汽輪機調(diào)速系統(tǒng)的研究畢業(yè)論文

1、<p>　題目名稱：汽輪機調(diào)制系統(tǒng)的研究</p><p>　內(nèi)容設計一 簡單介紹課題設計，及其理論意義和實際價值。二 介紹工程的主要理論基礎，提出用神經(jīng)網(wǎng)絡為基礎，對傳感器返回參數(shù)進行處理。三 介紹方案所需的神經(jīng)網(wǎng)絡的基本理論，研究選取所需神經(jīng)網(wǎng)絡結(jié)構(gòu)及相應學習算法和控制參數(shù)。四 將神經(jīng)網(wǎng)絡與傳統(tǒng)的控制策略結(jié)合起來，給出了一種神經(jīng)網(wǎng)絡控制的設計方法，通過對非線性系統(tǒng)的仿真，對響應曲線進行比較。五 結(jié)論。

2、時間安排一 3月1日到3月10日 搜集資料，形成論文整體思路。二 3月11日到3月25日 對神經(jīng)網(wǎng)絡及汽輪機進行研究。三 3月26日到5月30日 設計控制器，進行計算機仿真。四 6月1日到6月10日，進一步測試，達到穩(wěn)定，撰寫畢業(yè)論文。</p><p>　專業(yè)負責人意見簽名：年 月 日</p><p>　　汽輪機調(diào)制系統(tǒng)的研究</p><p><b&g

3、t;　　摘 要</b></p><p>　　汽輪機是一種在高壓蒸汽的作用下高速旋轉(zhuǎn)的設備，汽控制系統(tǒng)需要高要求的保證電壓和頻率的穩(wěn)定性，以及由于動力需求量的大小時變的輸出，這就要求了對于汽輪機轉(zhuǎn)速的高要求。</p><p>　　隨著機組容量的增加和參數(shù)的提高，啟動和運行變的越來越復雜，機組的安全性也變的越來越重要，一直采用的傳統(tǒng)的PID調(diào)節(jié)系統(tǒng)已經(jīng)不能滿足生辰的要求，特別是大型

4、的汽輪機組的要求。</p><p>　　目前BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。由神經(jīng)網(wǎng)絡原理應用到大型汽輪機組使其可以自適應學習各種誤差擾動帶來的調(diào)節(jié)方式，更加適應時變的控制系統(tǒng)，以滿足現(xiàn)在的控制需求。</p><p>　　本文由神經(jīng)網(wǎng)絡著

5、手，利用神經(jīng)網(wǎng)絡多層輸入輸出，自學習適應能力，提升汽輪機控制系統(tǒng)的控制能力，利用基于BP神經(jīng)網(wǎng)絡的狀態(tài)辨識模型，提出了總體設計方案，依據(jù)課題的實際情況設計出了易收斂，訓練速度更快的BP神經(jīng)網(wǎng)絡模型，最后利用MATLAB神經(jīng)網(wǎng)絡工具箱函數(shù)給出了具體的實現(xiàn)方法和方針結(jié)果。</p><p>　　關鍵詞： BP神經(jīng)網(wǎng)絡；汽輪機；MATLAB仿真</p><p>　　Study of Steam T

6、urbine Control Based on the BP Neural Network </p><p><b>　　Abstract</b></p><p>　　In a high-pressure steam turbine is under the action of high speed rotating equipment, air control sy

7、stem of high requirements to guarantee the stability of voltage and frequency, and the size of the power demand time-varying output, which requires a high requirements for turbine speed.</p><p>　　With the i

8、ncrease of the unit capacity and parameters, start-up and operation is becoming more and more complex, unit safety has become increasingly important, always adopts the traditional PID control system already cannot satisf

9、y the requirement of birth, especially large steam turbine. </p><p>　　Currently BP neural network can learn and storage of input-output model mapping relation, without the prior to reveal the mapping relatio

10、nship of describing mathematical equations. It is to use the rules of learning the steepest descent method, through propagation to constantly adjust network weights and threshold, make the minimum error square network. B

11、y the neural network theory applied to large turbine unit which can learn all kinds of adaptive perturbation errors of regulating mode, the mor</p><p>　　Based on neural network, and by using the neural netwo

12、rk self-learning input and output, multilayer adaptive ability, enhance the ability to control steam turbine control system based on BP neural network models, puts forward the state overall design scheme, according to th

13、e actual situation of subject to design a faster convergence, training of BP neural network models, finally using MATLAB neural network toolbox functions are given specific implementation method and principle of the resu

14、lts.</p><p>　　Key words：BP Network; turbine governor; MATLAB</p><p><b>　　目 錄</b></p><p><b>　　摘要</b></p><p><b>　　Abstract </b></p

15、><p><b>　　1 緒論1</b></p><p>　　1.1課題的背景及意義1</p><p>　　1.2國內(nèi)外的發(fā)展歷史及現(xiàn)狀2</p><p>　　1.3本課題所要研究的主要內(nèi)容4</p><p>　　2 汽輪機基本原理5</p><p>　　2.1汽

16、輪機目前應用領域5</p><p>　　2.2汽輪機的主要控制方式及其不足6</p><p><b>　　2.3本章小結(jié)7</b></p><p>　　3 BP神經(jīng)網(wǎng)絡算法8</p><p>　　3.1BP神經(jīng)網(wǎng)絡的基本原理8</p><p>　　3.2 BP神經(jīng)網(wǎng)絡的算法改進13

17、</p><p>　　3.2.1動量法改進BP算法13</p><p>　　3.2.2動量-自適應學習率調(diào)整算法13</p><p>　　3.3BP神經(jīng)網(wǎng)絡結(jié)構(gòu)確定及參數(shù)整定14</p><p>　　3.4本章小結(jié)16</p><p>　　4 計算機仿真17</p><p>　　4.

18、1 MATLAB神經(jīng)網(wǎng)絡工具箱17</p><p>　　4.1.1面向MATLAB的BP神經(jīng)網(wǎng)絡的設計17</p><p>　　4.1.2 BP神經(jīng)網(wǎng)絡的創(chuàng)建17</p><p>　　4.1.3 BP神經(jīng)網(wǎng)絡的訓練17</p><p>　　4.2基于BP神經(jīng)網(wǎng)絡的PID整定原理18</p><p>　　4.2

19、控制器的設計19</p><p>　　4.3仿真結(jié)果分析19</p><p><b>　　5結(jié)論21</b></p><p><b>　　參考文獻</b></p><p><b>　　致謝</b></p><p><b>　　汽輪機控制的

20、研究</b></p><p><b>　　1 緒論</b></p><p>　　1.1課題的背景及意義</p><p>　　汽輪機是大型高速旋轉(zhuǎn)的原動機，通常在高溫高壓下工作，它是火電廠中最主要的設備之一。由于電能不能大量存儲，而電力用戶的耗電量又不斷變化，因此，汽輪機都裝有調(diào)速系統(tǒng)。汽輪機調(diào)速系統(tǒng)是確保汽輪發(fā)電機組安全、經(jīng)濟運行

21、的重要控制系統(tǒng)之一：在正常運行狀態(tài)下，實現(xiàn)機組功率與轉(zhuǎn)速的自動調(diào)節(jié)；在緊急事故工況下，又是防止機組事故進一步惡化的一道屏障。它的任何故障與性能退化，都將直接危及機組的運行安全。上述工作能否順利地完成，主要取決于調(diào)速器的調(diào)節(jié)性能和可靠性。由于汽輪機調(diào)速器對汽輪發(fā)電機組安全、可靠地運行起著舉足輕重的作用，并直接影響著電力系統(tǒng)向用戶供電的質(zhì)量及可靠性，因此，汽輪機調(diào)速器一直是電力系統(tǒng)自動控制的重要研究內(nèi)容之一。隨著機組容量的增加，轉(zhuǎn)子的慣性質(zhì)

22、量與機組功率的比率逐漸下降，使飛升時間常數(shù)變小，這對大型機組調(diào)節(jié)系統(tǒng)的動態(tài)性能提出了更高的要求。而傳統(tǒng)的控制方式已逐漸不滿足現(xiàn)有汽輪機的控制，課題所研究的正是以神經(jīng)網(wǎng)絡為基礎的，可自學習適應的控制方式。</p><p>　　神經(jīng)網(wǎng)絡（Artificial Neural Networks，ANN），一種模仿動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理的算法數(shù)學模型。這種網(wǎng)絡依靠系統(tǒng)的復雜程度，通過調(diào)整內(nèi)部大量節(jié)點之

23、間相互連接的關系，從而達到處理信息的目的。神經(jīng)網(wǎng)絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入－輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果，這種學習分析的過程被稱為“訓練”。</p><p>　　神經(jīng)網(wǎng)絡技術是20世紀末迅速發(fā)展起來的一門高技術。由于神經(jīng)網(wǎng)絡具有良好的非線性映射能力，自學習適應能力和并行信息處理能力，為解決未知不確定非線性系統(tǒng)的建模和控制

24、問題提供了一條新的思路，因而吸煙了國內(nèi)外眾多的學者和工程技術人員從事神經(jīng)網(wǎng)絡控制的研究，并取得了豐碩的成果，提出了許多成功的理論和方法，使神經(jīng)網(wǎng)絡控制逐步發(fā)展為智能控制的一個分支。</p><p>　　雖然在科學技術高速發(fā)達的今天，人類實踐活動已拓展到許多空間和領域，但面對現(xiàn)代高度復雜放入被控系統(tǒng)，現(xiàn)有的技術手段和方法無時不受到嚴峻的挑戰(zhàn)。這迫使人們更加不可忽視人類大腦的高超控制作用。迄今為止，世界上最有成效的控

25、制器還是人類自身。人腦所具有的學習，適應，模糊和并行信息處理以及直覺推理等多種智能是目前其他一切技術手段所難以達到的。因此，研究人腦神經(jīng)系統(tǒng)的運行機制，模擬人腦思維功能，通過新的方法和途徑，實現(xiàn)對傳統(tǒng)方法難以控制的復雜不確定的控制，是控制理論發(fā)展的必然趨勢。</p><p>　　神經(jīng)網(wǎng)絡的控制基本思想就是從仿生學角度，模擬人腦神經(jīng)系統(tǒng)的運作 方式，使機器具有人腦那樣的感知，學習和推理能力。它將控制系統(tǒng)看成事由輸入

26、到輸出的一個映射，利用神經(jīng)網(wǎng)絡的學習能力和適應能力實現(xiàn)的映射特性，從而完成對系統(tǒng)的建模和控制。它使模型和控制的概念更加一般化。理論上講，基于圣經(jīng)網(wǎng)絡的控制系統(tǒng)具有一定得學習能力，能更好的適應環(huán)境和系統(tǒng)特性的變化，非常適合于復雜系統(tǒng)的建模和控制。特別是當系統(tǒng)存在不確定因素時，更體現(xiàn)了神經(jīng)網(wǎng)絡方法的優(yōu)越性。</p><p>　　應用神經(jīng)網(wǎng)絡時，人們總期望它有非?？斓娜质諗刻匦?，大范圍的映射泛化能力和較少的實現(xiàn)代價。

27、然而，目前神經(jīng)網(wǎng)絡的并行計算能力都是通過計算機虛擬實現(xiàn)的，大多數(shù)情況下扔是一種串行工作模式（相對實時控制熱任務）。因此在解決上述問題方面，由于受到當前硬件發(fā)展的限制，人們?nèi)詫⒅饕性谏窠?jīng)網(wǎng)絡結(jié)構(gòu)和快速學習算法的研究上。</p><p>　　盡管幾年來，神經(jīng)網(wǎng)絡理論及應用研究都取得了可喜的進展，但應看到，人們對生物神經(jīng)系統(tǒng)的研究與了解還很不夠，提出的神經(jīng)網(wǎng)絡模型，無論從結(jié)構(gòu)還是規(guī)模上，都是對真實神經(jīng)網(wǎng)絡的一種

28、簡化和近似。神經(jīng)網(wǎng)絡的理論仍有許多缺陷，尚待進一步的發(fā)展與完善。因此，要使神經(jīng)網(wǎng)絡走出實驗室，真正用于工程實踐中，在諸多的領域中還有許多工作要做[1]。</p><p>　　1.2國內(nèi)外的發(fā)展歷史及現(xiàn)狀</p><p>　　從我國各火電廠的實際情況情況看，目前各種汽輪機控制系統(tǒng)都可以滿足汽輪機的調(diào)節(jié)和安全要求。機械液壓式調(diào)節(jié)系統(tǒng)是時間比較久的傳統(tǒng)設備，但是由于其存在本身無法克服的缺點，例如

29、機械誤差造成的，特性曲線線性差，遲緩率較大，以及無法滿足電網(wǎng)集中度和電廠的自動化等一系列問題，現(xiàn)在己經(jīng)逐漸被電調(diào)控制系統(tǒng)所取代。電液并存控制系統(tǒng)是一種從機械液壓式調(diào)節(jié)到電調(diào)控制系統(tǒng)的過渡產(chǎn)品，主要用于對原火電廠進行改造的汽輪機調(diào)節(jié)系統(tǒng)，但是新建的電廠很少采用這種控制系統(tǒng)。由于模擬式電調(diào)電路結(jié)構(gòu)的直觀、易懂，使運行維護人員能夠?qū)ο到y(tǒng)的結(jié)構(gòu)深入了解，在查找問題和處理故障時，能較快、較準地找到原因，保證了系統(tǒng)良好的運行。因此，模擬式電液控制系

30、統(tǒng)的使用情況較好，能夠達到汽輪機安全運行和啟停的要求。由于技術的不斷發(fā)展，模擬電路組成的電調(diào)已經(jīng)停止產(chǎn)生了，取而代之的是已開始廣泛使用的數(shù)字式電調(diào)控制系統(tǒng)。</p><p>　　人工神經(jīng)網(wǎng)絡的研究始于40年代初。半個世紀以來，經(jīng)歷了興起、高潮與蕭條、高潮及穩(wěn)步發(fā)展的遠為曲折的道路。 1943年，心理學家W.S.Mcculloch和數(shù)理邏輯學家W.Pitts 提出了M—P模型，這是第一個用數(shù)理語言描述腦的信息處理過

31、程的模型，雖然神經(jīng)元的功能比較弱，但它為以后的研究工作提供了依據(jù)。1949年，心理學家D.O.Hebb提出突觸聯(lián)系可變的假設，根據(jù)這一假設提出的學習規(guī)律為神經(jīng)網(wǎng)絡的學習算法奠定了基礎。 1957 年，計算機科學家Rosenblatt提出了著名的感知機模型，它的模型包含了現(xiàn)代計算機的一些原理，是第一個完整的人工神經(jīng)網(wǎng)絡，第一次把神經(jīng)網(wǎng)絡研究付諸工程實現(xiàn)。由于可應用于模式識別，聯(lián)想記憶等方面，當時有上百家實驗室投入此項研究，美國軍方甚至認為

32、神經(jīng)網(wǎng)絡工程應當比”原子彈工程”更重要而給予巨額資助，并在聲納信號識別等領域取得一定成績。1960年，B.Windrow和E.Hoff提出了自適應線性單元，它可用于自適應濾波、預測和模式識別。至此，人工神經(jīng)網(wǎng)絡的研究工作進入了第一個高潮。 1969年，美國著名人工智能學者M.Minsky和S.Papert編寫了影響很大的</p><p>　　Wunsch 在90OSA 年會上提出了一種AnnualMeeting，

33、用光電執(zhí)行ART，學習過程有自適應濾波和推理功能，具有快速和穩(wěn)定的學習特點。1991年，Hertz探討了神經(jīng)計算理論，對神經(jīng)網(wǎng)絡的計算復雜性分析具有重要意義；Inoue 等提出用耦合的混沌振蕩子作為某個神經(jīng)元，構(gòu)造混沌神經(jīng)網(wǎng)絡模型，為它的廣泛應用前景指明了道路。1992年，Holland用模擬生物進化的方式提出了遺傳算法，用來求解復雜優(yōu)化問題。1993年方建安等采用遺傳算法學習，研究神經(jīng)網(wǎng)絡控制器獲得了一些結(jié)果。1994年Angelin

34、e等在前人進化策略理論的基礎上，提出一種進化算法來建立反饋神經(jīng)網(wǎng)絡，成功地應用到模式識別，自動控制等方面；廖曉昕對細胞神經(jīng)網(wǎng)絡建立了新的數(shù)學理論和方法，得到了一系列結(jié)果。HayashlY根據(jù)動物大腦中出現(xiàn)的振蕩現(xiàn)象，提出了振蕩神經(jīng)網(wǎng)絡。1995年Mitra把人工神經(jīng)網(wǎng)絡與模糊邏輯理論、生物細胞學說以及概率論相結(jié)合提出了模糊神經(jīng)網(wǎng)絡，使得神經(jīng)網(wǎng)絡的研究取得了突破性進展。Jenkins等人研究光學神經(jīng)網(wǎng)絡，建立了光學二維并行互連與電子學混合

35、的光學神經(jīng)網(wǎng)絡，它能避免網(wǎng)絡陷入局部最小值，并最</p><p>　　隨著理論工作的發(fā)展，神經(jīng)網(wǎng)絡的應用研究也取得了突破性進展，涉及面非常廣泛，就應用的技術領域而言有計算機視覺，語言的識別、理解與合成，優(yōu)化計算，智能控制及復雜系統(tǒng)分析，模式識別，神經(jīng)計算機研制，知識推理專家系統(tǒng)與人工智能。涉及的學科有神經(jīng)生理學、認識科學、數(shù)理科學、心理學、信息科學、計算機科學、微電子學、光學、動力學、生物電子學等。美國、日本等國

36、在神經(jīng)網(wǎng)絡計算機軟硬件實現(xiàn)的開發(fā)方面也取得了顯著的成績，并逐步形成產(chǎn)品。在美國，神經(jīng)計算機產(chǎn)業(yè)已獲得軍方的強有力支持，國防部高級研究計劃局認為”神經(jīng)網(wǎng)絡是解決機器智能的唯一希望”，僅一項8 年神經(jīng)計算機計劃就投資4億美元。在歐洲共同體的ESPRIT計劃中，就有一項特別項目：”神經(jīng)網(wǎng)絡在歐洲工業(yè)中的應用”，單是生產(chǎn)神經(jīng)網(wǎng)絡專用芯片這一項就投資2200萬美元。據(jù)美國資料聲稱，日本在神經(jīng)網(wǎng)絡研究上的投資大約是美國的4倍。我國也不甘落后，自從1

37、990 年批準了南開大學的光學神經(jīng)計算機等3項課題以來，國家自然科學基金與國防預研基金也都為神經(jīng)網(wǎng)絡的研究提供資助。另外，許多國際著名公司也紛紛卷入對神經(jīng)網(wǎng)絡的研究，如Intel、IBM、Siemens、HNC。神</p><p>　　1.3本課題所要研究的主要內(nèi)容</p><p>　　BP（Back Propagation）網(wǎng)絡是1986年由Rumelhart和McCelland為首的科

38、學家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡模型拓撲結(jié)構(gòu)包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。</p><p>　　

39、BP (Back Propagation)神經(jīng)網(wǎng)絡是一種神經(jīng)網(wǎng)絡學習算法，全稱基于誤差反向傳播算法的人工神經(jīng)網(wǎng)絡。</p><p>　　拓撲結(jié)構(gòu)的單隱層前饋網(wǎng)絡，一般稱為三層前饋網(wǎng)或三層感知器，即：輸入層、中間層（也稱隱層）和輸出層。它的特點是：各層神經(jīng)元僅與相鄰層神經(jīng)元之間相互全連接，同層內(nèi)神經(jīng)元之間無連接，各層神經(jīng)元之間無反饋連接，夠成具有層次結(jié)構(gòu)的前饋型神經(jīng)網(wǎng)絡系統(tǒng)。單計算層前饋神經(jīng)網(wǎng)絡只能求解線性可分問題

40、，能夠求解非線性問題的網(wǎng)絡必須是具有隱層的多層神經(jīng)網(wǎng)絡。</p><p>　　在人工神經(jīng)網(wǎng)絡發(fā)展歷史中，很長一段時間里沒有找到隱層的連接權值調(diào)整問題的有效算法。直到誤差反向傳播算法（BP算法）的提出，成功地解決了求解非線性連續(xù)函數(shù)的多層前饋神經(jīng)網(wǎng)絡權重調(diào)整問題。</p><p>　　2 汽輪機基本原理</p><p>　　2.1汽輪機目前應用領域</p>

41、;<p>　　汽輪機是能將蒸汽熱能轉(zhuǎn)化為機械功的外燃回轉(zhuǎn)式機械，來自鍋爐的蒸汽進入汽輪機后，依次經(jīng)過一系列環(huán)形配置的噴嘴和動葉，將蒸汽的熱能轉(zhuǎn)化為汽輪機轉(zhuǎn)子旋轉(zhuǎn)的機械能。蒸汽在汽輪機中，以不同方式進行能量轉(zhuǎn)換，便構(gòu)成了不同工作原理的汽輪機。</p><p>　　汽輪機主要用途是在熱力發(fā)電廠中做帶動發(fā)電機的原動機。為了保證汽輪機正常工作，需配置必要的附屬設備，如管道、閥門、凝汽器等，汽輪機及其附屬設備

42、的組合稱為汽輪機設備。來自蒸汽發(fā)生器的高溫高壓蒸汽經(jīng)主汽閥、調(diào)節(jié)閥進入汽輪機。由于汽輪機排汽口的壓力大大低于進汽壓力，蒸汽在這個壓差作用下向排汽口流動，其壓力和溫度逐漸降低，部分熱能轉(zhuǎn)換為汽輪機轉(zhuǎn)子旋轉(zhuǎn)的機械能。做完功的蒸汽稱為乏汽，從排汽口排入凝汽器，在較低的溫度下凝結(jié)成水，此凝結(jié)水由凝結(jié)水泵抽出送經(jīng)蒸汽發(fā)生器構(gòu)成封閉的熱力循環(huán)。為了吸收乏汽在凝汽器放出的凝結(jié)熱，并保護較低的凝結(jié)溫度，必須用循環(huán)水泵不斷地向凝汽器供應冷卻水。由于汽輪機

43、的尾部和凝汽器不能絕對密封，其內(nèi)部壓力又低于外界大氣壓，因而會有空氣漏入，最終進入凝汽器的殼側(cè)。若任空氣在凝汽器內(nèi)積累，凝汽器內(nèi)壓力必然會升高，導致乏汽壓力升高，減少蒸汽對汽輪機做的有用功，同時積累的空氣還會帶來乏汽凝結(jié)放熱的惡化，這兩者都會導致熱循環(huán)效率的下降，因而必須將凝汽器殼側(cè)的空氣抽出。凝汽設備由凝汽器、凝結(jié)水泵、循環(huán)水泵和抽氣器組成，它的作用是建立并保持凝汽器的真空，以使汽輪機保持較低的排汽壓力，同時回收凝</p>

44、<p>　　圖2.1汽輪機機構(gòu)簡圖</p><p>　　汽輪機的本體結(jié)構(gòu)一般可分為靜止部分和轉(zhuǎn)動部分。靜止部分包括汽缸、進汽部分、噴嘴、隔板、汽封、滑銷系統(tǒng)、加熱系統(tǒng)和軸承等部件。轉(zhuǎn)動部分包括主軸、葉輪、葉片和聯(lián)軸器等。</p><p>　　2.2汽輪機的主要控制方式及其不足</p><p>　　汽輪機目前所主要以2種功能應用于社會中,一種是以電力設備

45、的形式存在,其電力設備主要包括以發(fā)電設備和供電設備兩大類，發(fā)電設備主要是電站鍋爐、蒸汽輪機、燃氣輪機、水輪機、發(fā)電機、變壓器等等，供電設備主要是各種電壓等級的輸電線路、互感器、接觸器等等。 另一種以動力設備的形式存在汽輪機是動力設備，除了用于火力發(fā)電廠和集中供熱電站外，還用于驅(qū)動其他設備，例如大型的艦船、鋼鐵廠的大型風機和水泵，制藥化工企業(yè)的螺桿壓縮機等等。 一般需要汽輪機的公司基本上以火電站和熱電站為主，其次在制藥、化肥、冶煉、石油化

46、工企業(yè)應用較為廣泛。</p><p>　　常規(guī)的小型汽輪機目前的控制方式主要以傳統(tǒng)的PID控制方式為主，人工操作方式為輔，比較適用于小型的汽輪機為主的機械設備，但其收斂時間較長，控制方式較為復雜，需要人工事先設定好各種參數(shù)，然后再通過環(huán)境適應，改動相應的參數(shù)設置，以達到控制目的，遇到各種擾動因素需要人工調(diào)整，非常不便[5]。</p><p>　　汽輪機調(diào)節(jié)系統(tǒng)就是感受轉(zhuǎn)速的變化，控制調(diào)節(jié)閥

47、門的開度，改變汽輪機的進汽量，使發(fā)出的功率與外界負荷重新平衡，并使轉(zhuǎn)速保持在規(guī)定的范圍內(nèi)。描述汽輪機平衡工況下的工作特性，即汽輪機在同步器的不同位置時，穩(wěn)定工況下與轉(zhuǎn)速的關系，通常稱為調(diào)節(jié)系統(tǒng)的靜態(tài)特性。對調(diào)節(jié)系統(tǒng)的靜態(tài)特性應該有一定的要求。</p><p>　　超速保護是保證汽輪機安全可靠運行的重要保護手段，超速保護的主要監(jiān)控參數(shù)是機組的轉(zhuǎn)速。本系統(tǒng)中的超速保護裝置采用電超速保護裝置。電超速保護裝置由轉(zhuǎn)速傳感器

48、、PLC的數(shù)字量輸出模塊、電磁閥等部件組成。轉(zhuǎn)速傳感器測出汽輪機的轉(zhuǎn)速，送到PLC里與超速保護設定值進行比較，當達到或超過超速保護值時，數(shù)字量輸出模塊立即輸出高電平給電磁閥，電磁閥采用冗余處理，電磁閥動作，使主汽閥操縱座下腔的壓力油通過電磁閥油門泄至郵箱。在輸出端子變成高電平后，等待操作員將故障排除，確認重啟后，輸出端子復位，使電磁閥失電，滑閥在彈簧力的作用下復位，調(diào)節(jié)系統(tǒng)又回復到滑閥未動作前的狀態(tài)。</p><p&

49、gt;　　汽輪發(fā)電機組運行時，當受到擾動而離開原穩(wěn)定工況后能很快地過渡到新的穩(wěn)定工況，或者在擾動消除后能恢復到原來的穩(wěn)定工況，這樣的調(diào)節(jié)系統(tǒng)就是穩(wěn)定的。不穩(wěn)定的調(diào)節(jié)系統(tǒng)是不能采用的，所以穩(wěn)定性是調(diào)節(jié)系統(tǒng)的必要條件。調(diào)節(jié)系統(tǒng)靜態(tài)特性描述的是各穩(wěn)定狀態(tài)下功率與轉(zhuǎn)速的對應規(guī)律，它與兩狀態(tài)之間的過渡過程無關，從而不能完全反映一個調(diào)節(jié)系統(tǒng)的性能。所以，不僅要知道工況穩(wěn)定下來以后各參數(shù)之間的關系，更重要地是要分析從一個工況到另一個工況的過渡過程中各

50、參數(shù)的變化規(guī)律，這就是調(diào)節(jié)系統(tǒng)動態(tài)特性，是調(diào)節(jié)系統(tǒng)受到擾動后，被調(diào)量隨時間的變化規(guī)律。研究調(diào)節(jié)系統(tǒng)動態(tài)特性的目的是：判別調(diào)節(jié)系統(tǒng)是否穩(wěn)定，評價調(diào)節(jié)系統(tǒng)品質(zhì)以及分析影響動態(tài)特性的主要因素，以便提出改善調(diào)節(jié)系統(tǒng)動態(tài)品質(zhì)的措施。</p><p>　　總之，從定性的角度分析各種因素對動態(tài)特性的影響，可知道：在調(diào)節(jié)對象方面，轉(zhuǎn)子轉(zhuǎn)動慣量越小(汽輪機轉(zhuǎn)子飛升時間常數(shù)也越小)以及蒸汽容積時間常數(shù)越大，均會使動態(tài)超速增加；從調(diào)節(jié)

51、元件方面考慮，轉(zhuǎn)速不等率、油動機時間常數(shù)以及系統(tǒng)遲緩率越大，均會使油動機的滯后時間和關閉時間增長，從而使動態(tài)超速增加。此外，轉(zhuǎn)子飛升時間常數(shù)小，局部不等率小以及遲緩率大等因素，均會導致系統(tǒng)振蕩和轉(zhuǎn)速產(chǎn)生波動，因此，從這些主要因素考慮，是改善動態(tài)特性的途徑。</p><p><b>　　2.3本章小結(jié)</b></p><p>　　本章介紹了目前各種類型的控制系統(tǒng)，且這些

52、都能滿足大容量汽輪機的安全運行要求，而分散型控制系統(tǒng)(DCS)的采用越來越普遍。但是，現(xiàn)有的控制系統(tǒng)的功能發(fā)揮卻不夠理想，不僅原設計功能未全部實現(xiàn)，而且在現(xiàn)有的控制系統(tǒng)上還有更多、更高級的潛在功能有待挖掘和發(fā)揮。造成這種情況的原因是多方面的，運行人員應充分理解設計意圖和功能，但更重要的是有關工程技術人員應對汽輪機組控制系統(tǒng)進行更細致的深入分析、研究和改進，以使系統(tǒng)更完善，滿足更高的安全經(jīng)濟運行水平的要求。</p><

53、p>　　3 BP神經(jīng)網(wǎng)絡算法</p><p>　　3.1BP神經(jīng)網(wǎng)絡的基本原理</p><p>　　BP（Back Propagation）網(wǎng)絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方

54、程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡模型拓撲結(jié)構(gòu)包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。</p><p>　　圖3.1 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)示意圖 </p><p>　　下圖給出了第j個基本BP神經(jīng)元（節(jié)點），它只模仿了生物神經(jīng)元所具有的三個最基本也是最重要的功能：

55、加權、求和與轉(zhuǎn)移。其中x1、x2…xi…xn分別代表來自神經(jīng)元1、2…i…n的輸入；wj1、wj2…wji…wjn則分別表示神經(jīng)元1、2…i…n與第j個神經(jīng)元的連接強度，即權值；bj為閾值；f(·)為傳遞函數(shù)；yj為第j個神經(jīng)元的輸出。</p><p>　　第j個神經(jīng)元的凈輸入值為：</p><p><b>　?。?-1）</b></p>&l

56、t;p>　　圖3.2 BP神經(jīng)元 </p><p>　　若視，，即令及包括及，則</p><p><b>　?。?-2）</b></p><p><b>　?。?-3）</b></p><p>　　于是節(jié)點j的凈輸入可表示為：</p><p><b>　　

57、(3-4)</b></p><p>　　凈輸入通過傳遞函數(shù)（Transfer Function）f (·)后，便得到第j個神經(jīng)元的輸出:</p><p><b>　　(3-5)</b></p><p>　　式中f(·)是單調(diào)上升函數(shù)，而且必須是有界函數(shù)，因為細胞傳遞的信號不可能無限增加，必有一最大值[6 7]。&

58、lt;/p><p>　　BP算法由數(shù)據(jù)流的前向計算（正向傳播）和誤差信號的反向傳播兩個過程構(gòu)成。正向傳播時，傳播方向為輸入層→隱層→輸出層，每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元。若在輸出層得不到期望的輸出，則轉(zhuǎn)向誤差信號的反向傳播流程。通過這兩個過程的交替進行，在權向量空間執(zhí)行誤差函數(shù)梯度下降策略，動態(tài)迭代搜索一組權向量，使網(wǎng)絡誤差函數(shù)達到最小值，從而完成信息提取和記憶過程。</p><p>　

59、　圖3.3 三層神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu) </p><p>　　設 BP網(wǎng)絡的輸入層有n個節(jié)點，隱層有q個節(jié)點，輸出層有m個節(jié)點，輸入層與隱層之間的權值為，隱層與輸出層之間的權值為，如上圖所示。隱層的傳遞函數(shù)為f1(·)，輸出層的傳遞函數(shù)為f2(·)，則隱層節(jié)點的輸出為（將閾值寫入求和項中）：</p><p>　　k=1,2,……q （3-6

60、） </p><p>　　輸出層節(jié)點的輸出為：</p><p>　　j=1,2,……m （3-7）</p><p>　　至此B-P網(wǎng)絡就完成了n維空間向量對m維空間的近似映射。</p><p><b>　　1) 定義誤差函數(shù)</b></p><p>　　輸入

61、個學習樣本，用來表示。第個樣本輸入到網(wǎng)絡后得到輸出（j=1,2,…m）。采用平方型誤差函數(shù)，于是得到第p個樣本的誤差Ep：</p><p><b>　　(3-8)</b></p><p><b>　　式中：為期望輸出。</b></p><p>　　對于個樣本，全局誤差為：</p><p><b

62、>　　(3-9)</b></p><p>　　2）輸出層權值的變化</p><p>　　采用累計誤差BP算法調(diào)整，使全局誤差變小，即</p><p><b>　　(3-10)</b></p><p><b>　　式中：—學習率</b></p><p><

63、;b>　　定義誤差信號為：</b></p><p><b>　　(3-11)</b></p><p><b>　　其中第一項：</b></p><p><b>　　(3-12)</b></p><p><b>　　第二項：</b><

64、/p><p><b>　　(3-13)</b></p><p>　　是輸出層傳遞函數(shù)的偏微分。</p><p><b>　　于是：</b></p><p><b>　　(3-14)</b></p><p><b>　　由鏈定理得：</b>

65、;</p><p><b>　　(3-15)</b></p><p>　　于是輸出層各神經(jīng)元的權值調(diào)整公式為：</p><p><b>　　(3-16)</b></p><p><b>　　3）隱層權值的變化</b></p><p><b>　

66、　(3-17)</b></p><p><b>　　定義誤差信號為：</b></p><p><b>　　(3-18)</b></p><p><b>　　其中第一項：</b></p><p><b>　　(3-19)</b></p>

67、;<p><b>　　依鏈定理有：</b></p><p><b>　　(3-20)</b></p><p><b>　　第二項：</b></p><p><b>　　(3-21)</b></p><p>　　是隱層傳遞函數(shù)的偏微分。<

68、/p><p><b>　　于是：</b></p><p><b>　　(3-22)</b></p><p><b>　　由鏈定理得：</b></p><p><b>　　(3-23)</b></p><p>　　從而得到隱層各神經(jīng)元的權

69、值調(diào)整公式為：</p><p><b>　　(3-24)</b></p><p>　　3.2 BP神經(jīng)網(wǎng)絡的算法改進</p><p>　　圖3.4 自適應學習</p><p>　　BP算法理論具有依據(jù)可靠、推導過程嚴謹、精度較高、通用性較好等優(yōu)點，但標準BP算法存在以下缺點：收斂速度緩慢；容易陷入局部極小值；難以確

70、定隱層數(shù)和隱層節(jié)點個數(shù)。在實際應用中，BP算法很難勝任，因此出現(xiàn)了很多改進算法。</p><p>　　3.2.1動量法改進BP算法</p><p>　　1） 利用動量法改進BP算法</p><p>　　標準BP算法實質(zhì)上是一種簡單的最速下降靜態(tài)尋優(yōu)方法，在修正W(K)時，只按照第K步的負梯度方向進行修正，而沒有考慮到以前積累的經(jīng)驗，即以前時刻的梯度方向，從而常常使學

71、習過程發(fā)生振蕩，收斂緩慢。動量法權值調(diào)整算法的具體做法是：將上一次權值調(diào)整量的一部分迭加到按本次誤差計算所得的權值調(diào)整量上，作為本次的實際權值調(diào)整量，即：</p><p><b>　　(3-25)</b></p><p>　　其中：α為動量系數(shù)，通 常0＜α＜0.9；η—學習率，范圍在0.001～10之間。這種方法所加的動量因子實際上相當于阻尼項，它減小了學習過程中的

72、振蕩趨勢，從而改善了收斂性。動量法降低了網(wǎng)絡對于誤差曲面局部細節(jié)的敏感性，有效的抑制了網(wǎng)絡陷入局部極小。</p><p>　　3.2.2動量-自適應學習率調(diào)整算法</p><p>　　標準BP算法收斂速度緩慢的一個重要原因是學習率選擇不當，學習率選得太小，收斂太慢；學習率選得太大，則有可能修正過頭，導致振蕩甚至發(fā)散?？刹捎脠D3.4所示的自適應方法調(diào)整學習率。</p><

73、p>　　采用動量法時，BP算法可以找到更優(yōu)的解；采用自適應學習速率法時，BP算法可以縮短訓練時間。將以上兩種方法結(jié)合起來，就得到動量-自適應學習速率調(diào)整算法。</p><p>　　3.3BP神經(jīng)網(wǎng)絡結(jié)構(gòu)確定及參數(shù)整定</p><p>　　確定了網(wǎng)絡層數(shù)、每層節(jié)點數(shù)、傳遞函數(shù)、初始權系數(shù)、學習算法等也就確定了BP網(wǎng)絡。確定這些選項時有一定的指導原則，但更多的是靠經(jīng)驗和試湊。</p

74、><p><b>　　1）隱層數(shù)的確定：</b></p><p>　　1998年Robert Hecht-Nielson證明了對任何在閉區(qū)間內(nèi)的連續(xù)函數(shù)，都可以用一個隱層的BP網(wǎng)絡來逼近，因而一個三層的BP網(wǎng)絡可以完成任意的n維到m維的映照。因此我們從含有一個隱層的網(wǎng)絡開始進行訓練。</p><p>　　2） BP網(wǎng)絡常用傳遞函數(shù):</p&g

75、t;<p>　　圖3.5 BP網(wǎng)絡常用的傳遞函數(shù)</p><p>　　BP網(wǎng)絡的傳遞函數(shù)有多種。Log-sigmoid型函數(shù)的輸入值可取任意值，輸出值在0和1之間；tan-sigmod型傳遞函數(shù)tansig的輸入值可取任意值，輸出值在-1到+1之間；線性傳遞函數(shù)purelin的輸入與輸出值可取任意值。BP網(wǎng)絡通常有一個或多個隱層，該層中的神經(jīng)元均采用sigmoid型傳遞函數(shù)，輸出層的神經(jīng)元則采用

76、線性傳遞函數(shù)，整個網(wǎng)絡的輸出可以取任意值。各種傳遞函數(shù)如圖3.5所示。</p><p>　　只改變傳遞函數(shù)而其余參數(shù)均固定，所述的樣本集訓練BP網(wǎng)絡時發(fā)現(xiàn)，傳遞函數(shù)使用tansig函數(shù)時要比logsig函數(shù)的誤差小。于是在以后的訓練中隱層傳遞函數(shù)改用tansig函數(shù)，輸出層傳遞函數(shù)仍選用purelin函數(shù)。</p><p>　　3） 每層節(jié)點數(shù)的確定：</p><p&g

77、t;　　使用神經(jīng)網(wǎng)絡的目的是實現(xiàn)攝像機輸出RGB顏色空間與CIE-XYZ色空間轉(zhuǎn)換，因此BP網(wǎng)絡的輸入層和輸出層的節(jié)點個數(shù)分別為3。下面主要介紹隱層節(jié)點數(shù)量的確定。</p><p>　　對于多層前饋網(wǎng)絡來說，隱層節(jié)點數(shù)的確定是成敗的關鍵。若數(shù)量太少，則網(wǎng)絡所能獲取的用以解決問題的信息太少；若數(shù)量太多，不僅增加訓練時間，更重要的是隱層節(jié)點過多還可能出現(xiàn)所謂”過渡吻合”（Overfitting）問題，即測試誤差增大導

78、致泛化能力下降，因此合理選擇隱層節(jié)點數(shù)非常重要。關于隱層數(shù)及其節(jié)點數(shù)的選擇比較復雜，一般原則是：在能正確反映輸入輸出關系的基礎上，應選用較少的隱層節(jié)點數(shù)，以使網(wǎng)絡結(jié)構(gòu)盡量簡單。本論文中采用網(wǎng)絡結(jié)構(gòu)增長型方法，即先設置較少的節(jié)點數(shù)，對網(wǎng)絡進行訓練，并測試學習誤差，然后逐漸增加節(jié)點數(shù)，直到學習誤差不再有明顯減少為止。</p><p>　　在神經(jīng)網(wǎng)絡訓練過程中選擇均方誤差MSE較為合理，原因如下：</p>

79、<p>　　標準BP算法中，誤差定義為：</p><p><b>　　(3-26)</b></p><p>　　每個樣本作用時，都對權矩陣進行了一次修改。由于每次權矩陣的修改都沒有考慮權值修改后其它樣本作用的輸出誤差是否也減小，因此將導致迭代次數(shù)增加。</p><p>　?、?#160; 累計誤差BP算法的全局誤差定義為：</

80、p><p><b>　　(3-27)</b></p><p>　　這種算法是為了減小整個訓練集的全局誤差，而不針對某一特定樣本，因此如果作某種修改能使全局誤差減小，并不等于說每一個特定樣本的誤差也都能同時減小。它不能用來比較P和m不同的網(wǎng)絡性能。因為對于同一網(wǎng)絡來說，P越大，E也越大； P值相同，m越大E也越大。</p><p>　　③ 

81、 均方誤差MSE：</p><p><b>　　(3-28)</b></p><p>　　其中:—輸出節(jié)點的個數(shù)，—訓練樣本數(shù)目，—網(wǎng)絡期望輸出值，—網(wǎng)絡實際輸出值。均方誤差克服了上述兩種算法的缺點，所以選用均方誤差算法較合理。</p><p>　　訓練一個單隱層的三層BP網(wǎng)絡，根據(jù)如下經(jīng)驗公式選擇隱層節(jié)點數(shù)：</p><p

82、>　　式中：n為輸入節(jié)點個數(shù)，m為輸出節(jié)點個數(shù)，a為1到10之間的常數(shù)。針對本論文n1取值范圍為3～13。訓練結(jié)果如表3.1所示[11 12]。</p><p>　　表3.1隱層節(jié)點數(shù)與誤差的關系</p><p><b>　　由上表可以看出：</b></p><p>　　①增加隱層節(jié)點數(shù)可以減少訓練誤差，但超過10以后測試誤差產(chǎn)生波動，即

83、泛化能力發(fā)生變化。綜合比較隱層節(jié)點數(shù)為10與12的訓練誤差和測試誤差，決定隱層節(jié)點數(shù)選用12。</p><p>　　②訓練誤差和測試誤差都很大,而且收斂速度極慢，這個問題可以通過對輸出量進行歸一化來解決。</p><p>　　根據(jù)Sigmoid型傳遞函數(shù)輸入和輸出的范圍，對輸入變量不進行歸一化處理，只對輸出變量進行歸一化，這是因為在輸出數(shù)據(jù)要求歸一化的同時，對輸入數(shù)據(jù)也進行歸一化的話，權值

84、的可解釋性就更差了。目標值按下式進行變化：</p><p><b>　　(3-29)</b></p><p>　　使目標值落在0.05～0.95之間，這樣靠近數(shù)據(jù)變化區(qū)間端點的網(wǎng)絡輸出值就有一波動范圍，網(wǎng)絡的性能較好。用新生成的訓練樣本與測試樣本對隱層節(jié)點數(shù)為12的網(wǎng)絡進行訓練，得到的訓練誤差為9.89028×10-5，測試誤差為1.9899×10

85、-4，達到了預定的目標。</p><p><b>　　3.4本章小結(jié)</b></p><p>　　本章主要講述了BP神經(jīng)網(wǎng)絡的基本原理，及其算法改進，詳細的分析了BP神經(jīng)網(wǎng)絡的優(yōu)越性，并論述了影響控制過程中影響動態(tài)特性的一些主要因素，對BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)確定及參數(shù)整定做了詳細分析，BP神經(jīng)網(wǎng)絡是控制理論的關鍵理論，所以掌握其知識要點有著非常重要的意義。</p&g

86、t;<p><b>　　4 計算機仿真</b></p><p>　　4.1 MATLAB神經(jīng)網(wǎng)絡工具箱</p><p>　　4.1.1面向MATLAB的BP神經(jīng)網(wǎng)絡的設計</p><p>　　在訓練前饋神經(jīng)網(wǎng)絡之前，我們必須設置權值和閾值的初始值。當我們使用函數(shù)newff創(chuàng)建前饋神經(jīng)網(wǎng)絡后，網(wǎng)絡會自動地初始化權值和閾值，缺省值都

87、是0。如果要設置這些初始值，可以使用函數(shù)init()，命令格式為：</p><p>　　net＝init(net)</p><p>　　函數(shù)init()會根據(jù)網(wǎng)絡的初始化函數(shù)以及它的參數(shù)值來設置網(wǎng)絡權值和閾值的初始值，它們分別由參數(shù)net.initFcn和net.initParam表示。對BP神經(jīng)網(wǎng)絡來說,參數(shù)net.initFcn的值是initwb，它使網(wǎng)絡的初始化采用Nguyen-wi

88、drow算法。</p><p>　　4.1.2 BP神經(jīng)網(wǎng)絡的創(chuàng)建</p><p>　　指令格式：net＝newff(4-2)</p><p>　　net＝newff(PR，[S1 S2…SN],{TFl TF2…TFN}，BTF，BLF,PF)</p><p><b>　　參數(shù)意義：</b></p>&l

89、t;p>　　PR――輸入向量的取值范圍。</p><p>　　Si——第i層的神經(jīng)元個數(shù)，總共N層。</p><p>　　Tfi——第i層的傳遞函數(shù)，缺省值為”tansig”。</p><p>　　BTF——BP網(wǎng)絡訓練函數(shù)，缺省值為”trainlm”。</p><p>　　BLF——BP網(wǎng)絡權值和閾值學習函數(shù)，缺省值為”1earngd

90、m”PF——性能函數(shù)，缺省值為”mse”。</p><p>　　執(zhí)行結(jié)果：創(chuàng)建一個N層的BP神經(jīng)網(wǎng)絡。</p><p>　　Tfi的值可以是任何的可微函數(shù)，比如logsig函數(shù)、purelind函數(shù)等。BTF的值還可以選擇trainbfg、trainrp、traingd等函數(shù)。而它的缺省值之所以選擇trainlm函數(shù)，是因為該算法具有非?？斓挠柧毸俣?，但是它會占用很大的內(nèi)存。對不同的網(wǎng)絡，

91、應該根據(jù)情況選擇最合適的訓練函數(shù)。</p><p>　　4.1.3 BP神經(jīng)網(wǎng)絡的訓練</p><p>　　當神經(jīng)網(wǎng)絡的權值和閾值初始化以后，我們就可以對網(wǎng)絡進行訓練。在訓練的過程中，網(wǎng)絡的權值和閾值被反復地調(diào)整，以減少網(wǎng)絡性能函數(shù)net.PerformFcn的值，直到達到預先的要求。BP神經(jīng)網(wǎng)絡的net.PerformFcn的缺省值是mse——網(wǎng)絡輸出和目標輸出的均方誤差[9，10，11

92、]。</p><p>　　BP神經(jīng)網(wǎng)絡的訓練同樣可以使用函數(shù)train()和adapt()。函數(shù)train()是通過調(diào)用參數(shù)net.hamFcn設定的訓練函數(shù)來實現(xiàn)網(wǎng)絡訓練的，而且訓練的方式由參數(shù)net.trainParam的值來確定，而函數(shù)adapt()是通過調(diào)用參數(shù)net.adaptFcn設定的訓練函數(shù)來實現(xiàn)網(wǎng)絡訓練的，訓練的方式由參數(shù)net.adaptParam的值確定。</p><p&

93、gt;　　在BP神經(jīng)網(wǎng)絡的訓練算法中，都是通過計算性能函數(shù)的梯度，再沿負梯度方向調(diào)整權值和閾值，從而使性能函數(shù)達到最小。第k個循環(huán)中的調(diào)整公式可表示為</p><p><b>　?。?-1）</b></p><p>　　其中kx表示當前的權值和閾值，lr是學習率。</p><p>　　4.2基于BP神經(jīng)網(wǎng)絡的PID整定原理</p>

94、<p>　　PID控制要取得較好的控制效果.就必須通過調(diào)整好比例,積分和微分三種控制作用,形成控制中既相互配合又相互制約的關系.這種關系不一定是簡單的”線性組合”,從變化無窮的非線性組合中可以找出最佳的關系.神經(jīng)網(wǎng)絡所具有的任意非線性表達能力,可以通過對系統(tǒng)性能的學習來實現(xiàn)具有最佳組合的PID控制.采用BP神經(jīng)網(wǎng)絡,可以建立參數(shù), , 自學習的PID控制器.</p><p>　　基于BP(back p

95、ropagation)網(wǎng)絡的PID控制系統(tǒng)的控制器由兩部分構(gòu)成：</p><p>　　經(jīng)典的PID控制器，直接對被控對象進行閉環(huán)控制，并且三個參數(shù), , 為在線調(diào)整方式。</p><p>　　神經(jīng)網(wǎng)絡，根據(jù)系統(tǒng)的運行狀態(tài)，調(diào)節(jié)PID控制器的參數(shù)，以期達到某種性能指標的最優(yōu)化，使輸出層神經(jīng)元的輸出狀態(tài)對應于PID控制器的三個可調(diào)參數(shù), , 通過神經(jīng)網(wǎng)絡的自學習，加權系數(shù)調(diào)整，使神經(jīng)網(wǎng)絡輸出對

96、應于某種最優(yōu)控制律下的PID控制器參數(shù)。</p><p>　　經(jīng)典增量式數(shù)字PID的控制算法為</p><p>　　圖4.1 BP神經(jīng)網(wǎng)絡</p><p>　　式中, , 分別為比例，積分，微分系數(shù)。</p><p><b>　　4.2控制器的設計</b></p><p>　　圖4.2 基于BP網(wǎng)

97、絡的PID控制器結(jié)構(gòu)圖</p><p>　　該控制器控制算法歸納如下:</p><p>　　確定BP網(wǎng)絡的結(jié)構(gòu).即確定輸入層節(jié)點數(shù)M和隱層節(jié)點數(shù)Q,并給出各層加權系數(shù)的初值,選定學習速率和慣性系數(shù)，此時k=1.</p><p>　　采樣得到的和，計算該時刻誤差error(k)=rin(k)-yout(k)</p><p>　　計算神經(jīng)網(wǎng)絡NN

98、各層神經(jīng)元的輸入，輸出，NN輸出層的輸出即為PID控制器的三個可調(diào)參數(shù), , </p><p>　　根據(jù)計算PID控制器的輸出</p><p>　　進行神經(jīng)網(wǎng)絡學習，在線調(diào)整加權系數(shù)和，實現(xiàn)PID控制參數(shù)的自適應調(diào)整</p><p>　　置k=k+1,返回到（1）</p><p><b>　　4.3仿真結(jié)果分析</b>&

99、lt;/p><p>　　傳統(tǒng)的PID控制是將偏差的比例（P）,積分（I）和微分（D）通過線性組合構(gòu)成控制量，對被控對象進行控制，故稱PID控制器。但是傳統(tǒng)的PID控制對于速度較快的設備，采樣速率過慢，無法獲取詳細的瞬態(tài)特征數(shù)據(jù)，也由于一些技術條件的限制，目前尚無成熟的全系統(tǒng)的在線檢測系統(tǒng)。而神經(jīng)網(wǎng)絡所具有的任意非線性表達能力，可以通過對系統(tǒng)性能的學習來實現(xiàn)具有最佳組合的PID控制[18 19]。</p>

100、<p>　　以下兩圖就是兩者在相同控制參數(shù)的情況下由MATLAB仿真所得到的結(jié)果曲線圖</p><p>　　圖4.3 BP神經(jīng)網(wǎng)絡與普通PID擾動對比效果圖 </p><p>　　圖4.4BP神經(jīng)網(wǎng)絡與普通PID階躍對比圖 </p><p>　　由圖可以看出基于BP神經(jīng)網(wǎng)絡的PID控制比傳統(tǒng)的PID控制在時間上要短很多，且在給出一個擾動后，恢復到穩(wěn)態(tài)更加

101、快捷，更加穩(wěn)定。</p><p><b>　　5結(jié)論</b></p><p>　　本文在文章初始介紹了汽輪機的機構(gòu)及工作原理，并在分析了汽輪機控制系統(tǒng)的基礎上，介紹了控制系統(tǒng)的特點，并集合了工程實際，就控制系統(tǒng)的改進進行了討論和研究，而汽輪機目前的狀態(tài)控制方法是基于模型的，主要應用于線性時不變系統(tǒng),然而大多數(shù)系統(tǒng)和設備都是非線性的、時變的。由此通過本文的研究，給出了一

102、種汽輪機控制方法，基于BP人工神經(jīng)網(wǎng)絡的汽輪機控制。</p><p>　　本文先引出了神經(jīng)網(wǎng)絡的工作原理，給出了神經(jīng)網(wǎng)絡的結(jié)構(gòu)示意，并分析的神經(jīng)元的結(jié)構(gòu)，引出BP神經(jīng)網(wǎng)絡算法，介紹了BP神經(jīng)網(wǎng)絡的優(yōu)越性。由于人工神經(jīng)網(wǎng)絡已經(jīng)成為當前控制系統(tǒng)理論的主要方法之一，本文應用最多的是前向多層網(wǎng)絡——BP網(wǎng)絡（Back-Propagation Network），利用其算法快速訓練速度，實現(xiàn)了控制系統(tǒng)的快速實現(xiàn)閾值和學習率的

103、動量-自適應的調(diào)整算法。</p><p>　　本文研究，給出了一種汽輪機控制方法，實現(xiàn)了基于BP人工神經(jīng)網(wǎng)絡的汽輪機控制，利用MATLAB神經(jīng)網(wǎng)絡工具箱函數(shù)對本研究中設計的BP網(wǎng)絡進行仿真訓練后，表明該方法具有可行性。通過仿真BP神經(jīng)網(wǎng)絡與普通PID的控制系統(tǒng)對比可以看出，采用BP神經(jīng)網(wǎng)絡的控制系統(tǒng)在收斂速度和抗擾動的性能都優(yōu)越于普通的PID控制。本研究通過BP人工神經(jīng)網(wǎng)絡辨識出了汽輪機的多個特征參數(shù)，為汽輪機的

104、控制技術提供了主要的技術支持。</p><p><b>　　參考文獻</b></p><p>　　何玉彬，李新忠.神經(jīng)網(wǎng)絡控制技術及其應用.科學出版社，2000：124~125</p><p>　　上海新華控制技術有限公司.電站汽輪機數(shù)字式電液控制系統(tǒng)—DEH.第1版.北京：中國電力出版社，2005：236~238</p><

105、;p>　　木林，馬秀榮.人工神經(jīng)網(wǎng)絡的發(fā)展及應用. 貝爾學院學報，2005：55~58</p><p>　　翦天聰. 汽輪機原理. 中國電力出版社，1992：65~68</p><p>　　國發(fā)娟. 基于BP網(wǎng)絡的水輪機調(diào)速器狀態(tài)監(jiān)測與故障診斷. 華中科技大學水電與數(shù)字化工程學院，1999：185~190</p><p>　　劉金琨.先進PID控制及MATLA

106、B仿真.電子工業(yè)出版，2004：125~129</p><p>　　余雪麗，孫承意，馮秀芳.神經(jīng)網(wǎng)絡與實例學習.中國鐵道出版社，1996：96~101</p><p>　　吳優(yōu)福.用神經(jīng)網(wǎng)絡實現(xiàn)雙抽汽輪機的負荷解耦控制及仿真.東南大學熱能工程系，2003</p><p>　　[9] 孫建華，汪 偉，余海燕.基于模糊 -PID 的汽輪機轉(zhuǎn)速控制系統(tǒng).中國電機工程學報，

107、2003</p><p>　　[10] 剪天聰，林中達.汽輪機控制系統(tǒng)的評述.水利電力出版社，2005</p><p>　　[l1] 陳來九.控制系統(tǒng)原理.電力出版社，2001:214~217</p><p>　　[12] Klure一Jensen，J.Haniseh.IntegrationofsteamtUrbineeontrolsinto</p>

108、<p>　　systems.EnergyConversion.Volume:6Issue:l，Mareh1991</p><p>　　[13] Kehler，J.H. Frequeneyregulationfromsteamturbinegenerators.owerEngineeringSoeiety</p><p>　　Meeting.Volume:1，31Jan一4Feb.

109、1999</p><p>　　[14] 楊建剛.工神經(jīng)網(wǎng)絡實用教程.杭州浙江大學出版社，2002:59~65</p><p>　　[15] 徐麗娜.神經(jīng)網(wǎng)絡控制.北京電子工業(yè)出版社，2003:100~102</p><p>　　[16] Narendra,K.S.,and K.Parthasarathy,1990. Identification and contro

110、l of dynamical systems using neural networks.IEEE Transactions on Neural Networks,vol.1：4-27</p><p>　　[17] 王爽心，葛曉霞.汽輪機數(shù)字電液控制系統(tǒng).北京中國電力出版社,1999:46~48</p><p>　　[18] 李寶玉，魏毓璞.汽輪機調(diào)節(jié)系統(tǒng)疑難問題解析.北京化學工業(yè)出版社，

111、2006：89~95</p><p>　　[19] Zormer W,Muller H.Diagnostics system for monitoring the operation of steam</p><p>　　turbine generator sets.VGB Kraftwerkstechnik,1992</p><p>　　[20] 苗廣祥.汽輪機數(shù)