汽輪機(jī)調(diào)速系統(tǒng)的研究畢業(yè)論文

1、<p>　題目名稱(chēng)：汽輪機(jī)調(diào)制系統(tǒng)的研究</p><p>　內(nèi)容設(shè)計(jì)一 簡(jiǎn)單介紹課題設(shè)計(jì)，及其理論意義和實(shí)際價(jià)值。二 介紹工程的主要理論基礎(chǔ)，提出用神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，對(duì)傳感器返回參數(shù)進(jìn)行處理。三 介紹方案所需的神經(jīng)網(wǎng)絡(luò)的基本理論，研究選取所需神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及相應(yīng)學(xué)習(xí)算法和控制參數(shù)。四 將神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的控制策略結(jié)合起來(lái)，給出了一種神經(jīng)網(wǎng)絡(luò)控制的設(shè)計(jì)方法，通過(guò)對(duì)非線性系統(tǒng)的仿真，對(duì)響應(yīng)曲線進(jìn)行比較。五 結(jié)論。

2、時(shí)間安排一 3月1日到3月10日 搜集資料，形成論文整體思路。二 3月11日到3月25日 對(duì)神經(jīng)網(wǎng)絡(luò)及汽輪機(jī)進(jìn)行研究。三 3月26日到5月30日 設(shè)計(jì)控制器，進(jìn)行計(jì)算機(jī)仿真。四 6月1日到6月10日，進(jìn)一步測(cè)試，達(dá)到穩(wěn)定，撰寫(xiě)畢業(yè)論文。</p><p>　專(zhuān)業(yè)負(fù)責(zé)人意見(jiàn)簽名：年 月 日</p><p>　　汽輪機(jī)調(diào)制系統(tǒng)的研究</p><p><b&g

3、t;　　摘 要</b></p><p>　　汽輪機(jī)是一種在高壓蒸汽的作用下高速旋轉(zhuǎn)的設(shè)備，汽控制系統(tǒng)需要高要求的保證電壓和頻率的穩(wěn)定性，以及由于動(dòng)力需求量的大小時(shí)變的輸出，這就要求了對(duì)于汽輪機(jī)轉(zhuǎn)速的高要求。</p><p>　　隨著機(jī)組容量的增加和參數(shù)的提高，啟動(dòng)和運(yùn)行變的越來(lái)越復(fù)雜，機(jī)組的安全性也變的越來(lái)越重要，一直采用的傳統(tǒng)的PID調(diào)節(jié)系統(tǒng)已經(jīng)不能滿(mǎn)足生辰的要求，特別是大型

4、的汽輪機(jī)組的要求。</p><p>　　目前BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。由神經(jīng)網(wǎng)絡(luò)原理應(yīng)用到大型汽輪機(jī)組使其可以自適應(yīng)學(xué)習(xí)各種誤差擾動(dòng)帶來(lái)的調(diào)節(jié)方式，更加適應(yīng)時(shí)變的控制系統(tǒng)，以滿(mǎn)足現(xiàn)在的控制需求。</p><p>　　本文由神經(jīng)網(wǎng)絡(luò)著

5、手，利用神經(jīng)網(wǎng)絡(luò)多層輸入輸出，自學(xué)習(xí)適應(yīng)能力，提升汽輪機(jī)控制系統(tǒng)的控制能力，利用基于BP神經(jīng)網(wǎng)絡(luò)的狀態(tài)辨識(shí)模型，提出了總體設(shè)計(jì)方案，依據(jù)課題的實(shí)際情況設(shè)計(jì)出了易收斂，訓(xùn)練速度更快的BP神經(jīng)網(wǎng)絡(luò)模型，最后利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)給出了具體的實(shí)現(xiàn)方法和方針結(jié)果。</p><p>　　關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò)；汽輪機(jī)；MATLAB仿真</p><p>　　Study of Steam T

6、urbine Control Based on the BP Neural Network </p><p><b>　　Abstract</b></p><p>　　In a high-pressure steam turbine is under the action of high speed rotating equipment, air control sy

7、stem of high requirements to guarantee the stability of voltage and frequency, and the size of the power demand time-varying output, which requires a high requirements for turbine speed.</p><p>　　With the i

8、ncrease of the unit capacity and parameters, start-up and operation is becoming more and more complex, unit safety has become increasingly important, always adopts the traditional PID control system already cannot satisf

9、y the requirement of birth, especially large steam turbine. </p><p>　　Currently BP neural network can learn and storage of input-output model mapping relation, without the prior to reveal the mapping relatio

10、nship of describing mathematical equations. It is to use the rules of learning the steepest descent method, through propagation to constantly adjust network weights and threshold, make the minimum error square network. B

11、y the neural network theory applied to large turbine unit which can learn all kinds of adaptive perturbation errors of regulating mode, the mor</p><p>　　Based on neural network, and by using the neural netwo

12、rk self-learning input and output, multilayer adaptive ability, enhance the ability to control steam turbine control system based on BP neural network models, puts forward the state overall design scheme, according to th

13、e actual situation of subject to design a faster convergence, training of BP neural network models, finally using MATLAB neural network toolbox functions are given specific implementation method and principle of the resu

14、lts.</p><p>　　Key words：BP Network; turbine governor; MATLAB</p><p><b>　　目 錄</b></p><p><b>　　摘要</b></p><p><b>　　Abstract </b></p

15、><p><b>　　1 緒論1</b></p><p>　　1.1課題的背景及意義1</p><p>　　1.2國(guó)內(nèi)外的發(fā)展歷史及現(xiàn)狀2</p><p>　　1.3本課題所要研究的主要內(nèi)容4</p><p>　　2 汽輪機(jī)基本原理5</p><p>　　2.1汽

16、輪機(jī)目前應(yīng)用領(lǐng)域5</p><p>　　2.2汽輪機(jī)的主要控制方式及其不足6</p><p><b>　　2.3本章小結(jié)7</b></p><p>　　3 BP神經(jīng)網(wǎng)絡(luò)算法8</p><p>　　3.1BP神經(jīng)網(wǎng)絡(luò)的基本原理8</p><p>　　3.2 BP神經(jīng)網(wǎng)絡(luò)的算法改進(jìn)13

17、</p><p>　　3.2.1動(dòng)量法改進(jìn)BP算法13</p><p>　　3.2.2動(dòng)量-自適應(yīng)學(xué)習(xí)率調(diào)整算法13</p><p>　　3.3BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定及參數(shù)整定14</p><p>　　3.4本章小結(jié)16</p><p>　　4 計(jì)算機(jī)仿真17</p><p>　　4.

18、1 MATLAB神經(jīng)網(wǎng)絡(luò)工具箱17</p><p>　　4.1.1面向MATLAB的BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)17</p><p>　　4.1.2 BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)建17</p><p>　　4.1.3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練17</p><p>　　4.2基于BP神經(jīng)網(wǎng)絡(luò)的PID整定原理18</p><p>　　4.2

19、控制器的設(shè)計(jì)19</p><p>　　4.3仿真結(jié)果分析19</p><p><b>　　5結(jié)論21</b></p><p><b>　　參考文獻(xiàn)</b></p><p><b>　　致謝</b></p><p><b>　　汽輪機(jī)控制的

20、研究</b></p><p><b>　　1 緒論</b></p><p>　　1.1課題的背景及意義</p><p>　　汽輪機(jī)是大型高速旋轉(zhuǎn)的原動(dòng)機(jī)，通常在高溫高壓下工作，它是火電廠中最主要的設(shè)備之一。由于電能不能大量存儲(chǔ)，而電力用戶(hù)的耗電量又不斷變化，因此，汽輪機(jī)都裝有調(diào)速系統(tǒng)。汽輪機(jī)調(diào)速系統(tǒng)是確保汽輪發(fā)電機(jī)組安全、經(jīng)濟(jì)運(yùn)行

21、的重要控制系統(tǒng)之一：在正常運(yùn)行狀態(tài)下，實(shí)現(xiàn)機(jī)組功率與轉(zhuǎn)速的自動(dòng)調(diào)節(jié)；在緊急事故工況下，又是防止機(jī)組事故進(jìn)一步惡化的一道屏障。它的任何故障與性能退化，都將直接危及機(jī)組的運(yùn)行安全。上述工作能否順利地完成，主要取決于調(diào)速器的調(diào)節(jié)性能和可靠性。由于汽輪機(jī)調(diào)速器對(duì)汽輪發(fā)電機(jī)組安全、可靠地運(yùn)行起著舉足輕重的作用，并直接影響著電力系統(tǒng)向用戶(hù)供電的質(zhì)量及可靠性，因此，汽輪機(jī)調(diào)速器一直是電力系統(tǒng)自動(dòng)控制的重要研究?jī)?nèi)容之一。隨著機(jī)組容量的增加，轉(zhuǎn)子的慣性質(zhì)

22、量與機(jī)組功率的比率逐漸下降，使飛升時(shí)間常數(shù)變小，這對(duì)大型機(jī)組調(diào)節(jié)系統(tǒng)的動(dòng)態(tài)性能提出了更高的要求。而傳統(tǒng)的控制方式已逐漸不滿(mǎn)足現(xiàn)有汽輪機(jī)的控制，課題所研究的正是以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的，可自學(xué)習(xí)適應(yīng)的控制方式。</p><p>　　神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN），一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之

23、間相互連接的關(guān)系，從而達(dá)到處理信息的目的。神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過(guò)預(yù)先提供的一批相互對(duì)應(yīng)的輸入－輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來(lái)推算輸出結(jié)果，這種學(xué)習(xí)分析的過(guò)程被稱(chēng)為“訓(xùn)練”。</p><p>　　神經(jīng)網(wǎng)絡(luò)技術(shù)是20世紀(jì)末迅速發(fā)展起來(lái)的一門(mén)高技術(shù)。由于神經(jīng)網(wǎng)絡(luò)具有良好的非線性映射能力，自學(xué)習(xí)適應(yīng)能力和并行信息處理能力，為解決未知不確定非線性系統(tǒng)的建模和控制

24、問(wèn)題提供了一條新的思路，因而吸煙了國(guó)內(nèi)外眾多的學(xué)者和工程技術(shù)人員從事神經(jīng)網(wǎng)絡(luò)控制的研究，并取得了豐碩的成果，提出了許多成功的理論和方法，使神經(jīng)網(wǎng)絡(luò)控制逐步發(fā)展為智能控制的一個(gè)分支。</p><p>　　雖然在科學(xué)技術(shù)高速發(fā)達(dá)的今天，人類(lèi)實(shí)踐活動(dòng)已拓展到許多空間和領(lǐng)域，但面對(duì)現(xiàn)代高度復(fù)雜放入被控系統(tǒng)，現(xiàn)有的技術(shù)手段和方法無(wú)時(shí)不受到嚴(yán)峻的挑戰(zhàn)。這迫使人們更加不可忽視人類(lèi)大腦的高超控制作用。迄今為止，世界上最有成效的控

25、制器還是人類(lèi)自身。人腦所具有的學(xué)習(xí)，適應(yīng)，模糊和并行信息處理以及直覺(jué)推理等多種智能是目前其他一切技術(shù)手段所難以達(dá)到的。因此，研究人腦神經(jīng)系統(tǒng)的運(yùn)行機(jī)制，模擬人腦思維功能，通過(guò)新的方法和途徑，實(shí)現(xiàn)對(duì)傳統(tǒng)方法難以控制的復(fù)雜不確定的控制，是控制理論發(fā)展的必然趨勢(shì)。</p><p>　　神經(jīng)網(wǎng)絡(luò)的控制基本思想就是從仿生學(xué)角度，模擬人腦神經(jīng)系統(tǒng)的運(yùn)作 方式，使機(jī)器具有人腦那樣的感知，學(xué)習(xí)和推理能力。它將控制系統(tǒng)看成事由輸入

26、到輸出的一個(gè)映射，利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和適應(yīng)能力實(shí)現(xiàn)的映射特性，從而完成對(duì)系統(tǒng)的建模和控制。它使模型和控制的概念更加一般化。理論上講，基于圣經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)具有一定得學(xué)習(xí)能力，能更好的適應(yīng)環(huán)境和系統(tǒng)特性的變化，非常適合于復(fù)雜系統(tǒng)的建模和控制。特別是當(dāng)系統(tǒng)存在不確定因素時(shí)，更體現(xiàn)了神經(jīng)網(wǎng)絡(luò)方法的優(yōu)越性。</p><p>　　應(yīng)用神經(jīng)網(wǎng)絡(luò)時(shí)，人們總期望它有非?？斓娜质諗刻匦?，大范圍的映射泛化能力和較少的實(shí)現(xiàn)代價(jià)。

27、然而，目前神經(jīng)網(wǎng)絡(luò)的并行計(jì)算能力都是通過(guò)計(jì)算機(jī)虛擬實(shí)現(xiàn)的，大多數(shù)情況下扔是一種串行工作模式（相對(duì)實(shí)時(shí)控制熱任務(wù)）。因此在解決上述問(wèn)題方面，由于受到當(dāng)前硬件發(fā)展的限制，人們?nèi)詫⒅饕性谏窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)和快速學(xué)習(xí)算法的研究上。</p><p>　　盡管幾年來(lái)，神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用研究都取得了可喜的進(jìn)展，但應(yīng)看到，人們對(duì)生物神經(jīng)系統(tǒng)的研究與了解還很不夠，提出的神經(jīng)網(wǎng)絡(luò)模型，無(wú)論從結(jié)構(gòu)還是規(guī)模上，都是對(duì)真實(shí)神經(jīng)網(wǎng)絡(luò)的一種

28、簡(jiǎn)化和近似。神經(jīng)網(wǎng)絡(luò)的理論仍有許多缺陷，尚待進(jìn)一步的發(fā)展與完善。因此，要使神經(jīng)網(wǎng)絡(luò)走出實(shí)驗(yàn)室，真正用于工程實(shí)踐中，在諸多的領(lǐng)域中還有許多工作要做[1]。</p><p>　　1.2國(guó)內(nèi)外的發(fā)展歷史及現(xiàn)狀</p><p>　　從我國(guó)各火電廠的實(shí)際情況情況看，目前各種汽輪機(jī)控制系統(tǒng)都可以滿(mǎn)足汽輪機(jī)的調(diào)節(jié)和安全要求。機(jī)械液壓式調(diào)節(jié)系統(tǒng)是時(shí)間比較久的傳統(tǒng)設(shè)備，但是由于其存在本身無(wú)法克服的缺點(diǎn)，例如

29、機(jī)械誤差造成的，特性曲線線性差，遲緩率較大，以及無(wú)法滿(mǎn)足電網(wǎng)集中度和電廠的自動(dòng)化等一系列問(wèn)題，現(xiàn)在己經(jīng)逐漸被電調(diào)控制系統(tǒng)所取代。電液并存控制系統(tǒng)是一種從機(jī)械液壓式調(diào)節(jié)到電調(diào)控制系統(tǒng)的過(guò)渡產(chǎn)品，主要用于對(duì)原火電廠進(jìn)行改造的汽輪機(jī)調(diào)節(jié)系統(tǒng)，但是新建的電廠很少采用這種控制系統(tǒng)。由于模擬式電調(diào)電路結(jié)構(gòu)的直觀、易懂，使運(yùn)行維護(hù)人員能夠?qū)ο到y(tǒng)的結(jié)構(gòu)深入了解，在查找問(wèn)題和處理故障時(shí)，能較快、較準(zhǔn)地找到原因，保證了系統(tǒng)良好的運(yùn)行。因此，模擬式電液控制系

30、統(tǒng)的使用情況較好，能夠達(dá)到汽輪機(jī)安全運(yùn)行和啟停的要求。由于技術(shù)的不斷發(fā)展，模擬電路組成的電調(diào)已經(jīng)停止產(chǎn)生了，取而代之的是已開(kāi)始廣泛使用的數(shù)字式電調(diào)控制系統(tǒng)。</p><p>　　人工神經(jīng)網(wǎng)絡(luò)的研究始于40年代初。半個(gè)世紀(jì)以來(lái)，經(jīng)歷了興起、高潮與蕭條、高潮及穩(wěn)步發(fā)展的遠(yuǎn)為曲折的道路。 1943年，心理學(xué)家W.S.Mcculloch和數(shù)理邏輯學(xué)家W.Pitts 提出了M—P模型，這是第一個(gè)用數(shù)理語(yǔ)言描述腦的信息處理過(guò)

31、程的模型，雖然神經(jīng)元的功能比較弱，但它為以后的研究工作提供了依據(jù)。1949年，心理學(xué)家D.O.Hebb提出突觸聯(lián)系可變的假設(shè)，根據(jù)這一假設(shè)提出的學(xué)習(xí)規(guī)律為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法奠定了基礎(chǔ)。 1957 年，計(jì)算機(jī)科學(xué)家Rosenblatt提出了著名的感知機(jī)模型，它的模型包含了現(xiàn)代計(jì)算機(jī)的一些原理，是第一個(gè)完整的人工神經(jīng)網(wǎng)絡(luò)，第一次把神經(jīng)網(wǎng)絡(luò)研究付諸工程實(shí)現(xiàn)。由于可應(yīng)用于模式識(shí)別，聯(lián)想記憶等方面，當(dāng)時(shí)有上百家實(shí)驗(yàn)室投入此項(xiàng)研究，美國(guó)軍方甚至認(rèn)為

32、神經(jīng)網(wǎng)絡(luò)工程應(yīng)當(dāng)比”原子彈工程”更重要而給予巨額資助，并在聲納信號(hào)識(shí)別等領(lǐng)域取得一定成績(jī)。1960年，B.Windrow和E.Hoff提出了自適應(yīng)線性單元，它可用于自適應(yīng)濾波、預(yù)測(cè)和模式識(shí)別。至此，人工神經(jīng)網(wǎng)絡(luò)的研究工作進(jìn)入了第一個(gè)高潮。 1969年，美國(guó)著名人工智能學(xué)者M(jìn).Minsky和S.Papert編寫(xiě)了影響很大的</p><p>　　Wunsch 在90OSA 年會(huì)上提出了一種AnnualMeeting，

33、用光電執(zhí)行ART，學(xué)習(xí)過(guò)程有自適應(yīng)濾波和推理功能，具有快速和穩(wěn)定的學(xué)習(xí)特點(diǎn)。1991年，Hertz探討了神經(jīng)計(jì)算理論，對(duì)神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜性分析具有重要意義；Inoue 等提出用耦合的混沌振蕩子作為某個(gè)神經(jīng)元，構(gòu)造混沌神經(jīng)網(wǎng)絡(luò)模型，為它的廣泛應(yīng)用前景指明了道路。1992年，Holland用模擬生物進(jìn)化的方式提出了遺傳算法，用來(lái)求解復(fù)雜優(yōu)化問(wèn)題。1993年方建安等采用遺傳算法學(xué)習(xí)，研究神經(jīng)網(wǎng)絡(luò)控制器獲得了一些結(jié)果。1994年Angelin

34、e等在前人進(jìn)化策略理論的基礎(chǔ)上，提出一種進(jìn)化算法來(lái)建立反饋神經(jīng)網(wǎng)絡(luò)，成功地應(yīng)用到模式識(shí)別，自動(dòng)控制等方面；廖曉昕對(duì)細(xì)胞神經(jīng)網(wǎng)絡(luò)建立了新的數(shù)學(xué)理論和方法，得到了一系列結(jié)果。HayashlY根據(jù)動(dòng)物大腦中出現(xiàn)的振蕩現(xiàn)象，提出了振蕩神經(jīng)網(wǎng)絡(luò)。1995年Mitra把人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯理論、生物細(xì)胞學(xué)說(shuō)以及概率論相結(jié)合提出了模糊神經(jīng)網(wǎng)絡(luò)，使得神經(jīng)網(wǎng)絡(luò)的研究取得了突破性進(jìn)展。Jenkins等人研究光學(xué)神經(jīng)網(wǎng)絡(luò)，建立了光學(xué)二維并行互連與電子學(xué)混合

35、的光學(xué)神經(jīng)網(wǎng)絡(luò)，它能避免網(wǎng)絡(luò)陷入局部最小值，并最</p><p>　　隨著理論工作的發(fā)展，神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究也取得了突破性進(jìn)展，涉及面非常廣泛，就應(yīng)用的技術(shù)領(lǐng)域而言有計(jì)算機(jī)視覺(jué)，語(yǔ)言的識(shí)別、理解與合成，優(yōu)化計(jì)算，智能控制及復(fù)雜系統(tǒng)分析，模式識(shí)別，神經(jīng)計(jì)算機(jī)研制，知識(shí)推理專(zhuān)家系統(tǒng)與人工智能。涉及的學(xué)科有神經(jīng)生理學(xué)、認(rèn)識(shí)科學(xué)、數(shù)理科學(xué)、心理學(xué)、信息科學(xué)、計(jì)算機(jī)科學(xué)、微電子學(xué)、光學(xué)、動(dòng)力學(xué)、生物電子學(xué)等。美國(guó)、日本等國(guó)

36、在神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)軟硬件實(shí)現(xiàn)的開(kāi)發(fā)方面也取得了顯著的成績(jī)，并逐步形成產(chǎn)品。在美國(guó)，神經(jīng)計(jì)算機(jī)產(chǎn)業(yè)已獲得軍方的強(qiáng)有力支持，國(guó)防部高級(jí)研究計(jì)劃局認(rèn)為”神經(jīng)網(wǎng)絡(luò)是解決機(jī)器智能的唯一希望”，僅一項(xiàng)8 年神經(jīng)計(jì)算機(jī)計(jì)劃就投資4億美元。在歐洲共同體的ESPRIT計(jì)劃中，就有一項(xiàng)特別項(xiàng)目：”神經(jīng)網(wǎng)絡(luò)在歐洲工業(yè)中的應(yīng)用”，單是生產(chǎn)神經(jīng)網(wǎng)絡(luò)專(zhuān)用芯片這一項(xiàng)就投資2200萬(wàn)美元。據(jù)美國(guó)資料聲稱(chēng)，日本在神經(jīng)網(wǎng)絡(luò)研究上的投資大約是美國(guó)的4倍。我國(guó)也不甘落后，自從1

37、990 年批準(zhǔn)了南開(kāi)大學(xué)的光學(xué)神經(jīng)計(jì)算機(jī)等3項(xiàng)課題以來(lái)，國(guó)家自然科學(xué)基金與國(guó)防預(yù)研基金也都為神經(jīng)網(wǎng)絡(luò)的研究提供資助。另外，許多國(guó)際著名公司也紛紛卷入對(duì)神經(jīng)網(wǎng)絡(luò)的研究，如Intel、IBM、Siemens、HNC。神</p><p>　　1.3本課題所要研究的主要內(nèi)容</p><p>　　BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科

38、學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。</p><p>　　

39、BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，全稱(chēng)基于誤差反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)。</p><p>　　拓?fù)浣Y(jié)構(gòu)的單隱層前饋網(wǎng)絡(luò)，一般稱(chēng)為三層前饋網(wǎng)或三層感知器，即：輸入層、中間層（也稱(chēng)隱層）和輸出層。它的特點(diǎn)是：各層神經(jīng)元僅與相鄰層神經(jīng)元之間相互全連接，同層內(nèi)神經(jīng)元之間無(wú)連接，各層神經(jīng)元之間無(wú)反饋連接，夠成具有層次結(jié)構(gòu)的前饋型神經(jīng)網(wǎng)絡(luò)系統(tǒng)。單計(jì)算層前饋神經(jīng)網(wǎng)絡(luò)只能求解線性可分問(wèn)題

40、，能夠求解非線性問(wèn)題的網(wǎng)絡(luò)必須是具有隱層的多層神經(jīng)網(wǎng)絡(luò)。</p><p>　　在人工神經(jīng)網(wǎng)絡(luò)發(fā)展歷史中，很長(zhǎng)一段時(shí)間里沒(méi)有找到隱層的連接權(quán)值調(diào)整問(wèn)題的有效算法。直到誤差反向傳播算法（BP算法）的提出，成功地解決了求解非線性連續(xù)函數(shù)的多層前饋神經(jīng)網(wǎng)絡(luò)權(quán)重調(diào)整問(wèn)題。</p><p>　　2 汽輪機(jī)基本原理</p><p>　　2.1汽輪機(jī)目前應(yīng)用領(lǐng)域</p>

41、;<p>　　汽輪機(jī)是能將蒸汽熱能轉(zhuǎn)化為機(jī)械功的外燃回轉(zhuǎn)式機(jī)械，來(lái)自鍋爐的蒸汽進(jìn)入汽輪機(jī)后，依次經(jīng)過(guò)一系列環(huán)形配置的噴嘴和動(dòng)葉，將蒸汽的熱能轉(zhuǎn)化為汽輪機(jī)轉(zhuǎn)子旋轉(zhuǎn)的機(jī)械能。蒸汽在汽輪機(jī)中，以不同方式進(jìn)行能量轉(zhuǎn)換，便構(gòu)成了不同工作原理的汽輪機(jī)。</p><p>　　汽輪機(jī)主要用途是在熱力發(fā)電廠中做帶動(dòng)發(fā)電機(jī)的原動(dòng)機(jī)。為了保證汽輪機(jī)正常工作，需配置必要的附屬設(shè)備，如管道、閥門(mén)、凝汽器等，汽輪機(jī)及其附屬設(shè)備

42、的組合稱(chēng)為汽輪機(jī)設(shè)備。來(lái)自蒸汽發(fā)生器的高溫高壓蒸汽經(jīng)主汽閥、調(diào)節(jié)閥進(jìn)入汽輪機(jī)。由于汽輪機(jī)排汽口的壓力大大低于進(jìn)汽壓力，蒸汽在這個(gè)壓差作用下向排汽口流動(dòng)，其壓力和溫度逐漸降低，部分熱能轉(zhuǎn)換為汽輪機(jī)轉(zhuǎn)子旋轉(zhuǎn)的機(jī)械能。做完功的蒸汽稱(chēng)為乏汽，從排汽口排入凝汽器，在較低的溫度下凝結(jié)成水，此凝結(jié)水由凝結(jié)水泵抽出送經(jīng)蒸汽發(fā)生器構(gòu)成封閉的熱力循環(huán)。為了吸收乏汽在凝汽器放出的凝結(jié)熱，并保護(hù)較低的凝結(jié)溫度，必須用循環(huán)水泵不斷地向凝汽器供應(yīng)冷卻水。由于汽輪機(jī)

43、的尾部和凝汽器不能絕對(duì)密封，其內(nèi)部壓力又低于外界大氣壓，因而會(huì)有空氣漏入，最終進(jìn)入凝汽器的殼側(cè)。若任空氣在凝汽器內(nèi)積累，凝汽器內(nèi)壓力必然會(huì)升高，導(dǎo)致乏汽壓力升高，減少蒸汽對(duì)汽輪機(jī)做的有用功，同時(shí)積累的空氣還會(huì)帶來(lái)乏汽凝結(jié)放熱的惡化，這兩者都會(huì)導(dǎo)致熱循環(huán)效率的下降，因而必須將凝汽器殼側(cè)的空氣抽出。凝汽設(shè)備由凝汽器、凝結(jié)水泵、循環(huán)水泵和抽氣器組成，它的作用是建立并保持凝汽器的真空，以使汽輪機(jī)保持較低的排汽壓力，同時(shí)回收凝</p>

44、<p>　　圖2.1汽輪機(jī)機(jī)構(gòu)簡(jiǎn)圖</p><p>　　汽輪機(jī)的本體結(jié)構(gòu)一般可分為靜止部分和轉(zhuǎn)動(dòng)部分。靜止部分包括汽缸、進(jìn)汽部分、噴嘴、隔板、汽封、滑銷(xiāo)系統(tǒng)、加熱系統(tǒng)和軸承等部件。轉(zhuǎn)動(dòng)部分包括主軸、葉輪、葉片和聯(lián)軸器等。</p><p>　　2.2汽輪機(jī)的主要控制方式及其不足</p><p>　　汽輪機(jī)目前所主要以2種功能應(yīng)用于社會(huì)中,一種是以電力設(shè)備

45、的形式存在,其電力設(shè)備主要包括以發(fā)電設(shè)備和供電設(shè)備兩大類(lèi)，發(fā)電設(shè)備主要是電站鍋爐、蒸汽輪機(jī)、燃?xì)廨啓C(jī)、水輪機(jī)、發(fā)電機(jī)、變壓器等等，供電設(shè)備主要是各種電壓等級(jí)的輸電線路、互感器、接觸器等等。 另一種以動(dòng)力設(shè)備的形式存在汽輪機(jī)是動(dòng)力設(shè)備，除了用于火力發(fā)電廠和集中供熱電站外，還用于驅(qū)動(dòng)其他設(shè)備，例如大型的艦船、鋼鐵廠的大型風(fēng)機(jī)和水泵，制藥化工企業(yè)的螺桿壓縮機(jī)等等。 一般需要汽輪機(jī)的公司基本上以火電站和熱電站為主，其次在制藥、化肥、冶煉、石油化

46、工企業(yè)應(yīng)用較為廣泛。</p><p>　　常規(guī)的小型汽輪機(jī)目前的控制方式主要以傳統(tǒng)的PID控制方式為主，人工操作方式為輔，比較適用于小型的汽輪機(jī)為主的機(jī)械設(shè)備，但其收斂時(shí)間較長(zhǎng)，控制方式較為復(fù)雜，需要人工事先設(shè)定好各種參數(shù)，然后再通過(guò)環(huán)境適應(yīng)，改動(dòng)相應(yīng)的參數(shù)設(shè)置，以達(dá)到控制目的，遇到各種擾動(dòng)因素需要人工調(diào)整，非常不便[5]。</p><p>　　汽輪機(jī)調(diào)節(jié)系統(tǒng)就是感受轉(zhuǎn)速的變化，控制調(diào)節(jié)閥

47、門(mén)的開(kāi)度，改變汽輪機(jī)的進(jìn)汽量，使發(fā)出的功率與外界負(fù)荷重新平衡，并使轉(zhuǎn)速保持在規(guī)定的范圍內(nèi)。描述汽輪機(jī)平衡工況下的工作特性，即汽輪機(jī)在同步器的不同位置時(shí)，穩(wěn)定工況下與轉(zhuǎn)速的關(guān)系，通常稱(chēng)為調(diào)節(jié)系統(tǒng)的靜態(tài)特性。對(duì)調(diào)節(jié)系統(tǒng)的靜態(tài)特性應(yīng)該有一定的要求。</p><p>　　超速保護(hù)是保證汽輪機(jī)安全可靠運(yùn)行的重要保護(hù)手段，超速保護(hù)的主要監(jiān)控參數(shù)是機(jī)組的轉(zhuǎn)速。本系統(tǒng)中的超速保護(hù)裝置采用電超速保護(hù)裝置。電超速保護(hù)裝置由轉(zhuǎn)速傳感器

48、、PLC的數(shù)字量輸出模塊、電磁閥等部件組成。轉(zhuǎn)速傳感器測(cè)出汽輪機(jī)的轉(zhuǎn)速，送到PLC里與超速保護(hù)設(shè)定值進(jìn)行比較，當(dāng)達(dá)到或超過(guò)超速保護(hù)值時(shí)，數(shù)字量輸出模塊立即輸出高電平給電磁閥，電磁閥采用冗余處理，電磁閥動(dòng)作，使主汽閥操縱座下腔的壓力油通過(guò)電磁閥油門(mén)泄至郵箱。在輸出端子變成高電平后，等待操作員將故障排除，確認(rèn)重啟后，輸出端子復(fù)位，使電磁閥失電，滑閥在彈簧力的作用下復(fù)位，調(diào)節(jié)系統(tǒng)又回復(fù)到滑閥未動(dòng)作前的狀態(tài)。</p><p&

49、gt;　　汽輪發(fā)電機(jī)組運(yùn)行時(shí)，當(dāng)受到擾動(dòng)而離開(kāi)原穩(wěn)定工況后能很快地過(guò)渡到新的穩(wěn)定工況，或者在擾動(dòng)消除后能恢復(fù)到原來(lái)的穩(wěn)定工況，這樣的調(diào)節(jié)系統(tǒng)就是穩(wěn)定的。不穩(wěn)定的調(diào)節(jié)系統(tǒng)是不能采用的，所以穩(wěn)定性是調(diào)節(jié)系統(tǒng)的必要條件。調(diào)節(jié)系統(tǒng)靜態(tài)特性描述的是各穩(wěn)定狀態(tài)下功率與轉(zhuǎn)速的對(duì)應(yīng)規(guī)律，它與兩狀態(tài)之間的過(guò)渡過(guò)程無(wú)關(guān)，從而不能完全反映一個(gè)調(diào)節(jié)系統(tǒng)的性能。所以，不僅要知道工況穩(wěn)定下來(lái)以后各參數(shù)之間的關(guān)系，更重要地是要分析從一個(gè)工況到另一個(gè)工況的過(guò)渡過(guò)程中各

50、參數(shù)的變化規(guī)律，這就是調(diào)節(jié)系統(tǒng)動(dòng)態(tài)特性，是調(diào)節(jié)系統(tǒng)受到擾動(dòng)后，被調(diào)量隨時(shí)間的變化規(guī)律。研究調(diào)節(jié)系統(tǒng)動(dòng)態(tài)特性的目的是：判別調(diào)節(jié)系統(tǒng)是否穩(wěn)定，評(píng)價(jià)調(diào)節(jié)系統(tǒng)品質(zhì)以及分析影響動(dòng)態(tài)特性的主要因素，以便提出改善調(diào)節(jié)系統(tǒng)動(dòng)態(tài)品質(zhì)的措施。</p><p>　　總之，從定性的角度分析各種因素對(duì)動(dòng)態(tài)特性的影響，可知道：在調(diào)節(jié)對(duì)象方面，轉(zhuǎn)子轉(zhuǎn)動(dòng)慣量越小(汽輪機(jī)轉(zhuǎn)子飛升時(shí)間常數(shù)也越小)以及蒸汽容積時(shí)間常數(shù)越大，均會(huì)使動(dòng)態(tài)超速增加；從調(diào)節(jié)

51、元件方面考慮，轉(zhuǎn)速不等率、油動(dòng)機(jī)時(shí)間常數(shù)以及系統(tǒng)遲緩率越大，均會(huì)使油動(dòng)機(jī)的滯后時(shí)間和關(guān)閉時(shí)間增長(zhǎng)，從而使動(dòng)態(tài)超速增加。此外，轉(zhuǎn)子飛升時(shí)間常數(shù)小，局部不等率小以及遲緩率大等因素，均會(huì)導(dǎo)致系統(tǒng)振蕩和轉(zhuǎn)速產(chǎn)生波動(dòng)，因此，從這些主要因素考慮，是改善動(dòng)態(tài)特性的途徑。</p><p><b>　　2.3本章小結(jié)</b></p><p>　　本章介紹了目前各種類(lèi)型的控制系統(tǒng)，且這些

52、都能滿(mǎn)足大容量汽輪機(jī)的安全運(yùn)行要求，而分散型控制系統(tǒng)(DCS)的采用越來(lái)越普遍。但是，現(xiàn)有的控制系統(tǒng)的功能發(fā)揮卻不夠理想，不僅原設(shè)計(jì)功能未全部實(shí)現(xiàn)，而且在現(xiàn)有的控制系統(tǒng)上還有更多、更高級(jí)的潛在功能有待挖掘和發(fā)揮。造成這種情況的原因是多方面的，運(yùn)行人員應(yīng)充分理解設(shè)計(jì)意圖和功能，但更重要的是有關(guān)工程技術(shù)人員應(yīng)對(duì)汽輪機(jī)組控制系統(tǒng)進(jìn)行更細(xì)致的深入分析、研究和改進(jìn)，以使系統(tǒng)更完善，滿(mǎn)足更高的安全經(jīng)濟(jì)運(yùn)行水平的要求。</p><

53、p>　　3 BP神經(jīng)網(wǎng)絡(luò)算法</p><p>　　3.1BP神經(jīng)網(wǎng)絡(luò)的基本原理</p><p>　　BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方

54、程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。</p><p>　　圖3.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖 </p><p>　　下圖給出了第j個(gè)基本BP神經(jīng)元（節(jié)點(diǎn)），它只模仿了生物神經(jīng)元所具有的三個(gè)最基本也是最重要的功能：

55、加權(quán)、求和與轉(zhuǎn)移。其中x1、x2…xi…xn分別代表來(lái)自神經(jīng)元1、2…i…n的輸入；wj1、wj2…wji…wjn則分別表示神經(jīng)元1、2…i…n與第j個(gè)神經(jīng)元的連接強(qiáng)度，即權(quán)值；bj為閾值；f(·)為傳遞函數(shù)；yj為第j個(gè)神經(jīng)元的輸出。</p><p>　　第j個(gè)神經(jīng)元的凈輸入值為：</p><p><b>　?。?-1）</b></p>&l

56、t;p>　　圖3.2 BP神經(jīng)元 </p><p>　　若視，，即令及包括及，則</p><p><b>　?。?-2）</b></p><p><b>　?。?-3）</b></p><p>　　于是節(jié)點(diǎn)j的凈輸入可表示為：</p><p><b>　　

57、(3-4)</b></p><p>　　凈輸入通過(guò)傳遞函數(shù)（Transfer Function）f (·)后，便得到第j個(gè)神經(jīng)元的輸出:</p><p><b>　　(3-5)</b></p><p>　　式中f(·)是單調(diào)上升函數(shù)，而且必須是有界函數(shù)，因?yàn)榧?xì)胞傳遞的信號(hào)不可能無(wú)限增加，必有一最大值[6 7]。&

58、lt;/p><p>　　BP算法由數(shù)據(jù)流的前向計(jì)算（正向傳播）和誤差信號(hào)的反向傳播兩個(gè)過(guò)程構(gòu)成。正向傳播時(shí)，傳播方向?yàn)檩斎雽印[層→輸出層，每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元。若在輸出層得不到期望的輸出，則轉(zhuǎn)向誤差信號(hào)的反向傳播流程。通過(guò)這兩個(gè)過(guò)程的交替進(jìn)行，在權(quán)向量空間執(zhí)行誤差函數(shù)梯度下降策略，動(dòng)態(tài)迭代搜索一組權(quán)向量，使網(wǎng)絡(luò)誤差函數(shù)達(dá)到最小值，從而完成信息提取和記憶過(guò)程。</p><p>　

59、　圖3.3 三層神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu) </p><p>　　設(shè) BP網(wǎng)絡(luò)的輸入層有n個(gè)節(jié)點(diǎn)，隱層有q個(gè)節(jié)點(diǎn)，輸出層有m個(gè)節(jié)點(diǎn)，輸入層與隱層之間的權(quán)值為，隱層與輸出層之間的權(quán)值為，如上圖所示。隱層的傳遞函數(shù)為f1(·)，輸出層的傳遞函數(shù)為f2(·)，則隱層節(jié)點(diǎn)的輸出為（將閾值寫(xiě)入求和項(xiàng)中）：</p><p>　　k=1,2,……q （3-6

60、） </p><p>　　輸出層節(jié)點(diǎn)的輸出為：</p><p>　　j=1,2,……m （3-7）</p><p>　　至此B-P網(wǎng)絡(luò)就完成了n維空間向量對(duì)m維空間的近似映射。</p><p><b>　　1) 定義誤差函數(shù)</b></p><p>　　輸入

61、個(gè)學(xué)習(xí)樣本，用來(lái)表示。第個(gè)樣本輸入到網(wǎng)絡(luò)后得到輸出（j=1,2,…m）。采用平方型誤差函數(shù)，于是得到第p個(gè)樣本的誤差Ep：</p><p><b>　　(3-8)</b></p><p><b>　　式中：為期望輸出。</b></p><p>　　對(duì)于個(gè)樣本，全局誤差為：</p><p><b

62、>　　(3-9)</b></p><p>　　2）輸出層權(quán)值的變化</p><p>　　采用累計(jì)誤差BP算法調(diào)整，使全局誤差變小，即</p><p><b>　　(3-10)</b></p><p><b>　　式中：—學(xué)習(xí)率</b></p><p><

63、;b>　　定義誤差信號(hào)為：</b></p><p><b>　　(3-11)</b></p><p><b>　　其中第一項(xiàng)：</b></p><p><b>　　(3-12)</b></p><p><b>　　第二項(xiàng)：</b><

64、/p><p><b>　　(3-13)</b></p><p>　　是輸出層傳遞函數(shù)的偏微分。</p><p><b>　　于是：</b></p><p><b>　　(3-14)</b></p><p><b>　　由鏈定理得：</b>

65、;</p><p><b>　　(3-15)</b></p><p>　　于是輸出層各神經(jīng)元的權(quán)值調(diào)整公式為：</p><p><b>　　(3-16)</b></p><p><b>　　3）隱層權(quán)值的變化</b></p><p><b>　

66、　(3-17)</b></p><p><b>　　定義誤差信號(hào)為：</b></p><p><b>　　(3-18)</b></p><p><b>　　其中第一項(xiàng)：</b></p><p><b>　　(3-19)</b></p>

67、;<p><b>　　依鏈定理有：</b></p><p><b>　　(3-20)</b></p><p><b>　　第二項(xiàng)：</b></p><p><b>　　(3-21)</b></p><p>　　是隱層傳遞函數(shù)的偏微分。<

68、/p><p><b>　　于是：</b></p><p><b>　　(3-22)</b></p><p><b>　　由鏈定理得：</b></p><p><b>　　(3-23)</b></p><p>　　從而得到隱層各神經(jīng)元的權(quán)

69、值調(diào)整公式為：</p><p><b>　　(3-24)</b></p><p>　　3.2 BP神經(jīng)網(wǎng)絡(luò)的算法改進(jìn)</p><p>　　圖3.4 自適應(yīng)學(xué)習(xí)</p><p>　　BP算法理論具有依據(jù)可靠、推導(dǎo)過(guò)程嚴(yán)謹(jǐn)、精度較高、通用性較好等優(yōu)點(diǎn)，但標(biāo)準(zhǔn)BP算法存在以下缺點(diǎn)：收斂速度緩慢；容易陷入局部極小值；難以確

70、定隱層數(shù)和隱層節(jié)點(diǎn)個(gè)數(shù)。在實(shí)際應(yīng)用中，BP算法很難勝任，因此出現(xiàn)了很多改進(jìn)算法。</p><p>　　3.2.1動(dòng)量法改進(jìn)BP算法</p><p>　　1） 利用動(dòng)量法改進(jìn)BP算法</p><p>　　標(biāo)準(zhǔn)BP算法實(shí)質(zhì)上是一種簡(jiǎn)單的最速下降靜態(tài)尋優(yōu)方法，在修正W(K)時(shí)，只按照第K步的負(fù)梯度方向進(jìn)行修正，而沒(méi)有考慮到以前積累的經(jīng)驗(yàn)，即以前時(shí)刻的梯度方向，從而常常使學(xué)

71、習(xí)過(guò)程發(fā)生振蕩，收斂緩慢。動(dòng)量法權(quán)值調(diào)整算法的具體做法是：將上一次權(quán)值調(diào)整量的一部分迭加到按本次誤差計(jì)算所得的權(quán)值調(diào)整量上，作為本次的實(shí)際權(quán)值調(diào)整量，即：</p><p><b>　　(3-25)</b></p><p>　　其中：α為動(dòng)量系數(shù)，通 常0＜α＜0.9；η—學(xué)習(xí)率，范圍在0.001～10之間。這種方法所加的動(dòng)量因子實(shí)際上相當(dāng)于阻尼項(xiàng)，它減小了學(xué)習(xí)過(guò)程中的

72、振蕩趨勢(shì)，從而改善了收斂性。動(dòng)量法降低了網(wǎng)絡(luò)對(duì)于誤差曲面局部細(xì)節(jié)的敏感性，有效的抑制了網(wǎng)絡(luò)陷入局部極小。</p><p>　　3.2.2動(dòng)量-自適應(yīng)學(xué)習(xí)率調(diào)整算法</p><p>　　標(biāo)準(zhǔn)BP算法收斂速度緩慢的一個(gè)重要原因是學(xué)習(xí)率選擇不當(dāng)，學(xué)習(xí)率選得太小，收斂太慢；學(xué)習(xí)率選得太大，則有可能修正過(guò)頭，導(dǎo)致振蕩甚至發(fā)散?？刹捎脠D3.4所示的自適應(yīng)方法調(diào)整學(xué)習(xí)率。</p><

73、p>　　采用動(dòng)量法時(shí)，BP算法可以找到更優(yōu)的解；采用自適應(yīng)學(xué)習(xí)速率法時(shí)，BP算法可以縮短訓(xùn)練時(shí)間。將以上兩種方法結(jié)合起來(lái)，就得到動(dòng)量-自適應(yīng)學(xué)習(xí)速率調(diào)整算法。</p><p>　　3.3BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定及參數(shù)整定</p><p>　　確定了網(wǎng)絡(luò)層數(shù)、每層節(jié)點(diǎn)數(shù)、傳遞函數(shù)、初始權(quán)系數(shù)、學(xué)習(xí)算法等也就確定了BP網(wǎng)絡(luò)。確定這些選項(xiàng)時(shí)有一定的指導(dǎo)原則，但更多的是靠經(jīng)驗(yàn)和試湊。</p

74、><p><b>　　1）隱層數(shù)的確定：</b></p><p>　　1998年Robert Hecht-Nielson證明了對(duì)任何在閉區(qū)間內(nèi)的連續(xù)函數(shù)，都可以用一個(gè)隱層的BP網(wǎng)絡(luò)來(lái)逼近，因而一個(gè)三層的BP網(wǎng)絡(luò)可以完成任意的n維到m維的映照。因此我們從含有一個(gè)隱層的網(wǎng)絡(luò)開(kāi)始進(jìn)行訓(xùn)練。</p><p>　　2） BP網(wǎng)絡(luò)常用傳遞函數(shù):</p&g

75、t;<p>　　圖3.5 BP網(wǎng)絡(luò)常用的傳遞函數(shù)</p><p>　　BP網(wǎng)絡(luò)的傳遞函數(shù)有多種。Log-sigmoid型函數(shù)的輸入值可取任意值，輸出值在0和1之間；tan-sigmod型傳遞函數(shù)tansig的輸入值可取任意值，輸出值在-1到+1之間；線性傳遞函數(shù)purelin的輸入與輸出值可取任意值。BP網(wǎng)絡(luò)通常有一個(gè)或多個(gè)隱層，該層中的神經(jīng)元均采用sigmoid型傳遞函數(shù)，輸出層的神經(jīng)元?jiǎng)t采用

76、線性傳遞函數(shù)，整個(gè)網(wǎng)絡(luò)的輸出可以取任意值。各種傳遞函數(shù)如圖3.5所示。</p><p>　　只改變傳遞函數(shù)而其余參數(shù)均固定，所述的樣本集訓(xùn)練BP網(wǎng)絡(luò)時(shí)發(fā)現(xiàn)，傳遞函數(shù)使用tansig函數(shù)時(shí)要比logsig函數(shù)的誤差小。于是在以后的訓(xùn)練中隱層傳遞函數(shù)改用tansig函數(shù)，輸出層傳遞函數(shù)仍選用purelin函數(shù)。</p><p>　　3） 每層節(jié)點(diǎn)數(shù)的確定：</p><p&g

77、t;　　使用神經(jīng)網(wǎng)絡(luò)的目的是實(shí)現(xiàn)攝像機(jī)輸出RGB顏色空間與CIE-XYZ色空間轉(zhuǎn)換，因此BP網(wǎng)絡(luò)的輸入層和輸出層的節(jié)點(diǎn)個(gè)數(shù)分別為3。下面主要介紹隱層節(jié)點(diǎn)數(shù)量的確定。</p><p>　　對(duì)于多層前饋網(wǎng)絡(luò)來(lái)說(shuō)，隱層節(jié)點(diǎn)數(shù)的確定是成敗的關(guān)鍵。若數(shù)量太少，則網(wǎng)絡(luò)所能獲取的用以解決問(wèn)題的信息太少；若數(shù)量太多，不僅增加訓(xùn)練時(shí)間，更重要的是隱層節(jié)點(diǎn)過(guò)多還可能出現(xiàn)所謂”過(guò)渡吻合”（Overfitting）問(wèn)題，即測(cè)試誤差增大導(dǎo)

78、致泛化能力下降，因此合理選擇隱層節(jié)點(diǎn)數(shù)非常重要。關(guān)于隱層數(shù)及其節(jié)點(diǎn)數(shù)的選擇比較復(fù)雜，一般原則是：在能正確反映輸入輸出關(guān)系的基礎(chǔ)上，應(yīng)選用較少的隱層節(jié)點(diǎn)數(shù)，以使網(wǎng)絡(luò)結(jié)構(gòu)盡量簡(jiǎn)單。本論文中采用網(wǎng)絡(luò)結(jié)構(gòu)增長(zhǎng)型方法，即先設(shè)置較少的節(jié)點(diǎn)數(shù)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并測(cè)試學(xué)習(xí)誤差，然后逐漸增加節(jié)點(diǎn)數(shù)，直到學(xué)習(xí)誤差不再有明顯減少為止。</p><p>　　在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中選擇均方誤差MSE較為合理，原因如下：</p>

79、<p>　　標(biāo)準(zhǔn)BP算法中，誤差定義為：</p><p><b>　　(3-26)</b></p><p>　　每個(gè)樣本作用時(shí)，都對(duì)權(quán)矩陣進(jìn)行了一次修改。由于每次權(quán)矩陣的修改都沒(méi)有考慮權(quán)值修改后其它樣本作用的輸出誤差是否也減小，因此將導(dǎo)致迭代次數(shù)增加。</p><p>　?、?#160; 累計(jì)誤差BP算法的全局誤差定義為：</

80、p><p><b>　　(3-27)</b></p><p>　　這種算法是為了減小整個(gè)訓(xùn)練集的全局誤差，而不針對(duì)某一特定樣本，因此如果作某種修改能使全局誤差減小，并不等于說(shuō)每一個(gè)特定樣本的誤差也都能同時(shí)減小。它不能用來(lái)比較P和m不同的網(wǎng)絡(luò)性能。因?yàn)閷?duì)于同一網(wǎng)絡(luò)來(lái)說(shuō)，P越大，E也越大； P值相同，m越大E也越大。</p><p>　?、?#160;

81、 均方誤差MSE：</p><p><b>　　(3-28)</b></p><p>　　其中:—輸出節(jié)點(diǎn)的個(gè)數(shù)，—訓(xùn)練樣本數(shù)目，—網(wǎng)絡(luò)期望輸出值，—網(wǎng)絡(luò)實(shí)際輸出值。均方誤差克服了上述兩種算法的缺點(diǎn)，所以選用均方誤差算法較合理。</p><p>　　訓(xùn)練一個(gè)單隱層的三層BP網(wǎng)絡(luò)，根據(jù)如下經(jīng)驗(yàn)公式選擇隱層節(jié)點(diǎn)數(shù)：</p><p

82、>　　式中：n為輸入節(jié)點(diǎn)個(gè)數(shù)，m為輸出節(jié)點(diǎn)個(gè)數(shù)，a為1到10之間的常數(shù)。針對(duì)本論文n1取值范圍為3～13。訓(xùn)練結(jié)果如表3.1所示[11 12]。</p><p>　　表3.1隱層節(jié)點(diǎn)數(shù)與誤差的關(guān)系</p><p><b>　　由上表可以看出：</b></p><p>　?、僭黾与[層節(jié)點(diǎn)數(shù)可以減少訓(xùn)練誤差，但超過(guò)10以后測(cè)試誤差產(chǎn)生波動(dòng)，即

83、泛化能力發(fā)生變化。綜合比較隱層節(jié)點(diǎn)數(shù)為10與12的訓(xùn)練誤差和測(cè)試誤差，決定隱層節(jié)點(diǎn)數(shù)選用12。</p><p>　　②訓(xùn)練誤差和測(cè)試誤差都很大,而且收斂速度極慢，這個(gè)問(wèn)題可以通過(guò)對(duì)輸出量進(jìn)行歸一化來(lái)解決。</p><p>　　根據(jù)Sigmoid型傳遞函數(shù)輸入和輸出的范圍，對(duì)輸入變量不進(jìn)行歸一化處理，只對(duì)輸出變量進(jìn)行歸一化，這是因?yàn)樵谳敵鰯?shù)據(jù)要求歸一化的同時(shí)，對(duì)輸入數(shù)據(jù)也進(jìn)行歸一化的話，權(quán)值

84、的可解釋性就更差了。目標(biāo)值按下式進(jìn)行變化：</p><p><b>　　(3-29)</b></p><p>　　使目標(biāo)值落在0.05～0.95之間，這樣靠近數(shù)據(jù)變化區(qū)間端點(diǎn)的網(wǎng)絡(luò)輸出值就有一波動(dòng)范圍，網(wǎng)絡(luò)的性能較好。用新生成的訓(xùn)練樣本與測(cè)試樣本對(duì)隱層節(jié)點(diǎn)數(shù)為12的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到的訓(xùn)練誤差為9.89028×10-5，測(cè)試誤差為1.9899×10

85、-4，達(dá)到了預(yù)定的目標(biāo)。</p><p><b>　　3.4本章小結(jié)</b></p><p>　　本章主要講述了BP神經(jīng)網(wǎng)絡(luò)的基本原理，及其算法改進(jìn)，詳細(xì)的分析了BP神經(jīng)網(wǎng)絡(luò)的優(yōu)越性，并論述了影響控制過(guò)程中影響動(dòng)態(tài)特性的一些主要因素，對(duì)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)確定及參數(shù)整定做了詳細(xì)分析，BP神經(jīng)網(wǎng)絡(luò)是控制理論的關(guān)鍵理論，所以掌握其知識(shí)要點(diǎn)有著非常重要的意義。</p&g

86、t;<p><b>　　4 計(jì)算機(jī)仿真</b></p><p>　　4.1 MATLAB神經(jīng)網(wǎng)絡(luò)工具箱</p><p>　　4.1.1面向MATLAB的BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)</p><p>　　在訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)之前，我們必須設(shè)置權(quán)值和閾值的初始值。當(dāng)我們使用函數(shù)newff創(chuàng)建前饋神經(jīng)網(wǎng)絡(luò)后，網(wǎng)絡(luò)會(huì)自動(dòng)地初始化權(quán)值和閾值，缺省值都

87、是0。如果要設(shè)置這些初始值，可以使用函數(shù)init()，命令格式為：</p><p>　　net＝init(net)</p><p>　　函數(shù)init()會(huì)根據(jù)網(wǎng)絡(luò)的初始化函數(shù)以及它的參數(shù)值來(lái)設(shè)置網(wǎng)絡(luò)權(quán)值和閾值的初始值，它們分別由參數(shù)net.initFcn和net.initParam表示。對(duì)BP神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō),參數(shù)net.initFcn的值是initwb，它使網(wǎng)絡(luò)的初始化采用Nguyen-wi

88、drow算法。</p><p>　　4.1.2 BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)建</p><p>　　指令格式：net＝newff(4-2)</p><p>　　net＝newff(PR，[S1 S2…SN],{TFl TF2…TFN}，BTF，BLF,PF)</p><p><b>　　參數(shù)意義：</b></p>&l

89、t;p>　　PR――輸入向量的取值范圍。</p><p>　　Si——第i層的神經(jīng)元個(gè)數(shù)，總共N層。</p><p>　　Tfi——第i層的傳遞函數(shù)，缺省值為”tansig”。</p><p>　　BTF——BP網(wǎng)絡(luò)訓(xùn)練函數(shù)，缺省值為”trainlm”。</p><p>　　BLF——BP網(wǎng)絡(luò)權(quán)值和閾值學(xué)習(xí)函數(shù)，缺省值為”1earngd

90、m”P(pán)F——性能函數(shù)，缺省值為”mse”。</p><p>　　執(zhí)行結(jié)果：創(chuàng)建一個(gè)N層的BP神經(jīng)網(wǎng)絡(luò)。</p><p>　　Tfi的值可以是任何的可微函數(shù)，比如logsig函數(shù)、purelind函數(shù)等。BTF的值還可以選擇trainbfg、trainrp、traingd等函數(shù)。而它的缺省值之所以選擇trainlm函數(shù)，是因?yàn)樵撍惴ň哂蟹浅？斓挠?xùn)練速度，但是它會(huì)占用很大的內(nèi)存。對(duì)不同的網(wǎng)絡(luò)，

91、應(yīng)該根據(jù)情況選擇最合適的訓(xùn)練函數(shù)。</p><p>　　4.1.3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練</p><p>　　當(dāng)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值初始化以后，我們就可以對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在訓(xùn)練的過(guò)程中，網(wǎng)絡(luò)的權(quán)值和閾值被反復(fù)地調(diào)整，以減少網(wǎng)絡(luò)性能函數(shù)net.PerformFcn的值，直到達(dá)到預(yù)先的要求。BP神經(jīng)網(wǎng)絡(luò)的net.PerformFcn的缺省值是mse——網(wǎng)絡(luò)輸出和目標(biāo)輸出的均方誤差[9，10，11

92、]。</p><p>　　BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練同樣可以使用函數(shù)train()和adapt()。函數(shù)train()是通過(guò)調(diào)用參數(shù)net.hamFcn設(shè)定的訓(xùn)練函數(shù)來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練的，而且訓(xùn)練的方式由參數(shù)net.trainParam的值來(lái)確定，而函數(shù)adapt()是通過(guò)調(diào)用參數(shù)net.adaptFcn設(shè)定的訓(xùn)練函數(shù)來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練的，訓(xùn)練的方式由參數(shù)net.adaptParam的值確定。</p><p&

93、gt;　　在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法中，都是通過(guò)計(jì)算性能函數(shù)的梯度，再沿負(fù)梯度方向調(diào)整權(quán)值和閾值，從而使性能函數(shù)達(dá)到最小。第k個(gè)循環(huán)中的調(diào)整公式可表示為</p><p><b>　　（4-1）</b></p><p>　　其中kx表示當(dāng)前的權(quán)值和閾值，lr是學(xué)習(xí)率。</p><p>　　4.2基于BP神經(jīng)網(wǎng)絡(luò)的PID整定原理</p>

94、<p>　　PID控制要取得較好的控制效果.就必須通過(guò)調(diào)整好比例,積分和微分三種控制作用,形成控制中既相互配合又相互制約的關(guān)系.這種關(guān)系不一定是簡(jiǎn)單的”線性組合”,從變化無(wú)窮的非線性組合中可以找出最佳的關(guān)系.神經(jīng)網(wǎng)絡(luò)所具有的任意非線性表達(dá)能力,可以通過(guò)對(duì)系統(tǒng)性能的學(xué)習(xí)來(lái)實(shí)現(xiàn)具有最佳組合的PID控制.采用BP神經(jīng)網(wǎng)絡(luò),可以建立參數(shù), , 自學(xué)習(xí)的PID控制器.</p><p>　　基于BP(back p

95、ropagation)網(wǎng)絡(luò)的PID控制系統(tǒng)的控制器由兩部分構(gòu)成：</p><p>　　經(jīng)典的PID控制器，直接對(duì)被控對(duì)象進(jìn)行閉環(huán)控制，并且三個(gè)參數(shù), , 為在線調(diào)整方式。</p><p>　　神經(jīng)網(wǎng)絡(luò)，根據(jù)系統(tǒng)的運(yùn)行狀態(tài)，調(diào)節(jié)PID控制器的參數(shù)，以期達(dá)到某種性能指標(biāo)的最優(yōu)化，使輸出層神經(jīng)元的輸出狀態(tài)對(duì)應(yīng)于PID控制器的三個(gè)可調(diào)參數(shù), , 通過(guò)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)，加權(quán)系數(shù)調(diào)整，使神經(jīng)網(wǎng)絡(luò)輸出對(duì)

96、應(yīng)于某種最優(yōu)控制律下的PID控制器參數(shù)。</p><p>　　經(jīng)典增量式數(shù)字PID的控制算法為</p><p>　　圖4.1 BP神經(jīng)網(wǎng)絡(luò)</p><p>　　式中, , 分別為比例，積分，微分系數(shù)。</p><p><b>　　4.2控制器的設(shè)計(jì)</b></p><p>　　圖4.2 基于BP網(wǎng)

97、絡(luò)的PID控制器結(jié)構(gòu)圖</p><p>　　該控制器控制算法歸納如下:</p><p>　　確定BP網(wǎng)絡(luò)的結(jié)構(gòu).即確定輸入層節(jié)點(diǎn)數(shù)M和隱層節(jié)點(diǎn)數(shù)Q,并給出各層加權(quán)系數(shù)的初值,選定學(xué)習(xí)速率和慣性系數(shù)，此時(shí)k=1.</p><p>　　采樣得到的和，計(jì)算該時(shí)刻誤差error(k)=rin(k)-yout(k)</p><p>　　計(jì)算神經(jīng)網(wǎng)絡(luò)NN

98、各層神經(jīng)元的輸入，輸出，NN輸出層的輸出即為PID控制器的三個(gè)可調(diào)參數(shù), , </p><p>　　根據(jù)計(jì)算PID控制器的輸出</p><p>　　進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，在線調(diào)整加權(quán)系數(shù)和，實(shí)現(xiàn)PID控制參數(shù)的自適應(yīng)調(diào)整</p><p>　　置k=k+1,返回到（1）</p><p><b>　　4.3仿真結(jié)果分析</b>&

99、lt;/p><p>　　傳統(tǒng)的PID控制是將偏差的比例（P）,積分（I）和微分（D）通過(guò)線性組合構(gòu)成控制量，對(duì)被控對(duì)象進(jìn)行控制，故稱(chēng)PID控制器。但是傳統(tǒng)的PID控制對(duì)于速度較快的設(shè)備，采樣速率過(guò)慢，無(wú)法獲取詳細(xì)的瞬態(tài)特征數(shù)據(jù)，也由于一些技術(shù)條件的限制，目前尚無(wú)成熟的全系統(tǒng)的在線檢測(cè)系統(tǒng)。而神經(jīng)網(wǎng)絡(luò)所具有的任意非線性表達(dá)能力，可以通過(guò)對(duì)系統(tǒng)性能的學(xué)習(xí)來(lái)實(shí)現(xiàn)具有最佳組合的PID控制[18 19]。</p>

100、<p>　　以下兩圖就是兩者在相同控制參數(shù)的情況下由MATLAB仿真所得到的結(jié)果曲線圖</p><p>　　圖4.3 BP神經(jīng)網(wǎng)絡(luò)與普通PID擾動(dòng)對(duì)比效果圖 </p><p>　　圖4.4BP神經(jīng)網(wǎng)絡(luò)與普通PID階躍對(duì)比圖 </p><p>　　由圖可以看出基于BP神經(jīng)網(wǎng)絡(luò)的PID控制比傳統(tǒng)的PID控制在時(shí)間上要短很多，且在給出一個(gè)擾動(dòng)后，恢復(fù)到穩(wěn)態(tài)更加

101、快捷，更加穩(wěn)定。</p><p><b>　　5結(jié)論</b></p><p>　　本文在文章初始介紹了汽輪機(jī)的機(jī)構(gòu)及工作原理，并在分析了汽輪機(jī)控制系統(tǒng)的基礎(chǔ)上，介紹了控制系統(tǒng)的特點(diǎn)，并集合了工程實(shí)際，就控制系統(tǒng)的改進(jìn)進(jìn)行了討論和研究，而汽輪機(jī)目前的狀態(tài)控制方法是基于模型的，主要應(yīng)用于線性時(shí)不變系統(tǒng),然而大多數(shù)系統(tǒng)和設(shè)備都是非線性的、時(shí)變的。由此通過(guò)本文的研究，給出了一

102、種汽輪機(jī)控制方法，基于BP人工神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)控制。</p><p>　　本文先引出了神經(jīng)網(wǎng)絡(luò)的工作原理，給出了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意，并分析的神經(jīng)元的結(jié)構(gòu)，引出BP神經(jīng)網(wǎng)絡(luò)算法，介紹了BP神經(jīng)網(wǎng)絡(luò)的優(yōu)越性。由于人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成為當(dāng)前控制系統(tǒng)理論的主要方法之一，本文應(yīng)用最多的是前向多層網(wǎng)絡(luò)——BP網(wǎng)絡(luò)（Back-Propagation Network），利用其算法快速訓(xùn)練速度，實(shí)現(xiàn)了控制系統(tǒng)的快速實(shí)現(xiàn)閾值和學(xué)習(xí)率的

103、動(dòng)量-自適應(yīng)的調(diào)整算法。</p><p>　　本文研究，給出了一種汽輪機(jī)控制方法，實(shí)現(xiàn)了基于BP人工神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)控制，利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)對(duì)本研究中設(shè)計(jì)的BP網(wǎng)絡(luò)進(jìn)行仿真訓(xùn)練后，表明該方法具有可行性。通過(guò)仿真BP神經(jīng)網(wǎng)絡(luò)與普通PID的控制系統(tǒng)對(duì)比可以看出，采用BP神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)在收斂速度和抗擾動(dòng)的性能都優(yōu)越于普通的PID控制。本研究通過(guò)BP人工神經(jīng)網(wǎng)絡(luò)辨識(shí)出了汽輪機(jī)的多個(gè)特征參數(shù)，為汽輪機(jī)的

104、控制技術(shù)提供了主要的技術(shù)支持。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　何玉彬，李新忠.神經(jīng)網(wǎng)絡(luò)控制技術(shù)及其應(yīng)用.科學(xué)出版社，2000：124~125</p><p>　　上海新華控制技術(shù)有限公司.電站汽輪機(jī)數(shù)字式電液控制系統(tǒng)—DEH.第1版.北京：中國(guó)電力出版社，2005：236~238</p><

105、;p>　　木林，馬秀榮.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用. 貝爾學(xué)院學(xué)報(bào)，2005：55~58</p><p>　　翦天聰. 汽輪機(jī)原理. 中國(guó)電力出版社，1992：65~68</p><p>　　國(guó)發(fā)娟. 基于BP網(wǎng)絡(luò)的水輪機(jī)調(diào)速器狀態(tài)監(jiān)測(cè)與故障診斷. 華中科技大學(xué)水電與數(shù)字化工程學(xué)院，1999：185~190</p><p>　　劉金琨.先進(jìn)PID控制及MATLA

106、B仿真.電子工業(yè)出版，2004：125~129</p><p>　　余雪麗，孫承意，馮秀芳.神經(jīng)網(wǎng)絡(luò)與實(shí)例學(xué)習(xí).中國(guó)鐵道出版社，1996：96~101</p><p>　　吳優(yōu)福.用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)雙抽汽輪機(jī)的負(fù)荷解耦控制及仿真.東南大學(xué)熱能工程系，2003</p><p>　　[9] 孫建華，汪 偉，余海燕.基于模糊 -PID 的汽輪機(jī)轉(zhuǎn)速控制系統(tǒng).中國(guó)電機(jī)工程學(xué)報(bào)，

107、2003</p><p>　　[10] 剪天聰，林中達(dá).汽輪機(jī)控制系統(tǒng)的評(píng)述.水利電力出版社，2005</p><p>　　[l1] 陳來(lái)九.控制系統(tǒng)原理.電力出版社，2001:214~217</p><p>　　[12] Klure一Jensen，J.Haniseh.IntegrationofsteamtUrbineeontrolsinto</p>

108、<p>　　systems.EnergyConversion.Volume:6Issue:l，Mareh1991</p><p>　　[13] Kehler，J.H. Frequeneyregulationfromsteamturbinegenerators.owerEngineeringSoeiety</p><p>　　Meeting.Volume:1，31Jan一4Feb.

109、1999</p><p>　　[14] 楊建剛.工神經(jīng)網(wǎng)絡(luò)實(shí)用教程.杭州浙江大學(xué)出版社，2002:59~65</p><p>　　[15] 徐麗娜.神經(jīng)網(wǎng)絡(luò)控制.北京電子工業(yè)出版社，2003:100~102</p><p>　　[16] Narendra,K.S.,and K.Parthasarathy,1990. Identification and contro

110、l of dynamical systems using neural networks.IEEE Transactions on Neural Networks,vol.1：4-27</p><p>　　[17] 王爽心，葛曉霞.汽輪機(jī)數(shù)字電液控制系統(tǒng).北京中國(guó)電力出版社,1999:46~48</p><p>　　[18] 李寶玉，魏毓璞.汽輪機(jī)調(diào)節(jié)系統(tǒng)疑難問(wèn)題解析.北京化學(xué)工業(yè)出版社，

111、2006：89~95</p><p>　　[19] Zormer W,Muller H.Diagnostics system for monitoring the operation of steam</p><p>　　turbine generator sets.VGB Kraftwerkstechnik,1992</p><p>　　[20] 苗廣祥.汽輪機(jī)數(shù)