| 【中文题名】 | 神经网络PID算法在流量控制中的应用与仿真研究 |
| 【英文题名】 | Application and Simulation of Neural Networks PID Algorithm on Flux Controlling |
| 【学科专业】 | 环保装备及环境监测工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-3 |
| 【中关键词】 | 过程控制,流量,PID控制,神经网络,Sinmulink, |
| 【英关键词】 | Process control,Flux,PID control,Neural Networks,Sinmulink, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
本文介绍了国内外过程控制自动化技术的发展状况及当今水平。通过对流量过程控制的系统分析，针对其控制过程很难用精确的数学模型来描述的特征，在传统PID控制算法的基础上，结合智能控制理论，设计了神经网络PID控制系统。神经网络PID控制系统由辨识网络(NNI)和控制网络(NNC)两个网络构成，均采用BP网络实现。其中，辨识网络通过在线学习可以得到被控对象的预测值，控制网络完成PID调节器的功能，并以辨识网络给出的预测值为目标，不断修改权值和阀值达到优化PID调节器参数的目的，从而实现对传统PID控制算法的改进。
以过程控制实验装置为对象，探讨了流量控制系统的设计。对于流量这种易于受随机因素干扰、具有时变性、非线性的复杂控制对象采用了一种新型的智能控制算法——神经网络PID控制算法；以MATLAB中的Simulink为工具对流量控制系统建立了简化后的仿真模型；又分别对传统PID控制和神经网络PID控制进行了仿真实验；结果表明，神经网络PID控制算法在自适应性、鲁棒性和控制品质等方面较传统PID算法有显著的提高。 |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
Abstract |
6-13 |
|
第一章 绪论 |
13-16 |
|
1.1 过程控制的研究现状与国内外水平 |
13-14 |
|
1.2 研究背景及课题意义 |
14-15 |
|
1.3 研究的主要内容 |
15-16 |
|
第二章 传统PID控制 |
16-21 |
|
2.1 PID控制的基本原理 |
16-17 |
|
2.2 PID控制器各参数对控制器效果的影响 |
17-18 |
|
2.3 PID控制器的参数整定 |
18-19 |
|
2.4 PID控制器的局限性及发展现状 |
19-21 |
|
第三章 神经网络 |
21-29 |
|
3.1 神经网络概述 |
21-23 |
|
3.1.1 神经网络的发展史 |
21-22 |
|
3.1.2 神经网络的特点 |
22-23 |
|
3.2 神经网络的模型 |
23-29 |
|
3.2.1 MP模型 |
24 |
|
3.2.2 感知器 |
24-26 |
|
3.2.3 多层前馈网络与BP学习算法 |
26-29 |
|
第四章 神经网络PID控制 |
29-40 |
|
4.1 神经网络控制 |
29-37 |
|
4.1.1 神经网络控制的概述 |
29-30 |
|
4.1.2 神经网络系统辨识原理 |
30-33 |
|
4.1.3 神经网络控制的多种结构 |
33-37 |
|
4.2 神经网络PID控制 |
37-40 |
|
4.2.1 神经网络辨识器 |
37-38 |
|
4.2.2 神经PID控制器 |
38-39 |
|
4.2.3 控制系统的信息处理过程 |
39-40 |
|
第五章 神经网络PID控制系统的仿真实现 |
40-57 |
|
5.1 被控对象 |
40-44 |
|
5.1.1 过程控制试验系统 |
40-42 |
|
5.1.2 流量系统的数学模型 |
42-44 |
|
5.2 基于传统PID调节器的流量系统的仿真实现 |
44-45 |
|
5.3 基于神经网络PID控制的流量系统的仿真实现 |
45-51 |
|
5.3.1 神经网络辨识器NNI及其学习算法 |
46-50 |
|
5.3.2 神经网络控制器NNC及其学习算法 |
50-51 |
|
5.4 仿真结果研究 |
51-57 |
|
第六章 总结与展望 |
57-58 |
|
参考文献 |
58-61 |
|
在读期间发表论文 |
61 |
|
| 【DOI】 | LunWen.ID:2.2008.388780 |
