基于神经网络的pid控制算法研究new

《基于神经网络的pid控制算法研究new》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TP183编码：BY15581112/13/214-0901沈阳化工大学本科毕业论文题目：基于神经网络的PID控制算法研究院系：信息工程学院专业：电气工程及其自动化班级：电气1002学生姓名：张贺指导教师：王娜论文提交日期：2013年6月21日论文答辩日期：2013年6月25日VI-摘要现如今，由于PID具有结构简单，可通过调节比例积分和微分取得较为满意的控制性能，广泛应用在电厂的各种控制过程中。电厂主汽温的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

2、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。但是当运行工况发生较大变化时,却很难保证控制能力。因此本论文研究基于BP神经网络的PID控制，利用神经网络的自学习、不依赖模型和非线性等特性实现PID参数自整定，充分利用PID和神经网络的优点。本文用一个多层前向神经网络，采用反向传播算法依据控制要求实时输出Kp、Ki、Kd，依次作为PID控制器的实时控制参数，代替传统PID参数靠经验的人工整定和工程整定，以达到对具有大迟延主气温系统的良好控制。并对这个系统在MATLAB平台上进行

3、仿真研究，结果表明基于BP神经网络的自整定PID控制具有良好的自学习能力和自适应能力，对拥有大迟延和变对象的系统能取得良好的控制效果。关键词：PID，BP神经网络，主汽温，MATLAB仿真ABSTRACTAtpresent,becausePIDhasasimplestructureandcanbeadjustedproportionalintegralanddifferentialtosatisfactorycontrolVI-performance，,itiswidelyusedinpowerp

4、lantsofvariouscontrolprocess.ThesystemofPowerplantmainsteamtemperatureisanlargeinertia、bigtime-delayedandnonlineardynamicsystem.ConventionalsteamtemperaturecontrolsystemadoptedcascadePIDcontrolorthedifferentialcontrolofleadbefore,whentheunitisstable,g

5、eneralwillallowthesteamtemperaturecontrolintherange,butwhenoperatingconditionschangedgreatly,itisdifficulttoensurethequalityofcontrol.ThisarticlestudiesPIDcontrolbasedBPneuralnetwork.Usingsuchcharacteristicsofneuralnetworkself-learning,nonlinearanddon

6、'trelyonmodelrealizePIDparametersonlineauto-tuning.ItcanmakefulluseoftheadvantagesofPIDandneuralnetwork.Here,weuseamultilayerfeedforwardneuralnetworkusingbackpropagationalgorithmandbasedoncontrolrequirements.Thisnetcanreal-timeoutputKp,Ki,KdasthePIDco

7、ntrollerparameters,insteadingofthetraditionalPIDparametersdeterminedbyexperience.Soitcanobtaingoodcontrolperformance.Forsuchasystem,wecansimulateinMATLABsimulationplatform.ThesimulationresultsshowthatthePIDcontrolbasedBPneuralnetworkhasgoodadaptiveabi

8、lityandself-learningability.Forthesystemoflargedelayandfree-modelcanobtaingoodcontroleffect.KEYWORDS:PID，BPneuralnetwork，mainsteamtemperature，MATLABsimulationVI-目录摘要IABSTRACTII第一章绪论11.1选题背景和意义11.2国内外发展现状41.3本文研究的内容及主要工作6第二章神经网络原理和应用82.1神经网络概述8