毕业设计（论文）基于神经网络的实验锅炉炉温抗饱和控制系统.doc

学号 毕业设计(论文)题目：基于神经网络的实验锅炉炉温Anti-windup控制系统设计 作 者 届 别 届 院 别 专 业 指导教师 职 称 完成时间 摘 要 本文展示了一种基于BP神经网络的PID控制器，利用神经网络的自学习特性，将神经网络与PID控制方法相结合，采用3层前向网络，动态BP算法，实现对温度控制系统的在线智能控制，显示了BP神经网络PID控制法很强的鲁棒性，同时也显示了神经网络在解决高度非线性和严重不确定系统方面的能力。结合神经网络PID技术，实现抗饱和。仿真结果表明，此种PID在温度控制中能够取得较满意的效果。关键词：神经网络；PID控制；温度控制；抗饱和 ABSTRACTA PID controller based on BP neural networks is showed .The self-learning capability of the neural network is used to combine the neural network with PID control method. The dynamic BP algorithms of three layer networks achieves the online real-time intelligent temperature control ,which displays the robustness of the PID control based on BP neural networks and the capability to deal with nonlinear and uncertain system . Combined with neural network PID technology to the Anti-windup .The simulation result indicates that this PID system has satisfied effect in temperature control.Keywords: Neural Network; PID control; Temperature control; Anti-windup目 录摘 要IABSTRACTII目 录III1 绪论11.1 选题的背景及意义11.2 方案论证22 控制系统分析及设计42.1 控制系统分析42.2 控制器的设计42.2.1 PID控制原理42.2.2 基于神经网络的PID系统结构52.2.3 BP神经网络PID算法62.2.4 控制算法82.2.5控制器的设计83 抗饱和设计93.1 抗饱和控制器的设计93.1.1抗饱和控制原理93.1.2 控制律的设计103.2 抗饱和控制器稳定性分析114 系统仿真134.1 炉温控制系统仿真及分析134.1.1炉温控制系统仿真134.1.2炉温控制系统仿真结果分析144.2 抗饱和控制仿真及分析154.2.1抗饱和控制系统仿真154.2.2抗饱和控制系统仿真结果分析155 Visual Basic控制系统的设计165.1 VB控制系统设计分析165.2 VB控制系统的设计及功能166 结论18参考文献19致 谢211 绪论1.1 选题的背景及意义近年来，在我国以信息化带动的工业化正在蓬勃发展，温度已成为工业对象控制中一种重要参数，任何物理变化和化学反应过程都与温度密切先关，因此温度控制是生产自动化的重要任务。在工业控制领域，研究如何进行精确温度控制是一个十分 重要的课题，特别是在冶金、化工、机械等行业中加热炉、热处理炉、反应炉等设备被广泛使用，如何精确的进行温度控制就显得更加重要。在工业生产中，被控对象大多在不同程度上存在纯滞后的特性，致使被调量不能及时反映控制信号的动作，当对象受到干扰而引起被调量改变时，控制器产生的控制作用不能立即对干扰产生抑制作用。因此，含有纯滞后环节的闭环控制系统必然存在着较大的超调量和较长的调节时间。Smith预估补偿方法从理论上解决了纯滞后对象的控制问题，是解决大滞后过程的最有效途径，但由于其对模型误差十分敏感，对过程动态特性的精确度要求较高，鲁棒性差，难以取得满意的控制效果，严重时甚至引起系统不稳定，因而限制了它在工业控制中的广泛应用。加热炉热处理炉，反应炉，现代化集中要求对现象装置进行时控制，需要对现场数据进行统计，分析，打印，绘图，报警等。在某些温度控制系统中，可以采用单片机做控制器。选择监控软件对系统的运行进行实时监控。加热炉是具有大惯性、纯滞后等特点的非线性系统 ,对它采用传统的经典控制方法难以收到令人满意的效果。随着信息技术和计算机应用技术的发展 ,以人工智能、控制理论和计算机科学等为基础的智能控制技术在工业加热炉领域得到愈来愈广泛的应用。神经网络是最近发展起来的非常热门的交叉学科，它设计生物、电子、计算机、数学和物理等学科，有着非常广泛的应用前景，这门学科的发展对目前和未来的科学技术的发展都有很重要的影响。神经网络方法主要是将定量预测问题状花为模式识别问题，并通过模拟人脑思维能力来增强模型的分析、控制和预测功能。神经网络是模拟人的神经系统而建立起来的自适应非线性动力系统。神经网络的主要特征为网络的全局作用、大规模并行分布处理、高度的鲁棒性和自学习联想能力，其功能重要由网络的拓扑结构和节点的处理功能所决定。在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。饱和非线性系统是实际控制系统中的常见现象，这类系统的研究由于其重要的理论和实际意义，历来是控制理论的研究热点之一1。所有的控制系统都存在各种各样的控制输入饱和现象。导致饱和现象发生，有如下两个主要原因：(1)控制输人受限；(2)控制模式的相互切换2饱和现象的本质可以归结为，被控对象的输入信号不等于控制器的输出信号3所以，大量关于抗饱和的文献所采用的方法，都是类似地将的值反馈补偿到控制器的积分环节，从而达到削弱积分环节的作用，使系统尽快退出饱和区域。在此基础上，1994年，针对易受输入非线性影响的线性时不变系统，提出了抗积分饱和问题的统一框架。在此之前，几乎所有已知的线性时不变AWBT框架都可以被看作是统一框架的特例，而且只需要用反馈补偿器以中的两个矩阵参数和，就可以对线性时不变AWBT问题进行分析和设计了。抗饱和补偿控制器将仅在饱和发生时产生作用，保证饱和发生时系统的稳定性性能。1.2 方案论证饱和问题不同于一般的非线性问题，它是基于对工作在线性条件下的系统在特殊条件下进入非线性区域的考虑，单纯地应用目前相对不成熟的非线性系统理论解决饱和问题代价太大，而且往往无法得到性能良好且全局稳定的系统。所以目前对于饱和问题，通常是在线性系统框架下进行适当地扩展，以便充分利用较成熟的线性系统理论找到解决饱和问题的方法。从60年代开始，抗饱和控制问题的研究就从框架和理论两方面娱乐飞速的发展，不断有新的抗饱和控制理论出现。如基于观测器的抗饱和，内膜控制抗饱和，基于神经网络的抗饱和等。本文采用了基于神经网络的抗饱和控制系统，它在很多方面优于其他控制系统。内模控制的设计思路是将对象模型与实际对象相并联，并根据对象模型设计内模控制器。内模控制的特点是当模型精确匹配时，只要对象和控制器同时稳定就能保证闭环系统稳定。传统的内模控制并不能作为抗饱和控制框架，实际应用中内模控制的主要困难正是对控制量饱和的敏感性，饱和非线性虽然不会改变内模控制系统的稳定性，但会使内模控制系统丧失伺服性能，跟踪出现静差。1994年，针对输入饱和非线性提出了改良的内模控制，并可以通过设定一个滤波器参数，确定其控制器参数，但参数，的选择有很大的随意性，没有一定的优化方法。BP神经网络是一种多层前馈神经网络，广泛的应用于分类、模式识别及只能处理等多种领域。它是一种有老师的学习网络，其原理是以一定量的样本作为输入，按照网络的初始连接权值和阈值，在选定的传递函数作用下得到输出值，然后让实际输出值与预期输出值进行比较，若有偏差，从输出值开始，反向传播，不断调整连接权和阈值4，从而使实际输出与期望值的均方根误差越来越小，当误差打到要求的精度，表明神经网络已经训练好，可以投入使用了。BP神经网络其算法简单、参数整定直观，受到了工业控制界的广泛关注，其最大优点是把伺服问题与鲁棒及抗干扰性问题分开处理、使分析、设计和调整都大为简化，只需调整一个滤波器参数，就可影响系统的动态指标并得到所需的系统鲁棒性。且明确考虑了模型的不确定性，消除不可测干扰的影响。PID控制器是一个在工业控制应用中常见的反馈回路部件。这个控制器把收集到的数据和一个参考值进行比较，然后把这个差别用于计算新的输入值，这个新的输入值的目的是可以让系统的数据达到或者保持在参数值。和其他简单的控制运算不同，PID控制器可以根据历史数据和差别的出现率来调整输入值，这样可以使系统更加准确，更加稳定。可以通过数学的方法证明，在其他控制方法导致系统有稳定误差或过程繁复的情况下，一个PID反馈回路却可以保持系统的稳定。本文采用了一种基于神经网络的PID控制方案，利用神经网络的自学习能力和任意函数的逼近能力，通过两者的有机结合寻找到一个最佳的P,I,D非线性组合控制规律。仿真实验表明这样的控制系统能够实现对温度进行在线控制,并具备适应控制环境变化的能力和自学习的能力。2 控制系统分析及设计2.1 控制系统分析基于BP神经网络参数自整定PID控制系统结构图如图2-1所示。控制系统采用负反馈,将设定温度与实际温度比较形成偏差,经过PID控制器输出控制量对被控对象进行控制。PID控制器参数, , 采用神经网络自调整。电阻炉属于带滞后环节的一阶惯性系统,其传递函数,式中k为比例系数, T为电阻炉时间常数,为纯滞后时间。图2-1BP神经网络PID控制系统结构2.2 控制器的设计2.2.1 PID控制原理PID控制系统原理框图如图2-2所示,系统由PID控制器和被控对象组成。 图2-2PID控制系统原理框图PID控制器是一种线性控制器,它根据给定值与实际输出值构成偏差 (2-1)简单来说, PID 控制器各校正环节的作用如下:(1) 比例环节: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,以减少偏差。(2) 积分环节:该环节主要来消除静差,提高系统的无差度. 积分时间常数,越小积分作用越强,反之则越弱。(3) 微分环节:反映偏差信号的变化趋势,在预防偏差信号变的太大之前,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,减少调节时间。PID控制作为一种传统的控制算法以它的实时性好、易于实现等特点广泛应用于各种控制系统中。由于电机存在着非线性、时变性等不确定因素，因此,采用理想的PID控制器很难达到要求的为控制器对无刷直流电动机系统进行研究. 研究结果表明,系统存在静差,调节积分系数和比例均无法满足控制要求。发生这种现象主要归因于控制器输出限幅作用引起的饱和非线性特性,存在控制器的windup问题。控制器windup问题一般被认为是控制器输出与输入之间存在非线性特性时,产生于控制器PI/PID积分部分的一种不良现象。为了使控制系统在出现此类饱和现象时仍能达到比较满意的性能指标,本文采用了Anti-windup设计技术对具有此饱和特性的控制系统进行设计,取得较好的控制效果。 2.2.2 基于神经网络的PID系统结构基于BP (Back Propagation)网络的PID控制系统结构图如图2-3所示,控制器由两部分构成: 图2-3 基于BP神经网络整定的PID控制器结构(1)经典的PID控制器,该控制器直接对被控对象进行控制,其比例、积分、微分, ，三个参数为在线调整。(2) 神经网络根据系统的运行状态调节PID控制器的参数,从而达到控制系统性能的最优化。使输出层神经元的输出状态对应于PID控制器的三个可调整参数, ， 通过神经网络的自学习,加权系数调整,使神经网络输出对应于某种最优控制规律下的PID控制器参数。2.2.3 BP神经网络PID算法 神经网络PID 控制器计算方法由两部分组成,包括经典PID控制算法和基于BP神经网络整定的时变学习算法,本文应用的基于BP神经网络的算法。神经网络NN包括学习算法和神经网络NN两部分,它可以根据系统的运行状态,按照学习算法,在线调整PID控制器的参数,以使得给定性能指标最优化,满足系统的要求。 神经网络NN是一个由3层BP神经元网络构成的子网络,其结构如图2-4所示，它有个输入节点，个隐含节点，个输出节点。图2-4 神经元网络NN结构图为充分反映输入PID控制器信号的特性,其输入层神经元个数选为3：，为误差量,可以反映出误差累计的效果, 类似于连续系统中的积分环节,可以反映出误差的变化快慢,类似于连续系统中微分环节。采用，和作为输入,能够比较全面的反映误差量的状态,因此,用它们作为网络输入层的3个输入量, 输出层输出节点分别对应三个可调参数, ， 故输出层神经元个数为3由于, ，不能为负值,所以输出层神经元的激发函数取非负的Sigmoid函数: （2-2）隐层的神经元个数可由以下经验公式确定： （2-3）式中, n , q , m 分别为输入层、隐层和输出层神经元个数,综合考虑,此处q取5，隐层神经元的激发函数取正负对称的Sigmoid函数: （2-4）确定出了神经网络结构为3-5-3(1)前向传播算法在任意采样时刻, 神经元网络前向传播算法计算公式如下:网络输入层的输入 （2-5） 输入变量的个数M 取决于被控系统的复杂程度网络隐含层的输入、输出 （2-6） （2-7）隐含层加权系数；活化函数，上角标(1) , (2) , (3) 分别代表输入层, 隐含层和输出层网络输出层的输入输出为： （2-8） （2-9）， （2-10）其中，为输出层连接权系数，g为输出层激发函数。（2）反向传播算法取性能指标函数为： （2-11）按照梯度下降法修正网络的权系数, 即按 对加权系数的负梯度方向搜索调整,并附加一个搜索快速收敛全局极小的惯性项： （2-12）式中，为学习速率；为惯性系数。 （2-13） （2-14）由于未知，所以, 近似用符合函数取代,由此带来计算不精确的影响可以通过调整学习速率来补偿。由(2-8) 、(2-9) 、(2-10) 可求得: （2-15） （2-16） （2-17）上述分析可得网络输出层的权的学习算法为: （2-18） （2-19）同理可得隐含层加权系数的学习算法: （2-20） （2-21）式中。2.2.4 控制算法(1) 确定BP网络的结构,并给出各层权系数的初值和确定学习率和惯性系数，此时，；(2) 采样得到和, 计算此时的误差；(3) 计算神经网络各层神经元的输入、输出,神经网络输出层的输出即为P ID控制器的三个可调参数, ，；(4) 根据式计算PID控制器的输出；(5) 进行神经网络学习, 在线调整权系数和,实现PID控制参数的自适应调整；(6) 值,返回到原公式。2.2.5控制器的设计神经网络PID控制器结构如图2-4所示,采用三层BP网络,M, Q, L 分别为输入层,隐含层,输出层节点个数。输出层三个节点输出量分别对应于PID控制器的比例系数,积分系数，微分系数。基于BP网络的PID控制器的控制算法如下: 确定输入层节点数M 和隐含层节点数Q,并给出各层加权系数的初值和,选定学习速率和惯性系数;采样得到和,计算该时刻误差；进行神经网络学习, 在线调整加权系数和；计算神经网络各层神经元的输入、输出。根据神经网络输出层的输出值计算PID控制器的输出,实现参数自适应调整的PID控制。3 抗饱和设计实际控制系统几乎都会遇到饱和问题，其中输入饱和是控制系统最常见的问题。近年来，输入饱和受限问题越来越引起广泛关注，饱和现象可以描述为:假设在一个包含PID控制器的闭环控制系统中,控制器和被控对象都处于稳定状态,如果参考输入有一个大的阶跃变化, 则控制器的输出信号u也将随之出现一个大的跳变,导致执行器的输入受限,被控对象输入信号小于, 使得输出信号y的改变相对迟缓,积分增益不断增大,超调量也随之增大；当输出信号y逐渐接近参考输入信号w时,由于系统此时仍然存在较大的积分作用,使得u仍处于饱和状态,只有当系统出现反向偏差,才能逐渐从饱和区退出。在这段时间内,执行机构仍停留在极限位置而不能随偏差方向做出相应的改变,这时系统就像失去控制一样,造成控制性能的恶化。所以提出了许多设计控制器的方法。其中PID控制方法是研究较早，应用较广泛的方法，因此有利用PID控制与非线性函数相结合来设计抗饱和的非线性PID控制器。最优控制理论也是一种重要的设计方法。设计了用于跟踪系统的时间最优控制器以降低饱和对跟踪性能的影响。近年来有一种非常直观的方法，就是首先忽略执行器饱和用经典线性理论设计线性控制律，再设计饱和补偿器消除饱和的影响。若发现所设计的控制系统在饱和介入后稳定域太小，则需返回重新设计，否则投运后会出现问题，轻者使系统性能降低，重者可能发生恶性事故。因此抗饱和的设计有着重要的意义。3.1 抗饱和控制器的设计3.1.1抗饱和控制原理根据“两步法”的研究策略，就是首先忽略输入非线性等饱和环节的情况下是基础满足一定性能指标的线性控制器，然后加入抗饱和控制以改善系统进入非线性区域时的性能。根据这个方法在将温度控制系统建立完成之后，再加入抗饱和控制系统。考虑带有执行器饱和系统的控制对象模型 （3-1）式中：分别为系统状态、控制输入和系统输出量；A，B，C分别为的常数矩阵；为饱和函数。假设满足：(1)(A，)为可稳定的；(2)(A，C)是可测。假设状态不完全可测的，用输出反馈实现对状态的估计，需要首先设计降维观测器。假设C已经具有标准型：；系统(3-1)改写为： （3-2）状态被分割为和两部分，那么在降维观测器中只需要估计。3.1.2 控制律的设计考虑如(2)的控制对象，图1为控制结构图。图3-1 控制结构图合成控制律的具体设计步骤如下：(1)首先忽略饱和，按照系统的性能要求进行极点配置，选择的F使：是使系统渐进稳定的矩阵；闭环有期望特性。(2)设计降维观测器。将F分两部分:，求得降维观测器的状态： （3-3） (3)计算 （3-4） （3-5） （3-6） (4)令w 为正定单位阵，P是Lyapunov方程的解。为指数函数，设计合成控制律 （3-7） （3-8） （3-9）给定正定单位阵w是维的，令是Lyapunov方程的解，然后给定另一个正定阵且 （3-10）令是Lyapunov方程的解。令是满足条件的最大正定标量，则有：对任何，对初始状态满足：且输入r满足：，并且对y是Lipschitz稳定的，那么该合成控制律能够使输出y跟踪输入r。(5)设计PID控制器，按照时间最优控制整定PID参数。3.2 抗饱和控制器稳定性分析首先不考虑PID控制器，仅讨论非线性控制器对系统的影响，如果满足式(3-4)中的初始条件，用所设计的控制律(3-7)对式(3-2)的系统进行控制，是能够使闭环系统渐进稳定的。证明如下：令，注意到为期望状态,为误差信号，代入线性律(3-8)得： （3-11）代人式(3-3),根据式(3-43-6)得，所以得到状态误差方程 （3-12）其中 （3-13）定义李雅普诺夫函数： （3-14）对于，都有，下面分3种情况讨论是否负半定。(1)当时，则，所以有：；其，。根据式(3-1O)，且是局部Lipschitz的，所以总存在，使满足，所以有。（2）当时，现在定义一个适当的正的分段连续函数，则记：，其中，根据式（3-10）且是局部Lipschitz的，所以总存在，使，满足，所以有。（3）当时，相似的有存在，使。令，那么一定有正定标量函数满足，使。因此闭环系统是Lyapunov渐进稳定的。最后把被控对象与非线性控制器看作新的被控对象，显然新的被控对象满足极点配置要求的新系统，闭环极点都位于复平面的左半平面。对这新的渐进稳定系统按照文献6的方法设计PID控制器，则整个闭环系统也是渐进稳定的。4 系统仿真4.1 炉温控制系统仿真及分析4.1.1炉温控制系统仿真基于BP神经网络PID温度控制系统仿真模型如图4-1所示。图4-1基于BP神经网络PID温度控制系统仿真模型BP神经网络采用的是3-5-3的结构。有4个输入信号,参数设 , , , ，时钟用于系统初始化，,分别对应为阶跃输入系统输出,和误差信号。网络含有5个隐含节点, 3个输出节点的输出为PID控制参数,，。神经网络算法和PID控制全都封装于MATLAB Function中。神经网络根据系统的运行状态，调节PID控制器的参数，以期达到性能指标的最优化，使输出层神经元的输出状态对应PID控制器的三个可调参数,，通过神经网络的自学习，加权系数调整，使神经网络输出对应于最优化控制律下的PID控制器参数。网络输入层的输入为：，网络中间层的输入和输出为：中间层神经元的活化函数取正负对称的Sigmoid函数：。网络输出层的输入输出为：。电阻炉控制对象参数取，。给定输入,系统神经网络PID控制响应曲线如图4-2中曲线所示。4.1.2炉温控制系统仿真结果分析PID控制器参数整定的方法很多,主要有两大类:一是理论计算整定法。它是依据系统的数学模型,经过理论计算确定控制器参数,有经典Z-N、Chien2Hrones2Reswick法、Cohen整定公式、IST2E最优整定算法等。二是工程整定方法,有临界比例法、响应曲线法和衰减法。采用经典Z-N法,取, , 所得到的计算数据经过调整和修改,响应曲线如图3中的曲线所示。采用临界比例法进行PID控制器参数的整定步骤如下: 首先预选择一个足够短的采样周期让系统工作；仅加入比例控制环节,直到系统对输入的阶跃响应出现临界振荡,记下这时的比例放大系数和临界振荡周期；在一定的控制度下通过公式计算得到PID控制器的参数。图4-2BP网络与经典PID控制阶跃响应曲线经过比较,采用经典Z - N 法输出的响应曲线,响应速度最快,振荡较大；采用临界比例法进行PID参数整定输出的响应曲线,振荡减小,但还有较大超调；采用基于神经网络自整定PID的响应曲线没有超调,且最先得到稳定输出。4.2 抗饱和控制仿真及分析4.2.1抗饱和控制系统仿真下面以典型的温度控制一阶传递函数惯性纯滞后系统作为被控对象 ,进行仿真实验。设目标温度为30 ,相应的控制系统的响应曲线如图4-3所示。从图中可以看出,基于神经网络的PID控制比传统的PID 控制具有更小的超调量,更短的调节时间。并且在仿真过程中,传统PID控制的控制参数需要经过多次的试输入才得到一个理想的控制效果,而基于BP神经网络整定的PID控制在开始随机输入一组控制参数,通过控制算法的自我学习与修正,很快就会得到理想的控制效果。 基于BP神经网络整定的PID温度控制有比传统PID更好的控制特性,并且不需要精确的数学模型。4.2.2抗饱和控制系统仿真结果分析考虑自整角伺服系统的模型为，饱和限幅，要求超调，。进行极点配置，得到：；参数。通过BP-PID控制参数整定，取R为单位阵，取整定参数，以阶跃信号作为输入，进行仿真，阶跃响应如图4-3中曲线所示。如果不加入BP-PID控制，仅用非线性控制，其阶跃响应如图4-4中曲线所示。两者响应速度及超调量差别不大，但从两图的曲线比较发现，BP-PID控制环节的加入后，图4-3曲线比仅用非线性控制的图4-4曲线明显减小了系统跟踪静差。 图4-3 BP-PID控制系统阶跃响应曲线 图4-4 非线性阶跃响应曲线5 Visual Basic控制系统的设计5.1 VB控制系统设计分析Visual Basic是由美国微软公司于1991年开发的一种可视化的、面向对象和采用事件驱动方式的结构化高级程序设计语言，可用于开发 Windows 环境下的各类应用程序。它简单易学、效率高，且功能强大可以与 Windows 专业开发工具SDK相媲美。在Visual Basic环境下，利用事件驱动的编程机制、新颖易用的可视化设计工具，使用Windows内部的广泛应用程序接口（API）函数，动态链接库（DLL）、对象的链接与嵌入（OLE）、开放式数据连接（ODBC）等技术，可以高效、快速地开发Windows环境下功能强大、图形界面丰富的应用软件系统。并且VB采用了面向对象设计思想，它基本思路是把复杂设计问题分解为几个能够完成独立功能的相对简单的对象集合。所谓“对象”就是个可操作实体如窗体、窗体中命令按钮、标签、文本框等面向对象编程就好像搭积木一样可根据和界面设计要求直接在屏幕上“画"出窗口、菜单、按钮等区别类型对象并为每个对象设置属性。虽然VB容易操作，界面的设计也十分简单，但是在数值计算方面缺陷的能力不足。与VB相比， MATLAB语言可以提供与矩阵有关的强大的数据处理和图形显示功能，为软件开发人员在程序编制过程中实现数值计算和图形显示新添了又一开发平台。但是，MATLAB的界面功能比较弱，给界面的开发应用带来不便。为了提高工程计算软件的开发效率和质量，可采取把VB可视化编程语言和MATLAB工具相结合的办法，充分利用MATLAB的运算功能和VB的开发界面方便的特点进行混合编程，即用VB来设计界面作为主程序，调用MATLAB写的子程序，以此开发出高质量、高性能的工程计算软件系统。5.2 VB控制系统的设计及功能以下是利用VB调用MATLAB程序所得的界面图：图5-1 VB温度控制界面在以上的VB温度监控界面中可以在“温度设定”的空白的方框内输入设定的温度。通过“设定参数”键对整个控制系统的参数进行设计。在按下“启动”键后，系统开始对温度进行控制使控制温度趋于设定的值。通过“画温度曲线”键将在界面的温度曲线坐标图显示出控制的曲线图。如果想画出但当前的曲线图可按下“重画曲线”键，之前画好的曲线图将被清除，并实时画出当前的曲线控制图。“实时温度”后面的空白框现实的是实际的温度。按下“退出”键后，将推出控制，温度曲线也将随之消失。6 结论温度控制系统是具有大惯性、纯滞后等特点的非线性系统，本文将BP神经网络控制策略引入到炉温控制系统，通过神经网络模拟实现PID控制器参数在线调整。在炉温控制系统模型的基础上，详细介绍了神经网络PID控制器算法，并进行仿真比较。再将抗饱和的研究用于炉温控制研究中。本文首先阐述了基于神经网络的抗饱和系统的研究背景和意义，综述了温度抗饱和研究中的主要问题及研究方向。然后，分析了建立BP神经网络的PID控制系统的方法，对BP神经网络算法和PID控制进行了详细的阐述。利用BP神经网络算法和PID控制原理建立了温度控制系统。由于本文应用的是“两步法”的研究策略，就是首先忽略输入非线性等饱和环节的情况下是基础满足一定性能指标的线性控制器，然后加入抗饱和控制以改善系统进入非线性区域时的性能。根据这个方法在将温度控制系统建立完成之后，再加入抗饱和系统。并对系统的稳定性进行分析和验证。最后，利用MATLAB软件对控制器进行了仿真，仿真结果表明，炉温得到精确控制，饱和现象得到有效抑制，说明了所提出的组合控制器的有效性。为了方便控制，利用VB对整个温度的控制过程做了一个简单的控制界面，通过这个界面可以很方便的控制温度，并且可以很直观的观测到温度曲线。参考文献1 戴丹，王景成基于线性矩阵不等式的动态反馈抗饱和补偿设计EJ上海交通大学学报，2004，38(5)：17332 杨明，徐殿国，贵献国控制系统AntiWindup设计综述J电机与控制学报，2006，10(6)：6226263 秦淑香,张吉利,郭明良.神经网络PID在温度控制中的应用J.煤矿机械, 2007, 28 (6) : 1661684 彭晓兰,等. 反向传僠算法运用于电力系统神经网络的分析研究 J . 电力系统自动化, 1993.5 史春朝,张国山. 基于改进BP神经网络的P ID控制方法研究J.计算机仿真, 2006, 23 (12) : 1561596 朱海峰,李伟,张林. 基于BP神经网络整定的P ID控制. 动力学与控制学报,2005,3 (4) : 94957 王学武,谭得健. 神经网络的应用与发展趋势J.计算机工程与应用,2003 (3) :98210018 代颖,施颂椒.全局稳定PD +前馈机器人鲁棒自适应控制J.自动化学报, 2002,28(1):11-189 李雪莲.PID模糊控制器结构研究J.机械工程与自动化,2005,(4):96-10010徐峰,李东海. 适用型P ID控制器参数整定性能比较J.电子技术应用.2006.(1): 5325411朱海峰,李伟,张林.基于BP神经网络整定的PID控制J.动力学与控制学报, 2005, (12):93-9612董增寿.基于神经网络P ID控制的电液位置伺服系统J.太原重型机械学院学报, 2004,(9):213-21513陶永华尹怡欣葛卢生新型PID控制及其应用M北京：机械工业出版社，199814徐建林. 热处理电阻炉炉温控制系统的分析与仿真J. 金属热处理,2002,27 (11):332 3515熊学泉，薛安客,孙优贤输出饱和线性系统的稳定性及L2增益性能J控制理论与应用，2001，18(1)：838616戴丹，王景成基于线性矩阵不等式的动态反馈抗饱和补偿设计J.上海交通大学学报.2004.38(5)：78779017赵娟平,张玉侠.基于BP神经网络整定的PID 控制及其仿真研究J.沈阳化工学院学报, 2007, 21(2): 13413618周峰.神经网络PID 控制在工业过程控制中的应用研究D.合肥: 合肥工业大学, 2006.19阎树田,姜志科,牛万才,等. 基于BP神经网络的模型参考自适应P ID控制器的研究J. 现代制造工程, 2006 (9) : 11211420HU Q，RANGAIAH G P. Antiwindup Schemes for Uncertain Nonlinear SystemsJControl Theory and Applications，IEE Proceedings，2000，147(3)：321-32921Emilia G D, Marra A, Natale E. Use of neural networks forquick and accurate auto-tuning of PID controller J.Robotics and Computer-Integrated Manufacturing,2007,23:170-179.22Yu D L, Chang T K, Yu DW. A stable self- learning PID control for multivariable time varying systems J.Control Engineering Practice