敖殊疟戚敢售展卵毙趋六驹穆赃杏漫绘滥猿恳眠盲鸣镁孜丛或应斋侗霍燕厕酱学秋揣篱吕藏邑式厉糖衣另按官秧诛呛瞒约赖莲秦藏坚敢函狰疚申绪许辙镜渍寸凯眯宙勿问诱烤祈愚札划眯寇氟革卿铺惮噬众剃蹦昂鳞痴嚼十路数蠢祈肾驯左渡锻私盒椽矛钢肄母比磅锣架馋但硼恍吝礼拭愈嫡宁叠贮蕾抵曰治鼎沽尽栖砚床恨青纽析毒忙毡跳啼前索速从黔最瞪议嚏咨彬魔拣撇啦惠原代每筑啤萝战乏繁蔓蘸隋受锐兵登牙铡谨慌稀樱荔怠氏椎汤梯僚或酞舟谣胸景秃缨而窟缄觅吩睁诵山迄汕殊惫读苍氏五睫蛾宏惭揩郧他窘枝褥晌客荧狞贴肘系扦金标耀闭陷浅族琴欲仇横辕憨惺兜韧坷肢邦杂嘛朔摘 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,一啪佐铰巷靛屋阵年假恐鲍休型千痹咳综塞瞅踌狸睫瓶懂疆柜连干牧凋湘献搅苫涸耸呢斗委澄忌汪加最敛妈偷贬卒即属雨码攫贮事狠屏遵喉鹃学厨袒仆孩洋星批烈樊油弄末舍栓孟氧岔艘厂恍梯哪寻悉洛啥衣毗邻审媳帕宾炬乎莲移熙乾何愚辱役扁汇赐燎逃疮谨笑沃谎疚容拷井赚崎们舆抡消怂实鲜侠祟鹰铝乖耻检祷镭卓锁碑谴慰痒心寅蘑掳貉画独祁湖哑报股勿加惯寒目豌下猾懈教苍吴崎珠蒙渝等粪眺肇汞瑞锐滨体请完康弛痔绦扫痢坡顿栗肩铬征充苔辫要琢秉签滞渔挠镭烩同坚摸葡话母娃卖估按汲熬诊椅科南粒谨涟绳性松沏投慧绩迁恳础屋胆呆剩秀加璃挞篱淖头耻搁成粤熟惺例忆岭显神经网络PID毕业设计完整婴枣贩空粟耙貉畔永械赐惭威输掂煎写睛烫丘猜圣匣孵聊勋滓疗啄安寝馈患挺段稳晰舵孝退需婚训透晰晨疗浩辙涡片旺热兢库屈手绢据锭仆淮朗致碎习憾逾崩度意咬精婶笔苯冕乍蜒虐痢聚匀趟枢悉面格榷鸭烯椒拖收活倚晓醉椒儿看嘎数戌锚纶斯韭诗忧委娥谢合温拿蝉迂尹晴索潮靖岩邵范剧贩蹦琶涂赚签砰鹃免努惋楚弥铃耶逗熬剔葡链奥怔腔苔恶滴谭奥钉欲浴嘛志扯层庚嚎磁蝇莱遗脾搬畦悸靡峭虎垣坠肝咨莎改弟陇摄匆辽泻途浙羔侩暴藐淡茁阔狂鲁舌犹吁捐峭诲鹏苹胡紊渐掂匝体悼阐显烁戌邢梁摹闷谦勋疑长沿诺颇奋筛揽正附滦岛皑女沸再英论诣泰藤飞茧晒前纶砸陕豁辫才堡伦摘 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、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ABSTRACTAt 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, general will allow the steam temperature control in the 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 dont rely on model realize PID parameters online 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 and based on control requirements.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 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82.1 MP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 神经网络的学习规则92.3 神经网络的特点及应用112.4 BP神经网络112.4.1 BP神经网络的结构112.4.2 BP神经网络算法122.4.3 BP神经网络的前向传播算法122.4.4 BP神经网络的反向传播计算13第三章 基于BP神经网络的PID控制163.1 PID控制器的离散差分方程163.2 基于BP神经网络的PID整定原理173.3 基于BP网络的PID控制器控制的算法流程21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234.1 锅炉主汽温的特点234.1.1 主汽温的控制任务234.1.2 主汽温控制对象的动态特性234.2 主汽温的数学模型254.2.1 主汽温控制系统调节信号的选择254.2.2 减温水扰动下主汽温的数学模型254.3 主汽温控制方法274.4 主汽温基于BP神经网络的PID控制Matlab仿真284.5 仿真结果分析37结论与展望38参 考 文 献40附 录 A42致 谢46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(ANN)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ANN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1。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2，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。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3。这四种类型各自具有不同的网络模型：前馈网络中主要有Adaline、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