電氣工程及其自動化畢業(yè)設(shè)計基于matlab的鍋爐汽溫神經(jīng)網(wǎng)絡(luò)控制

1、<p><b>　　本科畢業(yè)設(shè)計</b></p><p>　　基于MATLAB的鍋爐汽溫神經(jīng)網(wǎng)絡(luò)控制</p><p>　　所在學(xué)院 </p><p>　　專業(yè)班級 電氣工程及其自動化 </p><p>　　學(xué)生姓名

2、學(xué)號 </p><p>　　指導(dǎo)教師 職稱 </p><p>　　完成日期 年 月 </p><p><b>　　摘 要</b></p><p>　　火電廠鍋爐過熱蒸汽溫度是整個系統(tǒng)中的最高溫度，對電廠的安

3、全、經(jīng)濟運行有重大影響。常規(guī) PID控制方法雖然具有結(jié)構(gòu)簡單、魯棒性好等優(yōu)點，能夠在加熱爐控制中得到廣泛的應(yīng)用，但是過熱汽溫對象具有大滯后、多變量、時變性、強耦合、大慣性、非線性等特點，因此PID參數(shù)也很難達(dá)到最優(yōu)的狀態(tài)。</p><p>　　神經(jīng)網(wǎng)絡(luò)控制是從20世紀(jì)80年代的中后期開始發(fā)展起來的橫跨多個領(lǐng)域的一種新型的信息獲取、描述和處理方式。它具有逼近任意非線性函數(shù)關(guān)系的能力和快速學(xué)習(xí)能力，而且能和傳統(tǒng)的控制

4、方法做適宜的結(jié)合，是一種適合應(yīng)用在復(fù)雜工業(yè)過程當(dāng)中的新型方法。</p><p>　　本文主要對鍋爐汽溫過熱做了簡單介紹，闡述了神經(jīng)網(wǎng)絡(luò)的發(fā)展和現(xiàn)狀，對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)做了一定的描述。本文針對常規(guī)PID的不足之處，提出了應(yīng)用BP神經(jīng)網(wǎng)絡(luò)在線整定其參數(shù)的方法。重點介紹了BP神經(jīng)網(wǎng)絡(luò)并推導(dǎo)了其算法，針對鍋爐汽溫過熱控制過程的特點設(shè)計了相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)，并將其與PID控制器結(jié)合。最后利用MATLAB對其進行仿真，其結(jié)果表

5、明，基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器相比于傳統(tǒng)的PID控制有很好的收斂性，穩(wěn)態(tài)誤差較小，而且具有良好的動態(tài)性能。</p><p>　　關(guān)鍵詞：鍋爐汽溫；BP神經(jīng)網(wǎng)絡(luò)；PID控制；MATLAB仿真</p><p><b>　　Abstract</b></p><p>　　Boiler superheated steam temperature is

6、 the highest temperature of the whole system, which has a great influence to the safety and economy of the electricity generating station. Although conventional PID control method has many merits such as simple structure

7、 and robustness, what makes it widely used in furnace control, the superheated steam temperature object with a large delay, multivariable, time variability and strong coupling, large inertia, nonlinear, take steam temper

8、ature control to a ce</p><p>　　Neural network control is a new type of information access, description and treatment which developed in the late 80s of the 20th century and across a number of areas. It can c

9、ombine with the traditional control methods in a suitable way and becomes a new method used in complex industrial process.</p><p>　　This article makes a brief introduction about overheated steam temperature

10、and the development and status of neural network, gives a description of the structure of neural network. For the inadequacies of conventional PID, this article put forward a method of on-line regulating of the parameter

11、s with BP neural network. The article is mainly about BP neural network and deduces its algorithm, than adds it to the PID controller based on the characteristics of the process of overheated steam tempera</p><

12、;p>　　Keywords: boiler steam temperature; BP neural network; PID control; MATLAB simulation</p><p><b>　　目錄</b></p><p><b>　　第1章 緒論1</b></p><p>　　1.1選題背景及其

13、意義1</p><p>　　1.2 課題研究現(xiàn)狀1</p><p>　　1.3 課題發(fā)展趨勢2</p><p>　　1.4 本文所做的主要工作2</p><p>　　第2章 過熱汽溫系統(tǒng)分析3</p><p>　　2.1 過熱汽溫對象建模的特點3</p><p>　　2.2 過熱汽

14、溫對象的特性3</p><p>　　2.3 主蒸汽溫度的控制策略4</p><p>　　2.4 神經(jīng)網(wǎng)絡(luò)應(yīng)用于汽溫控制的優(yōu)勢5</p><p>　　第3章 神經(jīng)網(wǎng)絡(luò)理論6</p><p>　　3.1 人工神經(jīng)元模型6</p><p>　　3.2 神經(jīng)網(wǎng)絡(luò)的分類7</p><p>　　

15、3.3 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)8</p><p>　　3.4 BP神經(jīng)網(wǎng)絡(luò)9</p><p>　　3.4.1 BP算法9</p><p>　　3.4.2 BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點13</p><p>　　第4章 基于BP神經(jīng)網(wǎng)絡(luò)的鍋爐汽溫過熱控制14</p><p>　　4.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定14</

16、p><p>　　4.1.1 輸入層與輸出層神經(jīng)元的確定14</p><p>　　4.1.2 隱含層數(shù)的確定14</p><p>　　4.1.3 隱含層神經(jīng)元的確定14</p><p>　　4.1.4 激勵函數(shù)的選擇15</p><p>　　4.1.5 權(quán)值的選擇15</p><p>　　4

17、.2 BP神經(jīng)網(wǎng)絡(luò)PID控制器設(shè)計15</p><p>　　4.2.1 PID控制器的設(shè)計15</p><p>　　4.2.2 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計15</p><p>　　4.2.3 連續(xù)系統(tǒng)的離散化17</p><p>　　4.3 基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器算法步驟17</p><p>　　4.4 基于

18、Matlab的BP神經(jīng)網(wǎng)絡(luò)PID控制器的仿真18</p><p><b>　　結(jié)論22</b></p><p>　　致謝錯誤!未定義書簽。</p><p><b>　　參考文獻(xiàn)23</b></p><p>　　附錄 程序及部分注釋24</p><p><b&g

19、t;　　第1章 緒論</b></p><p><b>　　選題背景及其意義</b></p><p>　　隨著整個社會的不斷進步，我國各方面對電力的需求越來越大，并且對電力供應(yīng)的可靠性也提出了更高的要求：一方面要求發(fā)電機組的出力要能及時跟上電網(wǎng)負(fù)荷的變化，另一方面又要求機組能夠安全穩(wěn)定地運行。我國是火電大國，2007年我國電力總裝機己超過7億千瓦，其中火電占

20、到總裝機容量的78%，國內(nèi)的火力電站占國內(nèi)電力總裝機容量超過四分之三，而火力發(fā)電機組的熱工自動化是保障設(shè)備安全、提高機組經(jīng)濟性、改善勞動條件和減輕勞動強度的重要技術(shù)措施。由此可見，火電站的各項設(shè)備的先進控制與優(yōu)化在火電機組的應(yīng)用領(lǐng)域有著非常重要的意義。</p><p>　　鍋爐是火力電站的重要設(shè)備之一。電站鍋爐設(shè)備龐大、復(fù)雜；控制過程多變量、大延遲、強耦合，其控制和優(yōu)化問題一直是這一領(lǐng)域?qū)W者所關(guān)注和研究的重點。鍋

21、爐過熱蒸汽溫度是影響鍋爐生產(chǎn)過程安全性和經(jīng)濟性的重要參數(shù)。鍋爐的汽溫控制必須非常穩(wěn)定，如果超溫將直接影響鍋爐的安全運行，經(jīng)常的超溫會大大的影響管路壽命，甚至?xí)a(chǎn)生暴管事故而被迫停機維修，而過低的汽溫會大幅影響鍋爐效率。因此，鍋爐的汽溫控制對于安全和經(jīng)濟運行均有重大意義。</p><p>　　現(xiàn)代鍋爐是在高溫、高壓的條件下工作,所以必須通過自動化手段加以控制，維持其出口蒸汽溫度在生產(chǎn)允許的范圍內(nèi)?；痣姀S汽溫對象動態(tài)

22、特性隨運行工作情況的變化而大范圍變化，較難建立比較精確的數(shù)學(xué)模型。在供電量需求越來越大的今天，對于較早建設(shè)的使用傳統(tǒng)控制方法的國內(nèi)電站機組來說，汽溫自動控制品質(zhì)很差是一個相對普遍的問題，大型鍋爐的主汽和再熱汽回路普遍存在的大時延、大滯后、非線性和慢時變的難題得不到良好的解決。加上我國火電站的資源利用率不高而我國境內(nèi)的資源總量十分有限，火電站運作產(chǎn)生的有害物質(zhì)排放使環(huán)境污染嚴(yán)重，火電站電網(wǎng)的規(guī)模因電力需求擴大而還在擴大等等原因，使得火電站

23、的鍋爐過熱氣溫控制應(yīng)用更為先進和有效的控制方法成為當(dāng)務(wù)之急。</p><p>　　1.2 課題研究現(xiàn)狀</p><p>　　目前鍋爐氣溫過熱控制的方法主要有傳統(tǒng)控制和智能控制。</p><p><b>　　（1）傳統(tǒng)控制</b></p><p>　　PID控制 它的特點是結(jié)構(gòu)簡單、穩(wěn)定性好、工作可靠、調(diào)整方便。對于傳統(tǒng)的

24、PID控制來說，其結(jié)構(gòu)以及參數(shù)很難完全掌握，建立精確數(shù)學(xué)模型的難度很大，傳統(tǒng)控制理論的其它技術(shù)不能較好的適用，通常情況下，必須依靠經(jīng)驗或者現(xiàn)場進行調(diào)試來確定其系統(tǒng)控制器的結(jié)構(gòu)和參數(shù)。常規(guī)PID控制器在控制理論的不斷發(fā)展和過熱汽溫串級控制系統(tǒng)研究不斷深入之下，出現(xiàn)了明顯的問題，比如響應(yīng)速度慢、超調(diào)量大、過渡時間長。引起這些問題的主要原因是常規(guī)控制下，普通PID控制器的參數(shù)是固定不變的，而系統(tǒng)在控制過程的各個階段對參數(shù)卻有著不同的要求，對參

25、數(shù)的整定只能大致按照整個控制過程的要求進行。所以，要想使系統(tǒng)將始終處于最佳的控制狀態(tài)，就必須及時調(diào)整控制器的三個參數(shù)，讓其隨時適應(yīng)對象的變化。</p><p>　　PID改進控制法 這種方法可以對不同時刻的誤差進行調(diào)整，它的優(yōu)點在于其可以在線整定PID的參數(shù)，從而使控制系統(tǒng)的魯棒性和適應(yīng)能力得到改善，提高了系統(tǒng)的靜、動態(tài)性能。</p><p>　　上述兩種算法在某些領(lǐng)域已經(jīng)得到了成功的應(yīng)

26、用，但都存在著或多或少的問題，如結(jié)構(gòu)復(fù)雜、參數(shù)整定規(guī)則較多、效果不理想等，對復(fù)雜的熱工過程控制而言，其應(yīng)用存在著一定的難度。</p><p><b>　?。?）智能控制</b></p><p>　　隨著科學(xué)技術(shù)的日益發(fā)展，控制系統(tǒng)正向處理復(fù)雜系統(tǒng)控制的方向演變，具體表現(xiàn)為復(fù)雜對象、復(fù)雜任務(wù)、復(fù)雜環(huán)境三個方面。智能控制主要包括人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯、專家系統(tǒng)、遺傳算法等

27、，它的出現(xiàn)為控制專家提供了新的控制手段和對策。智能控制相對于傳統(tǒng)控制很大的優(yōu)勢，比如響應(yīng)速度快，抗干擾能力強，算法簡單，無論是軟件還是硬件都比較容易實現(xiàn)其功能，因而在控制領(lǐng)域中有很大的發(fā)展前景。其中人工神經(jīng)網(wǎng)絡(luò)方法的研究近年來已取得了很大的進展。它通過對人腦結(jié)構(gòu)和功能的模擬與簡化，以人腦為其模型基礎(chǔ)，形成并行結(jié)構(gòu)處理方式，產(chǎn)生類似人腦行為的功能和特點的自然處理方法。</p><p>　　1.3 課題發(fā)展趨勢<

28、;/p><p>　　過熱汽溫是一種多容量、多擾動因素的有大慣性復(fù)雜的非線性系統(tǒng)，一旦運行中出現(xiàn)了大范圍的波動，相應(yīng)的控制方法就必須有及時采取應(yīng)對措施的能力。因此，為了避免過熱汽溫在系統(tǒng)出現(xiàn)大波動時也隨著波動，從而造成經(jīng)濟損失，在將來的研究中，首先要將良好的穩(wěn)定性作為首要條件，以真正非線性系統(tǒng)為發(fā)展的方向，逐步提高系統(tǒng)的自適應(yīng)能力。</p><p>　　神經(jīng)網(wǎng)絡(luò)作為當(dāng)今控制領(lǐng)域研究的熱點之一，無

29、論從理論到應(yīng)用都取得了不俗的成績。在理論研究方面，將已有的控制方法用神經(jīng)網(wǎng)絡(luò)實現(xiàn)，從而得到了許多控制方案，如何將已有的線性，特別是非線性控制思想用神經(jīng)網(wǎng)絡(luò)實現(xiàn)，是一個值得進一步研究的課題。此外，還包括：利用神經(jīng)網(wǎng)絡(luò)的特點設(shè)計出新的控制方案、神經(jīng)網(wǎng)絡(luò)如何和模糊控制、專家系統(tǒng)等智能方法的進一步融合等。在應(yīng)用研究方面，神經(jīng)網(wǎng)絡(luò)軟件模擬和硬件實現(xiàn)的研究，即對成熟的網(wǎng)絡(luò)模型與學(xué)習(xí)算法，研制相應(yīng)的神經(jīng)網(wǎng)絡(luò)控制專用芯片。</p><

30、;p>　　1.4 本文所做的主要工作</p><p>　　本文首先對蒸汽溫度的特點進行了分析，描述了過熱汽溫對象模型的建立及其特性。其次，對神經(jīng)網(wǎng)絡(luò)的模型，結(jié)構(gòu)，學(xué)習(xí)方式和學(xué)習(xí)算法作了簡單介紹，并闡述了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，算法。最后結(jié)合神經(jīng)網(wǎng)絡(luò)對鍋爐氣溫過熱系統(tǒng)進行設(shè)計。</p><p>　　第2章 過熱汽溫系統(tǒng)分析</p><p>　　鍋爐出口的過熱汽溫是

31、整個汽水行程中工質(zhì)的最高溫度，在正常運行時，過熱器的溫度已接近鋼材允許的極限溫度，必須相當(dāng)嚴(yán)格地將過熱器的蒸汽汽溫控制在給定值附近，從而保證電廠的安全、經(jīng)濟運行。</p><p>　　2.1 過熱汽溫對象建模的特點</p><p>　　火電廠的過熱汽溫動態(tài)特性復(fù)雜，具有多變量、非線性、大延遲的特點，因此很難建立精確的數(shù)學(xué)模型。鍋爐的汽溫控制系統(tǒng)是一個多變量非線性的熱工控制對象，某些變量的動

32、態(tài)特性是時間和位置的函數(shù)，慢的過程與快的過程交替在一起。</p><p>　　鍋爐過熱汽溫對象的建模應(yīng)該從控制應(yīng)用的目的出發(fā)。過熱汽溫控制最好采用現(xiàn)場工程實驗獲得的數(shù)學(xué)模型來進行描述其對象的動態(tài)特性，這樣設(shè)計出的控制系統(tǒng)才有比較好的適應(yīng)性。</p><p>　　2.2 過熱汽溫對象的特性</p><p>　　過熱汽溫對象的特性分為靜態(tài)特性和動態(tài)特性。</p&g

33、t;<p><b>　?。?）靜態(tài)特性</b></p><p>　　過熱汽溫調(diào)節(jié)對象的靜態(tài)特性是指汽溫隨鍋爐負(fù)荷變化的靜態(tài)關(guān)系。就鍋爐過熱汽溫的靜態(tài)特性來說，對流式過熱器與輻射式過熱器兩者的特點是完全相反的，兩者的特性如圖2.1所示。對于前者來說，通過對流式過熱器的煙氣的溫度和流速都是隨著負(fù)荷的增加而增加，從而使過熱汽溫升高，因此它的出口汽溫與負(fù)荷成正比的關(guān)系；對于后者而言，其

34、爐膛溫度的升高受負(fù)荷的影響不大，而爐膛煙溫升高時所增加的輻射熱量小于蒸汽負(fù)荷增大所需要的吸熱量，由此可得，輻射式過熱器的出口汽溫與負(fù)荷成反比。現(xiàn)代大型鍋爐的過熱器，對流式過熱器在受熱面積上藥大于輻射式過熱器，所以總的汽溫與其負(fù)荷成正比的關(guān)系。</p><p>　　圖2.1 過熱汽溫的靜態(tài)特性</p><p>　　鍋爐過熱器是由輻射過熱器、對流過熱器和減溫器等組成，它的功能是將飽和蒸汽加熱

35、到設(shè)定的數(shù)值，并將其送往汽輪機去做功。通常來說，前級過熱器設(shè)置在減溫器的前面部分，后級過熱器設(shè)置在減溫器的后面部分。過熱器一般設(shè)置在高溫?zé)煹乐?，大型鍋爐的過熱器通常會分成若干段，各段之間都會設(shè)置噴水減溫器，即采用過熱汽溫的分段控制，由給水系統(tǒng)提供用于鍋爐溫度調(diào)節(jié)的減溫水，其示意圖如圖2.2。</p><p><b>　　（2）動態(tài)特性</b></p><p>　　過熱

36、汽溫調(diào)節(jié)對象的動態(tài)特性是指引起過熱汽溫變化的擾動與汽溫之間的動態(tài)關(guān)系。一般情況下，蒸汽流量的變化、鍋爐給水溫度的變化、燃燒工況的變化、進入過熱器的蒸汽溫度的變化、鍋爐受熱面結(jié)垢和燃燒器的運行的方式、流經(jīng)過熱器的煙氣的溫度和流速的變化等因素都可能成為過熱器出口溫度變化的原因，而且這些因素通常都有相互制約的作用。主蒸汽均有純遲延、有慣性、有自平衡能力的動態(tài)特性，而它們的純遲延和慣性時間常數(shù)則各有不同。</p><p>

37、;　　對于煙氣熱量來說，引起它變化的原因有很多，如給粉機給粉不均勻，蒸汽受熱面結(jié)垢，煤中水分的改變，過?？諝庀禂?shù)改變等。其對象特征總的特點是：有遲延、有慣性、有自平衡能力。減溫水量擾動下的過熱汽溫相對于蒸汽量擾動和煙氣傳熱量擾動具有很大的滯后和慣性，這也導(dǎo)致了汽溫對象難以控制。</p><p>　　所以，在各種擾動下，汽溫對象都有延遲，有慣性，有自平衡能力的特點。在各種擾動下，減溫水量擾動的影響最大，煙氣擾動次之

38、，蒸汽流量擾動最小。</p><p>　　主汽溫是一個具有遲延和時變性的控制對象，因而在對被控對象進行模擬仿真時，不能只用固定參數(shù)來進行仿真研究，而是要不斷改變被控對象的參數(shù)才能對主汽溫對象進行有效的模擬仿真。</p><p>　　圖 2.2 過熱汽溫噴水減溫系統(tǒng)示意圖</p><p>　　2.3 主蒸汽溫度的控制策略</p><p>　　

39、由于主蒸汽溫度具有遲延、慣性較大的特性，傳統(tǒng)的單回路PID控制系統(tǒng)無法取得波動范圍較小的控制效果。為此，很多火電廠廣泛采用的兩種主蒸汽溫度控制策略分別是以導(dǎo)前汽溫已的微分為補充信號的雙沖量控制系統(tǒng)和以導(dǎo)前汽溫隊為中間被調(diào)量的串級控制系統(tǒng)。這兩種控制系統(tǒng)具體框圖如圖2.3與圖2.4所示。這兩種策略中通常選用固定參數(shù)的PID控制規(guī)律，其參數(shù)根據(jù)經(jīng)典控制理論來整定，緣于PID固有的局限性，這兩種控制方法仍然存在超調(diào)量大、調(diào)節(jié)時間長的缺點。&l

40、t;/p><p>　　圖2.3 以導(dǎo)前汽溫的微分為補充信號的雙沖量控制系統(tǒng)</p><p>　　圖2.4 以導(dǎo)前汽溫為中間被調(diào)量的串級控制系統(tǒng)</p><p>　　2.4 神經(jīng)網(wǎng)絡(luò)應(yīng)用于汽溫控制的優(yōu)勢</p><p>　　神經(jīng)網(wǎng)絡(luò)應(yīng)用在鍋爐過熱汽溫控制系統(tǒng)中，可以通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力對主汽溫進行控制，同時以期望輸出與實際輸出的誤差來調(diào)整權(quán)值

41、，對各參數(shù)進行整定，從而實現(xiàn)自適應(yīng)控制。神經(jīng)網(wǎng)絡(luò)的非線性映射、自學(xué)習(xí)、自組織能力可以充分應(yīng)用到汽溫控制中解決相應(yīng)的問題，是進一步改善熱工過程控制系統(tǒng)品質(zhì)的有效方法。</p><p>　　第3章 神經(jīng)網(wǎng)絡(luò)理論</p><p>　　一個時期以來，自動控制工作者面臨著控制對象越來越難和控制系統(tǒng)要求越來越高，迫切要求提高系統(tǒng)智能化的兩大難題。神經(jīng)網(wǎng)絡(luò)源于對人體大腦神經(jīng)的模擬，具有很強的適應(yīng)能力、自

42、學(xué)習(xí)能力和逼近任意非線性連續(xù)函數(shù)的特性。這一特點使神經(jīng)網(wǎng)絡(luò)在自動控制領(lǐng)域引起了極大關(guān)注。</p><p>　　3.1 人工神經(jīng)元模型</p><p>　　常用的人工神經(jīng)元主要是基于生物神經(jīng)元信息的傳遞特性，即輸入、輸出關(guān)系。它是一個多輸入，單輸出單元，并用電壓來模擬生物神經(jīng)元的輸入輸出密度。</p><p>　　圖3.1 人工神經(jīng)元結(jié)構(gòu)模型</p>

43、<p>　　圖3-1中，(=1,2…, )為加入輸出端的的輸入信號；為相應(yīng)的突觸連接權(quán)系數(shù)，表示圖出后信號的空間累加；表示神經(jīng)元的閥值，表示神經(jīng)元的響應(yīng)函數(shù)。數(shù)學(xué)表達(dá)式為：</p><p><b>　?。?-1）</b></p><p><b>　　（3-2）</b></p><p>　　人工神經(jīng)元根據(jù)相應(yīng)的不同

44、有以下幾種類型：</p><p>　　1.閥值單元 </p><p>　　2.線性單元 </p><p>　　3.非線性單元 </p><p>　　上述模型能反映生物神經(jīng)元的基本特性，但還有如下不同之處：</p><p>　?。?）生物神經(jīng)

45、元傳遞的信息是脈沖，而神經(jīng)網(wǎng)絡(luò)傳遞的是模擬電壓。</p><p>　?。?）神經(jīng)網(wǎng)絡(luò)中用等效的模擬電壓模擬生物神經(jīng)元的脈沖密度，所以在模型中只有空間累加而沒有時間累加。</p><p>　?。?）此類模型未考慮時延、不應(yīng)期和疲勞等。</p><p>　　現(xiàn)代電子技術(shù)可以建立更為精確的模型，但一般的神經(jīng)網(wǎng)絡(luò)研究無此必要。</p><p>　　3

46、.2 神經(jīng)網(wǎng)絡(luò)的分類</p><p><b>　?。?）前向網(wǎng)絡(luò)</b></p><p>　　前向網(wǎng)絡(luò)就是神經(jīng)網(wǎng)絡(luò)內(nèi)部每一層的神經(jīng)元只含有作為它們輸入前一層的輸出神經(jīng)信號，此種網(wǎng)絡(luò)的結(jié)構(gòu)如圖3.2。網(wǎng)絡(luò)的輸出層神經(jīng)元的輸出信號組成了對網(wǎng)絡(luò)中輸入層節(jié)點產(chǎn)生的激勵模式的全部響應(yīng)。即信號從輸入層輸入，經(jīng)隱含層傳給輸出層，由輸出層得到輸出信號。</p><

47、p>　　前向網(wǎng)絡(luò)又分為單層和多層。單層前饋網(wǎng)絡(luò)是指神經(jīng)元是單層的。多層前向網(wǎng)絡(luò)則含有一個或者更多的隱含層，其中計算節(jié)點即相應(yīng)的隱含層神經(jīng)元。對于多層前向網(wǎng)絡(luò)而言，網(wǎng)絡(luò)輸入層中的每個節(jié)點的激勵模式單元組成了應(yīng)用于第二層神經(jīng)元的輸入信號，第二層輸出信號成為第三層的輸入，以此類推。</p><p>　　圖3.2 前向網(wǎng)絡(luò)</p><p><b>　　（2）反饋網(wǎng)絡(luò)</b&

48、gt;</p><p>　　反饋網(wǎng)絡(luò)指的是在網(wǎng)絡(luò)中至少含有一個反饋回路的神經(jīng)網(wǎng)絡(luò)，此種網(wǎng)絡(luò)的結(jié)構(gòu)如圖3.3。它可以包含一個單層神經(jīng)元，其中每個神經(jīng)元都會將自身的輸出信號反饋給其他所有神經(jīng)元的輸入，從輸入到輸出都有反饋。</p><p>　　圖3.3 反饋網(wǎng)絡(luò)</p><p>　?。?）層內(nèi)有互連的前向網(wǎng)絡(luò)</p><p>　　這種神經(jīng)網(wǎng)絡(luò)同

49、一層神經(jīng)元之間互相連接，此種網(wǎng)絡(luò)的結(jié)構(gòu)如圖3.4。它的特點是在同一層內(nèi)引入神經(jīng)元之間具有側(cè)向作用，并以此控制附近的神經(jīng)元，實現(xiàn)各層神經(jīng)元之間的自組織，每組動作都作為一個整體動作。</p><p>　　圖3.4 層內(nèi)有互連的前向網(wǎng)絡(luò)</p><p><b>　　（4）互連型網(wǎng)絡(luò)</b></p><p>　　互連型型網(wǎng)絡(luò)中任意兩個神經(jīng)元之間都可能

50、存在連接路徑，其網(wǎng)絡(luò)的結(jié)構(gòu)如圖3.5。在此種網(wǎng)絡(luò)中，由于信號在神經(jīng)元之間反復(fù)進行傳遞，所以網(wǎng)絡(luò)處于一種不斷變動的動態(tài)過程中。信號從初始狀態(tài)開始經(jīng)過若干次的變化才會達(dá)到某種平衡狀態(tài)。</p><p>　　圖3.5 互連型網(wǎng)絡(luò)</p><p>　　3.3 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)</p><p>　　一個神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)確定后，為了使它具有智能特性，還必須有相應(yīng)的學(xué)習(xí)方法與之

51、配合。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的也稱為訓(xùn)練，指的是通過神經(jīng)網(wǎng)絡(luò)所在環(huán)境的刺激作用調(diào)整神經(jīng)網(wǎng)絡(luò)的自由參數(shù)，使神經(jīng)網(wǎng)絡(luò)以一種新的方式對外部環(huán)境的刺激做出反應(yīng)的一個過程。這在神經(jīng)網(wǎng)絡(luò)模型上就表現(xiàn)為其模型可以通過學(xué)習(xí)來動態(tài)修改各處理單元之間的連接權(quán)值。神經(jīng)網(wǎng)絡(luò)經(jīng)過反復(fù)學(xué)習(xí)對其環(huán)境更為了解，在環(huán)境中學(xué)習(xí)和在學(xué)習(xí)中提高自身性能是神經(jīng)網(wǎng)絡(luò)的最有意義的本質(zhì)。</p><p>　　學(xué)習(xí)算法是指針對學(xué)習(xí)問題的明確規(guī)則集合。學(xué)習(xí)類型是由參數(shù)變化發(fā)

52、生的形式?jīng)Q定的，不同的學(xué)習(xí)算法對神經(jīng)元的突觸權(quán)值調(diào)整的表達(dá)式有所不同。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程可以看成是權(quán)值的不斷調(diào)整使其具有學(xué)習(xí)、記憶和處理信息的能力。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式具體可分為：</p><p><b>　?。?）有監(jiān)督學(xué)習(xí)</b></p><p>　　有監(jiān)督學(xué)習(xí)方式在學(xué)習(xí)時需要給出導(dǎo)師信號或稱為期望輸出。這組已知的輸入、輸出數(shù)據(jù)稱為訓(xùn)練樣本集。在學(xué)習(xí)和訓(xùn)練過程中，神

53、經(jīng)網(wǎng)絡(luò)不斷地將實際結(jié)果與目標(biāo)輸出進行比較，并根據(jù)比較結(jié)果與誤差，其誤差信號決定著連接權(quán)的調(diào)整，從而使網(wǎng)絡(luò)的輸出逐漸接近目標(biāo)值。這種算法的例子包括誤差反向傳播算法等。</p><p><b>　?。?）無監(jiān)督學(xué)習(xí)</b></p><p>　　無監(jiān)督學(xué)習(xí)是不存在外在教師，是一種自組織學(xué)習(xí)，即網(wǎng)絡(luò)學(xué)習(xí)過程完全是一種自我學(xué)習(xí)的過程，不需要提供學(xué)習(xí)樣本或外界反饋。在學(xué)習(xí)過程中，

54、對輸入輸出映射的學(xué)習(xí)是通過與外界環(huán)境的連續(xù)作用最小化性能的標(biāo)量索引而完成的，網(wǎng)絡(luò)只需響應(yīng)輸入信號的激勵，按照某種規(guī)則反復(fù)調(diào)節(jié)網(wǎng)絡(luò)權(quán)值或閾值，直到最后形成某種有序的狀態(tài)。</p><p>　　3.4 BP神經(jīng)網(wǎng)絡(luò)</p><p>　　以數(shù)學(xué)模型為基礎(chǔ)，PID加反饋控制為主的傳統(tǒng)控制方式因其局限性己無法適應(yīng)今后工業(yè)發(fā)展的要求。BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，也是目前應(yīng)用最為廣泛和成功

55、的一種人工神經(jīng)網(wǎng)絡(luò)，具體結(jié)構(gòu)如圖3.6。隨著人工智能技術(shù)的發(fā)展，BP神經(jīng)網(wǎng)絡(luò)以其自學(xué)習(xí)能力和逼近任意非線性函數(shù)能力，在過程控制的領(lǐng)域內(nèi)得到了廣泛的應(yīng)用。將BP神經(jīng)網(wǎng)絡(luò)和PID控制相結(jié)合的控制策略也因此得到了廣泛的研究和突破。</p><p>　　圖3.6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)</p><p>　　3.4.1 BP算法</p><p>　　BP算法主要可以描述為：首先，

56、輸入層與隱含層對給出的信息進行處理并計算每個單元的實際輸出值；其次，將輸出層每個單元所得到的結(jié)果與期望值作比較，如果未能得到期望的輸出值，則逐層遞歸地計算實際輸出值和期望輸出值之差值。</p><p>　　BP算法的具體步驟是：首先初始化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，其值一般取介于-1到1之間很小的隨機數(shù)。神經(jīng)網(wǎng)絡(luò)中信息的正向傳播與誤差的反向傳播生成了其學(xué)習(xí)的過程。信息在正向傳播時，樣本數(shù)據(jù)在輸入輸入層后會賦予其對應(yīng)的節(jié)點

57、權(quán)值，再傳播到相對應(yīng)的隱含層節(jié)點，信息通過激勵函數(shù)作用和各個隱含層的處理，最后傳向輸出層。如果經(jīng)處理的實際輸出值與所期望的值之間存在誤差，則輸出層信號的誤差將進入反向傳播。</p><p>　　誤差的反向傳播是將輸出誤差通過隱含層逐層反向原路傳回輸入層，并將誤差分配給各層的所有單元的過程。因此從各層單元獲得誤差信號將作為修正各個單元權(quán)值的依據(jù)。</p><p>　　所謂網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)就是通

58、過信號正向傳播與誤差反向傳播的各層權(quán)值調(diào)整的循環(huán)進行，權(quán)值的不斷調(diào)整，一直進行到網(wǎng)絡(luò)的輸出曾的誤差減小到可以滿足要求，或進行到設(shè)定的學(xué)習(xí)次數(shù)為止的過程。BP算法的流程如圖3.7所示：</p><p>　　圖3.7 一般BP算法流程圖</p><p>　　BP 算法是一種在導(dǎo)師指導(dǎo)下的算法，它建立的依據(jù)是梯度下降法，一般應(yīng)用于多層神經(jīng)元。BP神經(jīng)網(wǎng)絡(luò)有以任意精度近似任何連續(xù)非線性函數(shù)的功能

59、，而且通常只要設(shè)置一個隱含層就可以達(dá)到目的。</p><p>　　假定一個隱含層層數(shù)為3層的神經(jīng)網(wǎng)絡(luò)，采用的誤差函數(shù)為：</p><p><b>　?。?-3）</b></p><p>　　代表輸出的期望值，代表m層網(wǎng)絡(luò)的實際輸出層。</p><p>　?。?）權(quán)系數(shù)的修改量</p><p>　　

60、權(quán)系數(shù)的修改量在修改時和e的負(fù)梯度方向有關(guān)，即：</p><p>　　考慮學(xué)習(xí)速率，則： </p><p><b>　?。?）的求取</b></p><p>　　因，k是網(wǎng)絡(luò)的層數(shù)。</p><p><b>　　由于，從而有：</b></p><p><

61、;b>　　，則</b></p><p>　　從修改權(quán)系數(shù)的角度，有：</p><p>　　令，可寫成： </p><p>　?。?）求，即偏差對輸入信號總和求導(dǎo)。</p><p>　　由于不是顯式無法進行計算，故需求其顯式：</p><p><b>　　=</b>

62、;</p><p><b>　　由于，故。</b></p><p>　　一般取激發(fā)函數(shù)為S型函數(shù)：</p><p><b>　?。?-4）</b></p><p>　　故： </p><p>　　可知：

63、 </p><p><b>　　的求取方法如下：</b></p><p>　　如果k=m，則說明是m層的輸出。</p><p>　　由于，其中有是期望值，為常數(shù)，故有：</p><p>　　從而有： </p><p>　　如果k<m，則該層為隱層，需

64、考慮上一層對它的作用，</p><p>　　因為： ，</p><p>　　同時有： </p><p>　　最后有： </p><p><b>　　這時：</b></p><p>

65、　　（4）按負(fù)梯度方向修改權(quán)系數(shù)，?。?lt;/p><p><b>　　其中：</b></p><p><b>　　其中：</b></p><p>　?。?）BP算法的修改是為了加快收斂速度，所以本次權(quán)系數(shù)的修改的依據(jù)是上次的權(quán)系數(shù)，即：</p><p><b>　?。?-5）</b&g

66、t;</p><p>　　上式中，為學(xué)習(xí)效率，一般取值為0.1~0.4之間，為修正系數(shù)，一般取值為0.7~0.9。改進后的算法為：</p><p><b>　?。?-6）</b></p><p>　　3.4.2 BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點</p><p>　　對于BP神經(jīng)網(wǎng)絡(luò)來說，它不具有反饋的能力,只能通過具有簡單處理能

67、力的神經(jīng)元的復(fù)合作用使神經(jīng)網(wǎng)絡(luò)具有復(fù)雜的非線性映射能力，所以它只能算一個非線性映射，而稱不上一個非線性動力學(xué)系統(tǒng)。它存在以下這些問題：</p><p>　?。?）BP算法的學(xué)習(xí)時間較長，收斂速度較慢，存在平坦區(qū)；</p><p>　?。?）BP 算法一般采用基于均方誤差的梯度下降法，然而這種方法存在全局和局部最小點，使得神經(jīng)網(wǎng)絡(luò)容易陷入局部極小，也就是說同時存在多個極小點且不一定是唯一的；

68、</p><p>　　（3）對于已學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)來說，它的泛化能力較差；</p><p>　?。?）神經(jīng)網(wǎng)絡(luò)并沒有一套完整的指導(dǎo)理論去確定隱含層的節(jié)點數(shù)。</p><p>　　近些年來，通過廣大專家和學(xué)者的努力，BP算法的不足得到了很大的改善，經(jīng)過改進的BP神經(jīng)網(wǎng)絡(luò)有了更快的收斂速度，更容易達(dá)到全局最優(yōu)化。</p><p>　　第4章 基于

69、BP神經(jīng)網(wǎng)絡(luò)的鍋爐汽溫過熱控制</p><p>　　為了進一步縮小控制系統(tǒng)的輸出值和期望值之間的誤差，我們可以用神經(jīng)網(wǎng)絡(luò)PID控制器取代常規(guī)的PID控制器?；贐P網(wǎng)絡(luò)的鍋爐汽溫控制器由兩部分構(gòu)成：傳統(tǒng)的增量式數(shù)字PID控制器構(gòu)成第一個部分，它的作用是控制閥門開關(guān)大小從而調(diào)節(jié)減溫器，同時它能夠在線整定三個參數(shù)，，；另一部分則是神經(jīng)網(wǎng)絡(luò)。它會根據(jù)控制系統(tǒng)運行的狀態(tài)，通過調(diào)整加權(quán)系數(shù)和自學(xué)習(xí)來調(diào)節(jié)PID參數(shù)，從而優(yōu)化

70、加鍋爐汽溫控制。</p><p>　　4.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定</p><p>　　BP神經(jīng)網(wǎng)絡(luò)能夠利用它的高度非線性映射能力來進行非線性系統(tǒng)建模。但不同的非線性對象應(yīng)對應(yīng)怎么樣的網(wǎng)絡(luò)結(jié)構(gòu)，如何選擇隱含層層數(shù)與隱含層神經(jīng)元的數(shù)量，如何將非線性對象的模型中的參數(shù)與物理特性相對應(yīng)等一系列問題尚無固定的的規(guī)則遵循。本文的BP 網(wǎng)絡(luò)結(jié)構(gòu)的確定包括輸入層和輸出層神經(jīng)元數(shù)目的確定，隱含層數(shù)量、隱

71、含層神經(jīng)元數(shù)量的確定，激勵函數(shù)的選擇和權(quán)值的選擇。</p><p>　　4.1.1 輸入層與輸出層神經(jīng)元的確定</p><p>　　待處理的問題的類別和應(yīng)用要求在一定程度上決定了輸入與輸出層的神經(jīng)元數(shù)目。在設(shè)計上為了縮短學(xué)習(xí)的時間和簡化系統(tǒng)，要盡可能地減小輸入層和輸出層的規(guī)模?？紤]到本文所設(shè)計的是神經(jīng)網(wǎng)絡(luò)PID控制器，所以輸出的神經(jīng)元數(shù)目選擇為三個，即 PID控制器的三個參數(shù)，，，輸入層選

72、取BP神經(jīng)網(wǎng)絡(luò)算法中最重要的三個變量，，。為溫度實際值與所設(shè)定的期望值的誤差。</p><p>　　4.1.2 隱含層數(shù)的確定</p><p>　　隱含層能從輸入層提取特征從而起到抽象的作用。隱含層數(shù)目越多，神經(jīng)網(wǎng)絡(luò)的處理能力越強，但同時網(wǎng)絡(luò)訓(xùn)練會越復(fù)雜，網(wǎng)絡(luò)訓(xùn)練的時間會越長，整個系統(tǒng)的效率未必會提高。對于絕大部分系統(tǒng)，隱含層數(shù)最多只需要兩層，第一隱含層的每個神經(jīng)元確定了一個判決面，二隱含

73、層的每個神經(jīng)元又將第一隱含層神經(jīng)元形成的多個判決面組合成凸域空間或者判決域。最后，輸出神經(jīng)元又把多個凸域組合成任意形狀的判決空間或判決邊界。如果只根據(jù)任務(wù)這一個條件來確定隱含層神經(jīng)元的數(shù)量是非常困難的，這是由神經(jīng)網(wǎng)絡(luò)映射的復(fù)雜性所決定的。目前，大多數(shù)系統(tǒng)隱含層神經(jīng)元數(shù)量的確定還是只能依靠經(jīng)驗。本文選用的BP神經(jīng)網(wǎng)絡(luò)模型只含有一個隱含層。</p><p>　　4.1.3 隱含層神經(jīng)元的確定</p>&

74、lt;p>　　一個具有無限隱層節(jié)點的兩層BP網(wǎng)絡(luò)可以實現(xiàn)任意從輸入到輸出的非線性映射，而有限的輸入和輸出模式之間對策映射則不需要無限個隱層節(jié)點，即神經(jīng)元的數(shù)目是有限個。具體的節(jié)點數(shù)目選擇確定方式至今尚未有明確的定論，只能依靠前人的經(jīng)驗或者自己通過實驗來確定。本文涉及的單層隱含層的神經(jīng)元數(shù)目選擇為5個。</p><p>　　4.1.4 激勵函數(shù)的選擇</p><p>　　激勵函數(shù)反映了

75、神經(jīng)網(wǎng)絡(luò)中每一個神經(jīng)元的內(nèi)部處理的能力，其選擇的正確與否對整個神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的收斂性和推廣性有很大的影響。</p><p>　　常見的神經(jīng)網(wǎng)絡(luò)激勵函數(shù)有階躍函數(shù) ，準(zhǔn)線性函數(shù)，雙曲正切函數(shù)，S型函數(shù)等等。一般對神經(jīng)網(wǎng)絡(luò)激勵函數(shù)的要求為：激勵函數(shù)與其偏導(dǎo)應(yīng)該具有簡單、方便運算的特點，在有界的輸入時能得出有界的輸出。為了保證網(wǎng)絡(luò)優(yōu)異的訓(xùn)練速度和泛化能力，同時減小網(wǎng)絡(luò)的規(guī)模，激勵函數(shù)在選擇時我們盡量根據(jù)待解問題的先驗知識

76、和待解問題的特點來選擇激勵函數(shù)。</p><p>　　S型函數(shù)函數(shù)作為神經(jīng)元處理單元時定義了一個非線性的增益，其值的大小取決于曲線在給定點x的斜率。因為0≤≤1，所以當(dāng)接近于0或者1時，函數(shù)的導(dǎo)數(shù)取得極小值:在=0.5 時取得極大值，其導(dǎo)數(shù)的最大值為0.25，并且S型函數(shù)的輸出值和導(dǎo)數(shù)總是大于零的。用S型函數(shù)使同一神經(jīng)網(wǎng)絡(luò)可以同時處理大信號與小信號。這得益于S型函數(shù)的低增益區(qū)和中高增益區(qū)分別適合于處理大信號問題和

77、小信號問題。</p><p>　　本文的隱含層激勵函數(shù)選擇雙曲線正切函數(shù)，其具體表達(dá)式為：</p><p><b>　　（4-1）</b></p><p>　　輸出層的函數(shù)選擇非負(fù)的形式，其具體表達(dá)式為：</p><p><b>　?。?-2）</b></p><p>　　4

78、.1.5 權(quán)值的選擇</p><p>　　權(quán)值初始值的選取會影響到神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)的局部最小、收斂性和訓(xùn)練時間，這是由于系統(tǒng)的非線性的他點所決定的。為了讓調(diào)節(jié)的過程不會因為權(quán)值過大而停止下來，對于S型函數(shù)來說，常規(guī)下都會選擇-1到1之間的隨機數(shù)作為權(quán)值，從而使加權(quán)后的每個神經(jīng)元的輸出都近似為0，工作在激勵函數(shù)的飽和區(qū)。</p><p>　　4.2 BP神經(jīng)網(wǎng)絡(luò)PID控制器設(shè)計 </

79、p><p>　　4.2.1 PID控制器的設(shè)計</p><p>　　PID控制器的PID部分采用增量式數(shù)字PID控制。算法如公式(4-3)：</p><p><b>　?。?-3）</b></p><p>　　為控制器的輸出，控制閥門開啟的程度。為實際測得溫度與所設(shè)定的期望溫度之間的誤差。，，在作為比例、積分和微分系數(shù)的同時

80、也作為神經(jīng)網(wǎng)絡(luò)NN的三個輸出，其具體結(jié)構(gòu)可見圖4.1。</p><p>　　4.2.2 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計</p><p>　　本文所構(gòu)建的神經(jīng)網(wǎng)絡(luò)分為輸入層，隱含層和輸出層，其結(jié)構(gòu)如圖4.2所示。輸入層的的4個輸入為，，，，分別對應(yīng)和1，引入1是為了加強網(wǎng)絡(luò)的穩(wěn)定性。隱含層設(shè)置5個節(jié)點。輸出層設(shè)置三個節(jié)點分別對應(yīng)，，。網(wǎng)絡(luò)隱含層的輸入輸出為：</p><p>&l

81、t;b>　　（4-4）</b></p><p>　　輸出層的輸入輸出為：</p><p><b>　?。?-5）</b></p><p>　　公式（4-4）與公式（4-5）中的上標(biāo)（1）表示輸入層的單元，上標(biāo)（2）表示隱含層的單元，上標(biāo)（3）表示輸出層的單元。</p><p><b>　　誤差

82、指標(biāo)為：</b></p><p><b>　　（4-6）</b></p><p>　　由公式（3-5）可得，修正權(quán)系數(shù)的表達(dá)式為</p><p><b>　?。?-7）</b></p><p>　　圖4.1 基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器</p><p>　　圖

83、4.2 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖</p><p>　　4.2.3 連續(xù)系統(tǒng)的離散化</p><p>　　鍋爐汽溫過熱系統(tǒng)的傳遞函數(shù)是連續(xù)的，但是連續(xù)系統(tǒng)在電腦上無法實現(xiàn)，只能把連續(xù)系統(tǒng)離散化，這里的離散化是非常密集的，在誤差允許的范圍內(nèi)，可以非常的逼近原函數(shù)。</p><p>　　雙線性變換是常見的連續(xù)函數(shù)離散化的方法。</p><p>　　

84、由Z變換定義，將改寫為：</p><p>　　將分子分母同時展開成泰勒級數(shù)，去前兩項，得：</p><p>　　由此可計算出s的值，雙線性變換公式：</p><p><b>　?。?-8）</b></p><p>　　在Matlab的仿真中系統(tǒng)連續(xù)函數(shù)的離散化具體可以由“C2D”指令實現(xiàn)。</p><

85、p>　　4.3 基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器算法步驟</p><p>　　設(shè)計好的BP神經(jīng)網(wǎng)絡(luò)的具體訓(xùn)練步驟為：</p><p>　　（1）隨機選定介于-1到1之間的系統(tǒng)的初始權(quán)值，并確定學(xué)習(xí)速率和慣性因數(shù)，令k=1；</p><p>　?。?）計算誤差，和的值均由采樣得到；</p><p>　?。?）計算BP神經(jīng)網(wǎng)絡(luò)的輸入向量，輸出

86、向量[，，]；</p><p>　?。?）計算PID控制輸出：</p><p><b>　　；</b></p><p>　?。?）進入神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，修改神經(jīng)網(wǎng)絡(luò)的權(quán)值，在線調(diào)整加權(quán)系數(shù)；</p><p>　?。?）修正PID控制參數(shù)；</p><p>　?。?）使k=k+1，重復(fù)步驟（2）。

87、 </p><p>　　其流程圖如圖4.3所示：</p><p>　　圖4.3 基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器算法流程圖</p><p>　　4.4 基于Matlab的BP神經(jīng)網(wǎng)絡(luò)PID控制器的仿真</p><p>　　已知仿真對象對于輸入的響應(yīng)如表4.1：</p><p>　　表4.1 仿真對象對于輸入的響應(yīng)&l

88、t;/p><p>　　對于該過程可以加一階加滯后來處理，即：</p><p><b>　　（4-9）</b></p><p>　　以下為用計算法根據(jù)階躍響應(yīng)曲線確定一階加滯后環(huán)節(jié)的特性參數(shù)具體過程：</p><p>　　靜態(tài)放大系數(shù)為階躍響應(yīng)曲線的穩(wěn)態(tài)值與節(jié)躍擾動值之比，即：</p><p>　　在計

89、算和時，先將轉(zhuǎn)換成。即：</p><p>　　在階躍信號作用下，的解為：</p><p>　　選取不同的時間和對應(yīng)的和，并聯(lián)立求解，即可確定和τ：</p><p>　　上式中,兩邊取自然對數(shù)：</p><p><b>　　求解得：</b></p><p>　　從表4.1中取2組數(shù)據(jù)后計算可得：

90、</p><p><b>　?。?-10）</b></p><p>　　對所仿真的對象加入1攝氏度的給定擾動溫度，利用Matlab對其進行仿真（程序見附錄），仿真后得到如下圖形：</p><p>　　圖4.4 BP神經(jīng)網(wǎng)絡(luò)PID輸出響應(yīng)曲線</p><p>　　由圖4.4可知，在BP神經(jīng)網(wǎng)絡(luò)的調(diào)節(jié)控制下，系統(tǒng)的超調(diào)量得

91、到了很顯著的改善，并有良好的動態(tài)特性。</p><p>　　圖4.5 系統(tǒng)的穩(wěn)態(tài)誤差</p><p>　　由圖4.5可知，經(jīng)過一定的時間后，在神經(jīng)網(wǎng)絡(luò)的調(diào)節(jié)下，系統(tǒng)的穩(wěn)態(tài)誤差減小迅速，最后趨近于0。</p><p>　　圖4.6 ，，輸出曲線</p><p>　　由圖4.6可知，輸出，，的值最后在神經(jīng)網(wǎng)絡(luò)的調(diào)節(jié)下趨于某一個穩(wěn)定的值。<

92、;/p><p>　　由以上圖例可得到以下結(jié)論：基于BP神經(jīng)網(wǎng)絡(luò)的鍋爐蒸汽過熱PID控制部分在改善系統(tǒng)響應(yīng)速度慢、超調(diào)量大、過渡時間長的問題上有比較滿意的效果。</p><p><b>　　結(jié)論</b></p><p>　　本文以鍋爐過熱蒸汽溫度為控制對象，在簡要分析了傳統(tǒng)控制在該領(lǐng)域的不足之后，提出了用BP神經(jīng)網(wǎng)絡(luò)來改善傳統(tǒng)控制響應(yīng)速度慢、超調(diào)量大

93、、調(diào)節(jié)時間長的缺點。較之轉(zhuǎn)同PID控制，BP神經(jīng)網(wǎng)絡(luò)具有逼近非線性函數(shù)能力強，自學(xué)習(xí)能力高，自適應(yīng)能力強，參數(shù)控制相對簡單的優(yōu)點。</p><p>　　本文在對BP神經(jīng)網(wǎng)絡(luò)做了一定的介紹后，將BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的PID控制器相結(jié)合，利用BP神經(jīng)網(wǎng)絡(luò)可以在線整定PID的三個參數(shù)，，，從而使控制比傳統(tǒng)的PID控制具有更好的收斂性和穩(wěn)定性。最后用MATLAB對所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)PID控制器進行了仿真，得出了比較滿意的

94、結(jié)果。這也充分說明了神經(jīng)網(wǎng)絡(luò)在未來的控制領(lǐng)域有廣闊的應(yīng)用前景。</p><p>　　當(dāng)然由于本人能力所限，本文的設(shè)計是相對簡單和粗略的。BP網(wǎng)絡(luò)最大的缺點收斂速度較慢，訓(xùn)練時間長沒有得到根本的解決，但是相信隨著科技的發(fā)展，上述問題一定能夠得到妥善的解決，神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域也會越來越廣泛。</p><p><b>　　[參考文獻(xiàn)]</b></p><

95、p>　　[1]楊獻(xiàn)勇．熱工過程自動控制[M]．北京:清華大學(xué)出版社，1999．</p><p>　　[2]張曉華．控制系統(tǒng)數(shù)字仿真與CAD[M]，北京：機械工業(yè)出版社，2005．</p><p>　　[3]薛定宇，陳陽泉．基于Matlab/Simulink的系統(tǒng)仿真技術(shù)與應(yīng)用[M]．北京：清華大學(xué)出版社，2002．</p><p>　　[4]謝仕宏．MATLA

96、B控制系統(tǒng)動態(tài)仿真實例教程[M]．北京：化學(xué)工業(yè)出版社，2009．</p><p>　　[5]王海英，袁麗英，吳勃．控制系統(tǒng)的Matlab仿真與設(shè)計[M]．北京：高等教育出版社，2009．</p><p>　　[6]薛志斌，李平．先進控制策略在電廠熱工過程控制中的應(yīng)用.青海電力，2000(1)：37~46．</p><p>　　[7]李遵基．熱工自動控制系統(tǒng)[M]．

97、北京：中國電力出版社，1997．</p><p>　　[8]周 佩．電廠鍋爐系統(tǒng)的技術(shù)優(yōu)化．http://www.cnki.net．2001．</p><p>　　[9]孫庚山，蘭西柱．工程模糊控制[M．北京:機械工業(yè)出版社，1995．</p><p>　　[10]李耀榮．我國工業(yè)鍋爐發(fā)展趨向探究[J].工業(yè)鍋爐，2006，(1)：12~15．</p>

98、<p>　　[11]肖本賢，肖軍，李善壽等．基于MATLAB7.0的電廠鍋爐過熱汽溫控制模型的在線辨識[J]．儀器儀表學(xué)報，2009，30(6)：20~24．</p><p>　　[12]王廣軍，何祖威，陳紅．基于神經(jīng)網(wǎng)絡(luò)和過程機理的鍋爐過熱系統(tǒng)動態(tài)仿真[J]．中國電機工程學(xué)報，2001,21(12)：38~40．</p><p>　　[13]胡屏，張虹，郭佩英．智能控制在鍋爐

99、過熱汽溫控制中的應(yīng)用研究[J]．東北電力學(xué)院學(xué)報，2003，23(6)：27~29．</p><p>　　[14]尚福海．基于人工神經(jīng)網(wǎng)絡(luò)的鍋爐控制研[J]．http://www.cnki.net．2008．5．</p><p>　　[15]Shu，H.L. &Pi，Y.G． PID　neural networks for time-delay systems [J]． Compu

100、ters and Chemical Engineering, 2008，24(7)：859~862．</p><p>　　[16]Hollander F. Computer controlled reheating furnaces optimizes hot strip mill　performance[J]．Iron and Steel Engineer，1972，49(9)：45~51．</p>

101、<p>　　[17]何楚衡．基于改進BP神經(jīng)網(wǎng)絡(luò)的鋼坯加熱爐溫度優(yōu)化控制的研究[D]．南華大學(xué)，2010．</p><p>　　[18]黃衛(wèi)民．關(guān)于BP算法推導(dǎo)過程與討論[J]．現(xiàn)代計算機，2001，(111)：10~11．</p><p>　　[19]王永驥，涂健．神經(jīng)元網(wǎng)絡(luò)控制[M]．北京：機械工業(yè)出版社，1998．</p><p>　　附錄 程序

102、及部分注釋</p><p>　　BP based PID Control</p><p>　　clear all;</p><p>　　close all;</p><p>　　xite=0.20; %學(xué)習(xí)速率設(shè)為0.2</p><p>　　alfa

103、=0.05; %慣性系數(shù)設(shè)為0.05</p><p>　　S=1; %Signal type</p><p>　　IN=4;H=5;Out=3; %NN Structure 神經(jīng)網(wǎng)絡(luò)設(shè)為4*5*3</p><p>　　if S==1

104、 %Step Signal 階躍信號</p><p>　　wi=[-0.6384 -0.2596 -0.7510 -0.5823; </p><p>　　-0.8254 -0.2514 -0.8569 -0.1158;</p><p>　　-0.0725 0.2054 -0.68

105、20 -0.5526;</p><p>　　-0.3045 -0.0201 -0.0525 -0.2514;</p><p>　　0.1425 0.0279 -0.5406 -0.5260];</p><p>　　%wi=rands(H,IN);</p><p>　　wi_1=wi;wi_2=wi;wi_3=wi;

106、 %初始權(quán)值都為wi，輸入層和中間層之間的權(quán)wij</p><p>　　wo=[0.7145 0.2601 0.1253 -0.4582 -0.8569; </p><p>　　-0.1146 0.2949 0.8352 0.2205 0.4508;</p><p>　　0.8501 0.1566 0.7832 0.7562 0.0532];

107、</p><p>　　%wo=rands(Out,H);</p><p>　　wo_1=wo;wo_2=wo;wo_3=wo; %初始權(quán)值都為wo，輸入層和中間層之間的權(quán)wki</p><p><b>　　end</b></p><p>　　x=[0,0,0];

108、 %增量pid里面的比例,積分,微分的對象,故為1*3矩陣</p><p>　　du_1=0; %u（k-1）前一時刻的輸出</p><p>　　u_1=0;u_2=0;u_3=0;u_4=0;u_5=0; %變量初始化</p><p>　　y_1=0;y_2=0;y_3=0;<

109、/p><p>　　Oh=zeros(H,1); %Output from NN middle layer中間層輸出5*1的矩陣</p><p>　　I=Oh; %Input to NN middle layer中間層輸入5*1的矩陣</p><p>　　error_2=0

110、;</p><p>　　error_1=0;</p><p><b>　　ts=10;</b></p><p>　　sys=tf(0.92,([81 1]));</p><p>　　sys.iodelay=35;</p><p>　　dsys=c2d(sys,ts,'tustin'

111、);</p><p>　　[num,den]=tfdata(dsys,'v');</p><p>　　for k=1:1:140</p><p>　　time(k)=k*ts;</p><p><b>　　if S==1</b></p><p><b>　　rin(k)=

112、1;</b></p><p>　　elseif S==2</p><p>　　rin(k)=sin(1*2*pi*k*ts);</p><p><b>　　end</b></p><p>　　yout(k)=-den(2)*y_1+num(1)*u_3+num(2)*u_4;</p><p

113、>　　error(k)=rin(k)-yout(k);</p><p>　　xi=[rin(k),yout(k),error(k),1]; %輸入層1*4的矩陣</p><p>　　x(1)=error(k)-error_1; %增量pid</p><p>　　x(2)

114、=error(k);</p><p>　　x(3)=error(k)-2*error_1+error_2;</p><p>　　epid=[x(1);x(2);x(3)]; %增量pid</p><p>　　I=xi*wi'; %中