神经网络pid完整

《神经网络pid完整》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、摘要目前，由于PID具有结构简单，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。因此本文研究BP神经网络的PID控制，利用神经网络的自学习、非线性和不依赖模型等特性实现PID参数的在线自整定，充分利用PID和神经网络的优点。本处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

2、、Kd，依次作为PID控制器的实时参数，代替传统PID参数靠经验的人工整定和工程整定，以达到对大迟延主气温系统的良好控制。对这样一个系统在MATLAB平台上进行仿真研究，，仿真结果表明基于BP神经网络的自整定PID控制具有良好的自适应能力和自学习能力，对大迟延和变对象的系统可取得良好的控制效果。关键词：主汽温，PID，BP神经网络，MATLAB仿真ABSTRACTAtpresent,becausePIDhasasimplestructureandcanbeadjustedproportionalintegralanddifferenti

3、altosatisfactorycontrolperformance，,itiswidelyusedinpowerplantsofvariouscontrolprocess.ThesystemofPowerplantmainsteamtemperatureisanlargeinertia、bigtime-delayedandnonlineardynamicsystem.ConventionalsteamtemperaturecontrolsystemadoptedcascadePIDcontrolorthedifferentialcon

4、trolofleadbefore,whentheunitisstable,generalwillallowthesteamtemperaturecontrolintherange,butwhenoperatingconditionschangedgreatly,itisdifficulttoensurethequalityofcontrol.ThisarticlestudiesPIDcontrolbasedBPneuralnetwork.Usingsuchcharacteristicsofneuralnetworkself-learni

5、ng,nonlinearanddon'trelyonmodelrealizePIDparametersonlineauto-tuning.ItcanmakefulluseoftheadvantagesofPIDandneuralnetwork.Here,weuseamultilayerfeedforwardneuralnetworkusingbackpropagationalgorithmandbasedoncontrolrequirements.Thisnetcanreal-timeoutputKp,Ki,KdasthePIDcont

6、rollerparameters,insteadingofthetraditionalPIDparametersdeterminedbyexperience.Soitcanobtaingoodcontrolperformance.Forsuchasystem,wecansimulateinMATLABsimulationplatform.ThesimulationresultsshowthatthePIDcontrolbasedBPneuralnetworkhasgoodadaptiveabilityandself-learningab

7、ility.Forthesystemoflargedelayandfree-modelcanobtaingoodcontroleffect.KEYWORDS:mainsteamtemperature，PID，BPneuralnetwork，MATLABsimulation目录摘要IABSTRACTII第一章绪论11.1选题背景和意义11.2国内外研究现状11.3立论依据51.4本文所做的主要工作61.5本论文的章节安排6第二章神经网络原理和应用82.1MP模型82.2神经网络的学习方式和学习规则92.2.1神经网络的学习方式92.2.2

8、神经网络的学习规则92.3神经网络的特点及应用112.4BP神经网络112.4.1BP神经网络的结构112.4.2BP神经网络算法122.4.3BP神经网络的前向传播算法122.4.4BP神经网络的反向传播