ＢＰ多层神经网络在控制中的应用摘要神经网络具有并行处理能力、自学习、自适应能力和可以逼近任 意的非线性函数等特点，是解决非线性、大滞后、多变量、不确定的复杂控制问题的一条有效的途径。它在控制领域中辨识、参数优化、控制等方面得到广泛应用。本文就神经网络在辨识、参数优化和控制方面的应用展开研究。 首先给出神经网络控制系统的整体设计思路，编写相应的软件，该软件包括多种神经网络网型，并且可以通过不同方式与组态软件集成运行。然后利用该软件对被控对象进行辨识、参数优化和控制：使用多种网型对三区加热炉进行辨识，通过比较辨识结果，得出采用Ｅｌｍａｎ网络辨识动态系统效果较好的结论；接下来利用神经网络对ＰＩＤ控制器进行参数优化，实现基于神经网络的Ｐ旧自适应控制，并对此控制系统改进，形成了有模型的神经网络ＰＩＤ自适应控制，获得较好的控制效果；最后利用ＰＩＤ神经网络直接作为控制器对三容水槽和立式电炉进行控制，结果表明，该方法有较好的控制效果。上述研究表明神经网络能在一定程度上解决控制中的复杂问题， 有较好的应用前景口关键词：神经网络、辨识、Ｅｌｍａｎ神经网络、ＰＩＤ神经网络、ＰＩＤ自适应控制ＴＨＥ ＡＰＰＬＩＣＡＴＩＯＮ ＯＦ ＢＰ ＭＵＬＴＩＬＡＹＥＲ－ＮＮ！Ｎ ＣＯＮＴＲＯＬＡＢＳＴＲＡＣＴＴｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｈａｓ ｍａｎｙ ａｂｉｌｉｔｉｅｓ： ｐａｒａｌｌｅｌ ｐｒｏｃｅｓｓｉｎｇ，ｓｅｌｆ－ｌｅａｒｎｉｎｇ ａｎｄ ｓｅｌｆ－ａｄａｐｔｉｎｇ， ａｐｐｒｏａｃｈｉｎｇ ａｎｙ ｎｏｎｌｉｎｅａｒｆｕｎｃｔｉｏｎ ｅｔｃ．；ｔｏ ｄｅａｌ ｗｉｔｈ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｃｏｎｔｒｏｌ ｉｎ ｔｈｅｉｎｄｕｓｔｒｙ ｐｒｏｃｅｓｓ ｗｉｔｈ ｗｉｄｅ ｌａｇ， ｎｏｎｌｉｎｅａｒ， ｍｕｌｔｉｖａｒｉａｂｌｅ ａｎｄｕｎｃｅｒｔａｉｎｔｙ， ｉｔ ｉｓ ａｎ ｅｆｆｅｃｔｉｖｅ ｗａｙ ｔｏ ｄｅｖｅｌｏｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．５ｏ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｓ ｕｓｅｄ ｗｉｄｅｌｙ ｉｎ ｔｈｅｓｅ ａｓｐｅｃｔｓ：ｉｄｅｎｔｉｆｉｃａｔｉｏｎ， ｃｏｎｔｒｏｌ， ｐａｒａｍｅｔｅｒ ｏｐｔｉｍｉｚａｔｉｏｎ．Ｔｈｅ ｒｅｓｅａｒｃｈ ｏｆ ｔｈｉｓ ｄｉｓｓｅｒｔａｔｉｏｎ ｌｉｅｓ ｏｎ ｔｈｒｅｅ ａｓｐｅｃｔｓ：ｉｄｅｎｔｉｆｉｃａｔｉｏｎ， ｃｏｎｔｒｏｌ， ｐａｒａｍｅｔｅｒ ｏｐｔｉｍｉｚａｔｉｏｎ． Ｆｉｒｓｔｌｙ ｔｈｉｓｄｉｓｓｅｒｔａｔｉｏｎ ｉｎｔｒｏｄｕｃｅｓ ｔｈｅ ｄｅｓｉｇｎ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃｏｎｔｒｏｌｓｙｓｔｅｍ． Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｄｅｓｉｇｎ， ｗｅ ｐｒｏｇｒａｍ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓｏｆｔｗａｒｅ． Ｔｈｅ ｓｏｆｔｗａｒｅ ｉｎｃｌｕｄｅｓ ｍａｎｙ ｋｉｎｄｓ ｏｆ ｎｅｔｗｏｒｋｓ， ａｎｄ ｃａｎｒｕｎ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｃｏｎｆｉｇｒａｔｉｏｎ ｓｏｆｔｗａｒｅ ｔｈｒｏｕｇｈ ｄｉｆｆｅｒｅｎｔｗａｙｓ． Ｗｉｔｈ ｔｈｉｓ ｓｏｆｔｗａｒｅ， ｗｅ ｃａｎ ｃｏｎｓｔｒｕｃｔ ｔｈｅ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ．Ｔｈｅｎ ｗｅ ｕｓｅ ｓｏｍｅ ｎｅｔｗｏｒｋｓ ｔｏ ｉｄｅｎｔｉｆｙ ｔｈｅ ｆｕｒｎａｃｅ． Ｃｏｍｐａｒｉｎｇｔｈｅ ｒｅｓｕｌｔｓ， ａ ｃｏｎｃｌｕｓｉｏｎ ｃａｎ ｂｅ ｄｒｅｗ： Ｔｏ ｉｄｅｎｔｉｆｙ ｔｈｅ ｄｙｎａｍｉｃｓｙｓｔｅｍ，ｅｌｍａｎ ｎｅｔｗｏｒｋ ｃａｎ ｇｅｔ ｂｅｔｔｅｒ ｒｅｓｕｌｔ． Ａｆｔｅｒ ｔｈａｔ， ＢＰｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｓ ｕｓｅｄ ｔｏ ｏｐｔｉｍｉｚｅ ｔｈｅ ｐａｒａｍｅｔｅｒｓ ｏｆ ＰＩＤｃｏｎｔｒｏｌｌｅｒ， ａｎｄ ｔｈｅ ｃｏｎｔｒｏｌｌｅｒ ｉｓ ａｌｓｏ ａｐｐｌｉｅｄ ｔｏ ｔｈｅ ｃｏｎｔｒｏｌｏｆ ｆｕｒｎａｃｅ ｔｅｍｐｅｒａｔｕｒｅ． Ｔｈｅｎ ｗｅ ｉｍｐｒｏｖｅｄ ｔｈｅ ｓｙｓｔｅｍ ｗｉｔｈ ｍｏｄｅｌ．Ａｔ ｌａｓｔ，ｗｅ ｕｓｅ ＰＩＤ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｏ ｃｏｎｔｒｏｌ ｔｈｅ ｏｂｊｅｃｔｓｄｉｒｅｃｔｌｙ． Ｔｈｅ ｒｅｓｕｌｔ ｏｆ ｔｈｅ ｃｏｎｔｒｏｌ ｉｎ ｔｈｒｅｅ－ｔａｎｋ ｌｉｑｕｉｄ ｌｅｖｅｌｅｑｕｉｐｍｅｎｔ ａｎｄ ｓｔａｎｄ－ｕｐ ｆｕｒｎａｃｅ ｉｓ ｅｘｃｅｌｌｅｎｔ．Ｔｈｅ ｒｅｓｅａｒｃｈｅｓ ａｂｏｖｅ ｉｎｄｉｃａｔｅ ｔｈａｔ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃａｎｓｏｌｖｅ ｔｈｅ ｃｏｍｐｌｉｃａｔｅｄ ｐｒｏｂｌｅｍ ｏｆ ｃｏｎｔｒｏｌ ｔｏ ａ ｃｅｒｔａｉｎ ｅｘｔｅｎｔ，ａｎｄ ｈａｓ ｂｅｔｔｅｒ ｐｒｏｓｐｅｃｔ ｉｎ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｃｏｎｔｒｏｌ．ＫＥＹＷＯＲＤＳ：ｎｅｕｒａｌ ｎｅｔｗｏｒｋ； ｉｄｅｎｔｉｆｉｃａｔｉｏｎ； ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ＰＩＤ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃｏｎｔｒｏｌ；ａｄａｐｔｉｖｅ ＰＩＤ ｃｏｎｔｒｏｌＩＩＩ符号说明冲与从几试气戈鱿ｙ；ａｗａＪＡｘ）、ｇ（ｘ）多层前向人工神经网络的学习步长或称学习率多层前向人工神经网络隐层神经元ｉ与输入层神经元ｉ的连接权值多层前向人工神经网络隐层神经元ｉ与输出层神经元的连接权多层前向人工神经网络隐层神经元Ｉ的输出多层前向人工神经网络输出层神经元Ｊ的输出多层前向人工神经网络隐层神经元ｉ的输入多层前向人工神经网络的输入多层前向人工神经网络输入层神经元１的输入被控对象的输出被控对象输出的估计多层前向人工神经网络的误差多层前向人工神经网络连接权向量的修正值多层前向人工神经网络的动量因子或冲量系数多层前向人工神经网络的目标函数多层前向人工神经网络的激励函数广西大学硕士学位论文第一章绪论１．１引言人工神经网络理论是近年来得到迅速发展的一个国际前沿研究领域，它具有并行方式 处理能力、容错能力、可以逼近任意的非线性函数、自学习、自适应及联想记忆功能等很有吸引力的特征，所以人工神经网络引起了众多研究人员的兴趣，井在各个领域取得了显著的进展。神经网络应用时，不需考虑过程或现象的内在机理，一些高度非线性和高度复杂的问 题能较好地得到处理，因此神经网络在控制领域取得了较大的发展，特别在模型辨识、控制器设计、优化操作、故障分析与诊断等领域迅速得到应用。神经网络控制作为二十一世纪的自动化控制技术，国内外理论与实践均充分证明，其在工业复杂过程控制方面大有用武之地。而工业现场需要先进的控制方法，迫切需要工程化实用化的神经网络控制方法，所以研究神经网络在控制中的应用，对提高我国的自动化水平和企业的经济效益具有重大意义。１．２人工神经网络的发展状况人工神经网络（ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，简写为ＡＮＮ）也简称为神经网络（ＮＮ）或称作连接模型（Ｃｏｎｎｅｃｔｉｏｎｉｓｔ Ｍｏｄｅｌ），是对人脑或自然神经网络（Ｎａｔｕｒａｌ ＮｅｕｒａｌＮｅｔｗｏｒｋ）若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。国际著名的神经网络研究专家，第一家神经计算机公司的创立者与领导人Ｈｅｃｈｔ－Ｎｉｅｌｓｅｎ给人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应而进行信息处理。”人工神经网络，是由若干人工神经元以一定的连接形式连接而成的复杂的互连系统。 对它的研究可以追溯到１９４３年由心理学家Ｗ． Ｓ． ＭｃＣｕｌｌｏｃｈ和数学家Ｗ． Ｐｉｔｔｓ提出了最早的广西大学硕士学位论文人工神经网络模型，即Ｍ－Ｐ模型。１９４９年心理学家Ｄ． ０． Ｈｅｂｂ提出了有名的Ｈｅｂｂ学习规则。５０年代末，计算机学家Ｆ．Ｒｏｓｅｎｂｌａｔｔ提出的感知器（Ｐｅｒｃｅｐｔｒｏｎ）模型，是第一个真正意义上的人工神经网络。１９６９年，人工智能的创始人之一Ｍ． Ｍｉｎｓｋｙ和Ｓ． Ｐａｐｅｒｔ出版了有较大影响的《感知器》一书，指出感知器功能上的局限性，其悲观论点极大地影响了当时的人工神经网络的研究，开始了人工神经网络发展史上长达１０年的低潮期。由于受当时神经网络的理论研究水平所限及应用前景不明朗，加之受到冯・诺依曼式 计算机大发展的冲击等因素的影响，对神经网络的研究陷入低谷。但是，在美、日等国仍有少数学者在扎扎实实地继续着网络模型和学习算法的研究，提出了许多有意义的理论和方法：如Ａｒｂｉｂ的竞争模型、１９７７年Ｋｏｈｏｎｅｎ提出的自组织映射模型、Ｇｒｏｓｓｂｅｒｇ的自适应谐振模型、Ｆｕｋｕｓｈｉｍａ的新认知机等．进入８０年代后，随着计算机科学、生物技术和光电技术等领域的迅速发展，人工神经 网络的研究进入到了一个新的发展阶段。１９８２年，美国物理学家Ｈｏｐｆｉｅｌｄ对神经网络的动态特性进行了研究，提出了所谓Ｈｏｐｆｉｅｌｄ神经网络模型。首次引入了网络能量函数的概念，并给出了网络稳定性的判据。以Ｒｔｍｉｅｌｈａｒｌ为首的ＰＤＰ（Ｐａｒａｌｌｅｌ Ｄｉｓｔｉｒｂｕｔｅｄ Ｐｒｏｃｅｓｓｉｎｇ）并行分布处理研究集团对联结机制（（ｃｏｎｎｅｃｔｉｏｎｉｓｔ）进行了研究。此外，Ｔ． Ｊ． Ｓｅｊｎｏｗｓｋｉ等人还研究了神经网络语音信息处理装置。这些成功的研究对第二次神经网络研究高潮的形成起了决定性的作用．１９８６年Ｄ． Ｅ． Ｒｕｍｅｌｈａｒｔ和Ｊ． Ｌ． ＭｃＣｌｅｌｌａｎｄ发展了著名的网络学习算法一误差反向传播（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ－－ＢＰ）学习算法。１９８７年６月，首届国际人工神经网络学术会议在美国加州召开．重新掀起神经网络开发研究的热潮。１ ９８８年，我国在北京召开了神经网络的国际研究工作会议，并出版了论文集。１９８９年１０月在北京又召开了神经网络及其应用讨论会。１９９０年１２月在北京召开了我国首届神经网络学术大会，并决定以后每年召开一次年会。１９９１年冬在南京召开的第二届中国神经网络学术大会上，宜布成立中国神经网络学会。在国外神经网络软件比较多，应用也比较成熟。比较有名的是Ｍａｔ ｈ Ｗｏｒｋｓ公司推出的ＭＡＴＬＡＢ。神经网络工具箱是ＭＡＴＬＡＢ环境下所开发出来的许多工具箱之一，它是以神经网络理论为基础，用ＭＡＴＬＡＢ语言构造出典型神经网络的工具函数，ＭＡＴＬＡＢ中专门编制了大量有关ＢＰ网络的工具函数，为ＢＰ网络的应用研究提供了强有利的便利工具．Ｗ ＤＩ其次就是Ｗａｒ ｄ Ｓｙｓｔｅｍ公司的Ｎｅｕｒａｌ Ｓｈｅｌｌ系列，在样本数据采集、录入、多种网络模型的选择、图形监控训练过程、自动生成神经网络控制算法、与常规控制加以集成方面做的很突出，特别是在指纹识别和手写体判别上面，被国家技术标准协会（ＮＩＳＴ， Ｎａｔｉｏｎａｌ２ 广西大学硕士学位论文Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｔａｎｄａｒｄｓ ａｎｄ Ｔｅｃｈｎｏｌｏｇｉｅｓ）认为是做的最好的。他提供了大量的网型（包括ＢＰ模型，ＫＯＨＯＮＥＮ模型，ＰＮＮ模型，ＧＲＮＮ模型）可以进行测试训练，对数据预处理，使用特殊的工具包，通过各种训练方法训练并可以生成ｃ程序或者ＶＢ程序．Ｉａ１１ｃ７［５１Ｗ国内神经网络方面研究十分活跃，其中浙江大学工业控制技术国家重点实验室ＢＰ算法的 改进及其在控制中的应用‘７１，上海交通大学研究神经网络在电站故障诊断系统中的应用研究（ｅ１，在交通流动态时序预测算法方面的研究都做得很多。清华大学，中国科学院，东北大学，华中科技大学，华南理工大学等学校在神经网络的应用也具有很强实力。但是国内神经网络软件依然少见，在控制中应用多半为自己编写单个程序，没有推广广泛且比较成熟的软件。１．３人工神经网络基本特征及在自动化领域的应用（９）［１０１１．３，１人工神经网络的基本特征１ ．以分布方式存储，即知识的存储不是在特定的存储单元里，而是分布在整个系统里。２．并行方式处理，即人工神经网络的功能分布在多个处理单元里，多个处理单元的并 行活动，就会大大提高神经网络信息处理的速度。３‘有很好的容错能力，即使神经网络中部分处理单元被破坏，也不影响网络的整体功 能，它可以从不完善的数据和图形通过学习做出判断．４ 可以逼近任意的非线性函数。５．有很强的自学习、自适应及联想记忆功能，学习是神经网络的主要特征之一，也是 人工神经网络的核心问题之一。通过学习来修正神经元之间的权值，还可以通过神经元之间的权值来记忆信息，使其获得的知识结构能适应周围环境的变化。１．３．２人Ｓ神经网络在自动化领域的应用【１１１ （１２１ （１３１ ［１１１自动控制是上世纪形成和发展起来的一门新兴学科，它是一门涉及到诸如数学、计算机、 信息、电工、电子等众多领域的交叉学科。如果把１９３２年“．Ｎｙｑｕｉｓｔ发表的关于反馈放大器稳定性的经典论文作为起点，自动控制的发展才只走过７０余年的历程．在这段时期内，它经历了经典控制理论到现代控制理论，又由现代控制理论发展到现在的智能控制诸阶段。在自动控制发展的过程中，计算机科学一直对它产生着巨大的影响。但是，随着科学技术的发展，对控制系统智能化的要求也越来越高。基于串行计算的Ｖｏｎ．Ｎｅｕｍａｎｎ计算机面对复杂的广西大学硕士学位论文智能控制系统，在对环境的识别和实施大规模计算等方面己显现出带有根本性的困难和局限。人工神经网络的发展为摆脱这种困境提供了一条途径。由于人工神经网络具有一些很有吸引力的特征，所以引起了众多研究人员的兴趣．并 已在自动化领域取得了显著的进展。在智能化自动控制、工业大生产优化过程等领域，经常有大量、广泛来源的信息可供使用，但是如何从这些广泛的信息中提取为我所用的信息。形成知识，并在此基础上进行控制优化，产生决策，是十分重要和复杂的过程，而人工神经网络的优异特性在于它非常适合大量信息及数据的并行处理，因此人工神经网络技术是解决这个重要和复杂过程最适合的工具。加世纪８４年代以来，神经网络和控制理论与控制技术相结合，发展为自动控制领域的一个前沿学科—神经网络控制。它是智能控制的一个重要分支，为解决复杂的非线性、不确定、不确知系统的控制问题开辟了一条新的途径。由于人工神经网络高维智能优化控制技术具有增在的巨大军事和工业效益，发达国家都在积极研究和发展此技术。神经网络用于控制领域，主要在以下方面取得较大进展；１系统辨识 在自动控制问题中，系统辨识是为了建立被控对象的数学模型，过去十几年中，人们 对线性系统的建模和辨识进行了深入的研究，总结出一套成熟的辨识方法，可以建立具有较高可靠性的模型。然而现实世界中，非线性是普遍存在的，多年来控制领域对于复杂的非线性对象的辨识，一直未能很好地解决。相比较而言．神经网络在这方面显示了明显的优越性。神经网络所具有的非线性特性和学习能力，使其在系统辨识方面有很大的潜力，为解 决具有复杂的非线性、不确定、不确知对象的辨识问题开辟了一条有效途径。基于神经网络的系统辨识是利用神经网络对任惫非线性映射的任意通近的能力，来模拟实际系统的输入一输出关系：而利用神经网络的自学习、自适应能力，可以方便的给出工程上易于实现的学习算法，经过训练得到动态系统的正向或逆向模型。与传统的非线性辨识方法不同的是，神经网络辨识不受非线性模型的，它根据被 控制系统的输入输出数据对，通过学习得到一个描述输入输出关系的非线性映射。给定一个输入即可得到一个输出，而不需要知道输入和输出之间存在着怎样的数学关系。从控制的角度看，神经网络建模主要有正向建模和逆向建模。与传统的辨识方法比较，神经网络系统辨识具有以下特点： （１）由于神经网络可以通近非线性函数，故它可为非线性系统的辨识提供一种通用的 模式。４ 广西大学硕士学位论文（２）神经网络系统辨识是非算法式的，神经网络本身就是辨识模型，其可调参数反映 在网络内部的连接权值上。它不需要建立以实际系统数学模型为基础的辨识格式，故可以省去在辨识前对系统建模这一步骤。（３）神经网络作为实际系统的辨识模型，实际上也是系统的一个物理实现，可以用于 控制。在神经网络非线性系统辨识方面还有一些问题需要进一步研究和探索，这些问题有网 络模型和结构的选择、快速学习算法的研究和收敛性的分析、输入激励信号的选取等。２神经控制 控制器在实时控制系统中起着“大脑”的作用，神经网络具有自学习和自适应等智能 特点，因而非常适合于做控制器。长期以来，自动控制工作者一直面临着一个具有挑战性的问题，即控制对象的不确定性和时变性，对策是采用自适应控制。自适应控制有间接和直接两种方式，前者是通过辨识对象本身的模型来调整控制器的参数，而后者则是直接估计控制器的参数。当前，线性系统的自适应控制问题已基本解决，但非线性系统的自适应控制还存在一些难点。神经网络的兴起为解决非线性系统的控制问题带来了生机，其原因还是在于前面所提 到的，即神经网络具有很强的非线性逼近能力和自学习能力。对于复杂非线性系统，神经网络所达到的控制效果往往明显好于常规控制器。神经网络作为控制器主要是为了解决复杂的非线性、不确定、不确知系统在不确定、 不确知环境中的控制问题，使系统稳定、鲁棒型（只在不确定因素存在的情况下，使系统保持其原有性质的能力）好，具有要求的动态和静态性能。近年来，神经网络控制在工业、航空以及机器人等领域的控制系统应用中已取得许多可喜的成就。国内外学者提出许多面对对象的神经网络控制结构和方法，大体上来看，具有代表性 的有以下几种：（１）神经网络监督控制 （２）神经网络直接逆动态控制 （３）神经网络参数估计自适应控制 （ ４）神经网络模型参考自适应控制（５）神经网络内模控制 神经网络智能控制研究才刚刚起步，还有许多问题需要进一步的研究和探索。这些问 题包括多媒体输入信号的识别、理解及融合方法，根据信息及目标，进行分析、推理乃伽广西大学硕士学位论文出最优决策的理论和方法，自适应、自学习及自组织方法等。３神经网络与其它算法相结合用于控制系统【 巧，阴神经网络与专家系统、模糊逻辑、遗传算法等相结合用于控制系统，可为系统提供非 参数模型、控制器模型。神经网络和模糊系统都是无精确模型的估计器，二者都是通过数值方法估计系统输入 输出之间的非线性映射关系，并且在处理系统的输入输出映射关系上具有相同的网络结构。神经网络和模糊控制在不确定系统的控制方面，均具有巨大的潜力，且各有其优缺点，能否将两者结合起来，取长补短，实现优势互补，以提高系统的性能，受到很多专家学者的关注。利用神经网络建立系统的预测模型，既可以构成神经网络预测控制。神经网络预测控 制方案中，首先对神经网络预测器建立被控对象的预测模型。并可以在线修正：然后利用预测模型，根据系统的当前输入输出信息，预测未来的输出值；最后利用神经网络预测器给出未来一段时间的输出值和期望输出值，对定义的二次型性能指标进行滚动优化，产生系统未来的控制序列，．并以第一个控制量对系统进行下一步的控制。神经网络作为一个新兴的控制方法正和多种控制方式相互交会，形成多种新型的控制 方法。神经网络与自动控制的结合是非常自然的，可以预计，神经网络的发展，必将对自动 控制的发展产生深刻的影响。．４本文研究的内容及意义科学技术的高速发展和社会的巨大进步对系统和控制科学提出了新的更高的要求，自 动控制科学面临着新的挑战，经典控制理论、现代控制理论在应用中遇到了一些难题．首先，这些控制理论对系统的分析和设计都是建立在精确的系统数学模型的基础之上的，而实际系统由于存在非线性、不确定性、时变性和不完全性等因素，一般难以获得精确的数学模型：其次，在研究这些系统时，一般先提出一些假设，而这些假设在应用中往往与实际不完全吻合，这就不可避免地出现较大的误差。因此，多年以来，自动控制的研究者们一直在寻找解决的办法，智能控制的出现带来了一片曙光。人工神经网络是智能控制的三大领域之一，它从诞生之日起就为广大学者所关注，并己在预测、安全监测、控制及模式广西大学硕士学位论文识别等方面取得了很大的进步。在我国，经过科研人员的长期努力，在智能控制理论的某些方面已接近或达到世界先进水平．但这些先进的理论和工程实践间存在着巨大的脱节，研究具有工程实用性的智能软件在我们这样的发展中国家尤其具有重要意义，正如国家科技型中小企业技术创新基金重点项目指南中指出：“当前，在工业生产过程控制系统引入智能控制软件主要是针对非线性、大滞后、多 变量、不确定性乃至粗糙无法建模的生产过程。因为这些过程控制困难，用传统经典控制方法很难奏效。由于复杂生产过程不能得到良好控制，使得企业生产能耗下不来、质量上不去，以至生产不够稳定。因此，在我国大力发展智能控制是一条有效可行的路子。为了帮助和支持实时智能软件的开发，有条件的科技型中小企业希望能开发有自主知识产权的工程化实时智能控制软件平台工具，现阶段重点支持项目之一：神经网络开发平台：支持从样本数据采集／录入、多种网络模型的选择、图形监控训练过程、自动生成神经网络控制算法、并可与常规控制加以集成。科技部科技型中小企业技术创新基金若干重点项目指南（ ２００２年）指出：“基于ＰＣ的控制系统是自动化技术发展的一个新的方向，它具有成本低、开放性好、与ＩＴ技术兼容性好等优点。本基金支持以工业ＰＣ机及软逻辑（ＳｏｆｔＰＬＣ）控制软件为控制器、以现场总线为网络、连接远程Ｉ／０及其它现场设备组成的分布式控制系统。”现阶段国内神经网络软件依然少见，在控制中应用多半为自己编写单个程序，没有应 用广泛且比较成熟的支持多种网型的神经网络软件，直接针对控制中应用的神经网络软件有一定的意义和应用前景。本课题是“国家科技型中小企业技术创新基金”资助项目、广西科技攻关项目— “实时智能控制软件包ＲＩＣＰ”的一部分。本文进行的研究工作如下： １搭建神经网络控制系统，选择多种网型，编写神经网络软件，并且编写与多种组态 软件集成运行的接口，完善神经网络软件。２使用几种不同类型的人工神经网络，对复杂对象进行辨识，分析辨识结果． ３使用神经网络调节ＰＩ Ｄ参数对复杂对象进行复合控制，并对算法进行改进．４直接使用ＰＩ Ｄ神经网络控制器，构造人工神经网络控制系统，对复杂对象进行直接无模型控制。广西大学硕士学位论文第二章神经网络控制系统本章介绍神经网络控制系统整体设计，就神经网络控制系统的整体结构和各部分的功 能，进行了简要的说明。２．１神经网络控制系统的整体结构［ｎ］多层前向神经网络在实时控制中通过动态数据交换同各种组态软件相连接，以组态软 件为媒介，控制各种设备。整体搭建成一个系统，如图２－１所示：数据通信接口（ＯＤＢＣ，ＤＢＣＯＭ等）口 人机界面Ｆ通讯设备其他手段以太网卡控制设备被控对象 图２－１神经网络控制系统整体结构Ｆｉｇ． ２－１Ｔｈｅ Ｓｔｒｕｃｔｕｒｅｏ ｆ ＮＮ Ｃｏｎｔｒｏｌ匀ｓｔｅｍ在整个系统中，神经网络作为一个控制策略实现对多种设各的控制。．神经网络控制器、辨识器及数据交换都在ＰＣ机上运行。ＰＣ机上装有Ｗｉｎｄｏｗｓ操作系统、组态软件和通信设备配置软件。神经网络软件采用面向对象的设计方法，用Ｃ＋＋开发［１８１１１９］［２０］［２１］［２２］广西大学硕士学位论文２．２神经网络系统的网型及算法２．２． １神经网络系统所采用的网型在本系统用到以下多种神经网络网型。在实际控制中根据不同对象，选择合适的网型： １．标准连接的多层前向人工神经网络（ ２２１，如图２－２所示，网络中每层只连接到前面的一层，网络可以是三层、四层甚至更多；隐层各神经元的输入为：ｘ＇‘＝艺ｗａｘ，一。，（ ｉ ＝１， ２，…，。）（２－１）月 隐层各神经元的输出为：ｑ＝ｆ （ｘ＇，）（ ｆ ＝１， ２，．，，ｍ）（２－２）输出层的输出，即网络的输出为； 图２－２标准连接的前向网络Ｆｉｇ． ２－２ Ｔｈｅ Ｆｅｅｄ Ｆｏｒｗａｒｄ ＡＮＮ ｗｉｔｈ Ｓｔａｎｄａｒｄ Ｌｉｎｋｕ”＊二艺ｖ，Ｏ； （ｋ＝１， ２，・，１） （２－３）其中，ｘ，为网络输入层的输出，ｗｕ为隐层神经元ｉ 与输入层神经元１的连接权，Ｂ‘为隐层神经元ｉ的阅值，ｑ常取Ｓｉｇｍｏｉｄ函数作为隐层神经元的激发函数，即ｑ＝１／（１＋ｅ－＇，）， ｖ，，为隐层神经元ｉ与输出层神经元ｋ的连接权。输出节点ｎ个，隐层节点ｍ个，输出节点１个（简单起见图上只画了一个输出神经元）。只有一个隐层，称为三层前向网络。如果取两个或两个以上的隐层，相应的前向网络称深层前向网络。２双并联前向人工神经网络，又称跳转连接网络，如图２－３所示，在这样的网络中， 增加输入层神经元与输出层神经元的直接联系；双并联前向神经网络是一个线性—非线性模型，因此，有着广泛的用途，特别是对于有部分是线性的系统：其中隐层各神经元的输入为：ｘ＇‘＝艺ｗａｘ、一Ｂ（ｉ＝１， ２，…，ｍ） （２－４）隐层各神经元的输出为：ｑ二ｆ （ ｘ＇，）网络的输出为：（ｒ＝１， ２，…。ｍ） （２－５）图２ －３双并联前向网络Ｆｉｇ． ２－３ Ｄｏｕｂｌｅ Ｐａｒａｌｌｅｌ Ｃｏｎｎｅｃｔｉｏｎ ＭＦＡＮＮ广西大学硕士学位论文ｕ１＊二艺，。０１＋艺ｕｋｉｘｉ （ｋ＝１，２，…，。（２－６）式中，ｕ ｙ．为输入层神经元Ｉ与输出层神经元ｋ的连接权。输出节点ｎ个，隐层节点ｍ个，输出节点１个（简单起见图上只画了一个输出神经元））ｅ３．埃曼（ （Ｅｌｍａｎ）前向人工神经网络，在一般前向网络的基础上，通过存储内部状态使其具备映射动态特性的功能，有适应时变特性的能力，该网络由输入层、隐层、承接层和输出层四层组成，其中承接层神经元与隐层神经元一一对应，网络的主要特点是隐层的输出通过承接层的延迟、存储、自联到隐层的输入，从而使网络对历史状态的数据具有敏感性，有利于动态过程的建模。Ｐｈａｍ等人在基本的Ｅｌｍａｎ网络基础上引入自反馈增益，得到一种Ｅｌ￣网络的改变型［２４１如图２－４所示：隐层各神经元的输入为： ｘ’‘＝艺、ｘｊ ＋艺ＰＮＺｉ一。，（ ｉ ＝１， ２，…，。）（２－７）隐层各神经元的输出为：０１二．ｆ （）ｅ‘）（ｉ＝１，２，＂－－，ｍ） （２－８）输出层的输出，即网络的输出为：图２－４埃吏前向网络 ｕ１＊二艺、０１ （ｋ＝１，２，一，１） （２－９）Ｆｉｇ． ２－４ Ｅｌｍａｎ ＭＦＡＮＮｚ ，（ｋ）＝ａ，ｚ，（ｋ一１）＋Ｏ，（ｋ） （ｉ＝１， ２，…，。ｔ＝１， ２，…，ｍ）式（ ２－７）中，Ａｒ为隐层神经元ｉ与承接层神经元．１的连接权，ｚ，为承接层神经元ｔ对于样本的输出，口为承接层自反馈系数。输出节点ｎ个，隐层节点：个，承接层节点取隐层节点个数，即ｍ个，输出节点１个（简单起见图上只画了一个输出神经元）。改进的Ｅｌｍａｎ网络可以使用ＢＰ算法来进行权值优化。４． ＰＩＤ神经网络。如图２－５所示，ＰＩＤ神经网络是将ＰＩＤ控制规律融进神经网络之中构成的，它既具有传统ＰＩＤ控制器的优点，又具有神经网络的并行结构和学习记忆功能及逼近任意函数的能力，可实现对复杂系统的控制。ＰＩＤ神经网络将在第四章详细论述。图２－５ ＰＩＤ网络Ｆｉｇ．２－５ ＰＩＤ－ＮＮ广西大学硕士学位论文５． Ｗａｒｄ前向人工神经网络１Ｕ （５１，如图２－６所示。其隐层带有不同的激发函数，在网络中，隐层可作为特性检测者，用隐层的不同激发函数可检测到通过网络预处理样本中的不同特性。隐层各神经元的输入为：ｘ＇；＝艺Ｗｖｘｊ－０，（，二，２一，ｍ）（２－１０）隐层各神经元的输出为：ｒｌ ｑｅｅＪ、ｆ， （ｘ）ｔ‘鹤 一－ｔＡ（ｘ）（１牡２，…，耐（２－１１） ｒ〔从１ 图２－６ Ｗａｒｄ前向网络输出层的输出，即网络的输出为：Ｆｉｇ．２－６ Ｗａｒｄ ＭＦＡＮＮｕ＂＊二艺Ｖｋ， Ｏｉ（ｋ ＝１， ２，…，１） （２－１２）式（（２－１１）中，五，几分别表示隐层的不同的激发函数。输出节点ｎ个，隐层节点。个（节点分为ｍ，个和ｍ２个２个部分），输出节点１个（简单起见图上只画了一个输出神经元）。２．２．２即算法及其改进［Ｍｌ＆ｅ３目前，多层前向人工神经网络是最常用、最流行、最成熟的人工神经网络。在网络中， 各神经元接受上一级输入，输出到下一级，它在理论上可以逼近任意连续非线性函数，误差反向传播（ＢＰ）算法是最著名、应用最广泛、也是多层前向神经网络的首选算法，也有的学者把多层前向人工神经网络就称作ＢＰ神经网络。为了简化起见，下面以一个输出层只含有一个神经元的三层前向人工神经网络（如图２－７）为例来说明这种算法的原理和过程。输入层 隐层输出层图２－７标准连接的三层前向人工神经网络Ｆｉｇ．２－Ｍｅ Ｔｈｒｅｅ－ｌａｙｅｒ Ｆｅｅｄ Ｆｏｒｗａｒｄ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｗｉｔｈ Ｓｔａｎｄａｒｄ Ｌｉｎｋ广西大学硕士学位论文１ ．正向计算过程图２－ ７的多层前向人工神经网络中，输入层中有ｎ个神经元，隐层有ｍ个神经元，输出层神经元的输出，即整个网络的输出为Ｙ，网络中输入层的输出分别是ｘ， ，ｘ ２ ，．．．，ｘ。则有：隐层各神经元的输入为： ｉ ＝１，２，． ．，ｍ）ｘ ’‘一艺ｗｙｘ，一Ｂ月 （２－１３）隐层各神经元的输出为：Ｏ， ＝ｆ（ｘｆ‘）输出层的输出，即网络的输出为（ｉ＝１，２＞＂ ＂，ｍ）（２－１４）ｌ＂一艺Ｖ， Ｏ；（ｉ ＝ｉ ＞２＞． ． ＞ｍ）（２－１５）其中，ｘ，为网络输入层神经元１的输出，ｗ，为隐层神经元ｉ 与输入层神经元．１的连接权，Ｂ，为隐层神经元的阐值，ｑ常取Ｓｉｇｍｏｉｄ函数作为隐层神经元的激发函数，即ｑ＝１／（Ｉ＋ｅ一“），或ｑ＝（Ｉ一ｅ－＂）（／Ｉ＋ｅ－＂），，‘为隐层神经元，与物出层神经元的连接权。定义由ｗｖ， ８‘和ｖ，组成的向量为网络的连接权向量ｗ，在给出ｗ值后，就能够在给出一组网络的输入后，由公式（２－１３）至（２－１５）求出网络的输出值ｕ＂ ａ上述给出的已知网络输入，计算网络输出的过程，称为网络的正向计算过程，因为网 络的计算是由输入层开始，逐层向前传递的，没有信息的反馈过程。 设有样本为认Ｐ＇ｘ２Ｐ， ．．与；今）（ｐ＝１，２，．．．，Ｐ；Ｐ为样本数），在给出网络连接权向量ｗ后，可以通过公式（２－１３）至（２－１５）计算出网络的输出值ｕ＂Ｐ，对于样本Ｐ！定义网络的输出误差为：＂Ｐ ＝１，一ｕ＂，并定义误差函数为ＰＥ＝告 （１Ｐ一’、）’（２－１６）一般情况下，ｗ的值是随机给出的，求出网络的翰出值ｕ’ ）后，公式（２－１５）定义的误差值比较大，即网络的计算精度不高。在确定网络的结构以后，也就是网络中隐层神经元数目ｍ确定的情况下，只能通过调整ｗ的值，逐步降低误差ｅＰ，以提高网络的计算精度。以下是详细的反向计算过程．２反向计算过程 在反向传播算法中， 常见的是沿着误差函数Ｅｐ随Ｗ变化的负梯度方向对Ｗ进行修正的，设Ｗ的修正值为△Ｗ，取广西大学硕士学位论文 ａＥ｝ｏ Ｗ＝－ｒ７＝式中（２－１７）０护ｒ ７为学习步长，取［［０，１１区间的值。将式（２－１５）和（２－１６）代入式（２－１７）中，有 ａｕ，ｎ，Ｗ＝ｒ１ ＂ｏ 分口Ｉ乍（２－１８）这就是计算△Ｗ的基本公式。定义△Ｗ为ｏＷ＝（ ｅｖｅｅｉ，ｅｗ） （２－１ｓ）根据公式（２－１８）进行推导，可以求得对于样本为Ｐ时，＜， Ｗ中各元素为△从＝粉ｅｐａｕｎｐ＝叮ｅ＇Ｏｉｐａｖ，（２－２０）已＝ｒｌｅ，ｖ，Ｏ，Ｐ（１一鸟 ）ＤＯ，一，ｅ０ ａ０，＆ １１（２－２１）△、一“ｅ． ａｗｌ一“ｅｐｖｉｉｕｐ（，一Ｏ，ｐ）ｘｉｐ因此能够用公式（（２－２０）至（２－２１）求出△Ｗ的值，最后采用迭代式＆Ｉ ＇－（２－２２）由于在完成正向计算以后，己经求出隐层各神经元的输出０４ ，和网络的输出误差ｅ．，Ｗ＋ｐＷ－＂ Ｗ （２－２３）对原ｗ进行修正计算，得到新的连接权向量Ｗ。以上所述计算过程，是对网络输出层神经元的输出误差和误差函数进行处理，沿着正 向计算过程的反向，将误差信息传递．对连接权向量Ｗ进行修正计算，因此将这一计算过程称为反向计算过程。一般将正向和反向计算过程统称为反向传播算法或误差反向传播算法。对于所有的学习样本，均按照样本排列顺序进行上述的计算过程，然后固定Ｗ值。对 Ｐ各样本分别进行正向计算，从而求出学习样本的能量函数为（２－２４）这样就结束了一个轮次的迭代计算过程。计算能量函数Ｅ的目的，是为了对网络的计算精度进行评价。当Ｅ值满足某一精度要 求时，就停止对网络的迭代计算，否则，就要进行新一轮次的迭代计算。反向传播算法的计算框图如图所示：广西大学硕士学位论文图２－８反向传格算法流程图Ｆｉｇ．２－８ Ｔｈｅ Ｆｌｏｗ Ｄｉａｇｒａｍ ｏｆ Ｅｒｒｏｒ Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ广西大学硕士学位论文图中给出总的迭代次数Ｔ．的目的，是为了避免当计算精度一直不满足精度要求时而 程序无法结束运行的问题发生。３标准ＢＰ算法的改进Ｌ副，Ｌ川反向传播算法具有计算公式较简单、理论依据充分、推导过程严谨及通用性好等优点， 至今仍然是神经网络的主要算法，它解决了多层前向人工神经网络的训练问题，在实际应用中有着重要的意义。但ＢＰ算法也存在一些不足之处，主要有：（ １） ＢＰ算法的收敛速度比较慢，一般需要成千上万次的迭代计算。（ ２）网络的学习记忆具有不稳定性。一个训练结束的ＢＰ网络，当给它提供新的记忆模式时，将使己有的连接权打乱，导致己记忆的学习模式的信息消失。要避免这种现象，须将原来的学习模式连同新加入的学习模式一起重新进行训练。（ ３）网络隐含层的层数及隐含层的单元数的选取上无理论上的指导，而是根据经验确定。因此，网络往往有很大的冗余性，无形中也增加了网络学习的时间。（ ４） ＢＰ算法常采用梯度下降法进行学习，可能会出现局部极小点，不能保证收敛。对标准ＢＰ算法存在的缺陷，迄今己提出大量的改进算法：１ ２９１１３０１３１）［３２１１３３１（１）变学习步长的方法 学习步长专的取值为０ ＜ｒ／＜１， ｒ／越大，对权值的修改越大。但是，当人工神经网络的权值分布ｗ已接近稳定的权值分布时．过大的１７将对权值分布ｗ的修改过程产生振荡，难以收敛于稳定的权值。若叮较小，则每次迭代计算对权值的修改较小，修改过程将缓慢地收敛于稳定的权值分布。一种简单易行的变学习步长的方法可以设定学习步长是迭代学习次数Ｔ的线性函数，使学习步长随学习次数Ｔ的增长而线性递减。假设学习过程的最大迭代次数为Ｔ－，第１次学习的学习步长为１ｑ（１），第几公次学习的学习步长为试几ａｘ），每经过一次学习后，使学习步长的变化量为△ｒ）＝ｒ７（（）一ｑ（Ｔ ）Ｔ－ （２－２５）那么，学习步长可表示为（Ｉ） －ｎｔＴ边 ． Ｔｒｌ（ｔ）＝７ｔ（１）一ｎＴ－ （２－２６）根据ＢＰ网络学习过程的收敛特性来设计适当的变学习步长函数，既可以加快学习速 度，又不至于引起学习过程的振荡。变学习步长方法是ＢＰ学习算法的主要改进方法之一，其中，变学习步长函数的设计是影响改进效果的决定因素。广西大学硕士学位论文（２）附加动量项方法 附加动量项也称为附加冲量法或惯性校正法二附加动量项要求在第Ｔ次计算连接权的 修改量ＡＷ（Ｔ）时，附加一项动量，动量为第Ｔ１次计算的相应连接权修改量ＡＷ（Ｔ一Ｉ）的加权，即将（２－１７）式修改为：△二（（Ｔ）一。奥＋ ａＡＷ （Ｔ一１）其中，ａ称为动量因子或冲量系数，０＜ａ＜ｌ，（２－２７）ａｗ 利用附加动量项可以起到平滑梯度方向剧烈变化的作用，增加算法的稳定性。在具体 计算中，学习步长粉越大，学习速度会越快。但过大时会引起振荡效应：而动量因子ａ取得过大可能导致发散，过小则收敛速度太慢。一般取ｉｌ＝０．２－０．５，ａ＝０．９０－０．９８，算法的收敛速度较快。（ ３）激发函数改进的方法现在在网络的隐层中，神经元的激发函数一般选用ｑ＝｝＇ （ｕ）＝１／（１ ＋ ｅ－＂）的ｓ型函数。这里将ｓ型函数的值接近于０或１的定义域两端定义为饱和区，中间为非饱和区。在饱和区，函数值对自变量的变化不敏感，因而，当隐层某神经元的总输出值处于饱和区时，连接权的微小变化不会对该神经元的输出产生什么影响。如果此时神经元的输出不是期望的输出值，而连接权的调节最又很小，绷良难将该神经元的状态调整过来，影响了网络学习的收敛速度，这种现象称为“平台”现象。为了解决上述的“平台”现象，可以将隐层神经元的激发函数选为式（ （２－２８）或式（２－２９）的形式。ａ一ｂｅ－－Ｏ；＝１＇（ｕ）ａ ＋ｂｅ－－二１＇（ｕ）ａ Ｏ， ＋ｂｅ－｀＂Ｉ （２－２８）（２－２９）式中：ａ， ｂ，ｃ为可调参数，通过调整的值，改变函数的饱和区，从而达到调整神经元输出值的目的。（ ４）隐层神经元节点数的确定在人工神经网络中，隐层神经元节点数的确定很重要，太少的隐层神经元数，训练时 网络可能出现局部极小点，结果出不来；太多的神经元数目，会使网络的训练时间过长，而且效果也不一定很好。在神经网络发展的初期，确定隐层节点数常采用试凑的方法，后来，随着对神经网络研究的深入，人们提出了许多隐层节点数的确定方法，主要可分为以广西大学硕士学位论文下几类；目前，隐层神经元数主要依靠经验来确定，以下介绍几种方法，以供参考。１ ．修剪方法在开始时构造一个含有冗余节点的大规模网络结构，然后在训练中逐步删除一些不必 要的节点或权值。常用的方法有：复杂性调整方法、灵敏度计算方法、互相作用的修剪方法、增益方法和奇异值分解方法。２．增长方法 在开始时构造一个小规模的网络结构，在训练时，根据实际情况，针对网络性能要求 逐步增加网络结构的复杂性，直到满足性能要求．例如，Ｍｅｚａｒｄ提出的”ｌｉｎｇ算法１３４１Ｆａｈｌｍａｎ提出的ＣＣ（Ｃａｓｃａｄｅ－Ｃｏｒｒｅｌａｔｉｏｎ）算法１３５１３．进化方法 该方法基于生物进化原理的搜索算法— 遗传算法（ＧＡ一一一。ｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ），具有很好的鲁棒性和全局搜索能力，非常适用于神经网络结构的优化和调整。４．自适应方法 根据生物神经元状态变化导致人脑空间结构和状态的变化这一原理，通过自适应学习 生成解决某一问题的适宜的网络结构，该方法在网络生成过程中综合了增长方法和修剪方法。５． 其它一些常见的计算公式文献［ ［３６１中给出的确定网络隐层神经元致目的计算公式：ｍ‘扩Ｎｘ（ １＋３） ＋１ （２－３０）其中，Ｎ为输入神经元数，ｌ为输出节点数。文献［ ２９】中一个三层网络的隐层神经元数是以下式计算的：隐层神经元＝ ＝１／２（输入个数＋轴出个数）十训练样本数的平方根１４１Ｈｅｃ ｈｔ－Ｎｉｅｌｓｅｎ给出的三层神经网络的隐层神经元的数目为：ｍ－ －２Ｎ＋ｌ（２－３１）其中，Ｎ为输入节点数。２．３数据通讯接口本节阐述采用自动化和软件领域的新技术，如ＣＯＭ， ＯＤＢＣ， ＡｃｔｉｖｅＸ， ＯＬＥ， ＯＰＣ等，在神经网络软件提供嵌入ＰＬＣ、工控机、现场总线、以太网控制系统的接口，与国内外各种广西大学硕士学位论文第三章神经网络对电加热炉的辨识传统控制理论对系统的分析和设计都是建立在精确的系统数学模型的基础之上的，而 实际系统由于存在非线性、不确定性、时变性和不完全性等因素，一般难以获得精确的数学模型。辨识正是适应这一需要而形成的一门学科，它的理论正在日趋成熟，它的实际应用己遍及许多领域。所谓辨识就是通过测取研究对象在输入作用下的输出响应，或正常运行时的输入输出数据记录，加以必要的数据处理和数学计算，估计出对象的数学模型。这是因为对象的动态特性被认为必然表现在它的变化着的输入输出数据之中，辨识只不过是利用数学的方法从数据序列中提炼出对象的数学模型而己。在工业生产过程中，炉温是一个常见而广泛的过程参数之一。电加热炉作为一类具有 非线性和大滞后的工业加热设备，其应用极为广泛．因此研究电加热炉的有效控制，不但具有较高的学术价值，而且具有一定的经济效益。本章介绍的电加热炉装置具有非线性、大滞后等特点，难以对其进行辨识与建模。人工神经网络己被有效地用于系统的辨识与建模中。神经网络可以作为一种建模方 法，因为对象的动态特性和复杂映射关系都可以隐含在网络之中。网络的这种近似的非线性映射的能力在系统建模中显得特别重要。正像传递函数可以作为线性系统模型的一般描述一样，人工神经网络潜在地提供了非线性模型的一般描述。３．１辨识对象加热炉对象是一个复杂的对象—小型的多温区电加热炉（如图３－１），该电加热炉具 有以下特点：（１）大滞后：该对象的滞后特性非常明显。（Ｚ）非线性：介质中温度的升高的增量与电加热炉中电流的增量不是一个线性的关系，这是由于随着炉子温度与外部环境温度温差的不同，其损失能量的比率也不能用线性关系来表示。（３）升温单向性：电加热炉的升温、保温是靠电阻丝加热，降温则是依靠自然环境冷却，所以当温度一旦超调就无法使用控制手段使其降温，因此，该控制对象具有升温单向性的特点。（４）建立数学模型困难：广西大学硕士学位论文鉴于以上特性，该对象的数学模型很难建立。（５）时变性：由于各温区的温度相互影响，开炉膛时炉膛内的空气和环境的空气发生对流．这样控制对象是实时在变化的。传感器Ｉ传感器ＩＩ Ｉ！传感器ＩＩＩ炉体炉膛温区１温区１１温区ＩＩＩ炉管图３－１三温区高温加热炉示意图Ｆｉｇ． ３－１ Ｔｈｅ Ｓｋｅｔｃｈ Ｍａｐ ｏｆ Ｔｈｒｅｅ－Ｚｏｎｅ Ｈｉｇｈ Ｔｅｍｐｅｒａｔｕｒｅ Ｆｕｒｎａｃｅ由于我们辨识电加热炉是为了检验神经网络在控制中的应用，而电加热炉对象的辨识已有文献讨论【］Ｂ３，为简单起见，这里只对单个温区进行辨识研究。３．２拼识ｔ］．ａ３．２．１阶跃响应特性的测定为了确定系统的纯滞后时间：。 和过渡时间：ｓ，首先要做阶跃响应曲线。在系统的输入端个加入一个阶跃响应如图３－２所示，由０８： ５３： ３２开始控制。由图３－２可知，纯滞后时间Ｔｏ为３分钟，过渡过程时间双为２小时。广西大学硕士学位论文温度（摄氏度）３．２，２输入信号的设计为了从实验数据中获得尽可能多的关于系统的信息，就需要设计适当的实验信号，即 选择和决定输入信号的类型、产生方法和引入点、采样周期、信号的滤波等。我们采用伪随机二位式序列作为输入的实验信号，Ｍ序列的采样周期为 Ｎ应该满足２＂－１＞－五△：一（姿一与双，取△：为３分钟。Ｍ序列周期长度的么Ｔ３ｕ ｘ ｌ的序列长度必须覆盖整个过渡过程；ｎ为位数。最后我们取ｎ＝７， Ｎ＝１２７作为Ｍ序列的周期长度。采用软件编程，以一个一维数组ａ［７３＝１１， １， １， １， １， １， １｝生成７级长度为１２７的编码，取最后一个元素ａ［６３作为序列的输出，进行１２７次循环赋值，每次循环完成：ａ［６３＝ａ［５３，ａ［５３＝ａ［４３，ａ［４３＝ａ［３１，ａ［３３＝ａ（２３，ａ［２３＝ａ［１３， ａ［１３＝ａ［０３， ａ［０３＝ａ［６３ ． ａ［３３（ａ［６」与ａ［３〕进行模２加，结果送给ａ［ｏ３）。如此循环１２７次。Ｍ序列的设计结果为：１１１１１１１００００１１１０１１１１００１０１１００１００１００００００１０００１００１１０００１０１１１０１０１１０１１０００００１１００１１０１０１００１１１００１１１１０１１０１００００１０１０１０１１１１１０１００１０１０００１１０１１１０００试验表明，Ｍ序列的幅值过小，则信噪比很低，加之静态工作点的漂移，可能使辨识精度大大降低，因此在不破坏系统正常工作的条件下，采用大幅度输入信号是有利的。经过多次试验以后，将Ｍ序列的幅值取为二２０％ｕ，， ｕ。为设定稳态输出的输入值。当数组ａ［７３产１０ｏｏ５００／／／ｒ一一一０８：５３：３２ ０９：黔：３２ １０：５３：３２ １１：５３：３３ １２：５３：３４９３Ａ１ １＆－ｉｍ＂ｉＶ）图３－２阶跃响应曲线Ｆｉｇ．３－２ Ｓｔｅｐ Ｒｅｓｐｏｎｓｅ Ｆｉｇｕｒｅ即选择广西大学硕士学位论文生的Ｍ序列输出为“１”时，将“＋ａ；叠加到ｕｎ上去。稳态的输入为２Ｖ时，对应的稳态输出值大约在５００摄氏度左右，对应温度在４５０－５５０摄氏度之间变化。为了提高辨识精度，需要获得比较多的数据，这样取４个序列长度。实验在开环下进行，令温度保持在５００摄氏度一段时间，使过渡过程消失。将输入信 号加到对象下端，每个采样周期内只送一个状态。序列为“０”时，输入０．８倍稳态量，序列为，＂Ｉ”时，输入１．２倍稳态量。数据的精度对辨识结果影响很大，采用滤波手段进行处理：对每个采样点采样１１次， 去掉最大最小值，取平均值为采样数据。采样数据中包含有直流分量和动态信息。为了使模型能充分反映系统的动态特性，必须滤掉直流分量。另外由于实验过程较长，直流分量常有缓慢变化的漂移，即趋势项．把上述两项合并考虑，用一阶多项式来描述：Ｙ（ｋ） ＝ｂｏ＋ｂ，Ｋ其中（３－１）２（２Ｎ＋１）艺Ｙ（ｋ）一６艺ｋＹ（ｋ）ｂ．（３－２）Ｎ（Ｎ一１）１２艺 ｋＹ（ｋ）一６（Ｎ＋１）艺Ｙ（ｋ）＝ｋ＝１＿＿＿ｋ＝１Ｎ（Ｎ一１）（Ｎ＋１）式中：Ｎ一实验数据个数；Ｙ （ｋ）一实验所得数据。因此，增量ｙ （ｋ）可以用下式表示：（３－３）ｙ（ ｋ） ＝Ｙ（ｋ）－Ｙ（ｋ）＝Ｙ（ｋ）－ｂｏ－ｂ，Ｋ （Ｋ＝１，２，－－－， Ｎ） （３－４）序列｛ｙ（ｋ）｝是从原始数据中去掉直流和趋势项后所得到的用于进行参数估计的零均值输出序列。而被控对象输出量ｙ （ｋ）则是伪随机码的幅值及其Ｍ序列经式（３－４）处理过的数据。所处理过的部分数据见表３． １。按照以上所得｛ｙ （ｋ）｝和｛ｕ （ｋ）｝进行系统辨识，则得到的是系统的增量模型。若想建立系统的全量模型，必须将直流量恢复进去，按照下式计算：ｙ（ ｋ） ＝ Ｙ（ｋ）－ｂ，Ｋ （３－５）认为电加热炉在炉温５００摄氏度，采样周期取３分钟时，其纯时延为一步，其阶次为二阶。广西大学硕士学位论文表３． １整理后的部分采样数据输出 －７．５９３４－１３． １４０９输入０．８０．８０．８－０．８输出 输入０．４９６０ ０．８－１１．６８６１ －０．８－１２．９８９０ ０． ８－０．９１０９－１３．４１２７－１６．８０１９１５．９９１－０．８－（）．９０． ８０．８一１０．５９１０ ０．８－６．０５０７ ０．８．７５０９－０．８－０．４９５２－０．７５９０－１５．８５０７ ０．８－１４．１９６１ ０．８－８．５２０７ ０． ８－１３．８０４４ －０．８－７．７６１３－１１．５７４２－０． ８－０．８３．２．３采用标准ＢＰ网络辨识［４０１１４１１对于加热炉系统采用申・ 并联结构辨识，辨识模型采用ＮＡＲＭＡＸ模型。采用串一并联结构来辨识可以在对象输入输出信号有界的情况下保证用于辨识的信号也有界。这有利于保证辨识模型的稳定性。 图３－３串并联辫识结构Ｆｉｇ．３－３ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｓｔｒｕｃｔｕｒｅ ｉｎ Ｐａｒａｌｌｅｌ ａｎｄ Ｓｅｒｉａｌ虽然ＢＰ网络具有强大的非线性通近能力，但它仅仅是一个静态的非线性映射，并不 是一个非线性动力系统，为了将其应用与系统辨识，必须将时间因数引入网络，需要对输入输出确定阶次，在此基础上取得输入和输出量。对于网络输入ｕ （ｋ－ｍ） （ｍ＞０）和输出ｙ（ｋ－ｎ） （ｎ＞０）的ＮＡＲＭＡＸ模型为：ＹＯ ＋１） ＝ Ｉ（Ｙ（ｔ），．．．，Ｙ（ｔ一ｎ＋ １）； ｕ（ｔ），．．．， ｕ（ｔ一ｍ＋１）） （３－６）广西大学硕士学位论文下面我们就以串并联模型为基础，利用所采集的数据来建立加热炉的非线性模型。我 们采取了１２０组数据，其中取１００组用于建模，２０组用来检验模型。这里我们取２拍离散输入，电加热炉下半区在５００摄氏度附近用以下非线性模型来表示为：ｙ（ ｋ ＋１） ＝ ｆ （ｙ（ｋ）， ｙ（ｋ一１）； ｕ（ｋ一１）， ｕ（ｋ一２）） （３－７）利用ＢＰ算法，输入层用４个输入，分别对应ｙ（ｋ）， ｙ（ｋ－１）、ｕ（ｋ－１）、ｕ（ｋ－２），隐层取８个神经元，输出层取Ｉ个神经元。隐层与输出层取Ｓｉｇｍｏｄ函数为激励函数，步长取。０１，动量项系数０．９，在学习６０００步后基本收敛，训练结束后，网络输出值和实际值的拟合曲线如下：（标ｔ＞图３－４拟合曲线图（１）Ｆｉｇ．３－４ Ｍｅｒｇｉｎｇ Ｃｕｒｖｅ （１）其中横坐标为采样样本序列，纵坐标为采样样本经式（３－４）处理过的数据值。恢复为温度值后的结果为：粗度＂ｃ成Ｕ‘，，．ｎ目ｎ比ｎ“气｝』目〕卜Ｕ样本值１６ ３１ ４６ ６１ ７６ ９１ １０６ １２１来样点 图３－５拟合曲线图（２）Ｆｉｇ．３－５ Ｍｅｒｇｉｎｇ Ｃｕｒｖｅ （２）广西大学硕士学位论文由于网络训练结果较好，所以采样样本实际输出和网络输出值较好的重叠在一起。在训练中训练样本误差下降曲线：误速。二％ ）０１ｒ（Ｏ． １５０ ３０ｏ ４５Ｏ ６００ ７５０ ９００ １口５Ｏ〔，〕续 ｝ｊ无．白勺时．「司Ｉ＇司肠稿图３ －６误差下降曲线图Ｆｉ ｇ．３－６ Ｅｒｏｒｒ Ｄｅｃｅｒａｓｉｎｇ Ｃｕｒｖｅ其中横坐标为时间序列，纵坐标为采样样本处理过程中训练样本的误差值（扩大１００倍）。训练结束后采样样本误差曲线图为：误趋节 图３－７误差曲线图Ｆｉ ｇ．３－７ Ｅｒｏｒｒ Ｃｕｒｖｅ其中横坐标为采样样本序列，纵坐标为处理结果的误差值。平均误差为：４． ６％，３．２．４采用双并联网络辨识【ａ］ ＩＱ）我们采用双并联网络辨识，也采用图３－３的串并联辨识结构进行离线辨识。我们使用 上面采集的数据，经过式（３－４）处理。由于双并联网络也是静态网络，所以取２拍离散广西大学硕士学位论文输入，电加热炉下半区在５００摄氏度附近用式（（３－”非线性模型来表示。双并联网络可以使用交替叠代算法，也可使用ＢＰ算法来进行学习。这里我们利用ＢＰ算法，输入层用４个输入，分别对应ｙ（ｋ）， Ｙ（ｋ－１）、ｕ（ｋ－１）、ｕ（ｋ－２），隐层取８个神经元，输出层取１个神经元。隐层与输出层取Ｓｉｇｍｏｄ函数为激励函数，步长取０．０１，动量项系数０．９，在学习１０００步后基本收敛，训练结束后，网络输出值和实际值的拟合曲线如下：处理后的采祥值．』Ｕ，盛（＃田一７一１３・２０・２６其中横坐标为采样样本序列，纵坐标为采样样本经式（ （３－４）处理过的数据值。恢复为温度值后的结果为：日度＂ｃ６００由于网络训练结果较好，所以采样样本实际输出和网络输出值较好的重叠在一起。在训练中训练样本误差下降曲线：ｎ引户，盛勺Ｊ．．王，．网络值图３－８拟合曲线图（１）Ｆｉｇ．３－８ Ｍｅｒｇｉｎｇ Ｃｕｒｖｅ （１）的卜』ｎ甘民Ｊ门Ｕ已」‘．１１ １６ ３１ ４６ ６１ ７６ ９１ １０６ １２１果样点 图３－９拟合曲线图（２）Ｆｉｇ．３－９ Ｍｅｒｇｉｎｇ Ｃｕｒｖｅ （２）广西大学硕士学位论文误差％ 〔二ｉｏｎ）。・‘１ｏ ２０ ｓｏ４０ ５０６０ ７０〔，〕经Ｊ万的时ｆ司间隔图３ －１０误差下降曲线图Ｆｉ ｇ．３－１０ Ｅｒｒｏｒ Ｄｅｃｅｒａｓｉｎｇ Ｃｕｒｖｅ其中横坐标为时间序列，纵坐标为采样样本处理过程中训练样本的误差值（扩大１００倍）。训练结束后采样样本误差曲线图为：误趋，图３－１１误差曲线图Ｆｉ ｇ．３－１１ Ｅｒｒｏｒ Ｃｕｒｖｅ其中横坐标为采样样本序列，纵坐标为处理结果的误差值。平均误差为：４．８９６，３．２．５采用Ｗａｒｄ网络辨识，“〔‘，‘“采用Ｗａｒｄ网络辨识，也采用图３－３的串并联辨识结构进行离线辨识，我们使用上面采 集的数据．经过式（３－４）处理。由于Ｗａｒｄ网络也是静态网络，所以取２拍离散输入，电加热炉下半区在５００摄氏度附近用式（３－７）非线性模型来表示。这里我们利用ＢＰ算法对３１ 广西大学硕士学位论文Ｗａｒｄ网络进行权值修正，输入层用４个输入，分别对应Ｙ（ｋ）＂ Ｙ（ｋ－１）、ｕ（ｋ－１）、ｕ（ｋ－２），隐层取８个神经元，输出层取１个神经元．输出层取Ｓｉｇｍｏｄ函数为激励函数，隐层神经元分２组，每４个神经元一组，分别取两种激励函数：高斯函数（ｅｘｐ（－ｘ，））和高斯反函数（１－ｅｘｐ（－Ｘ＇）） Ｉ＇，，处理前将输入输出归一化为［［０，１］之间，步长取。．Ｏｌ，动量项系数０．９，在学习１２００步后基本收敛。训练结束后，网络输出值和实际值的拟合曲线如下：〔标勿图卜班拟合曲线图（１）Ｆｉｇ．３－１２ Ｍｅｒｇｉｎｇ Ｃｕｒｖｅ （１）其中横坐标为采样样本序列，纵坐标为采样样本经式（３－４）处理过的数据值。恢复为温度值后的结果为：孟翻度＂ｃ口００月，知月ｊ００１６ ３１ ４６ ６１ ７６ ９１ １０６ １２１采样点 图３－１３拟合曲线图（２）Ｆｉｇ．３－１３ Ｍｅｒｇｉｎｇ Ｃｕｒｖｅ （２）由于网络训练结果较好，所以采样样本实际输出和网络输出值较好的重叠在一起。在训练中训练样本误差下降曲线：广西大学硕士学位论文ｉ吴。’‘合１０ ２０ ８０ ４０ Ｓｏ ６０ ７０〔，〕经历的日寸间「司Ｆ隔图３－１４误差下降曲线图Ｆｉ ｇ．３－１４ Ｅｒｏｒｒ Ｄｅｃｒｅａｓｉｎｇ Ｃｕｒｖｅ其中横坐标为时间序列，纵坐标为采样样本处理过程中训练样本的误差值（扩大１００倍）。训练结束后采样样本误差曲线图为：谈趋，图３－１５误差曲线图Ｆｉ ｇ．３－１５ Ｅｒｒｏｒ Ｃｕｒｖｅ其中横坐标为采样样本序列，纵坐标为处理结果的误差值。平均误差为：３．６９６．３．２．５采用改进的〔Ｉ ｍａｎ网络辨识〔ｕ） （Ｍ）采用改进的Ｅｌ ｍａｎ网络辨识，也采用图３－３的串并联辨识结构进行离线辨识，我们使用上面所采集的数据。经过式（（３－４）处理。电加热炉下半区在５００摄氏度附近用式（３－７）广西大学硕士学位论文非线性模型来表示。这里我们利用ＢＰ算法对改进的Ｅｌｍａｎ网络进行权值修正，输入层用２个输入，分别对应ｙ（ｋ）， ｕ（ｋ－１），隐层和承接层都取６个神经元，输出层取个神经元。隐层与输出层取Ｓｉｇｍｏｄ函数为激励函数，承接层自反馈因子取。．５，步长取。．０１，动量项系数０．９，在学习ｆ：１％。步后基本收敛，训练结束后，网络输出值和实际值的拟合曲线如下：图３－１６拟合曲线图（１）Ｆｉｇ．３－１６ Ｍｅｒｇｉｎｇ Ｃｕｒｖｅ （１）其中横坐标为采样样本序列，纵坐标为采样样本经式（３－４）处理过的数据值。恢复 为温度值后的结果为：日度＂Ｃ６０，由于网络训练结果较好，所以采样样本实际输出和网络输出值较好的重盈在一起。在训练中训练样本误差下降曲线（扩大１００倍）：月，月」１５０ｒＪＣＵｎＵｌｌｌＵ。１一 １６一 ３１ ４６ ６１一 ７６一 ９１不一１云图３－１７拟合曲线图（２） 采样点 Ｆｉ ｇ．３－１７ Ｍｅｒｇｉｎｇ Ｃｕｒｖｅ （２）３４ 广西大学硕士学位论文１．０ 误差。．８％ ０．６０．４０．２０．０１００ １ｓ０２００ ２５０（：）经历的时Ｉ可Ｉ可隔图３ －１８误差下降曲线图Ｆｉ ｇ．３－１８ Ｅｒｏｒｒ Ｄｅｃｒｅａｓｉｎｇ Ｃｕｒｖｅ其中横坐标为时间序列，纵坐标为采样样本处理过程中训练样本的误差值。训练结束后采样样本误差曲线图为：议坦肠 图３ －１９误差曲线图Ｆｉ ｇ．３－１９ Ｅｒｏｒｒ Ｃｕｒｖｅ其中横坐标为采样样本序列，纵坐标为处理结果的误差值。平均误差为：２９％。３．３辨识结果分析根据不同网络对模型辨识收敛所需要的训练时间和训练次数的情况，建立表３－１：广西大学硕士学位论文表３－１ 项目普通ＢＰ网络３２０（ｓ）６０００４．６％双并联网络Ｗａｒｄ网络改进的Ｅｌｍａｎ网络３０（ｓ）８００２．９％时间 次数 平均误差５０（ｓ）１０００４．８％６０（ｓ）１２００３石％根据表３－ １，比较普通ＢＰ网络、双并联网络、Ｗａｒｄ网络、改进的Ｅｌｍａｎ网络；（ １） ＢＰ网络存在着学习速度慢，需要较长时间，平均训练次数很多，有时训练次数到了后仍达不到目标期望误差。（ ２） Ｗａｒｄ网络训练效果最快，由于它使用高斯函数和一个高斯补函数．在一个隐层上用高斯函数去检测中间范围的数据的特征，在另外的隐层可以用高斯补函数去检测数据两端的极端特性。这样，输出层将得到不同的“数据视图”，结合输出层可以产生较好的预测。所以它也能够得到较好的辨识效果。（ ３）双并联网络对于这个对象来说辨识效果比不上Ｗａｒｄ网络和Ｅｌｍａｎ网络，相比较ＢＰ网络来说，它的训练速度快，训练次数上较少，可以很快的收敛。（ ４）改进的Ｅｌｍａｎ学习速度快，平均训练次数少，网络的输出与系统实测输出拟合得很好。虽然ＢＰ网络具有强大的非线性通近能力，但它仅仅是一个静态的非线性映射，并不是一个非线性动力系统，为了将其应用与系统辨识，必须将时间因数引入网络。下图为利用ＢＰ算法，输入层用２个输入。分别对应ｙ（ｋ）， ｕ（ｋ－１）．隐层取６个神经元，输出层取ｌ个神经元。隐层与输出层取Ｓｉｇｍｏｄ函数，步长取。．０１，动量项系数０．９，收敛以后的拟合曲线。湘姚脚、，１盛德涛 ｔ一２７ｓ１网络值图３ －２０拟合曲线图Ｆｉｇ．３－２０ Ｍｅｒｇｉｎｇ Ｃｕｒｖｅ广西大学硕士学位论文其中横坐标为训练样本序列，纵坐标为采样样本经式（３－４）处理过的数据值。从图３－２０中看出，网络辨识结果与实际值有较大延迟，静态网络如果不对输入进行离散化．那么不能反映系统中的动态特性。Ｗａｒｄ网络和双并联网络也是静态网络，而Ｅｌｍａｎ网络则是动态网络。由于Ｅｌｍａｎ网络的动态特性由内部的连接反映，所以它无需直接使用状态作为输入或训练信号，使得网络输入层的神经元数量与ＢＰ网相比有较大的减少，这是Ｅｌｍａｎ网络相对于静态网络的优越之处，特别是当系统阶次较高时，这一优越性就更加突出了。采用Ｅｌｍａｎ网络为一复杂的、具有不确定性因素的对象建立了神经网络模型，经实际数据检验，该模型能较好地吻合对象。（ ５）炉温系统包含延时因子，属于典型的动态系统。与静态神经网络相比，动态神经网络不需要预先假定系统的阶次，为动态系统的辨识与控制提供了新的途径。说明采用动态网络辨识更好，辨识结果也体现了Ｅｌｍａｎ网络的优越性。这一结果显示了Ｅｌｍａｎ网络在系统建模进而在系统控制上有很好的应用前景。广西大学硕士学位论文第四章基于ＢＰ神经网络的ＰＩＤ自适应控制系统ＰＩ Ｄ控制是工业过程控制中最常见的一种控制方法，这是因为ＰＩＤ控制器结构简单．实现容易，且能对相当一些工业对象（或者过程）进行有效的控制。但是常规的ＰＩＤ控制的局限性在于：当被控对象具有复杂的非线性特性，难以建立糟确的数学模型，且在工业过程控制中．受控系统的参数常是未知的，有时还因为原料、环境和工况等的变化而引起参数的时变现象和不可忽视的随机扰动，所以常规的ＰＩＤ控制要进行在线参数整定是十分困难的。而常规自校正控制是在被控对象为线性对象的前提下进行研究的，面对工业过程的非线性对象，它也存在许多不尽人惫之处．神经网络具有很强的非线性逼近能力和自学习能力，所以将神经网络算法与ＰＩＤ控制相结合产生的间接自校正控制策略，能自动整定控制器的参数，使系统在较好的性能下运行。这里使用神经网络来对ＰＩ Ｄ参数进行优化。通过神经网络自身的学习，可以找到满意控制律下的Ｐ，Ｉ，Ｄ参数。基于ＢＰ神经网络的ＰＩＤ如图４－１所示。控制器由两个部分组成： （ １）经典的ＰＩＤ控制器：直接对被控对象过程闭环控制：（ ２）神经网络：根据系统的运行状态，调节Ｐｍ控制器的参数，以期达到某种性能指标的优化。 根据系统的运行状态，调节ＰＩ Ｄ控制器的参数，以期达到某种性能指标的优化。即使输出层神经元的输出状态对应于ＰＩＤ控制器的３个可调参数ＫＰ， ＫＩ， Ｋｎ，通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种优化控制律下的ＰＩＤ控制器参数。神经网络控制器起了参数优化的作用，由于神经网络在线调整，系统就具有了自适应性。广西大学硕士学位论文ｒ 一一一粉图４－１基于ＢＰ神经网络的ＰＩＤ控制系统Ｆｉｇ．４－１ Ｎｅｕｒａｌ－ＰＩＤ Ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ４．１基于神经网络的ＰＩＤ控制〔４７］（４８］［４９］［５０）４．１．１ ＰＩＤ控制器设控制系统的输入／输出采样序列为 ｛ ｒ（ｋ）， ｙ（ｋ） ｝ＰＩＤ控制的基本算式为：ｕ（ｋ） ＝ｋｐｅ（ｋ）＋ｋ，艺ｅ（ｊ） ＋ ｋｄ［ｅ（ｋ）一ｅ（ｋ一１）］＝ｕ，（ｋ）＋ｕ，（ｋ）＋ｕ，（ｋ）ｅ（ｋ） ＝ ｒ（ｋ）一ｙ（ｋ）（４－１）（４－２）式中，ｕ（ｋ）：控制器在ｋ时刻的输出；ｅ（ｋ）：控制系统在ｋ时刻的误差；ｋ，．， ｋ， ｋ，：比例、积分、微分系数。由式（４－１）知，ＰＩＤ控制器由比例（（Ｐ）．积分（Ｉ），微分（Ｄ） ３个部分组成．控制器的结构如下图所示：广西大学硕士学位论文图４－２ ＰＩＤ拉制器Ｆｉｇ．４－２ ＰＩＤ Ｃｏｎｔｒｏｌｌｅｒ比例环节控制分量：ｕ， （ｋ） ＝ ｋｐｅ（ｋ）与误差ｅ（ｋ）成比例，比例系数ｋｐ增大可减小控制系统稳态误差，提高控制梢度．但ｋｐ增大会使系统的相对稳定性降低，甚至会造成系统的不稳定；积分环节控制分量ｕ２ （ｋ）＝ｋ，艺ｅ（ｋ） ＝ ｕ２ （ｋ一１） ＋ Ａｕ２ （ｋ），与误差的积分成比例，作Ｊ＝ｏ 用是提高系统的无差度，使系统的稳定性能提高。同时必须比例与积分一起控制才能达到ｋ 使系统稳定有提高无差度的目的；微分环节产生控制分量ｕ， （ｋ） ＝ ｋｐ［ｅ（ｋ）－ｅ（ｋ－１）］与误差的微分成比例，因是采样控制，故ｕ， （ｋ）与误差的一阶差分成比例．该环节在Ａｅ（ｋ） ；ｄ ０的时候起作用，有助于提高系统的稳定性。就改善系统的控制性能而言，只有比例加微分一起控制才能奏效，主要作用是增加控制系统的阻尼比，在保真系统具有一定的相对稳定性的情况下，容许采用较大的增益ｋｂ，减小稳态误差。微分的作用不足之处是放大了噪声信号。４．１．２签于神经网络的ＰＩＤ控制算法用来控制对象的神经网络模型是３层ＢＰ网络。其结构如图４一所示，有３个输入节点、．个隐层节点、３个输出节点。为反映ＰＩＤ控制器三类信号的特性，输入节点对应误差，误差累计和误差的变化３个量。输出节点分别对应ＰＩＤ控制器的３个可调参数Ｋｐ， ＫＫｏ．广西大学硕士学位论文图４－３ ＢＰ神经网络Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｆｉｇ一３ＢＰ 输入层的输入输出关系为：ｕ， （ｔ） ＝ ｅ（ｋ）； ｕ， （ｔ）＝艺ｅ（ｉ）； ｕ３ （ｔ）＝ｅ（ｋ）一ｅ（ｋ一１）；隐层的输入为：（４－３）ｘ； （ｔ）一全、ｕｉ十。‘，ｉ＝１， ２，…，・隐层的输出为：（４－４）Ｏｆ ＝ ｆ［ｘ，（ｔ）］，ｉ＝１， ２，”‘，ｍ输出层的输入为；（４－５）ｘ ＂ （ｔ）Ｖｙｑ＋风，，ｉ＝１， ２， ３输出层的输出为：（４－６）ｕ ＂， ＝ ｇ［ｘ， （ｔ）］ ， ｉ＝１， ２， ３ （４－７）城＝ ｋｐ，城＝ｋ，，ｕ３ ＝ｋ，其中，ｗ｝』为输入层到隐层的权值，ｖ；，为输出层到输出层权值。ｅ， ａ，．为阐值。由于Ｋｐ， Ｋ Ｋ。不能为负值，所以输出层神经元的活化函数取非负的Ｓｉｇｍｏｄ函数；ｆ （ｘ）＝ｌ＋ｅ（４－８）而隐含层神经元的活化函数可取正负对称的函数：ｇ（ｘ）一＝牛一ａ［ ｉ ＋ ｔａｎｌｔ（ｘ） Ｊ用ＢＰ算法来修正权值和闽值，使目标函数满足：（４－９）广西大学硕士学位论文Ｌ艺阔．１（ｋ）Ｊ［ｒ（ｋ）一，（“］），艺ｅ２ （ｋ） ＿＜ｃ ＢＰ学习算法由正向传播与反向传播组成‘正向传播与反向传播参阅２．２．２节，其不同之处参见以下算法：经过ｋ步训练以后．隐层至输出层权值调整算法、“・”一、“，一叭ａ７２ｙＪ式中１７２是ｗ，的学习步长。 Ｅ（４－１０）（４－１１）式中ａＹ为未知非线性系统的、ｏｂ，矩阵，。为控制量。该矩阵的求解可以采用如下的近乙ｕ ａｌ一祝－ａｌ一衅飒一气 ａｕａＪ伽ａｙ ａｕ ａｕ， ＂（４－１２）似计算：ａｕ二州ＡｕＩ图的时候，通常使用如下形式：（４－１３）近似代替，其正负可以确定该项在计算过程中对收敛方向所起的作用。在使用式（４－１３）ｓｇｎ〔 ｙｕ（ｋ）＋－１）ｕ－（ｋｙ－（ｋ１）１可知在有界范围内（今１４）黔＝ ｅ（ｋ，一“一‘，ａｕ（４－１５）ｔ２．ｆ＂ａｕ＝＂１Ｋ）（４－１６）－妈 ＂＝ｅ０ｃ）一ｔｅ（ ｋ一１）一ｅｌｋ－２）（４－１７）将式（（４－１２）、式（４－１４）一式（４－１７）代入式（４－１１），加入动量项可以得到帆＝ ７１２５（（ｋ） ０， （ｋ）十ａＡＶ ｙ（４－Ａ８）其中８：（ｋ）一。（ｋ）ｓａｎｌ Ａ竺卫卫‘竺飞卫些生ｚ ｔｕ， ＂（ｋ）１－一ｌ ｕ（ｋ） －ｕ（ｋ一１） ）再＂（ｋ）一‘一’－（ ｄ－１９ ）广西大学硕士学位论文式中ｓｇｎ表示符号函数。同理可推导出经过ｋ步训练以后，输入层至隐层权值调整算法：△玛＝７ ７１戊（ｋ）ｕ， （ｋ） ＋ ａＡｗｌ（４－２０）其中８，（ｋ） ＝ Ｉ ＇［ｏ； （ｋ）龙ａ，＇（ｋ）可式中ＩＩＩ是ＷＪ的学习步长・４．１．３改进的基于神经网络的ＰＩＤ控制算法（５１］（４－２１）二十｝ （） ｅＴＰＩＤ控制器被控对象炜】Ｋ，｝Ｋ神经网络ｄｔｒ Ｉ学习算法神经网络模型图４－４有模型的基于ＢＰ神经网络的ＰＩＤ控制系统Ｆｉｇ．４－４Ｎｅｕｒａｌ－ＰＩＤ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍ Ｂａｓｅｄ Ｏｎ Ｍｏｄｅｌ上面提出式中李未知非线性系统的Ｊ ａｃｏｂ，矩阵的求解可以采用如式（４－１４）的近似加 －－一－－一’一’－一’－一’一‘’一一”一’一‘一‘一’计算近似代替，其正负可以确定该项在计算过程中对收敛方向所起的作用。如果能用某种意义下的最优估计，用Ｙ来代替ｙ，将会使控制效果得到进一步改善．基于这个思想，我们用非线性模型来描述这个控制系统。设被控对象为ＳＩ ＳＯ非线性系统，对于系统输入ｕ（ｋ－ｍ）（ｍ＞０）和输出ｙ（ｋ－ｎ）（ｎ＞０）的ＳＩＳＯ非线性系统模型为：Ａｔ ＋ １） ＝ ）ｔ（ＹＡ，二，Ａｔ一ｎ ＋ １）； ｕ（ｔ），．．．， ｕ（ｔ一ｍ ＋ １））（４－２２）其中ｍ为系统输入阶次，ｎ为系统输出阶次，ｆ（）为非线性函数。采用如第三章３．２．３节广西大学硕士学位论文所示ＢＰ模型进行辨识。模型输入输出采用ｎ＋ｍ个节点，输出为预测系统输出（ （１个节点）。输入层的输入输出关系为：｛Ａｔ 一ｉ＋ｌ），ｕＡＪ Ｊ＝、ｌ ｉｎｔ一ｔ一ｉ＋ｎ＋ｉ），１＜＿ｉ＜＿ｎ ｎ＋１＜＿ｉ５叭（４－２３）其中ｍ，＝ｍ＋ ｎ。隐层的输入输出为：Ｘ ＇（ｔ）一全、、＋ ；．ｉＺＯ＝１， ２，…，。Ｏｊ ＝ ｆｉｘ； （ｔ）］，ｉ＝１， ２，‘”，”隐层节点血个。输出层的输入输出为：（４－２４）（４－２５）ｘ ＂（ｔ）ＶＡ ＋０，（４－２６）Ｙ＝Ｂｆｘ’ （ｔ）］ （４－２７）其中ｍａ为隐层神经元个数．取ｆ为ｔａｎｈ（ｘ）为激活函数，９０为线性函数。所以孤艺川｝ １ ｝Ｔ｝ｒ｝ａｓｍｍ ｎ．－ ＃ｆＴａＪＣＡ７１＇ｆ凡１１３．－ ｎ７ Ｊ － Ｗ Ｊ．１３＇３７：ｔｆＴ｝ ｈｔｓｃ３３ａａ．１＋ｍ ｎｎ ｕｒｎ，二，，、二ａＹ ＝１、二二１１ａｙ（ｋ＋１）ａｕ（ｋ）当辨识模型确定，ｖ；， ｗ；；都为确定值．网络确定，则ｔ０也为确定值。采用模型预测输ｋ）出来代替实测值，以提高控制效果。如果使用Ｅｌｍａｎ模型来做，则由于或（代入比较复ａｕ（ｋ）杂，与历史输入数据有关，采用普通ＢＰ模型结构简单，易于计算，因此这里采用普通ＢＰ模型。 一一八ｙ Ｊｏ 乓（４－２８） ＋ 巧ｄ（ ｕａｙ（ｋ＋１） ａｏ，（ｋ） ａｘ，（ｋ）而劝乙间一全全ｖ； ｆ （ｘ； （ｋ））ｗ，｝（ｋ） 。ｑ（ｋ）成（ｋ） ａｕ（ｋ）ｉ．１ ／．ｎ＊１（４一９） 一一广西大学硕士学位论文４．１．４算法的计算流程由此可以得到如下神经网络自适应控制算法： （１ ）设定好神经网络，选好初始权值，隐层节点等值，并选择激活函数，注意输出层节点为３； （ ２）采样得到输出信号ｙ （ｔ），和给定信号ｒ （ｔ）。计算误差ｅ （ｔ） ；（ ３）将输入信号进行归一化处理，并将结果输入神经网络，得到三个参数ＫＰ， ＫＩ， Ｋ。：（ ４）将Ｋｐ， ＫＩ， Ｋｐ输入经典ＰＩＤ控制器，得到控制量ｕ（ｔ）；（ ５）将控制量输入被控对象：。、４１，｝、Ｆ －｀．｝ＢａＦ ｝ｅ｝ ｝ｈ－ｌ Ｌ ｌ．ｌ４Ａ，＊、．，、二。｝１ Ｌ．ｂＭｋ ｕｉｌ，二，ａｙ＼ｖ／ Ｗ－ｐ－ｉ／＼Ｉｐ勺．ａ＇１１ Ｙ＝７ ＴＬ７．Ｌ１｝Ｅ＇刀－ＴＩ：ｇ７ＫｉｐＮ／ＤＴＩ＇ ＹＩ＇｝１＝９＇ＤｔＳｋｉ， １－Ｊ＇＂，、ｍｎ。４＂ｖＦＭｃ－１４＇｝Ｉ ｝｛ｎ二‘，，＊丫，、，、怡二ｅｙ、，门７。「－Ｍ１石１笋」」二１３Ｆ Ａ三口ｌｉｍ／ＩＸＩ叫退、１ＷＩＤＥ长人Ｍ王门叫民月７—ｊ；（ ８）返回步骤（１），继续进行。撇 ８ｕ 神经网络权值调整正是为了保证控制目标得到较好的实现。基于ＢＰ神经网络的非线 性ＰＩＤ控制器的３个可调参数比例、积分、微分系数正是利用神经网络在线训练方式达到自整定的，即神经网络的加权系数不断的根据新采集到的信息进行修正，从而使ＢＰ神经网络经过训练后的输出即控制器的三个可调参数达到修正。ＢＰ神经网络具有相对较大的规模、计算能力和信息容量，正是基于这一点，基于ＢＰ神经网络非线性ＰＩＤ控制器应具有较强的适应性，参数的选取通过自整定完成更容易，在更大程度上解决了参数选取上的困难。４．２控制系统的设计与实现４．２．１硬件配Ｉ将第三章图３－ １所示加热炉、工业ＰＣ和研华采集板卡构成一个单回路温度控制系统。将研华系列数据采集卡安装在工控机上，并且配置配套软件。现场设备通过数据线直接挂接到工控机的板卡上。通过板卡来采集信号和输出控制量。加热炉控制系统由工业ＰＣ（ＩＰＣ，加热炉实验装置，研华模拟量输入卡（ＰＣＬ－８１３）和研华模拟量输出卡（ＰＣＬ－７２８）组成。其原理图如图４－５所示：广西大学硕士学位论文基于神经网络的ＰＩＤ控制您工控机Ｄ／Ａ转换ＡＩＤ转换Ｉ登ｔ３晶网管佣压鹅通搜交送括图４－５玉于神经网络的ＰＩＤ控制系统方案 Ｆｉ ｇ．４－５ ＰＩＤ ＣｏｎｔｒｏＩ Ｓｙｓｔｅｍ Ｂａｓｅｄ Ｏｎ Ｎｅｕｒａｌ ＮｅｔｗｏｒｋＰＣＬ－ ８１３提供了多种电压模拟量输入范围，而加热炉仪表变送的是４－－２０ｆｎＡ的电流信号，因此要将４－－２０ｍＡ的电流信号的转换为１－ｌｏｖ的电压信号，选择单极性０－－１０Ｖ这一输入范围。１／Ｏ通道地址设置采用默认设里，１１０地址范围在２２０－２２Ｆ之间，为了防止输入信号干扰，所选通道应有适当的间隔．在该系统中选择通道Ａ１０和Ａ１１０．ＰＣＬ－ ７２８也提供了多种模拟ｉｔ物出范围，晶闸管电压调整器的控制信号是４￣２０ＭＡ的电流信号，因此选择４－２０ｍＡ这一物出范圈，跳线设置采用默认设里。ＵＯ通道地址设置也采用默认设置，ＵＯ地址范围在２Ｃ０－２ＣＦ之间，管脚９ ＜＋１５Ｖ）接晶闸管电压调整器的正极．管脚７ （Ｉ． ＳＩＮＫ）接晶闸管电压调整器的负极．加热炉控制系统的工作过程为：二支电偶信号经Ｓｗｐ仪表测童、显示、变送成４ －２０ｍＡ信号，然后经过Ａ／Ｄ转换和其他校正模块又换算为当时的温度值并辘入到控制器模块中，控制器模块再根据该温度和设定温度值，经过控制算法得到数字量，再经过Ｄ／Ａ转换得到模拟信号，以该模拟信号去控制晶闸管电压调整器，改变晶闸管的导通角的大小来控制电炉丝的有效电压．最终实现温度闭环控制，４．２．２软件结构工控机上运行的软件有基于神经网络的ＰＩＤ控制器程序、 组态软件（监控）和板卡调试软件．现场设备通过板卡将传感器传来的被控量送到工控机， 工控机转换后运行基于神经网络的ＰＩＤ控制器程序、被控量输入到控制器程序并得到控制量，然后通过ＰＣ１－７２８送广西大学硕士学位论文到执行机构，实现基于神经网络的ＰＩＤ控制。采用可视化组件，具有集成开发环境，强大的图形功能、实时分布式数据库，可以通过组态软件实现图形监控。系统的软件实现方便。控制程序流程图如图４－６０图４－６基于神经网络的ＰＩ Ｄ控制程序流程图Ｆｉｇ． ４－６ ＰＩＤ Ｃｏｎｔｏｌ ｒＰｒｏｇｒａｍ Ｆｌｏｗ Ｃｈａｒｔ Ｂａｓｅｄ Ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ监控组态软件实时数据库通过ＵＯ驱动获得现场实时数据，然后利用ＳＱＬ功能将实时数据传到公共数据库（通过脚本程序来实现），控制器读取公共数据库中的输入信息，进行推理计算，得出控制量。通过ＯＤＢＣ接口传给公共数据库，监控组态软件从实时数据库取得控制量送给ＵＯ进行实时控制。４．３控制结果及分析神经网络为３－ ８－３的３层ＢＰ神经网络。对加热炉的第三区进行控制，加热炉的初始温度值是２５度，控制目标为４００度，采样周期为１５ｓ，控制时间为２小时，监控软件扫描周期为１０ｓ。神经网络中步长取０．０１，隐层到输出层初始权值取０．１１输入层到隐层权值取０．１，动量项系数０．９，阐值０：。、０：，取０．得到对加热炉控制实时趋势图如图４－７所示：泪搜（摄氏度） 产一￣／厂／ＩＲＶＵ－ｒｅｆ４００．００１３：２５：４６ １３：５５：４５ １４：２５一‘６ １４：５５：４６ １５：２５：４６祥位的时间月砰ｔ 图４－７无模型控制效果图 Ｆｉｇ．４－７ Ｃｏｎｔｒｏｌ Ｒｅｓｕｌｔ （Ｗｉｔｈｏｕｔ Ｍｏｄｅｌ）广西大学硕士学位论文图中横坐标为监控组态软件运行时间，纵坐标为所控制的温度（单位摄氏度）。控制结果有小超调，误差在１％范围内。采用第三章的方法预测得到模型（权值见附录一）对加热炉的第三区进行控制．其余参数不变得到图４－８：竺嗒民度）５００．０４００．０３００／ｌｒｅ几００ｆｉ泛值２００．０），‘洲』『Ｕ卜Ｕ工目」一厄行的时间１９：１９：５３ １９：４９：５３ ２０：１９：５３ ２０：明：５４ ２１：１９：５４单位招）图４－８有模型的拉制效果图 Ｆｉ ｇ．４－８ Ｃｏｎｔｒｏｌ Ｒｅｓｕｌｔ （Ｗｉｔｈ Ｍｏｄｅｌ）从上图看出，控制效果良好，基本无超调，控制误差在１％以内。为了检测它的抗干扰性能，我们在加热炉上使用水冷，提供一个干扰得到效果图如下：周度（摄氏度） 干扰｝＼ｒｅｆ３００．０｝厂‘产，，．口，４００ＺＤＤ刀｝｛ｊ．人００月｝氏０Ｆ／：１幻：２５１９：臼：巧２０：２３：２５的：５３：２５ ２１：２３：巧袭Ｓ护 ＂Ｍ＊ 图４－７加干扰的效果图Ｆｉ ｇ．４－７ Ｃｏｎｔｏｒｌ Ｒｅｓｕｌｔ Ａｄｄｉｎｇ Ｄｉｓｔｕｒｂ对于所加干扰，控制器能够很快的加以调整，能够达到预期的控制目标。加入干扰后有波动．从图中可以得出当千扰时，被控量波动时间变大，但能恢复到控制平街状态，即有较强的抗干扰能力。这样就有效地解决了在控制平衡阶段控制量变化频繁的问题．从中，可以证明基于神经网络的ＰＩＤ控制器能有效地解决有干扰。我们使用经典ＰＩ Ｄ控制器对加热炉下半部分进行控制，加热炉的初始温度值是３６度，广西大学硕士学位论文滤波周期为３秒，控制周期为１５秒，力控监视画面的扫描周期为１０秒。设定参考温度为４００度，Ｐ （１／６）为８， １ （Ｔ，．）为。．５， Ｄ （Ｔｏ）为０．０１得到加热炉ＰＩＤ控制曲线，如图４－８所示。５００．０４００．０３００．０２００．０１００．００．０（摄氏度）污卿熬／Ｔ／ｒｅｆ４００．００１３：２５：４６ １３：５５：４６ １４一２５：４５ １４：５５：４６ １５：２５：４６）ｄｉＩＩＱｉｓｃ ９（ｈ５＂７）图４ －８经典ＰＩＤ控制效果图Ｆｉｇ．４－８ Ｃｏｎｔｒｏｌ Ｒｅｓｕｌｔ Ｏｆ Ｃｌａｓｓｉｃ ＰＩＤ从图中可以看出，ＰＩＤ控制结果有一定的超调，控制结果在趋于稳定的时间内仍然有一定的小幅振荡。通过对经典ＰＩ Ｄ控制、基于神经网络的ＰＩＤ控制器、改进的基于神经网络的ＰＩＤ控制器之间相互比较，我们可以得出以下结论：（ １）基于神经网络的ＰＩＤ控制方式在解决快速性和超调量之间的矛盾方面有着较好的效果。（ ２）与ＰＩＤ控制方式比较，基于神经网络的ＰＩＤ控制方式的稳态精度较高。这与基于神经网络的ＰＩＤ控制中控制参数人为调节参数少，参数调节容易有关。（ ３）与无模型的ＰＩＤ控制相比较，有模型的控制器效果超调量和快速性能要好于无模型的控制方式。在调节稳定方面，两者在此实验上无较大区别。（ ４）从整体控制效果来看，改进的基于神经网络的ＰＩＤ控制方式对加热炉控制系统有着较好的控制效果。广西大学硕士学位论文第五章基于以太网的ＰＩＤ神经网络控制系统ＰＩ Ｄ神经网络是将ＰＩＤ控制规律融进神经网络之中构成的，它既具有传统ＰＩＤ控制器的优点，又具有神经网络的并行结构和学习记忆功能及通近任意函数的能力，可实现对复杂系统的控制。在现代工业控制中，由于被控对象，测控装置等物理设备的地域分散性，以及控制和监控等任务对实时性的要求，以太网得到了广泛的关注．以太网是应用最广泛的网络技术，它具有传输速度高、低耗、易于安装、兼容性好等方面优势。由于其适应了控制系统向开放性、网络化、分散化发展的趋势，显示了强大的生命力，成为控制领域的热点技术。基于以上考虑，本文利用ＰＩ Ｄ神经网络控制器对被控对象进行实时控制，并将该控制器与以太网技术有机的结合起来，实现基于以太网的ＰＩＤ神经网络控制系统。ＰＩ Ｄ神经网络作为控制器，不需要辨识复杂的非线性被控对象，可以对其实现有效的控制．ＰＩＤ神经网络控制系统结构框图如下所示：干扰５．１被控对象的描述立式实验电炉迎ｙ（ｔ）ＰＩＤ神经网络控制器＋ ｙ（ｔ）图５－１ ＰＩＤ神经网络拉制系统结构框田Ｆｉｇ．５－１ ＰＩＤ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍ广西大学硕士学位论文它是一个立式实验电炉。它的原型是特钢厂中测试航空用高温合金性能的“力学持 久试验机”上的电炉：见图１。电炉瓷套管外壁由上、下二组各７５０Ｗ的电热丝加热，经多容热力过程的温度传递，加热安装在瓷套管中心的钢试样及其夹具，在钢试样表面相距２５ｍｍ处安装二支Ｋ （ＥＵ－２）分度号的恺装热电偶测钢表面温度。工艺高求在４００９００ ０Ｃ的温度范围内，这两点沮度各自的控制误差在延士４０Ｃ，二点温度之差｝ＴＩ－Ｔ２１ ＜－４０Ｃ，即占炉高８％－１０％的钢试样有很小的温度梯度。１Ｎ电阻丝炉壳 瓷套管Ｔ， ０－１０００－Ｃ几０－１０００℃２Ｎ电阻丝图５－１立式电炉结构图Ｆｉｇ．５－１ Ｓｔａｎｄ－ｕｐ Ｆｕｒｎａｃｅ Ｓｔｒｕｃｔｕｒｅ立式电炉内的温度场是非均匀分布的，但随时间连续变化，即炉温不仅与时间有关， 而且与加热炉空间位置有关，因此严格的说来是一个分布参数的非线性慢时变系统。该对象存在非线性、噪声和不均匀的增益特性以及大滞后因素，而且电炉的升温和保温是靠电阻丝加热，降温则是依靠自然环境冷却，当被控对象的温度一旦出现超调就无法使用控制手段使其降温。因此，该被控对象具有典型的大滞后，升温单项性的特点，同时又具有非线性等复杂的特点，很难建立起精确的数学模型，用常规的控制方法较难得到满惫的控制效果。２．三容液位装置 三容液位实验装置是一台具有多个输入和多个输出的非线性祸合被控物理模型。实 验装置的主体是由用透明的有机玻璃制成的三个圆柱形容器罐和一个蓄水池，并配以相应的执行机构和传感器组成，计有二个水泵Ｐ和Ｐｚ，六个手动阀Ｖ，－Ｖ．，二个ＰＷＭ（脉宽调制）５ｔ 广西大学硕士学位论文型线性比例调节阀Ｖ，和Ｖｅ：三个反压力式液位传感器ＬＴ．， ＬＴ：和ＬＴ：以及两个旁路阀Ｖｓ，Ｖ，ｏ组成，如图２所示。图５－１三容液位装里示意图Ｆｉｇ．５－２ Ｔｈｒｅｅ－ｔａｎｋ Ｌｉｑｕｉｄ Ｌｅｖｅｌ Ｃｏｎｔｒｏｌ Ｅｑｕｉｐｍｅｎｔ三个圆柱形容器分别经调节阀Ｖ７ 和Ｖ。互为串联连接，蓄水池中的液体由泵Ｐｉ和Ｐ２抽出注入容器Ｔ，， Ｔａ以改变Ｔ，和Ｔ，的液位，液体经手动阀Ｖ，再流向蓄水池形成循环。改变手动调节阀Ｖ，和Ｖ：的开度，便可改变三个容器丁，、Ｔｚ和Ｔ，液位的关联关系，即改变三个容器中的液位的辐合程度。而调节手动阀Ｖ Ｖ‘和Ｖｓ则可以改变系统的传递函数。实验装置配置灵活，通过手动阀切换，在系统上可以比较方便地实现自动控制中的多种 典型环节，如一阶惯性环节、积分环节、有自衡或无自衡二阶环节、高阶环节，以及它们的各种组合。例如，双容液位控制系统是这样构成的，蓄水池中的液体由泵Ｐ：抽出注入容器Ｔ．，液体经手动阀Ｖ。流到容器Ｔ．，再经过手动阀Ｖ。流向蓄水池形成循环，受控的是容器Ｔ：的液位。三容液位控制系统又可以这样构成，蓄水池中的液体由泵Ｐ‘抽出注入容器Ｔ，，滋体经手动阀Ｖ，流到容器Ｔｓ，再由手动阀Ｖ：到达容器Ｔｓ，再经过手动阀Ｖ９流向蓄水池形成循环，受控的是容器Ｔｓ的液位。广西大学硕士学位论文５．２ ＰＩＤ神经网络〔‘，，５．２．１ ＰＩ Ｄ神经网络结构ＰＩ Ｄ神经网络控制器的结构形式如图２所示，为一个３层的前向网络，包括输入层、隐含层和输出层，其结构为２－３－１，网络的输入层有２个神经元，分别输入给定输出ｒ（ｔ）和被控对象输出值Ｙ（ｔ）；隐含层有３个神经元，各神经元的输出函数互不相同汾别对应于比例、积分、微分３个部分；网络的输出层是输出为被控系统的控制量。使用ＰＩＤ神经网络作为控制器，不需辨识复杂的非线性被控对象，可以对其实现有效的控制。图５－３ ＰＩＤ神经网络拉制器结构Ｆｉｓ．５－３ ＰＩＤ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｃｏｎｔｒｏｌｌｅｒ输入层神经元的输入输出关系为：二ｒ（ｋ）＝ｙ（ｋ）隐层神经元的输入为：（５－１）（ ５－２）Ｘ ＇（ｋ） ＝ １６）Ｘｊ（ｋ） ｉ＝１，２，３式中，。：ｊ为输入层至隐层的连接权值．隐层比例、积分、微分神经元输出为：（ ５－３）ｌ＝ｊ 了ｌ比例－１Ｓ ｘ， （ｋ）‘ＩｗｅＯ， （ｋ） ｘ， （ｋ）＞１ｘ， （ｋ） ＜ －１ －－廿ｌｓｅ‘１‘（５－４）广西大学硕士学位论文积分：ｘ２ （ｋ一１） ＋ｘ； （ｋ），－１ －＜ｘ２ （ｋ） －＜Ｉ １，０， （ｋ）桩（ｋ）＞１－１，从（ｋ） ＜ －１ 一ｓｅｆｒｌ．，ｅｓ咬ｔ（５－５）微分：０，（ｋ）Ｘ３ （ｋ）一ｘ３（ｋ一１），－１５ ｘ，（ｋ）－＜１ １，城（ｋ） ＞ １－１，减（ｋ） ＜ －１ｅｅｅｓＪ、‘．，Ｌ（５－６）输出层网络的输入和输出关系为输出层输入： －－ｉ，（ｋ）＝艺ｖ，０，（ｋ）Ｘ” （ｋ），－１ －＜Ｓ“ （ｋ） ＜－１ １ ， ｘ （ｋ） ＞ １－１， ｘ＂ （ｋ） ＜ －１（５－７）叫输出层输出（５－８）５．２．２ ＰＩ。神经网络的学习算法设训练样本数为Ｌ， 网络输入瀚出样本对为：ｘ （ｋ） ／ｒ （ｋ） ，ｋ＝１，２，．．．苏ＰＩ Ｄ神经网络使用ＢＰ算法对权值进行修改，学习的目的是准则函数在要求的限度之内，即 Ｊｋ（ｋ）） ＝＝ 粤１ Ｙ ｃＥ（ｋ）一１ Ｙ［ｒ（ｋ）－ｙ（ｋ）］Ｚ二１ Ｓ＇．ＱＩ（ｋ）、二２胃、’２留‘、“’‘ Ｊ２留同之处参见以下算法：（１）经过ｋ步训练以后，隐层至输出层权值调整算法（５－９）ＢＰ学习算法由正向传播与反向传播组成。正向传播与反向传播参阅２． ２．２节，其不 ａｉｖ，（ｘ＋１）＝ｖ，Ｌｘ）一仇丁一（５－１０）ａｖ； 式中１７２是ｗ，的学习步长。＝竺ａｕ＂＝丝 ａｙ ８ｕ ａｘ＂ａｕ ａｖ， ａｙ ａｕ＂ ａｘ＂ ａｖ，（５－１１）广西大学硕士学位论文式中黑为未知非线性系统的，ａｃｏｂｉ矩阵。该矩阵；的求解可以通过另一个神经网路正向口ｕ 建模进行，也可以使用：ｙａ一ＡＹ一｝０ｙ．．ｉｓ｝（ ｝．．１ｄｕ０合ｕ－ Ｉ八ｕ＂Ｉ ｌ动Ｖ ｊ（５－１２）近似代替，其正负可以确定该项在计算过程中对收敛方向所起的作用。当巫有界时，４ｕ可将其影响归结到学习因子。中去，从而只取ｓｇｎ（黑）。Ｐｉ。神经网络在使用式。５－１２）的时候，通常使用如下形式：ａｓｕ｝ｅａｕ－ｊ ＿＿＿｛ｙ（ｋ＋ｌ）一，（、）、，一一二二厂－－． Ｉｌｕ＂（ Ｋ）一ｕ ＂（Ｋ一１））（５－１３）由式（５－８），可知在有界范围内（５－１４）将式（５－９）、式（５－１１）、式（５－１３）、式（５－１４）代入式（５－１０）可以得到奴二７，Ｓ （ｋ）Ｏ， （ｋ）（５－１５）其中：・（、）一（；（＊）一。｝（ｋ））Ｓ二 Ｉ ｕ，（ ｋ）－ｕ＂（ｋ－１） ．）｝ｘ （ｘ一ｔ）一ｘ （Ｋ一２））（５－１６）式中ｒ（ｋ）表示给定输入，ｓｇｎ表示符号函数。（２）经过ｋ步训练以后，输入层至隐层权值调整算法：（５－１７）礼（ｘ＋１）＝呱（ｋ）一１７，一一ＯＷｙ ｄｌ 式中７ｉ是ＷＹ的学习步长。ａＪ即Ｎｕａｙ ａｕ ０帆式中（５＇ｉ８）气一ａｗ４拟－ａｘ，面一汰ａｏ，（５－１９）广西大学硕士学位论文式中二一斗用０与ｕ’的相对变化量的符号函数ｄｕ厂 ａｏ ｑ（ｋ）一化（ｋ一１）毛（ｋ）一Ｘｉ （、一１）来近似代替１４７１，其正负可以确定该项在计算过程中对收敛方向所起的作用。将式（（５－２０）－ （５－２２）代入（（５－１９）可得：（５－２０）Ａｗｖ ＝ １，８，（ｋ）ｕｆ（ｋ）（５－２１）ｋ）一ｑ（ｋ一１）其中９，（ｋ） ＝ Ｓ （ｋ）ｗ’ ｓｇｎｑ（杯（ｋ一１）一城（ｋ一２）（５－２２）选择合适的网络权重初值， 可以加快学习和收敛速度，ＰＩＤ神经网络的权重初值按ＰＩＤ控制规律的特点选取。由于给定输入Ａｔ）与被控量输出之差为误差，当网络趋于稳定时，它们之间作用应当趋于零。所以：Ｗ ａ （０）＝一。２ｉ （０）．可先取。１］ （０）＝１．隐层至输出层的权重初值在无先验经验的情况下设定为小正数，现取ｖｉ （０）二０．１。同时，为了保证系统调节无静差，输入层至隐层积分单元的权重值应满足（ｒ ，ｙ）－。的无畸变性。所以，输入层至隐层积分单元的权重值。．：、。。的绝对值在整个过程中相等，符号相反．５． ３ ＰＩＤ神经网络控制系统方案［５１］Ｉ５２１５．３．１硬件配里该系统硬件由工控机，控制对象和远程Ｉ／０构成。以太网控制系统通过交换机构成星型 拓扑结构，现场设备通过以太网远程ＩＯ挂接到以太网上。具体配置如下：工控机选用凌华ＲＡＣＫ－６１０工业计算机：远程Ｉ／０选用德国ＷＡＧＯ公司的ＷＡＧＯ Ｉ／０，包括７５０－３４２现场总线适配器、模拟输入（（２个）、模拟输出（１个）、终端模块等５个模块．交换机使用ＴＰＬＩＮＫ １０／１００Ｍｉｓ口自适应交换机，连接网线采用五类双经线。其结构如图５－４：广西大学硕士学位论文以太网网卡工控机远程ＩＯＡ／Ｄ转换脉宽调制压力传感器电磁阀日，日水容器卜图５ －４ ＰＩＤ神经网络拉制系统方案Ｆｉ ｇ．５－４ ＰＩＤ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｃｏｎｔｒｏｌ Ｓｖｓｔｅｍ工控机与远程Ｉ／０通过网线连在交换机上，组成交换式以太网。交换式以太网是在源 端和交换设备的目标端之间提供一个直接快速的点到点连接。从交换机流入的数据包直接从和它相连的目的站接口流出。这样，在体系结构上和简单的点到点连接完全一样，每个设备都有一个专用的单独信道连接到另一个设备，因此不需要竞争底层传输信道。交换式以太网克服了传统以太网的特点，大大提高了网络性能，由原来的“共享式”带宽变成“独占式”带宽，网络的带宽问题得到了妥善的解决。容器ＴＩ容器孔５．３．２软件结构工控机上运行的软件有ＰＩ Ｄ神经网络控制器程序、组态软件（监控）和配置软件ＷａｇｏＢｏｏｔＰ Ｓｅｖｅｒ（配置节点的ＩＰ地址）。现场设备通过ＷＡＧＯ Ｉ／０将被控量采集转换后送到工控机，工控机运行ＰＩＤ神经网络控制器程序，被控量输入到控制器程序并得到控制量．然后通过ＷＡＧＯ Ｉ／０送到执行机构，实现ＰＩＤ神经网络控制。系统的软件实现方便。控制程序流程图如图５－５ａ５７ 广西大学硕士学位论文Ｆｉｇ． ５－５ ＰＩＤ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｃｏｎｔｒｏｌ Ｐｒｏｇｒａｍ Ｆｌｏｗ Ｃｈａｒｔ为了实现在线的图形监视功能，本系统利用力控组态软件的画面监视功能，选用ＤＢＣＯＭ作为ＰＩＤ神经网络控制器和力控之间数据传递的桥梁，如图５－６所示。工控机内部进行通过以尤网进行控向全远程ｖ０被控盈图５－６在线毅据交换结构图 Ｆｉｅ．５－６ Ｏｎｌｉｎｅ Ｄａｔａ Ｅｘｃｈａｎｅｅ Ｓｔｒｕｃｔｕｒｅ５．４实时控制结果及分析１．三容液位系统被控对象的构造：图５－２中的手动阀Ｖ４， Ｖ２关闭。Ｖ， Ｖ３和Ｖ６全开，Ｖ５给一个适ｉ当的开度，Ｖ７是控制阀，这样就构成了用阀Ｖ７控制容器Ｔ３的二容对象。控制目标为容器Ｔ３液位高度３００ｍｍ，采样周期为４ｓ，控制时间为３０分钟，监控软件 扫描周期为４ｓ＜ ＰＩＤ神经网络控制器中步长取０．００１，隐层到输出层权值取０．１１输入层到隐层权值取：｀ｏｉｉ（０）＝＋１；）Ｇ２ｉ（０）＝－１， １＝１，２，３。在Ｖ５一定的开度下，得到液位控制的控制趋势图，如图５一所示，图中横坐标为监 控组态软件运行时间，纵坐标为所控制的液位高度（单位ｍｍ）。从该图可以看出，ＰＩＤ神经网络控制系统的超调大约为４％，控制精度在士１％以内，取得较好的控制效果。广西大学硕士学位论文液位高度（的）５００＿０４００．０３００．０２仪】０１加０２０：３０：脆２０：３４：马匡到２０：３８：３８ＺＤ：４２３６２０：４６：盯敌ＴＩＩＩ７图５－７拉制结果图 Ｆｉｇ．５－７ Ｃｏｎｔｒｏｌ Ｒｅｓｕｌｔ利用ＰＩＤ神经网络控制系统实施实时控制，在控制的过程中加了两次干扰，干扰是通过把阀Ｖ２全开一段时间加入的，第一次阀Ｖ２开的时间较短，第二次时间长，即给的干扰大，其控制效果如图５－８所示。稳定阶段稳态误差较小，与图５－７相比，在加入干扰后有少量波动，当加入较小的干扰时波动较短时间就进入平衡状态，当干扰越大时，被控量恢复稳定时间越长，但均能恢复到控制平衡状态，即有较强的抗干扰能力。这样就有效地解决了在控制平衡阶段控制量变化频繁的问题。液位高度（．）幼ｏ０小干叨０口加０．０厂、２团．０１９０．０厂２２：１３ ２２：１７：５５／／尤卜大干：＼＿＼八ＤＶ２２：２９：５５ ２２：３３：５６髓黔ｍ２２：２１：５５ ２２：２５：５５图５一８加干扰的效果图Ｆｉｇ．５－８ Ｃｏｎｔｒｏｌ Ｒｅｓｕｌｔ Ａｄｄｉｎｇ Ｄｉｓｔｕｒｂ为了研究ＰＩＤ神经网络控制器对于不同控制目标的控制状况，在控制稳定一定时间后将控制目标改为２００ｍｍ，得到控制结果如图５－９所示：广西大学硕士学位论文玻位高度（．〕４００＿０３０已０２的０阴００州们一巨１０：２２：４９１０：２６：４９｝１０：３０：５０弓１０门电：印欲ｎ１Ｒ｛ｃ（ｓ＂Ｎ）１图５一，改变拉制目标（１）Ｆｉｇ．５一Ｃｈａｎｇｅ Ｃｏｎｔｏｒｌ Ｔａｒｇｅｔ （１）然后再将控制目标改为３００ｍｍ得到曲线：艘位高度（耐５００ ０４００．０３００． ０＼２００．０＼ ／１０Ｏ住工Ｕ１０：２２０：２６：４９１０：３７：５０１０：３４：５０１０：３８：５１１０：４２：５１策接曾门图５一加改变拉制目标（２）Ｆｉｇ．５－１０ Ｃｈａｎｇｅ Ｃｏｎｔｏｒｌ Ｔａｒｇｅｔ （２）由上面２图说明控制器对控制目标的改变能够有较快较好的适应能力。这是因为ＰＩＤ神经网络是一种既含有静态特性又含有动态特性的多层前向神经网络，网络收敛速度快。ＰＩＤ神经网络在线调整过程中自动的调整ＰＩＤ神经网络中的比例、积分和微分单元，使ＰＩＤ神经网络控制系统响应快、超调小、无静差。并且网络采用的是附加动量项的ＢＰ学习算法，能够广西大学硕士学位论文使训练速度加快，避免了网络陷入局部极小值。２．立式电炉系统从对三容水槽的控制中，可以证明ＰＩ Ｄ神经网络能有效地解决有干扰，变控制目标的控制问题。立式电炉正是一个复杂，易受干扰、强祸合的被控对象。为了进一步的改进期望控制曲线通近策略及相应的自学习机制．对高温加热炉实施了ＰＩＤ神经网络控制。继续用ＰＩＤ神经网络控制系统，只是被控对象换成了立式电炉，在实验中控制立式电炉的下半部分，温度会敏感的反应炉膛内空气的变化。另外由于祸合的作用上半区的温度也会随下半区的温度而变化，同时下半区的温度也会受到上半区的影响。所以在整个控制过程中．被控对象是一直在发生着变化，干扰也时时存在。ＰＩ Ｄ神经网络控制系统中电炉下部，炉温初始温度为５４＇Ｃ，控制目标为３００１Ｃ，采样周期为４ｓ，控制时间为９０分钟，监控软件扫描周期为４ｓ． ＰＩＤ神经网络控制器中步长取。．００１，隐层到输出层权值取。．１，输入层到隐层权值取：ａ） ）１ （０） ＝ ＋１； ｊ＆Ｚｉ （０） ＝ －１， Ｊ＝１，２，３．得到加热炉下部温度控制的控制趋势图，如图５－１１所示。图中横坐标为监控组态软件运行时间，纵坐标为所控制的温度（单位摄氏度），控制量输出范围０－５Ｖ＞沮度（摄氏度）１确５、了－．１已２！贸一控制Ｅ—了１任５１二斤０：２１盯１７ ５１：５７运行的时间单位（ｓ）图５－１１控制立式电炉效果图Ｆｉｇ．５－１１ Ｔｈｅ ｒｅｓｕｌｔ ｏｆ Ｃｏｎｔｏｒｌｌｉｎｇ Ｓｔａｎｄ－ｕｐ Ｆｕｒｎａｃｅ按照上面参数取值，上下部分使用两个ＰＩ Ｄ控制器控制，控制目标为３００ Ｃ，得到控制效果图如下图所示：广西大学硕士学位论文泪度（摄氏喧５００．０二ＴＺＲ曰门尸一一．‘二二班１叫产｝Ｔｌ日卜．．日２５０．０’广门／）：４： Ｓ９：料ＩＳ： ２９：５４１５：３９：５４１６：２９：５４１６：５９：５４怪护时门单图５－１２立式电护控制效果图Ｆｉｇ．５－１２ Ｔｈｅ Ｒｅｓｕｌｔ ｏｆ Ｃｏｎｔｏｌｒｌｉｎｇ ＦｕｒｎａｃｅＰＩ Ｄ神经网络可实现多变量解辐控制１４７１，由于时间有限，这里没有做解祸控制。ＰＩＤ神经网络是一种既含有静态特性又含有动态特性的多层前向神经网络，网络收敛速度快。基于以太网的ＰＩＤ神经网络控制系统易于安装，兼容性好．有利于对分布式设备进行实时控制。对于大滞后、非线性系统控制精度高，实时性强．满．ＩＴＴ０＃｝＊ｄ ９－Ｗ．广西大学硕士学位论文第六章结束语本课题所开展的研究与实验，包括以下各部分：首先给出了神经网络控制系统的整体 设计思路，编写相应的软件，神经网络软件包括多种神经网络网型，并且可以通过不同方式与组态软件集成运行。然后利用该软件构建控制系统；再对三区加热炉使用多种网型进行辨识，通过比较辨识结果，得出采用Ｅｌｍａｎ网络辨识动态系统效果较好的结论；接着使用神经网络对ＰＩＤ控制器进行参数优化，实现基于神经网络的ＰＩＤ自适应控制，并对此控制系统改进，形成了有模型的神经网络ＰＩＤ自适应控制，其控制结果表明，该方法有较好的控制效果：最后采用ＰＩＤ神经网络直接作为控制器对三容水槽和立式电炉实施控制：获得了较好的控制效果。比较墓于神经网络的ＰＩ Ｄ控制效果和ＰＩＤ神经网络控制效果，我们得出几个结论：１．基于神经网络的ＰＩ Ｄ控制使用的是普通ＢＰ网络，也就是静态网络，而ＰＩＤ神经网络的隐层节点中部分神经元（（Ｉ神经元、Ｄ神经元）含有动态特性，是一种既含有静态特性于神经元双含有动态特性的多层前向神经网络。从理论上来说，动态神经网络由于在网络中包含动态性能，不需要将网络输入根据时间离散化．所以它对输入节点要求较少，输入节点少则在线计算最少，网络处理比较快。２． ＰＩＤ神经网络控制系统结构简单，隐层只含有３个神经元，易于实现，ＰＩＤ神经网络结构的简单性又保证了在线训练时训练时间较短。而基于神经网络的ＰＩＤ控制方式相比较ＰＩＤ神经网络控制系统而言较为复杂。３． ＰＩＤ神经网络中比例、积分、微分单元使控制系统响应快、超调小、稳态误差小，且ＰＩＤ神经网络的权重值具有明确的物理意义，其参数设定无需知道被控对象的具体参数及数学模型，对不同的对象具有适应性。４．基于神经网络的ＰＩ Ｄ控制方式由于使用了神经网络调节控制参数，人为调节参数少，所以稳态精度较高。５．从两者控制结果来看，都能够满足控制要求。 广西大学硕士学位论文本课题是“国家科技型中小企业技术创新基金”资助项目、广西科技攻关项目—“实 时智能控制软件包Ｒ工ＣＰ”的一部分，该项目顺利于２００４年４月底通过专家验收。虽然论文研究工作取得了一定进展，但是由于时间等众多原因．还有很多不足之处，有待进一步研究，还需要做以下工作：１．修改与完善神经网络软件，与更多的监控组态软件集成运行； ２．改进神经网络算法和网型，加快训练达到收敛所需的时间，适应在线控制的要求； ３．进一步开展神经网络在多变量控制中的研究，应用神经网络控制更加广泛的实际对 象：４．研究神经网络在多种通讯手段下在线控制。 广西大学硕士学位论文附录一第四章所用模型的权值表：．丽之＼１２３４５６７８１２３４０．３８７９６９５１．１０２１６１－０．１７２９２７８０．３３４２４４５一２８０１６９５－５．４６３６０２Ｅ－０２－８．７５７０８９Ｅ－０２－０．３０８２２７２７．３８４４９７Ｅ－０２－３．３７８５３５Ｅ－０２４．９９３１４１Ｅ－０２３．２４７８２１ Ｅ一２１．０１５４５８Ｅ－０２３．６７６３３４Ｅ－０２－３．１２８７６６Ｅ－０２一０９８９１８１－０．１９９８２７８０．２８１９１３１－３．６６６０２９Ｅ－０２一２８８６８０５０．１５９０４８８一１８２２３１３０．２２９８５７１０．２０１０５２８－１．４２２４４８－０．６３２６８９１一８１４９３５４－０．４０２５７２３一１５５１８６７．７４１０７９Ｅ一２－５．６３３５３９Ｅ－０２－０．１２６６８７１属１牡１２３１０．３４０８２６４１．２７９４６５６．０６８５２６Ｅ－０２０．２２９１０２８１．３８８６８７Ｅ－０２４５６７８－０．３１１４８２－１．６７１２３６０．－６２２７０３６６５广西大学硕士学位论文参考文献［１］闻新，周露等，Ｍａｔｌａｂ神经网络应用设计．北京：北京科学出版社．２００１［２］ ｈｔｔｐ：／／ｍａｔｈｗｏｒｋｓ．ｃｏｍ［３］ ＮｅｕｒｏＳｈｅｌ１２ Ｕｓｅｒ＇ ｓ Ｍａｎｕａｌ． Ｗａｒｄ Ｓｙｓｔｅｍｓ Ｇｒｏｕｐ Ｉｎｃ， １９９４［４］ ｈｔｔｐ：／／ｗｗｗ．ｗａｒｄｓｙｓｔｅｍｓ．ｃｏｍ［５］ ｈｔｔｐ：／／ｗｗｗ．ｎｅｕｒｏｓｈｅｌｌ．ｃｏｍ［６］ ｈｔｔｐ：／／ｗｗｗ．ｎｅｕｒｏｐｒｏｊｅｃｔ．ｏｒｇ［７］裴浩东，苏宏业，褚健．即算法的改进及其在焊接过程控制中的应用．浙江大学学报（ 工学版），２００２， １， ３６０） ：３２－３５田」何悦盛，叶春，杨波，忻建华．Ｉ １ｒ网络在电站故障诊断系统中的应用研究．电力自动化设备，２００２， ５， ２２ （５） ：７－９［９』李士勇．模糊控制神经控制和智能控制．哈尔滨：哈尔滨工业大学出版社，１９９６［１０〕王科俊，王克成．神经网络建模、预报与控制，哈尔滨：哈尔滨工程大学出版社，１９９６（ｉｌｌ史忠科神经网络控制理论，西安：西北工业大学出版社，１９９７［１２〕杨建刚．人工神经网络实用教程．浙江：浙江大学出版社，２００１［１３〕沈清，胡德文，时春．神经网络应用技术．长沙：国防科技大学出版社，１９９３［１４］ Ｗｉｄｒｏｗ Ｂｅｔ ａｌ． Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ Ａｐｐｌｉｃａｔｉｏｎ ｉｎ Ｉｎｄｕｓｔｒｙ， Ｂｕｓｉｎｅｓｓ ａｎｄ Ｓｃｉｅｎｃｅ．Ｃｏｍｍｕｎｉ ｃａｔｉｏｎ ｏｆ ｔｈｅ ＡＣＭ，１９９４，３７：９３－１０５［１５〕尹朝庆，尹皓．人工智能与专家系统．北京：中国水利水电出版社，２００２［１６］徐秉铮等．神经网络理论与应用．广州：华南理工大学出版社，１９９４［１７］ Ａｎｔｓａｋｌｉｓｐ． Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｉｎ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍ［．１］．１９９２，１２（２）：８－１０．［１８］张帆，邵之江，仲卫涛，钱积新．基于神经网络的在线优化软件的设计与实现机电工程，２０００， １７ （２） ：５９－６２［１９」高济．基于知识的软件智能化技术．浙江：浙江大学出版社，２０００［２０］陈作炳，艾春庭，夏雪峰ＢＰ神经网络仿真软件计算机仿真，２００１，７，１８（４）：２３－２５［２１］周苏，陈敏玲．软件工程及其应用．天津：天津科学技术出版社，１９９２［２２］钟洛，徐宝文．计算机软件方法学．北京：中国铁道出版社，１９９６［２３〕赵林明，胡浩云等．多层前向人工神经网络．郑州：黄河水利出版社，１９９９［２４］ Ｐｈａｍ Ｄ．Ｔ， Ｌｉｕ Ｘ． Ｔｒａｉｎｉｎｇ ｏｆ Ｅｌｍａｎ Ｎｅｔｗｏｒｋｓ ａｎｄ Ｄｙｎａｍｉｃ Ｓｙｓｔｅｍ Ｍｏｄｅｌｉｎｇ．广西大学硕士学位论文 Ｉｎｔｅｎｒａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｓｙｓｔｅｍ Ｓｃｉｅｎｃｅ， １９９６， ２７（２）：２２１－２２６．［２５〕焦李成．神经网络计算．西安：西安电子科技大学出版社，１９９３， ９［２６］ Ｓａｒｋａｖ Ｄ． Ｍｅｔｈｏｄｓ ｔｏ Ｓｐｅｅｄ ｕｐ Ｅｒｒｏｒ ＢＰ Ｌｅａｒｎｉｎｇ Ａｌｇｏｒｉｔｈｍ． ＡＣＭ ＣｏｍｐｕｔｉｎｇＳｕｒ ｖｅｙ，１９９５，２７：５１９－５９２［２７〕申东日，冯少辉，陈义俊．ＢＰ网络改进方法概述．化工自动化及仪表，２０００， ２７ （０－３０－３２ ［２８１高雪鹏，丛爽．ＢＰ网络改进算法的性能对比研究．控制与决策，２００１，３，１６（２）：１６７－１７１［２９」王耀南．计算智能信息处理技术及应用．长沙：湖南大学出版社，１９９９［３０」高小榕，杨福生．采用同伦ＢＰ算法进行多层前向神经网络的训练．计算机学报，１９９６， １１： ２０９－２１３［３１］ ＲｕｍｅｌｈａｔｒＤ Ｅ，ｅｔ ａｌ． Ｌｅａｒｎｉｎｇ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｂｙ ＢＰ Ｅｒｒｏｒｓ． Ｎａｔｕｒｅ（Ｌｏｎｄｏｎ），１９８６，７：１４９－１５４ ［３２１ Ｗｅｒｂｏｓ Ｐ Ｊ． Ｔｈｅ Ｒｏｏｔｓ ｏｆ Ｂａｃｋ ｐｏｒｐａｇａｔｉｏｎ： Ｆｒｏｍ Ｏｒｄｅｒｅｄ Ｄｅｒｉｖａｔｉｖｅｓ ｔｏ ＮＮ． Ｊｏｈｎ Ｗｉｌｅｙ＆Ｓｏｎｓ Ｉｎｃ， １９９４［３３１ Ｌｏｏｎｅｙ Ｃ Ｇ． Ａｄｖａｎｃｅｓ ｉｎ Ｆｅｅｄｆｏｒｗａｒｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｔｒａｉｎｉｎｇ． ＩＥＥＥ Ｃｏｍｐｕｔｅｒ， １９９６，３：４５－５４ ［３４１ Ｍｚａｒｄ， Ｍ．，Ｎａｄａｌ， Ｊ．ＰＥ Ｌｅａｎｒｉｎｇ ｉｎ Ｆｅｅｄ－ｆｏｒｗａｒｄ Ｌａｙｅｒｅｄ Ｎｅｔｗｏｒｋｓ： Ｔｈｅ Ｔｉｌｉｎｇ Ａｌｇｏｒｉｔｈｍ［ Ｊ］． Ｊ．Ｐｈｙｓ．Ａ： Ｍａｔｈ． Ｇｅｎ．，１９８９，２２（８）：２１９２－２２０３．［３５１ Ｆａｈｌｍａｎ， Ｓ．Ｅ．， Ｌｅｂｉｅｒｅ， Ｃ．Ｔｈｅ Ｃａｓｃａｄｅ－Ｃｏｒｒｅｃｔｉｏｎ Ｌｅａｒｎｉｎｇ Ａｒｃｈｉｔｅｃｔｕｒｅ ［Ａ］． Ａｄｖａｎｃｅｓ ｉｎＮｅｕｒ ａｌ Ｎｅｔｗｏｒｋ Ｕｓｉｎｇ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍ ２（Ｔｏｕｒｅｔｚｋｙ，Ｄ．Ｓ．ＥＤ．）［Ｃ］，１９９０，５２４－５３２．［３６１ Ｄａｑｉ Ｇａｎ．Ｔｈｅ Ｏｐｔｉｍａｌ Ｎｕｍｂｅｒ ｏｆ Ｈｉｄｅ Ｎｏｄｅｓ ｉｎ Ｍｕｌｔｉｌａｙｅｄ Ｆｅｅｄｆｏｒｗａｒｄ Ｎｅｕｒａｌｎｅ ｔｗｏｒｋｓ．ＩＥＥＥ，ＳＭＣ ＣＥＣＡ，ＬｉＬＬｅ，Ｆｒａｎｃｅ，Ｊｕｌｙ １９９６［３７１马国华．监控组态软件及其应用．北京：北京清华大学出版社，２００１［３８」王作宏，王永骥．基于多层前向神经网络的电加热炉系统辨识．武汉科技学院学报，２００１， ６， １４（２）：１９－２５［３９〕陈样光，黄聪明，薛锦诚，傅若农．神经网络智能控制系统中辨识网络设计方法的探讨．计算机仿真，２０００， ７，１７（４）：３６－３９［４０１黎晓刚，张焰，郭迎卿．神经网络辨识及控制研究．电气传动自动化．１９９９， ２，２１（１）：４５一９［４１１刘清基于人工神经网络的非线性系统辨识．武汉交通科技大学学报，１９９９， ４，２３（２）：１５４－１５７［４２１何明一双并联前向神经网络的误差分析，西北工业大学学报．１９９７， ２， １５（１）：１２５－１３０广西大学硕士学位论文［４３］魏德华，习华勇，赵林明．双并联人工神经网络交替迭代算法及应用．小型微型计算机系统，１ ９９６， １１， １７（１１）：６５－６８［４们谢庆国，万淑芸，赵金．一种Ｅｌｍａｎ回归网络的设计方法．华中科技大学学报，２００２， ３０（３）； ２２－２４．［４５〕荣莉，柴天佑，马庆云基于Ｅｌｍａｎ型回归神经网络的空燃配比优化控制，信息与控制．２０００， ２９（２）：１７３－１７７．［４６］谢庆国，沈轶，万淑芸． Ｅｌｍａｎ人工神经网络的收敛性分析，计算机工程与应用．２０００，６：７９－８１ｒ．．ｒ．Ｌｒ．Ｌｒ．ＬＦ．ＪＬ．ＬＦ．Ｌ，．Ｊ工．．Ｊ种ｗｅＪ，．Ｊ，．Ｊ，．Ｊ，．Ｊ徐丽娜．神经网络控制．哈尔滨：哈尔滨工业大学出版社，１９９９韩力群．人工神经网络理论、设计及应用．北京：化学工业出版社，２００２［５４］ Ｃ．Ｌ．Ｈｗａｎｇ．Ｆｏｕｒｉｅｒ Ｓｅｒｉｅｓ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ－ｂａｓｅｄ［５５］ ＴｓｕｄａＤｙｎａｍｉｃ Ｌｉｎｋ ｏｆ［５６］ Ｙ Ｎ． Ｗａｎｇ．Ａ Ｎｅｕｒａｌ通且ｄ且ｄ‘，．０乃０甘龚菲，王永骥．基于神经网络的ＰＩＤ参数自整定与实时控制华中科技大学学报（自然科学版），２００２， １０， ３０（１０）：６９－７１程启明．基于ＢＰ神经网络的ＰＩＤ参数自整定的船舶操纵控制器研究．计算机自动测量与控制，２００１， ９（５）：１９－２１徐彤．以太网在实时控制领域中的应用．现代电子技术，２００２（１１）：１９一１－匕５止Ｕｌ卜〕八曰，１八‘口ｄ徐皑冬，王宏，杨志家，基于以太网的工业控制网络信息与控制，２０００（２）：１８２－１８６Ｎｅｕｒａｌ ＮｅｔｗｏｒｋｓＡｎｄｒｅｙｅｖ，ｅｔ．ａｌ． ．ＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ Ｕｓｉｎｇ ＤｙｎａｍｉｃａｌＩｍｐｌｅｍｅｎｔａｔｉｏｎ． ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ， １９９６，７（２）：ｃｏｎｔｒｏｌ ｆａｒｓｅｒｖｏ ｓｙｓｔｅｍｓ ｗｉｔｈ ｒｆｉｃｔｉｏｎ． ＩＥＥＥ Ｐｒｏｃ ｏｎ ｃｏｎｔｒｏｌ ｔｈｅｏｒｙａ ｎｄ ａｐｐｌｉｃａｔｉｏｎ， １９９７，１４４（６）：５５９－５６５Ｍｅｍｏｒｙ Ｍａｐ ｉｎ Ｎｏｎｅｑｕｉｌｉｂｒｉｕｍ ＮｅｕｒａｌＮｅｔｗｏｒｋｓ． Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ， １９９２，５（２）：３１３－３２６Ａｄ即ｔｉｖｅ Ｃｏｎｔｏｒｌ Ｂａｓｅｄ ｏｎ Ｒａｐｉｄ Ｌｅａｒｎｉｎｇ Ｍｅｔｈｏｄ ａｎｄＩｎｔ． Ｊ． Ａｄｖａｎｃｅｓ ｉｎ Ｍｏｄｅｌｌｉｎｇ ＆Ａｎａｌｙｓｉｓ Ａ ＥＳ ＭＰｒｅｓｓ ，１９９４，４３（４）：２３－２８．［５７ｊ［５８ｊ圆韩璞．郭鹏．一种新型神经网络智能ＰＩＤ控制器的仿真研究．计算机仿真．．２００１， ７，１８（４）： １７－１９ｗｗｗ．ｂａｉｄｕ．ｃｏｍｗｗｗ．ｇｏｏｇｌｅ．ｃｏｍ广西大学硕士学位论文致谢本文是在我的导师林小峰教授的悉心指导下完成的，在完成整个课题的过程中，导师 严谨务实的作风和不断的创新精神以及把握大局的正确性令人钦佩，并使我终生受益。在此我深深地感谢他。感谢黄清宝、蔡春晓、戴熊纯同学的帮助。在整个课题的进程中，我们就课题设计的 思路进行了深入地交流。感谢许光泞、陈斌、孙艺敏、高永岩同学的帮助。在课题的实验阶段，我们多次探讨 了实验的方案：在论文整理阶段，帮我查证了论文中的一些错误。感谢我的父母和女友胡豪，如果没有他们强有力的支持，我就不能安心地完成学业。最后，感谢那些上面没有提到的，在我的研究生的学业期间给与我关心和帮助的老师 同学和朋友。广西大学硕士学位论文攻读学位期间发表的学术论文目录１．林小峰、朱庆华、宋绍剑．基于以太网的炉温ＰＩＤ神经网络控制系统．广西大学学报，自然科学版，２００４年第１期 ２．宋绍剑、朱庆华、林小峰．Ｅｌｍａｎ神经网络在炉温系统建模中的应用，广东自动化与信息工程（己投稿） ３．宋绍剑、朱庆华、林小峰．基于以太网的神经网络自适应ＰＩＤ控制系统，工业控制计算机，２００４年第８期 ４．宋绍剑、朱庆华、林小峰．神经网络开发软件及其应用，自动化仪表（已投稿）
