确定仅与最近几次误差采样值有关; (2)增量式算法得出的是控制量的增量，误动作影响小; (3)便于编程序实现 。 TTi )， 2TdTi 1 TdTi 2 2 ) (3-7) )， 3.2 基于BP神经网络的PID整定原理 PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用,在形成控制量中相互配合又相互制约的关系。神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。可以通过对系统性能的学习来实现具有最佳组合的PID控制。采用BP神经网络，可以建立参数kp、ki、kd自学习的神经PID控制。 器由两部分组成: (1)经典的PID控制器:直接对被控对象进行闭环控制，仍然是靠改变三个参数kp、ki、 kd 来获得满意的控制效果。 (2)神经网络:根据系统的运行状态，调节PID控制器的参数，以其达到某 -1的系统结构，即使输出层神经元的输出状态种性能指标的最优化。采用如图3 对应于PID控制器的三个可调参数kp、ki、kd，通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制规律下的PID的控制器各个参数。 采用基于BP神经网络的PID控制的系统结构如下图所示: 图3-1 基于BP神经网络的PID控制结构图 18 华北电力大学本科毕业设计(论文) 上图中的BP神经网络选如图3-2的形式，采用三层结构:一个输入层，一个隐含层，一个输出层，j表示输入层节点，i表示隐层节点，l表示输出层节点。输入层有m个输入节点，隐含层有q个隐含节点，输出层有3个输出节点。输入节点对应所选的系统运行状态量，如系统不同时刻的输入量和输出量，偏差量等。输出节点分别对应PID控制器的三个参数kp、ki、kd，由于kp、ki、kd不能为负，所以输出层神经元活化函数取非负的Sigmoid函数。 图3-2 BP神经网络结构图 由图可见，此处BP神经网络的输入层输出为 o 隐层输入为: -8) m -9) 隐层输出为: oi -10) 式中，wij为输入 层到隐含层加权系数，上标(1)、(2)、(3)分别代表输 入层、隐含层、输出层，f(x)为正负对称的Sigmoid函数，即 最后网络输出层三个节点的输入为 。 net(3) (3-11) 19 (2) 华北电力大学本科毕业设计(论文) 最后的输出层的三个输出为 : (3-12) 即 2 (3-13) (3) 式中，wli为隐层到输出层加权系数，输出层神经元活化函数为 (3) 12 12 e x 取性能指标函数 2 (3-14) 用梯度下降法修正网络的权系数，并附加一使搜索快速收敛全局极小的惯性 项，则有: (3) li (3-15) (3) 为学习率，为惯性系数。其中: (3) (3)(3) (3-16) 这里需要用到的变量，由于模型可以未知，所以未知，但是可以测出的相对变化量，即: 也可以近似用符号函数: (3-18) ) (3-17 取代，由此带来计算上的不精确可以通过调整学习速率来补偿。这样做一方面可以简化运算，另一方面避免了当很接近时导致式(3-16)趋于无穷。这种替代在算法上是可以的，因为是式(3-16)中的一个乘积因子，他的符号的正负决定着权值变化的方向，而数值变化的大小只影响权值变化的速度，但是权值变化的速度可以通过学习步长加以调节。 由式: 20 华北电力大学本科毕业设计(论文) 可得: (3-19) ) 这样，可得BP神经网络输出层权计算公式为 (3) (3) „ (3) (2) (3) 把(3-18)式代入后得: 可令 ,3 (3-20) ，则上式可写为: (3-21) (3) l (k) 由式(3-15)可确定，由符号函数代替，f?(netl(3)(k))由f 2 x 2 可 得。 同理可得隐含层权计算公式为 3 (3)(1)(2) (2) ij „ (2)i i=1,2,,, q (3-22) 令 (2)i „ (2)i 则: (3) (3) 3 (2)(2)(1)(2) i=1,2,…, q (3-23) 21 华北电力大学本科毕业设计(论文) 3.3 基于BP网络的PID控制算法流程 基于BP网络的PID控制器控制算法归纳如下: (1)确定BP神经网络结构，即确定输入层节点及数目m、隐含层数目q，并给出各层权系数的初值和、选定学习率、惯性系数; (2)给定输入r和期望输出y; (3)计算神经网络各层神经元的输入、输出，神经网络输出层的输出即为PID控制器的三个可调参数kp、ki、kd; (4)求目标值与实际值的偏差e,看是否满足要求; (5)如不满足要求，进行神经网络学习，在线调整加权系数wij(2)(k)和w 控制参数的自适应调整; (6)置k =k+1，返回到第一步. (3)li(k)，实现PID 3.4 本章小结 本章主要是对基于BP神经网络的PID控制方法进行了详细的阐述，依据神经网络的算法并和PID结合，推导出该算法下的权值调整公式，进而通过调整权值，找到合适的PID输出kp、ki、kd，为下一章的仿真打下了理论基础。 22 华北电力大学本科毕业设计(论文) 第四章 基于BP神经网络的PID控制在主汽温 控制系统中的应用 4.1 主汽温的控制任务 锅炉的主蒸汽温度与火电厂的经济性和安全性有重要的关系，因此主蒸汽温度是火电厂的一个极其重要的参数。其控制的好坏直接影响到电厂的整个经济效 益。主蒸汽温度的控制任务是:(1)维持主汽温在允许的范围之主汽温被控对象的动态特性 火电厂的主汽温系统如下图所示: 图4-1 过热气温原理图 影响主汽温变化的扰动因素很多，如蒸汽负荷、烟气温度和流速、火焰中心位置、减温水量、给水温度等。主要扰动有3个:蒸汽量扰动D，烟气量扰动Q，减温水量扰动W。 23 华北电力大学本科毕业设计(论文) (1)、蒸汽量扰动下主汽温对象的动态特性 图4-2 蒸汽量变化对主气温的影响 (2)、烟气量扰动下主汽温对象的动态特性 图 4-3 烟气量变化对主气温的影响 (3)、减温水量扰动下主汽温对象的动态特性 图4-4 减温水量变化对主气温的影响 4.3 主汽温控制策略 4.3.1主汽温控制信号的选择 对于主蒸汽的上述三个基本扰动，其中蒸汽流量的扰动由用户决定，根据负荷的多少来决定所用蒸汽的多少，所以蒸汽流量信号是不可以调节的，因此不能做 调节信号。 而烟气量扰动可以做调节信号，但是烟气与燃烧系统有关，如果用烟气作为控制信号， 24 华北电力大学本科毕业设计(论文) 会影响到燃烧控制系统的设计，所以一般也不采用烟气控制。常常用减温水量扰动做调节信号，可通过控制减温水的多少来控制主蒸汽温度，实践证明是可以的。 用减温水给水量作为基本扰动来完成控制，就是用减温水量作为该系统的输入，把主汽温做为输出，管内的蒸汽和管壁可以看做是许许多多的单容对象的串联，因此对象具有分布参数特性，且该被控对象有较大的惯性和迟延。而减温水出口温度变化明显比过热汽温变化要快，常常把这一段作为导前区，把从减温器出口到过热蒸汽出口这一段叫做惰性区，在减温水的扰动下，主气温的动态特性可表示为: k0 n (4-1) 其中k0为放大系数，T0为时间常数，n为阶次。其传递函数由两点法可以通过实验测得。 同理导前区的传递函数也可以表示为: k2 n2 (4-2) 其中k2为导前区的放大系数，T2为导前区的时间常数，n2为阶次，该传递函数也可以通过实验求的。 惰性区的传递函数也可以表示为 k1 n1 (4-3) 其中k1为惰性区放大系数，T1为惰性区时间常数，n1为阶次，该传递函数无法通过实验求出，而是由下式求出: 2 (4-4) 可得到 k0k2 2 (4-5) 2 T1 ) (4-6 2 2 2 (4-7) 25 华北电力大学本科毕业设计(论文) 4.3.2 主汽温控制的两种策略 策略一: 在火电厂中，对主汽温的控制有较高的要求，然而在实际生产过程中,由于主蒸汽流量、压力、烟气温度和流速等的外扰,以及减温水内扰频繁且幅度较大,加上对象模型参数随工况参数(主蒸汽压力、温度和流量)的变化而变化,因而难以建立精确的数学模型.因此,主汽温控制是一个存在大时滞、时变性、大干扰,具有不确定性和非线性的复杂热工对象。常规汽温控制系统为串级PID控制。串级控制系统见下图: -5 主汽温串级控制框图 图4 G1(s)G2(s)分别为控制系统对象的导前区和惰性区的传递函数，其中r为主汽温设定值， M1,M2分别为副变送器和主变送器传递函数。 策略二: 传统的控制都需要人工整定PID，且要求对象模型精确，而对于主汽温被控对象的模型往往是很难精确得到的，我们利用神经网络的非线性特性和不依赖于对象精确模型的优点，对主汽温的控制方案加以改进。改进后加入BP神经网络，搭建成基于BP神经网络的PID控制系统，用以完成对锅炉主汽温的控制。该方案如下图 图4-6主汽温基于BP神经网络的PID控制框图 26 华北电力大学本科毕业设计(论文) 其中r为主汽温设定值，G1(s) M G2(s)分别为控制系统对象的导前区和惰性区的传递函数， 表示变送器的传递函数。在传统PID的基础上增加了一个BP神经网络，用神经网 络来在线实时输出PID的比例，积分和微分三个参数。 4.4仿真分析 采用如图4-5和图4-6所示的控制策略，主蒸汽温度的导前区数学模型为: G 象的动态特性，见本论文表4-1。 1 (s); 惰性区数学模型为: G2(s)。仿真时我们采用文献[24]给出的600MW直流锅炉主汽温对 表4-1 600MW直流锅炉主汽温对象动态特性 其中串级控制的副控制器采用P控制。kp2=1;主控制器采用PI控制，， 。基于 BP神经网络的PID控制方案中，采用PID控制，BP神经网络取三层神 经网络，有4个输入，分别为输入信号，输出，输入与输出之差，阈值1。 3个输出 kp,ki,kd，隐含层取5个节点。学习步长，惯性系数。对于惰性 区传递 函数我们采用文献[17][19][24]的近似方法用来代替。仿真时把两个控制方案加以比较，可以进一步说明采用BP神经网络PID控制的优势所在。 ,导前区为为 在负荷为37%时 8 5.07(1 2 ，而惰性区的传递函数 ，其仿真曲线如下: 27 华北电力大学本科毕业设计(论文) 主汽温Q2020040060080010001200 时间t(s)1400160018002000 图4-7 负荷为37%时串级控制和BP神经PID控制下的阶跃响应曲线 图中虚线代表串级控制下的阶跃响应曲线，实线代表BP神经PID控制下的阶跃响应曲线 error 020040060080010001200 time(s)1400160018002000 图4-8 负荷为37%时BP神经PID控制下的误差曲线 28 华北电力大学本科毕业设计(论文) kp020040060080010001200 time(s)1400160018002000 ki020040060080010001200 time(s)1400160018002000 kd020040060080010001200 time(s)1400160018002000 -9 负荷为37%时BP神经PID控制下的3个参数变化曲线 图4 在负荷为50%时,导前区为 而惰性区的传递函数为，其仿真曲线如下: 主汽温Q2020040060080010001200 时间t(s)1400160018002000 图4-10 负荷为50%时串级控制和BP神经PID控制下的阶跃响应曲线 29 华北电力大学本科毕业设计(论文) 图中虚线代表串级控制下的阶跃响应曲线，实线代表BP神经PID控制下的阶跃响应曲线 error 020040060080010001200 time(s)1400160018002000 图4-11 负荷为50%时BP神经PID控制下的误差曲线 kp02004006008001000 1200 time(s)1400160018002000 ki02004006008001000 1200 time(s)1400160018002000 kd02004006008001000 1200 time(s)1400160018002000 图4-12负荷为50%时BP神经PID控制下的3个参数变化曲线 1.657 负荷为75%时,导前区为 为，而惰性区的传递函数，其仿真曲线如下: 30 华北电力大学本科毕业设计(论文) 主汽温Q2 020040060080010001200 时间t(s)1400160018002000 图4-13负荷为75%时串级控制和BP神经PID控制下的阶跃响应曲线 图中虚线代表串级控制下的阶跃响应曲线，实线代表BP神经PID控制下的阶 跃响应曲线 error 020040060080010001200 time(s)1400160018002000 图4-14 负荷为75%时BP神经PID控制下的误差曲线 31 华北电力大学本科毕业设计(论文) 0.08 kp0.06 0.04020040060080010001200 time(s)1400160018002000 0.4 0.2 0ki020040060080010001200 time(s)1400160018002000 0.04 kd0.02 0020040060080010001200 time(s)1400160018002000 图4-15负荷为75%时BP神经PID控制下的3个参数变化曲线 在负荷为100%时,导前区为 而惰性区的传递函数为。 1.4 1.2 1 主汽温Q20.80.6 0.4 0.2 0020040060080010001200 时间t(s)1400160018002000 图4-16负荷为100%时串级控制和BP神经PID控制下的阶跃响应曲线 图中虚线代表串级控制下的阶跃响应曲线，实线代表BP神经PID控制下的阶 跃响应曲线 32 华北电力大学本科毕业设计(论文) 1.2 1 0.8 0.6 error 0.4 0.2 -0.2020040060080010001200 time(s)1400160018002000 图4-17 负荷为100%时BP神经PID控制下的误差曲线 kp020040060080010001200 time(s)1400160018002000 ki020040060080010001200 time(s)1400160018002000 kd020040060080010001200 time(s)1400160018002000 图4-18 负荷为100%时BP神经PID控制下的3个参数变化曲线 33 华北电力大学本科毕业设计(论文) 仿真结果分析如下: 从以上仿真结果分析，基于BP神经网络的自整定PID控制能依据被控对象的变化自适应的调整PID的三个参数，依据一定的最优准则以求满足不同负荷下的控制要求。在不同负荷下，也即从锅炉的启动到稳定运行的整个过程，都可以实现较好的控制。调节时间段，超调量小。当负荷为100%变化时，基于BP神经网络的PID控制与串级控制的调节时间相近。但是超调量却明显优于串级控制，当负荷比较低时，串级控制的效果极差，而基于BP神经网络的PID控制仍然有比较好的控制效果。 4.5 本章总结 本章首先描绘了锅炉主汽温的控制任务和被控对象的动态特性，然后分别采用串级和基于BP神经网络的PID对主汽温进行控制，并在MATLAB上进行仿真分析，仿真结果表明， 34 华北电力大学本科毕业设计(论文) 结论与展望 人工神经网络理论是近十几年速发展起来的一门新兴学科。由于其独特的特性，己应用于控制、信号分析、音处理等多个领域中。在控制领域中，神经网络由于其具有强的非线性映射能自学习适应能力、联想记忆能力、并行信息处理方式及其优良的容错性能，不同程度和层次上模仿人脑神经系统的信息处理、存储和检索功能。这些特得神经网络非常适合于复杂系统的控制。特别是当系统存在不确定性因时，更能体现神经网络方法的优越性。这些都很适合于控制系统中的非线性系的控制。 ID控制器。BP神经网络其具有 (1).提出了基于BP算法的神经网络自整定P 逼近任非线性函数的能力，而且结构和学习算法简单明确，通过BP神经网络自身的学可以找到某一最优控制律下的P，I，D参数。 (2).利用MATLAB对大迟延大惯性的锅炉主汽温系统仿真，从仿真结果看，神经PID不依赖于被控对象的模型，在对象变化的时候仍然能表现出良好的控制性能。明显优于传统的PID控制。传统PID控制依赖于被控对象的动态特性，一旦对象的动态特性改变，则原来的PID参数就不在适合，如果仍然采用，则控制性能就会非常差。 尽管基于BP神经网络的自整定PID控制具有优良的控制性能，但是也存在一些不足。基于PID的控制理论还涉及到多个学科的关键技术，同时由于时间仓促加上本人刚刚涉及这一领域，许多重要的研究 内容 财务内部控制制度的内容财务内部控制制度的内容人员招聘与配置的内容项目成本控制的内容消防安全演练内容 尚未涉及，有些虽进行了研究但深度不够。因此还存在局限性，需要进一步的研究和完善。 (1)主要是在应用神经网络的BP算法对系统进行仿真时由于算法的收敛速度慢，在进行系统训练时所花的时间过长，这不利于系统的快速响应。 (2)网络结构的设计，即隐层节点数的选择，目前尚无理论指导，靠经验不断试验。 (3)新加入的样本会影响到已经学好的样本。 展望今后的工作，在现有工作的基础上，还有很多的工作需要进一步深入，有必要再对本算法做进一步的改进，主要有: (1)对BP算法的改进。梯度下降法的不足，是使BP算法收敛速度慢的原因，为此可提出一些改进的算法，如变步长学习等。 (2)对神经网络结构进行改进，应用其他性能更加优良的网络结构来实现神经网络学习过程，例如应用RBF网络结构、小脑模型网络等来进行神经网络学习，或者利用其他具有反馈结构的如:连续型Hopfield网络、局部递归型神经网络等进行网络学习，从而改 35 华北电力大学本科毕业设计(论文) 善利用BP网络进行网络学习时的缺点。这是在应用神经网络进行PID控制中的一个很有意义的研究方向。 总之，本次论文虽然取得了一定成果，但在很多方面还只是探讨性工作，在深度和广度上还存在许多不足之处，恳请各位老师批评指正。 36 华北电力大学本科毕业设计(论文) 参 考 文 献 [1] 蔡自兴,陈海燕. 智能控制工程研究的进展[J]. 控制工程, 2003，10(1):1-3. [2] Antsaklis P J. Neural Networks in Control Systems[J]. IEEE Control System Magazine (Special Section on Neural Networks for Systemsand Control), 1990: 3-5. [3] 张立明.人工神经网络的模型及其应用[M]，上海:复旦大学出版社, 1993:6-10. [4] 徐丽娜.神经网络控制[M]. 北京:电子工业出版社，2003.2:1-58. [5] 刘金琨. 智能控制[M]. 北京:电子工业出版社, 2005.05:185-187. [6] 陶永华. 新型PID控制及其应用[M]. 北京:机械工业出版社, 1998:158-160. [7] 李士勇. 模糊控制?神经控制和智能控制论[M]. 哈尔滨工业大学出版社, 1996:412-413. [8] 易继锴，侯媛彬. 智能控制技术[M]. 北京工业大学出版社, 1999:126—127. [9] 张建民. 智能控制原理及应用[M]. 北京:冶金工业出版社, 2003:136-137. [10] 徐安. 微型计算机控制技术[M]. 北京:科学出版社, 2004.08:231-235. [11] 胡守仁，沈 清. 神经网络应用技术[M]. 国防科技大学出版社, 1993:168-169. [12] 蔡自兴. 智能控制 -基础与应用. 北京:国防工业出版社, 1998:203-207. [13] 喻宗泉 喻晗.神经网络控制[M]. 西安:电子科技大学出版社，2009:135-146. [14] 刘金琨(先进PID控制及其MATLAB仿真[M](北京:电子工业出版社,2004:87-98. [15] 汤同奎，邵惠鹤. 神经网络在控制中的应用[J]. 江苏石油化工学院学报，1998,10(1):45-49 [16] 程启明,陈 刚,王勇浩，电厂过热汽温神经PID控制系统的仿真研究[J]. 上海电力学院学报，2005，21(2):38-41 . [17] 王新亚.基于MEA—BP神经网络的主汽温控制系统的研究[J] . 山西焦煤科技,2009，(3): 13-15 . [18] 王亚斌. 基于BP神经网络PID控制及其仿真[J]. 江苏冶金报,2008,36(2):33-25. [19] 刘春艳. 基于遗传算法一BP神经网络的主汽温控制系统的研究[D]. 太原理工大学硕士研究生学位论文,2006. [20] 马平，朱燕飞，牛征. 基于神经网络的主汽温控制系统[J].2001, 28(2),52-55. [21] 葛哲飞，孙志强. 神经网络理论与MATLAB R2007实现[M].北京:电子工业出版社，2007.9:1-131. [22] 薛 阳,叶建华,钱 虹等. 火电机组过热汽温神经网络控制的研究[J]. 上海电力学院学报，2009,25(1):33-38. 37 华北电力大学本科毕业设计(论文) [23] 董长虹(MATLB神经网络与应用(第二版)(北京:国防工业出版社(2007，9:64-106. [24] 王华春.基于模糊神经网络的主汽温控制系统的研究[D].华北电力大学，2003. [25] P.Cominos，N.Munro.PID controlles:recent tuning methods and design to specification[C].IEEE Proceeedings control theory and application 2002，149(l):46一53. [26] Antsaklis P J. Neural Networks in Control Systems[J]. IEEE Control System Magazine (Special Section on Neural Networks for Systemsand Control), 1990: 3-5 . [27] Chi-k-Ma Harnold and Kwang Y. Lee. Free-Model Based Neural Networks for a Boiler-Turbine Plant [J]. 2000: 3-5. 38 华北电力大学本科毕业设计(论文) 致 谢 本学位论文是在我的导师张建华教授的精心指导和悉心关怀下完成的，从论 文的材料收集到最后的定稿，处处都倾注着张老师的心血智慧以及对学生的关 怀。在平时的生活、学业中张老师也给予我莫大的帮助和无微不至的关怀。张老 师学识渊博，治学严谨，其积极、乐观、豁达的人生、治学态度使我终身受益。 在此我要向我的辅导老师致以最衷心的感谢和深深的敬意! 同时也感谢四年来教过我的各位老师，是老师们付出的辛勤劳动，才塑造了 我的专业素养、培养了我的专业技能，在此表示崇高的敬意和真挚的感谢～ 整个学习期间，得到了舍友和同学们的多方支持与鼓励。几年来，大家和睦 相处、亲如兄弟，如今，我们即将各奔东西，但愿这分深厚的友谊能地久天长。 在此感谢他们的陪伴和帮助。 也衷心感谢在百忙之中评阅我的论文和参加答辩的各位专家和教授。 学生:郝玉春 2010年6月3号 39