毕业设计（论文）神经网络PID在锅里蒸汽压力中的应用.doc

江苏科技大学本 科 毕 业 设 计（论文）学 院 专 业 学生姓名 班级学号 指导教师 二零壹贰年六月江苏科技大学本科毕业论文神经网络PID在锅炉蒸汽压力中的应用The application of neural network PID controller in the boiler steam pressure江苏科技大学毕业设计（论文）任务书学院名称：电子信息学院 专 业：测控技术与仪器专业学生姓名： 曹 祥 志 学 号： 0840308107 指导教师： 薛 文 涛 职 称： 副教授 毕业设计（论文）题目： 神经网络PID在锅炉蒸汽压力中的应用 一、毕业设计（论文）内容及要求（包括原始数据、技术要求、达到的指标和应做的实验等） 1.设计内容：船用锅炉主蒸汽压力调节对象含有大惯性、大滞后环节，常规PID 控制方法不具备自适应能力，因此很难满足实际的控制要求。利用BP神经网络的优点，设计PID控制器的在线调整控制系统，改善系统的控制性能，无论在理论还是实践上都具有重要意义。通过对PID控制原理和BP神经网络的学习，掌握如何利用神经网络的自学习能力来实现最佳组合的PID控制。通过Matlab软件Simulink模块设计基于BP神经网络整定PID控制器，并应用该控制器实现锅炉蒸汽压力的控制。2.设计要求：1. 查阅文献，收集资料。2. 学习PID控制原理和BP神经网络模型。3. 熟悉并能够熟练使用Matlab软件及其Simulink模块。4. 利用Matlab软件实现基于BP神经网络整定PID控制器对锅炉蒸汽压力的控制。5. 总结归纳PID控制器融入BP神经网络后对控制效果的影响。 二、完成后应交的作业（包括各种说明书、图纸等）1符合要求的开题报告以及英文翻译资料；2用Matlab软件实现基于BP网络的PID控制器对锅炉蒸汽压力的控制；3提供原程序、绘制仿真图形并分析仿真结果；4毕业设计（论文）报告。三、完成日期及进度2012年3月12日至2012年6月10日，共13周。进度安排：3月12日3月31日 查阅相关资料，了解本次毕业设计的目的、任务和要求，完成开题报告和外文资料翻译。4月1日4月22日 了解BP网络的结构特性和PID控制原理，并掌握Matlab编程语言功能及Simulink模块的使用方法，能进行一般的应用程序设计。4月23日5月10日 完成BP网络的PID控制的仿真程序。5月11日5月31日 完成毕业论文初稿。6月1日6月7日 修改毕业论文。6月7日6月10日 论文答辩。四、主要参考资料（包括书刊名称、出版年月等）:1.丛爽. 面向MATLAB工具箱的神经网络理论与应用（第3版）. 合肥：中国科学技术大学出版社，20092.刘金琨.先进PID控制MATLAB仿真(第2版). 北京：电子工业出版社，20043.刘姝廷，金太东. BP-PID在锅炉蒸汽压力控制中的应用. 武汉工程大学学报，2009，31(7)：91-944.彭梅香. BP神经网络PID控制(硕士论文). 华东师范大学，20075.卢娟. BP神经网络PID在三容系统中的控制研究(硕士论文). 合肥工业大学，2009 系(教研室)主任： （签章） 年 月 日 学院主管领导： （签章） 年 月 日摘 要船用锅炉主蒸汽压力调节对象含有大惯性、大滞后环节，而常规PID 控制方法不具备自适应能力，所以很难满足实际的控制要求。采用基于BP神经网络的PID控制方法，设计PID控制器的在线调整控制系统，改善系统的动态性能，无论在理论上还是在实践上都具有重要意义。通过对传统PID控制原理和BP算法的学习，设计基于BP神经网络的PID控制器，实现传统PID控制器参数的在线自动调整，利用神经网络的自学习能力来实现最佳组合的PID控制。仿真结果表明，采用传统PID控制算法的响应曲线，振荡较大，过渡时间长，超调量较大；而采用BP神经网络控制算法的响应曲线，无振荡，过渡时间短，无超调，且最先得到稳定输出，其控制效果明显优于传统的PID控制算法。BP神经网络结合传统PID控制方法在锅炉蒸汽压力中的应用，取得了良好的控制效果。关键词：锅炉蒸汽压力；BP神经网络；PIDAbstractMarine boiler steams pressure regulator object has large inertia and lag characteristic. As the conventional PID controller does not have the adaptive capacity, it is difficult for the object to achieve the actual control requirements, The usage of PID control method based on BP neural network is of great significance to improve the dynamic performance of the system both in theory and practice, for the method adjusts the control system by the online design of PID controllers parameters.According to the PID control principle and BP neural network learning method, we use the BP neural networks self-learning ability to achieve the best control effect of the object, thats to adjust the PID controllers parameter automatically. The better control effect of the algorithm is confirmed by simulation process. As is seen from the response curve of traditional PID control algorithm, there is a larger oscillation, overshoot and transition time. Howerer, the response curve of the BP neural network control algorithm is of no oscillation and overshoot, and the transition time is short. Besides, the first stable output control is better than the traditional PID control algorithm.Keywords: boiler steam pressure; BP neural network; PID目 录第1章 绪论11.1 选题的背景11.2 人工神经网络的研究内容11.3 论文内容安排2第2章 神经网络概述42.1 引言42.2 人工神经网络的基本理论42.2.1 人工神经元的形式化描述42.2.2 人工神经网络的类型52.3 神经网络原理52.3.1 MP模型52.3.2 一般的神经元模型62.3.3 感知器模型72.4 BP神经网络82.4.1 BP神经网路概述82.4.2 BP学习算法的计算公式及流程图82.5 神经网络学习规则11第3章 神经网络PID控制器的设计133.1 PID控制器133.1.1 引言133.1.2 PID控制器的原理及其特点133.2 人工神经网络和PID控制的结合153.3 BP神经网络PID控制器设计16第4章 神经网络PID在锅炉蒸汽压力中的应用184.1 锅炉蒸汽压力数学近似184.2 锅炉蒸汽压力数学模型的仿真研究184.2.1 传统PID控制方法184.2.2 基于BP神经网络的PID控制方法204.2.3 仿真比较21结 论23致 谢24参 考 文 献25附录27第1章 绪论1.1 选题的背景随着工业生产和计算机技术的飞速发展，人们对生产过程的自动化控制水平的要求越来越高。一个先进的、易于应用的控制算法的出现会对工业生产产生巨大的推动作用。然而学术研究成果与实际的生产应用技术水平并不是同步的，某些方面甚至相差几十年。其中的原因有很多，如推广不积极、应用上不成熟、存在缺陷等，但一个很明显的原因就是理论研究尚且缺乏实际应用背景的支持1。船舶蒸汽动力系统是一个系统复杂、设备众多的能量转换系统。由于其特殊的工作环境，相对普通电站蒸汽系统而言，船舶蒸汽动力系统具有惯性小、动态过程变化大、各子系统的关联和制约因素多等特点。因此要了解其运行的动态特性，研究船舶蒸汽动力系统的动态模型就十分必要。在实验室中无法复现真实的工业生产过程，条件上往往相差很多。只有寻找具有典型特性的实际研究对象，积极将相关知识投身于实践，才能够更好的促进学习，更好地将理论成果转化为高效的应用技术。神经网络PID控制系统是基于实际操作中多次测试得到的锅炉主蒸汽压力数学模型，集自动化仪表技术、计算机技术和自动控制技术为一体的仿真系统。结合MATLAB软件及Simulink模块，能够很好地完成了仿真设计及应用要求2。1.2 人工神经网络的研究内容人工神经网络可以概括地定义为：由大量简单的高度互联的处理元素(神经元)组成的复杂网络计算系统。它是在现代神经科学研究成果上提出来的，始于19世纪末期，反映了人脑的若干基本特征，是模拟人工智能的一条重要途径3。从某种意义上说，人工神经网络、并行分布处理和神经计算机是统一的概念。神经网络在两个方面与人脑相似：（1）神经网络获取的知识是从外界环境中学习得来的；（2）互联神经元的连接强度，即突触权值，用于存储获取的知识。人工神经网络的研究和发展经历了一条曲折的道路，分为兴起、萧条、兴盛和高潮4个时期。1986年，美国的D.E.Rumelhart和J.L.McCelland及其领导的研究小组发表了并行分布式处理一书的前两卷，对人工神经网络研究高潮的到来起到了推波助澜的作用。Rumelhart等人最重要的贡献是提出了适用于多层神经网络模型的误差反向传播（Error Back-Propagation, BP），该方法将学习结果反馈到中间层的隐含节点中，解决了多层神经网络的学习问题。目前，该算法已经成为影响最大的一种人工神经网络学习方法。人工神经网络主要应用领域：（1）知识处理：神经网络可以从数据中自动获取数据（知识），把新知识结合到它的映射函数中去，使得神经网络非常适合于处理某类知识，特别是不精确的知识。（2）市场管理：不同种神经网络的数据处理能力是不同的。在金融、银行、保险行业的应用主要是进行顾客群体特征分析、市场研究消费倾向分析等。（3）运输及通信：运输与通信问题在国民经济中有着极为重要的现实意义。最优的调度算法是一个NP完全性问题。神经网络可以根据运输网或通信网中当前及以前的货物及信息情况，最佳地调度网中的货物源和信息源，达到货物和信息在网中的传递最为经济的目的。（4）信号处理：神经网络同样也被广泛地应用于信号处理，如目标检测、畸变波形的恢复、雷达回波的多目标分类、运动目标的速度估计、多目标跟踪等。概括地说，神经网络在信号处理领域主要应用于自适应信号处理(自适应滤波、时间序列预测、谱估计、阵列处理、消除噪声、检测等)、非线性信号处理(非线性滤波、非线性预测、非线性谱估计、非线性编码、调制、解调、中值处理等)。（5）自动控制：早在1962年，WiCirow就提出了一个神经网络可以成功地学会平衡一个干扰抑制器的控制算法，即著名的LMS算法4。Grossberg/Kupersteirl的视觉运动控制神经网络，能够执行传感器表面的一个图像传感器的反馈控制和图像平面的非线性关系的计算，并能把图像传感器瞄准到正在运动的指定客体上。显然，这可以用到机器人的摄像机控制上，而且还可以应用到诸如火炮之类的武器系统中去。除上述几个应用领域之外，神经网络在娱乐、零售分析、信用分析、航空航天等方面也有广泛的应用前景。1.3 论文内容安排本文主要介绍了应用最为广泛的BP算法，结合具体的控制对象和传统PID控制方法，对它们的控制效果进行了对比分析。船用锅炉主蒸汽压力调节对象含有大惯性、大滞后环节，常规PID控制方法不具备自适应能力，因此很难满足实际的控制要求。利用BP神经网络的优点，基于BP神经网络设计PID控制器，改善系统的控制性能，无论在理论还是实践上都具有重要意义。通过对比仿真结果，可以看出BP神经网络PID控制器明显具有更强的信息处理能力、自适应性和鲁棒性。BP神经网络PID控制器融合BP神经网络和传统PID控制器的特点，具有很好的应用价值。第一章 绪论，本章介绍了本课题的选题背景，概述了人工神经网络的发展历史及主要应用现状。第二章 神经网络概述，本章简要介绍了几种主要的人工神经网络模型及工作原理、作用函数和学习方法，包括：MP模型、单神经元模型、感知器模型和BP神经网络模型。第三章 神经网络PID控制器的设计，本章介绍了传统的PID控制器的原理和特点，指出传统PID控制器在工业过程控制存在的不足。在结合第二章基础知识的基础上，结合传统PID控制器和神经网络的特点，设计了单神经元的PID控制器和BP神经网络PID控制器。第四章 BP神经网络PID控制器在锅炉蒸汽压力中的应用，对船用锅炉主蒸汽压力调节对象，利用BP神经网络PID控制器实现对它的压力进行调节控制。仿真实现传统PID控制算法和神经网络PID控制算法对控制对象模型的控制，并绘制仿真曲线图。两者比较，可以看出BP神经网络PID控制器的控制效果良好，具有更强的信息处理能力、自适应和鲁棒性，实践上具有重要意义。第2章 神经网络概述 2.1 引言简单地讲，人工神经网络是指用大量的简单计算单元(即神经元)构成的非线性系统，它在一定程度和层次上模仿了人脑神经系统的信息处理、存储及检索功能，因而具有学习、记忆和计算等智能处理功能。神经网络具有一些显著的特点：如具有非线性映射能力，不需要精确的数学模型，擅长从输入输出数据中学习有用知识，容易实现并行计算等。由于神经网络由大量简单计算单元组成，因而易于用软硬件来实现5。正因为神经网络是一种模仿生物神经系统构成的新的信息处理模型，并且具有独特的结构，所以人们期望它能解决一些用传统方法难以解决的问题。2.2 人工神经网络的基本理论2.2.1 人工神经元的形式化描述 模拟生物神经网络时应该首先模拟生物神经元。人工神经元是对生物神经元结构和功能的模拟，是对生物神经元的形式化描述，是对生物生物神经元的信息处理过程的抽象。 人工神经元一般是一个多输入/单输出的非线性器件，其结构模型如图2-1所示。图2-1 人工神经元结构 其数学形式为： （2-1）其中， ,···,为神经元输入信号，,···，为神经元的连接权值，为阀值，为神经元的输出。为神经元转换函数，神经元的输出都是由它得来。通过转换函数实现输入信号到输出信号的映射，称为激活函数。激活函数可以是线性的也可以是非线性的。2.2.2 人工神经网络的类型根据不同的网络连接方式，人工神经网络可以分为以下几种结构：前馈网络 网络中的神经元分层排列，每个神经元只和上一层的神经元连接。最上一层为输出层，最下一层为输入层，中间层为隐含层，可由实际需要设计隐含层层数。 前馈网络是人工神经网络中应用最为广泛和成熟的网络类型。感知器就属于这种网络类型。反馈网络 其本身是前馈网络，但从输出到输入有反馈回路，因此称之为反馈网络。Fukushima网络就是这种网络类型的典型代表。前向内层互联网络 从外部看仍是前馈网络，但在同一层内存再互相之间的连接，以实现同层内神经元之间的横向抑制或兴奋机制。很多自组织网络属于这种类型。互连网络 互连网络有局部互连和全互连两种。全互连网络中的每个神经元都与其他神经元相连。局部互连是指互连是局部的，有些神经元之间没有连接关系。Hopfield网络和Boftzmann机都属于这一类网络。2.3 神经网络原理2.3.1 MP模型人工神经网络的首个数学模型是由McCulloch和Pitts建立的。该模型的基本思想是：神经细胞的工作方式是或者兴奋或者抑制。基于这个思想，McCulloch和Pitts在神经元模型中引入了硬极限函数，该函数形式后来被其他神经网络(多层感知器、离散Hopfield网络)所采用6。MP模型是一个多输入单输出的非线性处理单元，示意图如图2-2所示。图2-2 MP模型示意图其中：，神经元的输出信号，可与其它多个神经元连接；，神经元的输入信号；：神经元的连接权值；：神经元的阀值：神经元的非线性作用函数。神经元输出可用下式描述： （2-2）设 （2-3）则 （2-4）是作用函数，即激发函数。MP神经元模型是人工神经元模型的基础，也是神经网络理论的基础。2.3.2 一般的神经元模型MP模型过于简单，且权值不能学习，因此实际上需要更复杂、灵活性更高的神经元模型。图2-3所示为一个具有个输入的通用的神经元模型。与MP模型一样, 为神经元的输入，为可调的输入权值，为偏移信号，用于建模神经元的兴奋阀值。和分别表示神经元的基函数和激活函数。（也称神经元函数、挤压函数或活化函数）7。基函数是一个多输入单输出的函数；激活函数的作用是对基函数输出进行“挤压”： ，即通过非线性函数将变换到指定范围内。图2-3 通用神经元模型2.3.3 感知器模型感知器（Perception）是模拟人的视觉，接收环境信息，并由神经冲动进行信息传递的神经网络。最早由Rosenblatt提出的感知器模型为单层感知器，仅有输入层和输出层构成。后来由于单层感知器在非线性不可分问题方面的局限性，人们又提出了多层感知器模型，在原有基础上增加了隐含层。 单层感知器模型单层感知器模型是一个具有单层处理单元的神经网络，如图2-4所示，非线性作用函数是对称型阶跃函数。 图2-4 单层感知器模型感知器的输出为： （2-5）其中，为感知器的第个输入；（阀值）；。 多层感知器在输入和输出层间加一层或多层隐含层，即构成多层感知器，又称多层前馈神经网络。多层感知器如下图所示： 图2-5 多层感知器结构对于多层感知器网络，有如下定理： 若隐层节点（单元）可任意设置，则用三层阀值节点的网络可以实现任意的二值逻辑函数。若隐层节点(单元)不可任意设置，则用三层S型非线性特性节点的网络，可以一致逼近紧集上的连续函数或按范数逼近紧集上的平方可积函数8。2.4 BP神经网络2.4.1 BP神经网路概述 Rumelhart和Mc.Clelland与1986年提出了多层网络的误差反向传播算法（Error Back-Propagation Training），即BP算法，系统解决了多层网络中隐含单元的连接权问题，预示着BP网络的出现9。BP神经网络是人工神经网络的一种，它不仅具有人工神经网络的特点，而且有自己的BP算法。BP神经网络的结构如图2-6所示，、为网络的输入、输出向量，每一个神经元用一个节点表示，网络有输入层、隐含层和输出层节点组成。隐含层可以是一层，也可以是多层（图示为单隐含层），前层至后层节点通过权连接。 图2-6 多层前馈网络结构2.4.2 BP学习算法的计算公式及流程图设BP神经网络为三层网络，输入神经元以编号，隐含层神经元以编号，输出层神经元以编号，计算公式如下：隐含层第个神经元的输入为： （2-6）第个神经元的输出为： （2-7）输出层第个神经元的输入为： （2-8）相应的输出为： （2-9）式中，函数，有： （2-10）式中，阀值或偏置值, ，则使S曲线沿横坐标左移，反之则右移。因此，各神经元的输出应为 （2-11） （2-12）BP网络学习中的误差反向传播过程是通过使一个目标函数(实际输出与希望输出之间的误差平方和)最小化完成的，可以利用梯度下降法导出计算公式10。学习过程中，设第个输出神经元的希望输出为，而网络输出为，则系统平均误差为： （2-13）略去下标，式（2-13）可写成 （2-14）式中，目标函数。示意图如图2-7所示，梯度下降学习算法总是在寻找坡度最大的地段向下滑行，当它处于D位置时，沿最大坡度路线下降，到达局部最小点而G停止滑行。如果它是从A点开始向下滑行，则最终到达全局最小点B11。 图2-7 BP网络梯度下降学习算法BP学习算法流程总结如下图 ： 图2-8 BP学习算法流程图BP网络的学习算法的步骤归纳如下：(1)从训练样本集中取某一样本，把它的输入信息输入到网络中；(2)由网络正向计算出各节点的输出；(3)计算网络的实际输出与期望输出的误差；(4)从输出层起始反向计算到第一个隐层，按一定原则向减小误差方向调整网络的各个连接权值；(5)对训练样本集合中的每一个样本重复以上步骤，直到对整个训练样本集合的误差达到要求为止。如果通过网络训练，BP网络的输出达到目标要求后，网络各节点之间的连接权值就确定下来了，我们就可以认为BP网络已经学习好了，我们就可以利用这个训练好的网络对未知样本进行识别预测了12。2.5 神经网络学习规则神经网络的学习规则即调整神经网络连接权值的规则。学习规则可以分为两类：有监督学习和无监督学习。有监督学习就是通过外部教师信号进行学习，即要求同时给出输入和正确的期望输出的模式对，当实际输出结果与期望输出有误差时，网络将通过自动机制调节相应的连接强度，使之向减少误差的方向改变，经过多次反复训练，最后与正确的结果相符合。 无监督学习就是不需要外部教师信号，因而不能确切知道正确的反应是什么，学习表现为自适应于输入空间的检测规则。其学习过程表现为：给系统提供动态输入信号，以使各个单元以某种方式竞争，获胜的神经元本身或相邻域得到增强，其他神经元进一步抑制，从而将信号空间划分为有用的多个区域13。常见的学习规则为：(1)无监督学习规则学习规则是一类相关学习，它的基本思想是：如果两个神经元同时被激活，则它们之间的连接强度的增强与它们激励的乘积成正比。以表示单元的激活值，表示单元的激活值，表示单元到单元的激活值，则学习规则可用下式表示： （2-14） 其中，为学习速率，该公式表明两神经元之间连接权的变化量与它们的激活值相关。(2)有监督的学习规则在学习规则中，引入教师信号，将式(2-14)中的换成目标输出与实际输出之差，就组成了有监督的学习规则： (2-15)即两神经元间连接强度的变化量与教师信号和网络实际输出信号之差成正比。(3)有监督的学习规则将无监督的学习和有监督的学习两者结合起来就可组成有监督的学习规则，即： （2-16） 采用学习和有监督的学习相结合的学习策略，使神经元通过关联搜索对未知的外界作出反应，即在教师信号的指导下，对环境信号进行相关学习和自组织，使相应的输出增强或削弱。BP网络的学习过程由正向和反向传播两部分构成。正向传播过程中，每一层神经元的状态只影响下一层神经元结构，如果输出层不能得到期望输出，即期望输出与实际输出之间存在误差时，就转向反向传播。反向传播过程将误差信号沿着原来路径返回，通过不断修正各层神经元权值，逐次地向输入层传播进行计算，修改之后的权值再经过正向传播，将期望输出与实际输出比较。这两个过程不断反复运用，直到达到所设定的误差值14。所以说，BP网络是一个有导师的学习过程。第3章 神经网络PID控制器的设计3.1 PID控制器3.1.1 引言PID控制是最早发展起来控制策略之一，由于其算法简单、鲁棒性好和可靠性高，被广泛应用于过程控制和运动控制中。目前，PID控制器占工业生产过程用控制器90%以上的份额，尤其适用于可建立精确数学模型的确定性控制系统。 而实际的工业生产过程往往具有非线性、时变不确定性等特点，难以建立精确的数学模型，应用常规PID控制器又难以达到理想的控制效果15。3.1.2 PID控制器的原理及其特点PID控制器的原理PID控制系统的结构图如图3-1所示： 图3-1 PID控制系统结构图给定值与实际输出值构成控制偏差： （3-1） 将偏差的比例 、积分和微分通过线性组合构成控制量，对被控对象进行控制，其控制规律为： （3-2）写成传递函数形式： （3-3）其中，比例系数； 积分时间常数； 微分时间常数；PID控制效果的好坏在很大程度上取决于系统参数的整定，即控制器参数的选择，简单说来，PID控制器各校正环节的作用如下：(1)比例环节比例环节能成比例地反映控制系统的偏差信号，偏差一旦产生，控制器立即产生控制作用，减少偏差。(2)积分环节积分环节可以提高系统的抗干扰能力，主要用于消除静态误差，提高系统的无静差度，积分作用的强弱取决于积分时间常数，越大，积分作用越小，反之则越强。(3)微分环节微分环节能反映偏差信号的变化速率，并能在偏差信号值变得太大之前，在系统中引入一个有效的早期修正信号，从而加快系统的动作速度，减小调节时间，从而改善了系统的动态特性。PID控制器的特点（1）原理简单，使用方便。PID参数（， )可以根据过程动态特性及时调整。如果过程的动态特性发生变化，PID参数可以重新进行调整与设定；（2）适应性强，按PID控制规律进行工作的控制器早已普及化，即使目前最新式的过程控制计算机，其基本控制功能也仍然是PID控制。PID应用范围广，虽然很多工业过程是非线性或时变的，但通过适当简化，可以将其变成基本线性和动态特性不随时间变化的系统，这样就可以通过PID控制了16。传统的PID控制也存在许多不足，最突出的一点就是有关PID参数的问题。首先，传统PID无自适应能力。这主要表现在两个方面：第一，PID控制器的参数整定必须相对于某一模型已知、系统参数已知的系统；第二，PID控制器参数一旦整定完毕，便只能固定地适用于一种情况。而实际的应用中，大多数的生产过程都具有非线性的，且其特性随时间的变化而变化，显然固定的一组参数是不能满足这种变化的。其次，传统的PID控制器的参数只能整定为满足生产过程控制目标某一个方面的要求。在设计控制系统的过程中人们主要关心的问题是“设定值跟踪特性"和“干扰抑制特性，而传统的PID控制器只能通过整定一组PID参数来满足一个方面的要求。因此常常采用折中的办法整定控制器参数，这样得到的控制效果显然不是最佳的。工业过程的动态特性大都具有高阶、非线性、大时滞及时变等特性，给以精确数学模型为基础的现代控制理论的应用带来了困难。PID在控制非线性、时变、耦合及参数和结构不确定的复杂过程时，效果不是太好。PID三个参数选择的好坏，直接影响到控制效果的好坏。合理的参数会使控制效果优良，不合理的选择会使系统的动静态性能变差，有时甚至使系统闭环不稳定17。传统的PID控制器的参数一旦选定，就不会再变化，对不同的控制系统或是不同参数的控制系统，适应性较差。通过以上分析，我们了解到，神经网络PID控制器的PID参数能够根据实际情况，通过自学习获得合适的参数，从而让控制效果达到最佳，具有很强的鲁棒性。3.2 人工神经网络和PID控制的结合由上节的简要介绍我们得知：PID控制器的设计关键是如何确定比例、积分和微分系数，但这些参数整定中的困难又使PID控制器的应用受到限制。PID控制规律是一种线性的控制规律，它具有传统控制理论的弱点，PID控制器仅能对简单的线性单变量系统有较好的控制效果，对复杂的被控系统，所得的控制效果不是非常理想18。为了克服传统PID控制器的弱点，控制界对PID控制提出了大量的改进方案，例如自校正PID控制、广义预测PID控制、模糊PID控制、专家PID控制、智能PID控制等等。以上各种方案的理论依据不同，采用手段也不相同，但它们的共同点都是针对如何选择和整定PID参数。这些方法在一定程度上提高了PID控制器的性能，但这些方案一般是针对某些具体问题，缺乏通用性，附加的结构和算法也增加了控制器的复杂性，使它们的广泛应用受到限制。近年来，随着神经元网络的研究和广泛应用，人们开始将神经元网络和PID控制结合在一起，以便改善传统PID控制器的性能，这种将神经元网络与PID控制相结合的研究也已经取得了一定的成果19。目前提出的神经元网络和PID控制相结合的方法主要归结为两大类型：单神经元结构PID控制器；采用神经元网络确定PID参数。这两种类型分别具有各自的特点和不足之处，以BP经网络PID控制器为例，对它们的控制特点和不足做简要介绍。3.3 BP神经网络PID控制器设计3.3介绍了单神经元PID控制器，即在常规PID控制器的基础上增加一个或多个神经网络，用神经网络在线调整PID参数。这种方法局限性在于单神经元结构无逼近任意函数的能力，使这种方法在应用上受到了很大的限制20。BP神经网络PID控制器能有效地避免上述缺陷。BP神经网络PID控制器是一种较新型的神经网络PID控制方法，有的著作又将之称作“PID型神经网络控制”、“具有神经网络结构的PID控制器”、“神经网络直接自校正PID控制器”等。这种控制方式在结构上不再明显包含PID控制器，而是将神经网络和PID控制规律融为一体，将误差信号的比例、积分、微分运算和PID参数的自适应整定在一个前向神经网络中完成21。PID控制要想取得较好的控制效果，就必须通过调整好比例、积分和微分三种控制作用，形成控制量中即相互配合又相互制约的关系，这种关系不是简单的“线性组合”，而是从变化无穷的非线性组合中找出最佳的组合。神经网络所具有的任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。BP神经网络PID控制器主要利用了神经网络的非线性映射能力和自适应能力。控制器由两部分组成：参数可调的PID控制器，直接对被控对象进行闭环控制；神经网络NN，根据系统的运行状态，实现自适应算法，调节PID控制器的参数以达到某种性能指标的最优化要求22。 BP神经网络PID控制器的控制算法可归纳如下：根据具体对象，选定BP神经网路的结构，并作初始化工作：给出网络各层权值系数的初值，选择学习速率和惯性因子，置；由采样技术得到和，计算；对选作网络输入的系统运行状态量作归一化处理；计算神经网络各层节点的输入和输出；计算PID控制器输出量；计算网络各层的权值系数；置，返回。如果通过网络训练，BP网络的输出达到目标要求后，网络各节点之间的连接权值就确定下来了，就可以认为BP网络已经学习好了，就可以利用这个训练好的网络进行识别预测工作了。在锅炉蒸汽压力控制中，即实现了压力的实时控制和调节了23。第4章 神经网络PID在锅炉蒸汽压力中的应用4.1 锅炉蒸汽压力数学模型蒸汽系统是锅炉仿真中的核心部分，它的建模涉及一些对