神經網絡控制算法仿真畢業(yè)設計

1、<p><b>　　摘 要</b></p><p>　　目前，由于PID結構簡單，可通過調節(jié)比例積分和微分取得基本滿意的控制性能，廣泛應用在電廠的各種控制過程中。電廠主汽溫被控對象是一個大慣性、大遲延、非線性且對象變化的系統(tǒng)，常規(guī)汽溫控制系統(tǒng)為串級PID控制或導前微分控制,當機組穩(wěn)定運行時,一般能將主汽溫控制在允許的范圍內。但當運行工況發(fā)生較大變化時,卻很難保證控制品質。因此

2、本文研究基于BP神經網絡的PID控制，利用神經網絡的自學習、非線性和不依賴模型等特性實現PID參數的在線自整定，充分利用PID和神經網絡的優(yōu)點。本處用一個多層前向神經網絡，采用反向傳播算法，依據控制要求實時輸出Kp、Ki、Kd，依次作為PID控制器的實時參數，代替?zhèn)鹘y(tǒng)PID參數靠經驗的人工整定和工程整定，以達到對大遲延主氣溫系統(tǒng)的良好控制。對這樣一個系統(tǒng)在MATLAB平臺上進行仿真研究，仿真結果表明基于BP神經網絡的自整定PID控制具有

3、良好的自適應能力和自學習能力，對大遲延和變對象的系統(tǒng)可取得良好的控制效果。</p><p>　　關鍵詞：主汽溫，PID，BP神經網絡，MATLAB仿真</p><p><b>　　ABSTRACT</b></p><p>　　At present, because PID has a simple structure and can be ad

4、justed 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 t

5、ime-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 stea

6、</p><p>　　KEY WORDS: main steam temperature ，PID ，BP neural network， MATLAB simulation</p><p><b>　　目 錄</b></p><p><b>　　摘 要I</b></p><p>　

7、　ABSTRACTII</p><p><b>　　第一章 緒論1</b></p><p>　　1.1 選題背景和意義1</p><p>　　1.2 國內外研究現狀 1</p><p>　　1.3 立論依據5</p><p>　　1.4 本文所做的主要工作6</p>&

8、lt;p>　　第二章 神經網絡的基本原理8</p><p>　　2.1 人工神經元模型8</p><p>　　2.2 神經網絡的學習方式和學習規(guī)則9</p><p>　　2.2.1 神經網絡的學習方式9</p><p>　　2.2.2 神經網絡的學習規(guī)則9</p><p>　　2.3 神經網絡的特點及應

9、用10</p><p>　　2.4 BP神經網絡11</p><p>　　2.4.1 BP神經網絡的結構11</p><p>　　2.4.2 BP神經網絡的算法12</p><p>　　2.5 本章小結16</p><p>　　第三章 基于BP神經網絡的PID控制17</p><

10、p>　　3.1 PID控制器的離散差分方程17</p><p>　　3.2 基于BP神經網絡的PID整定原理18</p><p>　　3.3 基于BP神經網絡的PID控制算法流程22</p><p>　　3.4 本章小結22</p><p>　　第四章 基于BP神經網絡的PID控制在主汽溫控制系統(tǒng)中的應用23</p&g

11、t;<p>　　4.1 主汽溫的控制任務23</p><p>　　4.2 主汽溫被控對象的動態(tài)特性23</p><p>　　4.3 主汽溫控制策略24</p><p>　　4.3.1 主汽溫控制信號的選擇24</p><p>　　4.3.2 主汽溫控制的兩種策略26</p><p>　　4.4仿

12、真分析27</p><p>　　4.5 本章總結34</p><p><b>　　結論與展望35</b></p><p><b>　　參考文獻37</b></p><p><b>　　致 謝39</b></p><p><b>

13、　　第一章 緒論 </b></p><p>　　1.1 選題背景和意義</p><p>　　在控制系統(tǒng)設計中,最主要而又最困難的問題是如何針對復雜、變化及具有不確定性的受控對象和環(huán)境作出有效的控制決策。經典控制理論和現代控制理論的基礎是建立數學模型,以此進行控制系統(tǒng)設計,然而面對工程實際問題和工程應用對控制要求的不斷提高,基于數學模型的控制理論和方法的局限性日益明顯。無模型控制

14、能有效提高控制系統(tǒng)的適應性和魯棒性,因此,走向無模型控制是自動控制發(fā)展的另一個重要方向。</p><p>　　在1943年，麥卡洛克和皮茨首次提出了腦模型，其最初動機在于模仿生物的神經系統(tǒng)。隨著超大規(guī)模集成電路(VLSl)、光電子學和計算機技術的發(fā)展，人工神經網絡己引起更為廣泛的注意。近年來，基于神經元控制的理論和機理已獲得進一步的開發(fā)和應用。盡管基于神經元的控制能力還比較有限，但由于神經網絡控制器具有學習能力和

15、記憶能力、概括能力、并行處理能力、容錯能力等重要特性，仍然有許多基于人工神經網絡的控制器被設計出來,這類控制器具有并行處理、執(zhí)行速度快、魯棒性好、自適應性強和適于應用等優(yōu)點，廣泛的應用在控制領域[1]。</p><p>　　神經網絡控制是一種基本上不依賴于模型的控制方法,它比較適用于那些具有不確定性或高度非線性的控制對象,并具有較強的適應和學習功能,它是智能控制的一個重要分支。對于自動控制來說,神經網絡有具有自適

16、應功能，泛化功能，非線性映射功，高度并行處理功能等幾方面優(yōu)勢[2]，這使得神經網絡成為當今一個非常熱門的交叉學科, 廣泛應用在電力，化工，機械等各行各業(yè)，并取得了比較好的控制效果。</p><p>　　1.2 國內外研究現狀</p><p>　　隨著現代工業(yè)過程的日益復雜，經典現代控制理論面臨嚴峻挑戰(zhàn)，例如被控系統(tǒng)越來越巨大，存在多種不確定因素，存在難以確定描述的非線性特性，而控制的要求越

17、來越高(如控制精度、穩(wěn)定性、容錯、實時性等)，因此人們一直在探索如何使控制系統(tǒng)具有更高的智能，使之能夠適應各種控制環(huán)境。而神經網絡源于對人腦神經功能的模擬，它的某些類似人的智能特性有可能被用于解決現代控制面臨的一些難題。因此，從20世紀60年代起，人們就開始研究神經網絡在控制中的應用了，取得了一定效果。目前，隨著神經理論的發(fā)展和新算法的相繼提出，神經網絡的應用越來越廣泛。</p><p>　　從神經網絡的基本模式

18、看,主要有:前饋型、反饋型、自組織型及隨機型神經網絡[3]。這四種類型各自具有不同的網絡模型：前饋網絡中主要有BP網絡及RBF網絡；反饋網絡主要有Hopfield網絡；自組織網絡主要有ART網。當前，已經比較成熟的神經網絡控制模型主要有神經自校正控制，神經PID控制，神經模型參考自適應控制，神經內膜控制等等[4]</p><p>　　(1) 、神經網絡自校正控制</p><p>　　神經自

19、校正控制結構如圖，它由兩個回路組成：(1)自校正控制器與被控對象構成的反饋回路；(2)神經網絡辨識器與控制器設計，以得到控制器的參數。這種方案的設計思想是利用神經網絡辨識器的計算估計能力對常規(guī)控制器參數進行約束優(yōu)化求解,從而實現對常規(guī)控制器的參數或結構進行調整。方框圖如下[5]：</p><p>　　r u y</

20、p><p>　　圖1-1 神經自校正控制結構圖</p><p>　　可見，辨識器與自校正控制器的在線設計是自校正控制實現的關鍵。</p><p>　?。?）、神經網絡PID控制。</p><p>　　PID控制要取得好的控制效果，就必須通過調整好比例、積分和微分三種控制作用在形成控制量中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”

21、，從變化無窮的非線性組合中可以找出最佳的關系。神經網絡所具有的任意非線性表示能力，可以通過對系統(tǒng)性能的學習來實現具有最佳組合的PID控制。方框圖如下[6]： </p><p>　　r kp ki kd u y</p><p>　　- e </p><p>　　圖1-2 神經P

22、ID控制結構圖</p><p>　　對于一般神經PID常采用BP算法，因BP神經網絡具有逼近任意非線性函數的能力，而且結構和學習算法簡單明確。通過神經網絡的自身學習、加權系數調整，從而使其穩(wěn)定狀態(tài)對應于某種最優(yōu)控制律下的PID控制器參數。</p><p>　　(3) 、神經網絡模型參考自適應控制</p><p>　　神經網絡模型參考自適應控制 ,將神經網絡同模型參考

23、自適應控制相結合，就構成了神經網絡模型參考自適應控制，其系統(tǒng)的結構形式和線性系統(tǒng)的模型參考自適應控制系統(tǒng)是相同的，只是通過神經網絡給出被控對象的辨識模型。根據結構的不同可分為直接與間接神經網絡模型參考自適應控制兩種類型，分別如圖中(a)和(b)所示。間接方式比直接方式中多采用一個神經網絡辨識器，其余部分完全相同[7]。</p><p><b>　　yp</b></p><

24、p><b>　　r-</b></p><p><b>　　ee</b></p><p><b>　　uy +</b></p><p><b>　　(a)</b></p><p><b>　　yp</b><

25、/p><p><b>　　r-</b></p><p><b>　　e</b></p><p><b>　　e-+</b></p><p><b>　　+</b></p><p><b>　　y</b>&l

26、t;/p><p><b>　　(b)</b></p><p>　　圖1-3 神經模型參考自適應控制結構圖</p><p>　　神經控制器的權重修正目標是使過程輸出最后以零誤差跟蹤參數模型輸出。對于直接方式，由于未知的非線性對象處于誤差和神經控制器的中間位置，給參數修正造成困難。為了避免這一問題，增加神經辨識器，變?yōu)殚g接方式。</p>

27、<p>　?。?）、神經網絡內?？刂?lt;/p><p>　　神經網絡內?？刂葡到y(tǒng)如下圖所示。圖中的神經辨識器用于充分逼近被控對象的動態(tài)模型，相當于正向模型。神經網絡控制器不是直接學習被控對象的逆模型，而是間接地學習被控對象的逆動態(tài)特性。 </p><p><b>　　D</b></p><p>　　r ++ y<

28、/p><p><b>　　-+</b></p><p><b>　　+</b></p><p><b>　　-</b></p><p>　　圖1-4 神經內膜控制結構圖</p><p>　　在神經網絡內?？刂葡到y(tǒng)中，神經辨識器作為被控對象的近似模型與實際對

29、象并行設置，它們的差值用于反饋，同期望的給定值之差經一線性濾波器處理后，送給神經網絡控制器，經過多次訓練，它將間接地學習對象的逆動態(tài)特性。此時，系統(tǒng)誤差將趨于零[8]。 </p><p>　?。?）、神經網絡預測控制</p><p>　　由于神經網絡可以精確描述非線性動態(tài)過程，因此，可用神經網絡設計預測控制系統(tǒng)。預測控制是近年來發(fā)展起來的一類新型計算機控制算法，它利用內部模型預測被控對象未

30、來輸出及其與給定值之差，然后據此以某種優(yōu)化指標計算當前應加于被控對象的控制量，以期使未來的輸出盡可能地跟蹤給定參考軌線。下面是神經網絡預測控制系統(tǒng)的一般方框圖[9]。</p><p><b>　　+u</b></p><p><b>　　+ </b></p><p><b>　　-</b><

31、/p><p><b>　　+</b></p><p>　　圖1-5 神經預測控制結構圖</p><p>　　這種算法的基本特征是建立預測模型方便，采用滾動優(yōu)化策略和采用模型誤差反饋校正，預測模型根據系統(tǒng)的歷史信息和選定的未來輸入，預測系統(tǒng)未來的輸出。根據預測模型的輸出，控制系統(tǒng)采用基于優(yōu)化的控制策略對被控對象進行控制。</p>&

32、lt;p>　　(6) 、其他先進的神經控制</p><p>　　模糊神經網絡控制：模糊系統(tǒng)是以模糊集合論、模糊語言變量及模糊邏輯推理的知識為基礎，力圖在一個較高的層次上對人腦思維的模糊方式進行工程化的模擬。而神經網絡則是建立在對人腦結構和功能的模擬與簡化的基礎上。由于人腦思維的容錯能力源于思維方法上的模糊性以及大腦本身的結構特點，因此將兩者綜合運用便成為自動控制領域的一種自然趨勢。模糊系統(tǒng)與神經網絡主要采用

33、以下綜合方式，既將人工神經網絡作為模糊系統(tǒng)中的隸屬函數、模糊規(guī)則的描述形式[10]。</p><p>　　多層神經網絡控制：一個普通的多層神經控制系統(tǒng)如下圖所示，基本上是一種前饋控制器。該系統(tǒng)存在兩個控制作用：前饋控制和常規(guī)反饋控制。前饋控制由神經網絡實現，訓練目標是使期望輸出與受控對象實際輸出間的偏差為最小。該誤差作為反饋控制器的輸入。反饋作用與前饋作用被分別考慮[11]。</p><p&g

34、t;　　r+e+uy</p><p><b>　　-+</b></p><p>　　圖1-6 多層神經網絡控制結構圖</p><p><b>　　1.3 立論依據</b></p><p>　　BP算法就是在模擬生物神經元的基礎上建立起來的在人工神經網絡上的一種搜索和優(yōu)化算法。對于人工神經

35、網絡，網絡的信息處理是由神經元間的相互作用來實現，知識與信息的存貯表現為網絡元件互相聯(lián)結分布的物理聯(lián)系，網絡的學習和訓練決定于各神經元連接權系數的動態(tài)調整過程。人工神經網絡作為一種新型的信息描述和處理方式，廣泛應用在控制領域，其在控制領域的吸引力主要表現在以下幾方面[19]：</p><p>　?。╨）能夠充分逼近任意復雜的非線性關系；</p><p>　　（2）能夠學習與適應嚴重不確定性

36、系統(tǒng)的動態(tài)特性；</p><p>　?。?）所有定量或定性的信息都分布存貯于網絡的權中，故人工神經網絡有很強的魯棒性和容錯性；</p><p>　?。?）采用并行分布處理的方法，使得快速進行大量運算成為可能。</p><p>　　這些特點都表明神經網絡在解決高度非線性和嚴重不確定性系統(tǒng)的控制上有巨大的潛力。而電廠主汽溫是典型的具有大遲延、大慣性、非線性及時變性的控制

37、系統(tǒng)，大量的文獻資料表明，用神經網絡對主汽溫進行控制是可行且有效的。</p><p>　　而PID控制是最早發(fā)展起來的控制策略之一，歷史悠久，理論完善，由于其算法簡單、魯棒性好和可靠性高，被廣泛應用于工業(yè)控制過程，尤其適用于可建立精確數學模型的確定性控制系統(tǒng)。而實際工業(yè)生產過程中往往具有非線性，時變不確定性，如火電廠的鍋爐主汽溫對象，因而難以建立精確的數學模型，應用常規(guī)PID控制器不能達到理想的控制效果，在實際生

38、產過程中，由于受到參數整定方法繁雜的困擾，常規(guī)PID控制器參數往往整定不良，性能欠佳，對運行工況的適應性很差。因此常規(guī)PID控制的應用受到很大的限制和挑戰(zhàn)。那么是否可以把神經網絡和PID結合在一起，充分利用兩者的優(yōu)點呢，使新算法既有神經網絡的學習能力又有PID控制的簡單性呢？?；谝陨戏N種因素，本文采用神經網絡控制，選取應用最廣泛的BP算法，與傳統(tǒng)PID控制結合的控制策略來實現對主汽溫的有效控制，可以說這是采用多策略的智能控制與PID結

39、合實現主汽溫控制的又一次有益的嘗試與探索。</p><p>　　1.4 本文所做的主要工作</p><p>　　首先，本文對神經網絡的模型，結構，學習方式和學習算法作了介紹，并闡述了BP神經網絡的結構，算法. 接著結合BP神經網絡和PID控制的原理，對二者進行了結合，采用了基于神經網絡的自整定PID 控制，即把神經網絡的輸出當做PID的三個參數，在一定的準則函數下，不斷自動調整這三個參數，

40、直到滿足一定的性能指標。</p><p>　　緊接著，在主汽溫系統(tǒng)上進行仿真分析，鍋爐主汽溫對象是一個大遲延、時變的對象，在不同的負荷下有不同的動態(tài)特性，因此對其不同的負荷均進行仿真分析。本文采用三層BP神經網絡，經典增量式數字PID的控制算法，只要主汽溫系統(tǒng)的輸入輸出之差不為0,就不斷調整神經網絡的權值，進而調整PID的參數。仿真結果表明:本文采用的基于BP神經網絡的PID控制有較好的自適應和自學習能力。<

41、;/p><p><b>　　具體安排如下：</b></p><p><b>　　第一章、緒論</b></p><p>　　簡單論述了選題的意義和重要性以及神經網絡用于控制的研究現狀，并闡述了論文的理論依據，說明了本論文所采用算法的可行性和必要性。最后介紹了本文所作的主要工作和文章的結構安排。</p><p&

42、gt;　　第二章、神經網絡的基本理論</p><p>　　本章介紹了神經網絡的基礎知識，重點對BP神經網絡的結構和算法進行了闡述。</p><p>　　第三章、基于BP神經網絡的自整定PID控制原理</p><p>　　本章論述了基于BP神經網絡的PID自整定控制算法的基本原理，為以后仿真分析打下基礎。</p><p>　　第四章、基于BP神

43、經網絡的PID控制在主汽溫控制系統(tǒng)中的應用</p><p>　　本章首先對主汽溫的動態(tài)特性進行分析，對常見的和改進的主汽溫控制策略進行了描述和總結，并對主汽溫進行仿真分析。</p><p>　　最后是結論與展望,本部分總結了本論文的成果和不足，提出以后應該注意和改進的地方，為以后的研究指明方向。</p><p>　　第二章 神經網絡的基本原理</p>

44、<p>　　人工神經網絡(ANN，ArtifieialNeuralNetworks)是對人腦神經系統(tǒng)的模擬而建立起來的。它是由簡單信息處理單元(人工神經元，簡稱神經元)互聯(lián)組成的網絡，能夠接受并處理信息。網絡的信息處理是由處理單元之間的相互作用(連接權)來實現的。多年來，學者們己經建立了多種神經網絡模型，其中決定它們整體性能的因素主要是:神經元(信息處理單元)的特性，神經元之間相互連接的形式，為適應環(huán)境而改善性能的學習規(guī)則等。

45、</p><p>　　2.1 人工神經元模型</p><p>　　人腦神經元是組成人腦神經系統(tǒng)的最基本單元，對人腦神經元進行抽象化后得到一種稱為McCulloch一Pitts模型的人工神經元，人工神經元是人工神經網絡的基本單元，從圖2一1中可以看出，它相當于一個多輸入單輸出的非線性闡值器件。</p><p>　　圖2-1人工神經元元模型結構</p>&

46、lt;p>　　:神經元i的輸出，它可以與其他多個神經元通過權值連接。 </p><p>　　:神經元i的輸入。 </p><p>　　:神經元的連接權值。

47、 </p><p>　　:神經元i的閾值。 </p><p>　　:神經元i的非線性輸出函數。

48、 </p><p>　　該神經元的輸出，可用下式描述: </p><p><b>　?。?-1）</b></p

49、><p>　　令 （2-2）</p><p>　　則 （2-3）</p><p>　　根據活化函數的不同

50、，人們把人工神經元分成以下幾種類型[22]：</p><p>　?。?）分段線性活化函數：</p><p><b>　　（2-4）</b></p><p>　?。?）sigmoid活化函數：</p><p><b>　　(2-5)</b></p><p>　?。?）雙曲正切活

51、化函數：</p><p><b>　　(2-6)</b></p><p>　?。?）高斯活化函數：</p><p><b>　　(2-7)</b></p><p>　　2.2 神經網絡的學習方式和學習規(guī)則</p><p>　　2.2.1 神經網絡的學習方式</p>

52、<p>　　學習是神經網絡的主要特征之一。學習規(guī)則就是修正神經元之間連接強度或加權系數的算法，使獲得的知識結構適應周圍環(huán)境的變化。在學習過程中，執(zhí)行學習規(guī)則，修正加權系數。神經網絡的學習方式主要分為有導師(指導式)學習、無導師(自學式)學習和再勵學習(強化學習)三種[19]: </p><p>　　（l）有導師學習:就是在學習的過程中，有一個期望的網絡輸出，學習算法根據給定輸入的神經網絡實際輸出與期

53、望輸出之間的誤差來調整神經元的連接強度，即權值。因此學習需要有導師來提供期望輸出信號。</p><p>　　(2)無導師學習:就是在學習過程中不需要有期望輸出，因而不存在直接的誤差信息。網絡學習需要建立一個間接的評價函數，每個處理單元能夠自適應連接權值，以對網絡的某種行為趨向作出評價。</p><p>　　(3)再勵學習:這種學習介于上述兩種情況之間，外部環(huán)境對系統(tǒng)輸出結果只給出評價(獎或

54、罰)而不是給出正確答案，學習系統(tǒng)經過強化那些受獎勵的行為來改善自身性能。</p><p>　　2.2.2 神經網絡的學習規(guī)則</p><p>　　神經網絡通常采用的網絡學習規(guī)則包括以下三種:</p><p>　　(l)誤差糾正學習規(guī)則[19]</p><p>　　令是輸入時神經元k在n時刻的實際輸出，表示應有的輸出(可由訓練樣本給出)，則誤差

55、信號可寫為:</p><p><b>　　(2-8)</b></p><p>　　誤差糾正學習的最終目的是使某一基于的目標函數達到要求，以使網絡中每一輸出單元的實際輸出在某種統(tǒng)計意義上逼近應有輸出。一旦選定了目標函數形式，誤差糾正學習就變成了一個典型的最優(yōu)化問題，最常用的目標函數是均方誤差判據，定義為誤差平方和的均值:</p><p><

56、b>　　(2-9)</b></p><p>　　其中E為期望算子。上式的前提是被學習的過程是平穩(wěn)的，具體方法可用最優(yōu)梯度下降法。直接用J作為目標函數時需要知道整個過程的統(tǒng)計特性，為解決這一問題，通常用J在時刻n的瞬時值代替J，即:</p><p><b>　　(2-10)</b></p><p>　　問題變?yōu)榍驟對權值w的極小

57、值，據梯度下降法可得:</p><p><b>　　(2-11)</b></p><p>　　其中為學習步長，這就是通常所說的誤差糾正學習規(guī)則。</p><p>　　(2)Hebb學習規(guī)則[13]</p><p>　　由神經心理學家Hebb提出的學習規(guī)則可歸納為“當某一突觸連接兩端的神經元同時處于激活狀態(tài)(或同為抑制)時

58、，該連接的強度應增加，反之應減弱”用數學方式可描述為:</p><p><b>　　(2-12)</b></p><p>　　由于與的相關成比例，有時稱為相關學習規(guī)則。</p><p>　　(3)競爭學習規(guī)則[19]</p><p>　　顧名思義，在競爭學習時，網絡各輸出單元互相競爭，最后達到只有一個最強者激活，最常見的

59、一種情況是輸出神經元之間有側向抑制性連接，這樣原來輸出單元中如有某一單元較強，則它將獲勝并抑制其它單元，最后只有此強者處于激活狀態(tài)。最常用的競爭學習規(guī)則可寫為:</p><p><b>　　(2-13)</b></p><p>　　2.3 神經網絡的特點及應用</p><p>　　神經網絡具有以下特點[11]:</p><p

60、>　　(1)、分布式存貯信息</p><p>　　神經網絡使用大量的神經元之間的連接及對各連接權值的分布來表示特定的信息，從而使網絡在局部網絡受損或輸入信號因各種原因發(fā)生部分畸變時，仍能夠保證網絡的正確輸出，提高網絡的容錯性和魯棒性。</p><p>　　(2)、并行協(xié)同處理信息</p><p>　　神經網絡中的每個神經元都可以根據接收到的信息進行獨立的運算和

61、處理，并輸出結果，同一層中的各個神經元的輸出結果可被同時計算出來。</p><p>　　(3)、信息處理與存儲和二為一</p><p>　　神經網絡的每個神經元都兼有信息處理和存儲功能，神經元之間連接強度的變化，既反映了對信息的記憶，同時又和神經元對激勵的響應一起反映了對信息的處理。</p><p>　　(4)、對信息的處理具有自組織、自學習的特點，便于聯(lián)想、綜合和

62、推廣</p><p>　　神經網絡的神經元之間的連接強度用權值大小來表示，這種權值可以通過對訓練的學習而不斷變化，而且隨著訓練樣本量的增加和反復學習，這些神經元之間的連接強度會不斷增加，從而提高神經元對樣本特征的反映靈敏度。正是因為神經網絡具有的這些特點，才使它在模式識別、人工智能、控制工程、信號處理等領域有著廣泛的應用，相信隨著人工神經網絡研究的進一步深入，其應用領域會更廣，用途會更大。</p>

63、<p>　　2.4 BP神經網絡</p><p>　　20世紀80年代中期，以Rumelhart和McClelland為首，提出了多層前饋網絡（MFNN）的反向傳播（BP，back Propagation）的學習算法，簡稱BP算法。</p><p>　　2.4.1 BP神經網絡的結構</p><p>　　BP網絡結構如下圖：</p><

64、;p><b>　　j</b></p><p>　　i k</p><p>　　圖2-2 BP網絡結構圖</p><p>　　為網絡的輸入和輸出，每個神經元用一個節(jié)點表示，網絡包含一個輸出層和一個輸入層，隱含層可以是一層也可以是多層。圖中j表示輸入層神經元，i表示隱層神經元，k表示輸出

65、層神經元。已經證明BP網絡能逼近任意非線性函數，在各個領域中有廣泛的應用。BP網絡中采用梯度下降法，即在網絡學習過程中，使網絡的輸出與期望輸出的誤差邊向后傳播邊修正連接權值，以使其誤差均方值最小。學習算法有正向傳播和反向傳播組成，在正向傳播中，輸入信號從輸入層經過隱層傳向輸出層，若輸出層得到期望的輸出，學習結束，否則，轉至反向傳播。反向傳播算法是將誤差信號按照原鏈路反向計算，由梯度下降法調整各層神經元的權值，使誤差信號最小。這兩部分是相

66、繼連續(xù)反復進行的，直到誤差滿足要求。</p><p>　　2.4.2 BP神經網絡的算法 </p><p>　　BP神經網絡的算法主要可以分為兩部分，一是前向傳播算法，就是已知網絡的輸入和活化函數求各層的輸出；二是反向傳播算法，即如果輸出不滿足要求就不斷修正權值。</p><p>　　（1） BP神經網絡的前向傳播算法</p><p>　　

67、設某BP神經網絡具有m個輸入、q個隱含節(jié)點、r個輸出的三層結構，則BP神經網絡的輸入為：</p><p>　　j=1,2.......m (2-14)</p><p>　　輸入層節(jié)點的的輸出為 ：</p><p>　　j=1,2.......m （2-15)</p><p>　　隱含層第i個神經元的輸

68、入: </p><p>　　i=1,2......q (2-16)</p><p><b>　　輸出可表達為 ：</b></p><p>　　i=1,2......q (2-17)</p><p>　　其中為輸入層到隱層加權系數；上標（1）、（2）、（3）分別代表輸入層、隱含層

69、、輸出層，為隱層活化函數，這里取為Sigmoid活化函數[8]。</p><p><b>　　(2-18）</b></p><p>　　輸出層的第個神經元的總輸入為：</p><p>　　k=1,2......r （2-19）</p><p>　　輸出層的第k個神經元的總輸出為 </p>

70、<p>　　k=1,2...... （2-20）</p><p>　　式中，：為隱層到輸出層加權系數，為輸出活化函數。 </p><p>　　以上工作在神經網絡工作時，就可以完成了一次前向傳播的計算。 </p><p>　?。?） BP

71、神經網絡的反向傳播計算</p><p>　　假設，神經網絡的理想輸出為，在前向計算中，若實際輸出與理想輸出不一致，就要將其誤差信號從輸出端反向傳播回來，并在傳播過程中對加權系數不斷修正，使輸出層神經元上得到所需要的期望輸出為止。為了對加權系數進行調整，選取目標函數為： </p><p><b>　　（2-21）</b></p><p>　　以誤

72、差函數E減少最快方向調整，即使加權系數按誤差函數E的負梯度方向調整，使網絡逐漸收斂。按照梯度下降法，可得到神經元j到神經元i的t+1次權系數調整值：</p><p><b>　?。?-22）</b></p><p>　　由式（2-21）可知，需要變換出E相對于該式中網絡此刻實際輸出關系，因此</p><p><b>　?。?-23）&

73、lt;/b></p><p><b>　　而其中的</b></p><p><b>　?。?-24）</b></p><p>　　其中的表示節(jié)點i的第j個輸入。所以</p><p><b>　?。?-25）</b></p><p>　　將（2-25

74、）代入式（2-23），可以得到：</p><p><b>　　（2-26）</b></p><p>　　令 （2-27）</p><p>　　式中為第i個節(jié)點的狀態(tài)對E的靈敏度。</p><p>　　由式

75、(2-26)和式（2-27）可以得到： </p><p><b>　?。?-28）</b></p><p>　　以下分兩種情況計算：</p><p>　　若i為輸出層節(jié)點，即i =

76、k</p><p>　　由式(2-21)和（2-27）可得</p><p><b>　　（2-29）</b></p><p><b>　　所以可得：</b></p><p><b>　?。?-30）</b></p><p>　　此時應該按照下列公式進行調

77、整： </p><p><b>　?。?-31）</b></p><p><b>　　式中為學習速率。</b></p><p>　　若i不為輸出層神經元，即</p><p>　　此時式（2-27）為</p><p><b>　?。?-32）</b><

78、;/p><p><b>　　其中</b></p><p><b>　?。?-33）</b></p><p>　　式中是節(jié)點i后邊一層的第個節(jié)點，是節(jié)點的第j個輸入。 </p><p><b>　?。?-34）</b></p><p><b>　　

79、當i=j時，</b></p><p>　　將式（2-32）和（2-34）代入（2-28），有</p><p><b>　?。?-35）</b></p><p>　　此時的權值調整公式為：</p><p><b>　　（2-36）</b></p><p>　　通過（

80、2-31）和（2-36）我們就可以完成神經網絡的反向傳播算法。實現權值的實時調整。</p><p>　　對上面的算法流程進行總結我們可以的出下面的算法流程圖：</p><p>　　圖2-3 BP網絡算法流程圖</p><p><b>　　2.5 本章小結</b></p><p>　　本章主要介紹了神經網絡的基礎知識，其

81、中包括神經元模型，學習方式和學習規(guī)則等，在了解了神經網絡的基礎上，進一步介紹了本論文要用到的BP神經網絡，包括其結構，前向和反向傳播算法及實現步驟。 </p><p>　　第三章 基于BP神經網絡的PID控制</p><p>　　一般來說，基于神經網絡的PID控制器的典型結構主要有兩種，一種是基于神經網絡的整定PID控制，即把神經網絡的輸出作為PID控制器的比例，積分和微分。另一種是把神

82、經網絡的權值做為比例，積分和微分。本章將詳細介紹基于BP神經網絡的自整定PID控制算法，即把神經網絡的輸出作為PID控制器的比例，積分和微分，然后對電廠主汽溫系統(tǒng)進行設計，并在Matlab上進行仿真。</p><p>　　3.1 PID控制器的離散差分方程</p><p>　　在連續(xù)信號系統(tǒng)中，PID控制算式的表達式</p><p><b>　?。?-1

83、）</b></p><p>　　式中，—比例系數，—積分時間常數，—微分時間常數。</p><p><b>　　寫成傳遞函數形式</b></p><p><b>　?。?-2）</b></p><p>　　當采樣周期較小時， 可以用求和代替積分，用差商代替微分，即做如下近似變換來離散化：

84、</p><p><b>　　（3-3）</b></p><p>　　式中，k為采樣序號，k=1，2，…，T為采樣周期。由上式可得離散的PID表達式為：</p><p><b>　?。?-4）</b></p><p>　　此式稱為PID的位置算式。位置算式使用不方便，累加偏差不僅要占大量的內存空間，

85、而且也不便編寫程序。最好能轉換成某種遞推的形式。為此提出了增量式。</p><p>　　所謂增量式PID是指數字控制器輸出u (k)只是控制量的增量，當執(zhí)行機構需要的是控制量的增量時，應采用增量式PID控制。根據遞推原理可得</p><p><b>　　（3-5） </b></p><p>　　用式（3-4）減式（3-5），可得增量式PID控制

86、算法 （3-6）</p><p>　　式（3-6）進一步可改寫為：</p><p><b>　?。?-7）</b></p><p><b>　　式中，，，</b></p><p>　　用增量式PID控制算法有以下優(yōu)點：</p><p>　?。?）增量算法不需

87、要累加，控制量增量的確定僅與最近幾次誤差采樣值有關； </p><p>　?。?）增量式算法得出的是控制量的增量，誤動作影響小；</p><p>　?。?）便于編程序實現 。</p><p>　　3.2 基于BP神經網絡的PID整定原理</p><p>　　PID控制要取得好的控制效果，就必須通過調整好比例、積分和微分三種控制作用,在形成控制

88、量中相互配合又相互制約的關系。神經網絡具有逼近任意非線性函數的能力，而且結構和學習算法簡單明確。可以通過對系統(tǒng)性能的學習來實現具有最佳組合的PID控制。采用BP神經網絡，可以建立參數、、自學習的神經PID控制。</p><p><b>　　器由兩部分組成：</b></p><p>　　（1）經典的PID控制器：直接對被控對象進行閉環(huán)控制，仍然是靠改變三個參數、、來獲得

89、滿意的控制效果。</p><p>　?。?）神經網絡：根據系統(tǒng)的運行狀態(tài)，調節(jié)PID控制器的參數，以其達到某種性能指標的最優(yōu)化。采用如圖3-1的系統(tǒng)結構，即使輸出層神經元的輸出狀態(tài)對應于PID控制器的三個可調參數、、，通過神經網絡的自身學習、加權系數調整，從而使其穩(wěn)定狀態(tài)對應于某種最優(yōu)控制規(guī)律下的PID的控制器各個參數。</p><p>　　采用基于BP神經網絡的PID控制的系統(tǒng)結構如下圖

90、所示：</p><p>　　r kp ki kd u y</p><p>　　- e </p><p>　　圖3-1 基于BP神經網絡的PID控制結構圖</p><p>　　上圖中的BP神經網絡選如圖3-2的形式，采用三層結構：一個輸入層，

91、一個隱含層，一個輸出層，j表示輸入層節(jié)點，i表示隱層節(jié)點，l表示輸出層節(jié)點。輸入層有m個輸入節(jié)點，隱含層有q個隱含節(jié)點，輸出層有3個輸出節(jié)點。輸入節(jié)點對應所選的系統(tǒng)運行狀態(tài)量，如系統(tǒng)不同時刻的輸入量和輸出量，偏差量等。輸出節(jié)點分別對應PID控制器的三個參數、、，由于、、不能為負，所以輸出層神經元活化函數取非負的Sigmoid函數。</p><p><b>　　i</b></p>

92、<p><b>　　jl</b></p><p>　　圖3-2 BP神經網絡結構圖</p><p>　　由圖可見，此處BP神經網絡的輸入層輸出為</p><p>　　j=1,2,3…m (3-8)</p><p><b>　　隱層輸入為：</b><

93、/p><p><b>　　(3-9)</b></p><p><b>　　隱層輸出為：</b></p><p>　　=1,2… (3-10)</p><p>　　式中，為輸入層到隱含層加權系數，上標（1）、（2）、（3）分別代表輸</p><p>　

94、　入層、隱含層、輸出層，f(x)為正負對稱的Sigmoid函數，即 </p><p><b>　　。</b></p><p>　　最后網絡輸出層三個節(jié)點的輸入為</p><p><b>　?。?-11）</b></p><p>　　最后的輸出層的三個輸出為 ：</p><p&

95、gt;　　=1,2,3 （3-12）</p><p><b>　　即</b></p><p><b>　　（3-13）</b></p><p>　　式中，為隱層到輸出層加權系數，輸出層神經元活化函數為 </p><p><b>　　取性能指標函數</b>

96、</p><p><b>　?。?-14）</b></p><p>　　用梯度下降法修正網絡的權系數，并附加一使搜索快速收斂全局極小的慣性項，則有：</p><p><b>　　（3-15）</b></p><p>　　為學習率，為慣性系數。其中：</p><p><b

97、>　?。?-16）</b></p><p>　　這里需要用到的變量，由于模型可以未知，所以未知，但是可以測出的相對變化量，即：</p><p><b>　?。?-17）</b></p><p>　　也可以近似用符號函數：</p><p><b>　　（3-18）</b></p

98、><p>　　取代，由此帶來計算上的不精確可以通過調整學習速率來補償。這樣做一方面可以簡化運算，另一方面避免了當很接近時導致式（3-16）趨于無窮。這種替代在算法上是可以的，因為是式（3-16）中的一個乘積因子，他的符號的正負決定著權值變化的方向，而數值變化的大小只影響權值變化的速度，但是權值變化的速度可以通過學習步長加以調節(jié)。</p><p><b>　　由式：</b>

99、</p><p><b>　　可得：</b></p><p><b>　?。?-19）</b></p><p>　　這樣，可得BP神經網絡輸出層權計算公式為</p><p>　　把（3-18）式代入后得：</p><p><b>　?。?-20）</b>

100、</p><p>　　可令，則上式可寫為：</p><p><b>　?。?-21）</b></p><p>　　由式（3-15）可確定，由符號函數代替，由可得。</p><p>　　同理可得隱含層權計算公式為</p><p>　　=1,2,…,

101、 （3-22）</p><p><b>　　令 則：</b></p><p>　　=1,2,…, （3-23）</p><p>　　3.3 基于BP網絡的PID控制算法流程</p><p>　　基于BP網絡的PID控制器控制算法歸納如下：</p><p&g

102、t;　?。?）確定BP神經網絡結構，即確定輸入層節(jié)點及數目m、隱含層數目q，并給出各層權系數的初值和、選定學習率、慣性系數；</p><p>　?。?）給定輸入r和期望輸出y；</p><p>　?。?）計算神經網絡各層神經元的輸入、輸出，神經網絡輸出層的輸出即為PID控制器的三個可調參數、、； </p><p>　?。?）求目標值與實際值的偏差e,看是否滿足要求；

103、</p><p>　?。?）如不滿足要求，進行神經網絡學習，在線調整加權系數和，實現PID控制參數的自適應調整；</p><p>　　（6）置k =k+1，返回到第一步.</p><p><b>　　3.4 本章小結</b></p><p>　　本章主要是對基于BP神經網絡的PID控制方法進行了詳細的闡述，依據神經網絡的

104、算法并和PID結合，推導出該算法下的權值調整公式，進而通過調整權值，找到合適的PID輸出、、，為下一章的仿真打下了理論基礎。</p><p>　　第四章 基于BP神經網絡的PID控制在主汽溫控制系統(tǒng)中的應用</p><p>　　4.1 主汽溫的控制任務 </p><p>　　鍋爐的主蒸汽溫度與火電廠的經濟性和安全性有重要的關系，因此主蒸汽溫度是火電廠的一個極其重要的

105、參數。其控制的好壞直接影響到電廠的整個經濟效益。主蒸汽溫度的控制任務是：(1)維持主汽溫在允許的范圍之內，對于亞臨界機組的主汽溫為,長期運行應控制在，對于超臨界及超超臨界主汽溫應控制在，長期運行應控制在。（2）保護過熱器，使其管壁不超過允許的工作溫度，汽溫過高，會燒毀過熱器的高溫段。汽溫過低也不行，汽溫每降5度，熱經濟性下降百分之一，汽溫偏低會使汽機尾部蒸汽濕度增大甚至帶水，嚴重影響汽機的安全運行。</p><p&g

106、t;　　4.2 主汽溫被控對象的動態(tài)特性</p><p>　　火電廠的主汽溫系統(tǒng)如下圖所示：</p><p>　　圖4-1 過熱氣溫原理圖</p><p>　　影響主汽溫變化的擾動因素很多，如蒸汽負荷、煙氣溫度和流速、火焰中心位置、減溫水量、給水溫度等。主要擾動有3個：蒸汽量擾動D，煙氣量擾動Q，減溫水量擾動W。</p><p>　?。?）

107、、蒸汽量擾動下主汽溫對象的動態(tài)特性</p><p>　　圖4-2 蒸汽量變化對主氣溫的影響</p><p>　?。?）、煙氣量擾動下主汽溫對象的動態(tài)特性</p><p>　　圖 4-3 煙氣量變化對主氣溫的影響</p><p>　?。?）、減溫水量擾動下主汽溫對象的動態(tài)特性</p><p>　　圖4-4 減溫水量變化對

108、主氣溫的影響</p><p>　　4.3 主汽溫控制策略</p><p>　　4.3.1主汽溫控制信號的選擇</p><p>　　對于主蒸汽的上述三個基本擾動，其中蒸汽流量的擾動由用戶決定，根據負荷的多少來決定所用蒸汽的多少，所以蒸汽流量信號是不可以調節(jié)的，因此不能做調節(jié)信號。而煙氣量擾動可以做調節(jié)信號，但是煙氣與燃燒系統(tǒng)有關，如果用煙氣作為控制信號，會影響到燃燒控

109、制系統(tǒng)的設計，所以一般也不采用煙氣控制。常常用減溫水量擾動做調節(jié)信號，可通過控制減溫水的多少來控制主蒸汽溫度，實踐證明是可以的。</p><p>　　用減溫水給水量作為基本擾動來完成控制，就是用減溫水量作為該系統(tǒng)的輸入，把主汽溫做為輸出，管內的蒸汽和管壁可以看做是許許多多的單容對象的串聯(lián)，因此對象具有分布參數特性，且該被控對象有較大的慣性和遲延。而減溫水出口溫度變化明顯比過熱汽溫變化要快，常常把這一段作為導前區(qū)，

110、把從減溫器出口到過熱蒸汽出口這一段叫做惰性區(qū)，在減溫水的擾動下，主氣溫的動態(tài)特性可表示為：</p><p><b>　?。?-1）</b></p><p>　　其中為放大系數，為時間常數，n為階次。其傳遞函數由兩點法可以通過實驗測得。</p><p>　　同理導前區(qū)的傳遞函數也可以表示為：</p><p><b&g

111、t;　?。?-2）</b></p><p>　　其中為導前區(qū)的放大系數，為導前區(qū)的時間常數，為階次，該傳遞函數也可以通過實驗求的。</p><p>　　惰性區(qū)的傳遞函數也可以表示為</p><p><b>　?。?-3） </b></p><p>　　其中為惰性區(qū)放大系數，為惰性區(qū)時間常數，為階次，該傳遞函

112、數無法通過實驗求出，而是由下式求出：</p><p><b>　?。?-4）</b></p><p><b>　　可得到</b></p><p><b>　　（4-5）</b></p><p><b>　?。?-6）</b></p><

113、p><b>　?。?-7）</b></p><p>　　4.3.2 主汽溫控制的兩種策略</p><p><b>　　策略一：</b></p><p>　　在火電廠中，對主汽溫的控制有較高的要求，然而在實際生產過程中,由于主蒸汽流量、壓力、煙氣溫度和流速等的外擾,以及減溫水內擾頻繁且幅度較大,加上對象模型參數隨工況參

114、數(主蒸汽壓力、溫度和流量)的變化而變化,因而難以建立精確的數學模型.因此,主汽溫控制是一個存在大時滯、時變性、大干擾,具有不確定性和非線性的復雜熱工對象。常規(guī)汽溫控制系統(tǒng)為串級PID控制。串級控制系統(tǒng)見下圖：</p><p>　　r + e +</p><p>　　- -</p><p>　　圖4-5

115、主汽溫串級控制框圖</p><p>　　其中r為主汽溫設定值，分別為控制系統(tǒng)對象的導前區(qū)和惰性區(qū)的傳遞函數，M1,M2分別為副變送器和主變送器傳遞函數。</p><p><b>　　策略二：</b></p><p>　　傳統(tǒng)的控制都需要人工整定PID，且要求對象模型精確，而對于主汽溫被控對象的模型往往是很難精確得到的，我們利用神經網絡的非線性特

116、性和不依賴于對象精確模型的優(yōu)點，對主汽溫的控制方案加以改進。改進后加入BP神經網絡，搭建成基于BP神經網絡的PID控制系統(tǒng)，用以完成對鍋爐主汽溫的控制。該方案如下圖</p><p>　　r kp ki kd </p><p>　　- e </p><p>　　圖4-6主汽溫

117、基于BP神經網絡的PID控制框圖</p><p>　　其中r為主汽溫設定值，分別為控制系統(tǒng)對象的導前區(qū)和惰性區(qū)的傳遞函數，表示變送器的傳遞函數。在傳統(tǒng)PID的基礎上增加了一個BP神經網絡，用神經網絡來在線實時輸出PID的比例，積分和微分三個參數。 </p><p><b>　　4.4仿真分析</b></p><p>　　采用如圖4-5和圖4-6

118、所示的控制策略，主蒸汽溫度的導前區(qū)數學模型為: ；惰性區(qū)數學模型為: 。仿真時我們采用文獻[24]給出的600MW直流鍋爐主汽溫對象的動態(tài)特性，見本論文表4-1。</p><p>　　表4-1 600MW直流鍋爐主汽溫對象動態(tài)特性</p><p>　　其中串級控制的副控制器采用P控制。=1；主控制器采用PI控制，，?；贐P神經網絡的PID控制方案中，采用PID控制，BP神經網絡取三層神經

119、網絡，有4個輸入，分別為輸入信號，輸出，輸入與輸出之差，閾值1。 3個輸出，隱含層取5個節(jié)點。學習步長，慣性系數。對于惰性區(qū)傳遞函數我們采用文獻[17][19][24]的近似方法用來代替。仿真時把兩個控制方案加以比較，可以進一步說明采用BP神經網絡PID控制的優(yōu)勢所在。</p><p>　　在負荷為37%時,導前區(qū)為:，而惰性區(qū)的傳遞函數為:，其仿真曲線如下：</p><p>　　圖4-7

120、 負荷為37%時串級控制和BP神經PID控制下的階躍響應曲線</p><p>　　圖中虛線代表串級控制下的階躍響應曲線，實線代表BP神經PID控制下的階躍響應曲線</p><p>　　圖4-8 負荷為37%時BP神經PID控制下的誤差曲線</p><p>　　圖4-9 負荷為37%時BP神經PID控制下的3個參數變化曲線</p><p>