张云[1]2003年在《一种基于模糊神经网络采用再励学习的PID控制器》文中认为PID控制是最早发展起来的控制策略之一，在控制理论和技术飞速发展的今天，PID控制由于其简单、稳定性能好、可靠性能高等优点，仍广泛的应用于冶金、机械、化工等工业过程控制之中。虽然许多其它的控制理论和技术日趋完善，但目前大多数工业过程仍采用PID控制，而采用高级控制技术的控制回路数只占10％左右，可见PID控制在工业控制中占据非常重要的地位。随着现代工业生产的飞速发展，进行过程控制系统设计时，除要求系统具有较高的动态品质和静态品质指标外，还必须保证系统具有良好的鲁棒性。 在PID控制中，被控对象的控制品质的优劣情况在很大程度上依赖于PID控制器中K_p、K_i、K_d叁个参数的整定。根据不同的被控对象适当的调整PID的叁个参数，可以获得比较满意的控制效果。实践证明，这种参数整定的过程，实际是对比例、积分和微分叁种控制作用的折中。应该指出，虽然存在许多PID参数的整定方法及经验公式，但是这种整定不但费时间，而且，参数间相互影响，往往难以收到最佳效果。 传统的参数整定方法都是根据对象特性离线进行的，即当PID叁个参数经离线整定后相对固定，不能根据对象特性变化和动态过程在线修改参数，不具有主动适应系统或环境变化的能力。这样，即使对被控对象整定了一组满意的PID控制参数，当对象特性发生变化时，也难以保持良好的控制性能。当被控对象存在非线性时，常规PID控制器往往不能保证良好的控制性能。对于大惯性，大时滞的对象，其控制效果亦不能令人满意。为此，必须设计出一种能够自动调整K_p、K_i、K_d的PID空制器。 近年来，智能控制无论是在理论上还是在应用上均得到了长足的发展。如何将PID控制器同智能控制更好的结合在一起，使控制领域几十年来长用不衰的PID控制器能发扬光大，更好地应用于实际控制系统，是控制领域中人们不断研究和探索的重要课题。在自动控制领域，许多研究人员将智能控制技术和常规PID控制方法有机的融合在一起，形成了许多形式的智能PID控制器。这种新型控制器已引起人们的普遍关注和极大兴趣，并已得到较为广泛的应用。 本文正是以上述课题为着眼点，以神经网络中再励学习的知识为基础，将PID控制技术与智能控制中的再励学习及模糊控制技术结合 一种8子挨翩讨佐网啥宗用天励学习的nD擅奶8 起来，形成一种基于模糊神经网络采用再励学习的PID控制器。我们 把K／K、K。叁个参数作为神经网络ASN（行为选择网络）的榆出， 通过计算被控系统的实际榆出，将实际输出和理想榆出加以比较，产 生一再励信号，根据再励信号对ASN网络及AEN（行为评价网络）网 络的权值进行修正，不断改变ASN网络的输出，这样就改变了PID控 制器的叁个参数，从而达到了在线调整＊D控制器参数的目的。 本文内容共分为五部分按以下顺序安排： 一、常规PID控制器控制原理及现阶段的发展 阐述了常规＊D控制器的控制原理，并分别叙述了现阶段智能化 ND控制器的发展状况。 二、再励学习 重点阐述了神经网络中的再励学习算法的基本原理。 H、再励学习和HD控制64结合 本部分将再励学习、模糊控制及PID控制相结合，论述了它的结 构和各部分的工作原理。 四、仿真实验 将基于模糊神经网络采用再励学习的PID控制器应用到实际控制 中，并得到较好的仿真结果。 五、结束语
刘文军[2]2007年在《智能控制技术在大型火电机组给水全程控制系统中的应用研究》文中进行了进一步梳理锅炉给水全程控制系统是火力发电厂单元机组主要的控制系统之一，其任务是调节锅炉给水流量，维持汽包水位在一定的范围内。给水全程控制系统性能的优劣，对于机组的安全、稳定、经济运行有着重要的影响。近年来随着机组容量的增大，对给水控制系统提出了更高的要求：汽包蓄水量和蒸发面积减少，加快了汽包水位的变化速度；锅炉容量的扩大，显着地提高了锅炉受热面的热负荷，使锅炉负荷变化对水位的影响加剧，系统动态特性变化幅度较大。对锅炉这种动态特性有较大时变且非线性比较严重的对象，由于难以建立精确的模型，故用传统的控制方法进行控制遇到了很多困难，首先控制器参数的整定非常耗时费力，其次为了适应被控对象的较大时变性和非线性以及控制设备的变化，不得不在给水全程控制过程中频繁地进行控制器比例带的切换，即便如此，常规给水控制系统也很难达到理想的控制效果。另外虚假水位现象也经常给传统的控制算法带来麻烦。因此，迫切需要一种鲁棒性强、算法相对简单、能够进行控制器参数自整定的快速控制方法。模糊神经网络是近年来发展起来的一种智能控制技术，是模糊逻辑控制与神经网络相结合的产物。模糊神经网络充分利用模糊系统所具有的容易被人理解的表达能力和神经网络极强的自学习能力，将模糊系统转换为对应的神经网络，把两种智能方法融合在一起，相互取长补短，从而提高系统的学习能力和表达能力，能够很好地实现对时变性、非线性系统的控制。本文对常规Mamdani模型模糊神经网络的结构及其学习算法进行了一系列的改进，设计了一种基于模糊神经网络的参数自整定PID控制器，用它来取代常规串级叁冲量控制系统的主调节器PI1和串级单冲量控制系统的调节器PI，利用神经网络自学习能力在控制过程中在线提取和优化模糊控制规则，优化控制器隶属度函数，采用模糊推理的方法实现PID参数Kp、Ki和Kd的在线自整定，基本解决了常规锅炉给水全程控制系统中控制器参数整定难，以及在机组升降负荷过程中需要频繁切换控制器比例带的问题，简化了控制系统的结构，极大地提高了控制系统的性能，具有较高的工程应用价值。
蔡文秀[3]2006年在《模糊神经元网络在过程控制中的应用》文中研究表明随着科学技术的发展，现代工业生产过程的一个共同特征是控制系统的复杂性和不确定性日趋明显，即各子系统之间或其内部会有较强的关联性，参数的高维性、时变性和随机性，且系统和环境具有许多未知的和不确定的因素，这些因素还会随环境、工况和时间等发生不可预料的变化。因此己很难采用那些基于定量数学模型的传统控制方法对其实现有效的控制，必须寻求新一类的控制策略。 模糊控制是一种不依赖于被控过程数学模型的仿人思维的控制技术。它可以利用领域专家的操作经验或知识建立被控系统的模糊规则，有较好的知识表达能力。但在工程实际应用中却缺乏自学习或自调整的能力。尽管神经网络是一类黑箱式的非线性映射，但它具有良好的自学习能力。将二者有机结合起来，取长补短，可以提高整个系统的学习能力和表达能力。目前这个方向的研究正方兴未艾。 本文首先分析了工业过程控制中被控对象的特性，并对模糊控制、神经网络及模糊神经网络的发展、背景和原理等进行了综述。针对工业生产过程的特点，结合传统PID控制，本文提出了一种基于模糊RBF神经网络的控制策略，进一步完善了PID控制的自适应性能，能发挥模糊控制鲁棒性能、动态响应好，上升时间快，超调小的特点，又具有PID控制器的动态跟踪品质和稳态精度，具有较好效果。 本文的另一项重要工作是针对普通模糊控制器存在控制精度不理想的问题，提出一种把神经元与模糊控制器相结合的方法，使一种基于两维控制规则基的PID型模糊控制器具有参数在线学习功能，提高了控制系统的鲁棒性和控制精度，在仿真试验中表明该系统具有良好的性能。
顾秀萍[4]2005年在《基于模糊神经网络的过热汽温控制系统研究》文中研究说明目前,大多数火电厂的过热汽温控制仍然普遍采用传统的PID串级控制方法。随着单元机组容量的不断扩大,参数的不断提高,常规的PID控制系统很难在不同工况下均保持优良的控制品质。因为,过热汽温具有明显的大迟延、大惯性、参数时变、非线性等特性,属于较难控制的复杂工业对象。本文提出一种新型的过热汽温控制方案,力图集智能控制与传统控制的优点于一身。本系统既保留了传统串级控制的基本结构及其抗内扰的优点,又把模糊神经网络控制动态特性优良的特色体现在主控制器的设计当中。主控制器采用模糊神经网络控制器与智能积分环节相并联的方式,其中,模糊规则是由神经网络对大量经验样本数据学习后自动生成的;而智能积分作用则可以根据系统所处的不同状态自动加入。最后,利用MATLAB功能强大的专用工具箱,本文对所设计的系统进行了大量的仿真实验,并与传统的PID方法相比较。结果表明,本系统的控制品质明显优于传统的PID控制,具有较高的工程应用价值。
冯震震[5]2017年在《直流锅炉主蒸汽温度控制系统研究》文中认为火力发电是现代社会电力发展的主力军,随着现代科学技术的不断进步,电厂发电机组的容量增大,参数提高,系统变得更加复杂。在建设和谐社会、发展循环经济的大背景下,对于提高火电厂自动化水平以及机组的经济运行提出了新的要求。而锅炉蒸汽控制系统作为火电厂生产过程中重要的系统之一,蒸汽参数直接影响着机组的安全生产以及经济运行。其中主蒸汽温度是主要的控制参数,提高其自动化控制水平、优化其控制策略就显得尤为迫切。本文以主蒸汽温度为研究对象,针对其延迟大、惯性大、时变和非线性的性质,对主蒸汽温度控制系统进行了研究与实现,并完成了仿真实验研究,主要研究工作如下:(1)介绍了主蒸汽温度对系统的影响,对主蒸汽温度在外界扰动因素影响下的动态特性以及静态特性进行了深入分析,给出了主蒸汽温度的数学模型,并详细阐述了基于喷水减温控制手段的串级主蒸汽温度控制策略。(2)在对模糊控制以及PID算法进行研究的基础上,根据模糊控制系统不依赖于被控对象的精确数学模型的性质,将传统串级PID控制系统中的PID主调节器以模糊PID控制器代替,设计模糊PID主蒸汽温度控制系统,对系统的工作原理及实现过程进行了研究。(3)结合神经网络与模糊系统,将模糊逻辑技术置入神经网络,利用神经网络结构来实现模糊逻辑推理,使系统同时体现专家知识的语言规则以及神经网络的自学习能力,设计基于模糊神经网络得主蒸汽温度控制系统,对系统的工作原理及实现过程进行了研究。(4)仿真实验研究,采用MATLAB对模糊PID算法及模糊神经网络算法进行仿真,结果表明以模糊PID控制代替PID控制,可以提高控制系统对主蒸汽温度的调节品质;而基于模糊神经网络的主蒸汽温度控制系统的控制效果则更加高效。
黄宜庆[6]2009年在《PID控制器参数整定及其应用研究》文中研究说明PID控制作为一种经典的控制方法而广泛应用于工业控制中,是实际工业生产过程正常运行的基本保障。随着计算机技术的飞跃发展和人工智能技术渗透到自动控制领域,出现了多种PID控制器的参数整定方法。本文深入研究了PID控制理论,运用了多种方法设计了PID控制器。内容包括两个部分,其中第一部分为前四章,主要是关于单变量PID控制器的参数整定研究。第二部分为第五章和第六章,主要是关于多变量PID参数整定的研究。在第一部分,介绍了PID控制器在工业控制中的重要地位和PID控制器的基本概念以及目前国内外PID控制器参数整定的现状,对遗传算法中的交叉算子和变异算子进行了改进,使交叉概率和变异概率能够自适应地改变,将改进的遗传算法用于电机控制系统的PID控制器的设计;在BP神经网络的基础上,将隐层S函数选择为小波函数,从而构造出小波神经网络,给出小波神经网络的学习算法,由此利用小波神经网络对PID控制器的参数进行整定,将这种方法运用于控制对象中,仿真结果表明此方法具有一定的优越性;最后提出了一种多目标鲁棒PID控制算法,从极点配置、H 2性能和H∞性能指标叁种性能指标出发,设计出多目标具有极点约束的H 2 /H∞PID控制器,最后由此算法推导出多目标最优H 2PID算法,使设计的PID控制器能够满足在H∞性能指标在给定值的条件下,闭环系统的H 2性能指标达到最优,同时能够将闭环系统的极点配置在人工所要求的区域内部。在第二部分,首先总结了多种多变量PID参数整定的方法,包括利用遗传算法、神经网络、微粒子群算法和鲁棒控制理论方法进行的多变量PID控制算法,对于每一种整定方法,给出了具体的设计流程和详细的步骤;其次,在对角递归神经网络的基础上提出了一种基于准对角递归神经网络的多变量PID参数在线整定的算法,同时给出一个二耦合的控制对象进行仿真,将基于此方法设计的多变量PID与基于对角递归神经网络设计的多变量PID控制效果进行了比较;最后总结了本文研究在理论上所取得的成果,展望了PID控制器参数整定需要进一步研究的方向。
刘晓丹[7]2008年在《基于RBF模糊神经网络的船用锅炉汽包水位控制研究》文中研究说明本文对于船用锅炉的汽包水位控制系统进行了研究,针对船用锅炉这种具有非线性、参数不稳定、难以建立精确的数学模型的控制对象,结合模糊控制理论和神经网络理论,提出用一种基于RBF模糊神经网络构造控制器实现对锅炉的过程控制。通过仿真,表明本文提出的算法是有效的,其控制效果优于传统PID控制器、模糊PID控制器及神经网络控制器,说明了这种控制系统的可行性与优越性。本文的主要研究内容如下:1.根据船舶锅炉的工作原理,通过机理建模的方法,并进行一定的假设和简化,得到锅炉汽包水位的模型。2.模糊控制和神经网络理论的研究。在介绍模糊控制和神经网络理论的基础上,针对两者的不足,提出了模糊神经网络控制,该控制器综合了模糊控制系统和神经网络系统的优点,由RBF模糊神经网络构成。3.在相同锅炉水位模型的基础上,设计了相应的模糊PID控制器、RBF神经网络控制器和RBF模糊神经网络控制器。4.通过对传统PID控制器、模糊PID控制器、KBF神经网络控制器和RBF模糊神经网络控制器的仿真,分析得出,RBF模糊神经网络控制系统具有良好的控制效果。证实了该控制系统具有适应性好、抗干扰能力强等优点,说明了这种控制系统的可行性与优越性。
陈学松[8]2011年在《强化学习及其在机器人系统中的应用研究》文中研究说明强化学习(RL:Reinforcement Learning),又称增强学习或再励学习,是一种重要的机器学习方法,是近几年来智能控制和人工智能领域的研究热点之一。在各种学习方法中,强化学习具有较强的在线自适应性和对复杂系统的自学能力,它在与环境的交互中,通过试探式的学习收敛到最优的控制策略,这种学习机制已经在非线性控制、人工智能复杂问题求解、机器人控制、优化与调度以及多agent系统中有成功应用。然而,由于各种系统的复杂性和不确定性的限制,强化学习的研究中还存在一些难以解决的问题。如何结合相关的知识表示和计算智能技术,设计合适的学习算法和控制结构,是实现强化学习方法广泛应用的关键。目前的强化学习研究主要都是针对小规模、离散的状态和动作空间,对于在大规模、连续的状态和动作空间下的学习控制还是亟待解决的难题。本文针对大规模、连续的状态和动作空间下的强化学习理论、算法及应用进行研究,因此具有重要的理论意义和应用价值。本文在收集了国内外相关的文献之后,对其进行充分的分析和综合。在此基础上,对强化学习算法及其在机器人系统中的应用进行了较深入的研究。主要研究工作如下：(1)基于递推最小二乘法的多步时序差分学习针对强化学习过程收敛速度缓慢的问题,提出了基于递推最小二乘法的多步时序差分学习(RLS-TD(λ))算法。证明了在满足一定条件下,该算法的权值将以概率1收敛到唯一解,并且得出和证明了值函数估计值的误差应满足的关系式。迷宫游戏的仿真实验表明：与传统强化学习算法相比,RLS-TD(λ)算法实现了在线、递推式的学习,具有计算量小的优点。(2)基于RBF神经网络的强化学习针对基本Actor-Critic学习泛化能力不强的问题,提出了一种基于RBF网络的强化学习算法。证明了该算法在满足一定条件下将以概率1收敛到某矩阵方程的唯一解。该算法通过Actor和Criric共享RBF网络,根据任务复杂度和学习进度进行实时的在线学习。基于该算法,设计了一种具有强化学习机制的自适应PID(AC-PID)控制器设计方法,该方法可以解决传统PID(T-PID)控制器不易在线实时整定参数的不足。仿真实验表明,该算法具有更好的学习泛化能力。(3)基于探索度的改进型模糊Sarsa学习针对强化学习中探索和利用之间难以平衡的问题,在已有的模糊Sarsa学习(FSL)算法基础上,首次提出了一种基于探索度的改进型模糊Sarsa学习(IFSL)算法,证明了IFSL算法中可调节的权向量存在平衡不动点。该算法通过增加自适应学习率产生器和模糊平衡器来控制探索和利用的程度,以提高学习性能。小车爬山问题的仿真实验结果表明,该算法加快了系统的学习收敛速度,具有更优的学习性能。(4)基于蚁群优化的变学习率模糊Sarsa学习针对模糊Sarsa学习中学习因子优化调整的问题,提出了一种基于蚁群优化的变学习率模糊Sarsa学习(ACO-FSL)算法。该算法运用蚁群优化中的信息素水平更新规律来自动调节学习率,把模糊神经网络中模糊推理过程看作是蚂蚁觅食的过程,构造相应的信息素矩阵,从而实现最优策略下行为动作的选择。小车爬山与卡车倒车问题的仿真实验表明：ACO-FSL算法比FSL算法具有更优的学习性能。(5)强化学习在移动机器人路径规划中的应用详细探讨了ACO-FSL算法在移动机器人路径规划中的应用,给出了一种加权回报函数的设计方法,实现了对未知环境状态空间的动态建立,有效克服了移动机器人在路径规划时对全局环境信息或动态障碍物的运动信息的依赖性。仿真实验表明,ACO-FSL算法在学习性能和计算时间方面要优于IFSL算法和FSL算法。最后,对本文进行总结,阐明本研究的创新和主要研究成果,并指明未来进一步研究的问题。
焦嵩鸣[9]2007年在《计算智能及其在热工系统中的应用研究》文中研究说明热力发电厂作为电力生产企业,不仅生产过程复杂,而且对于生产的经济性和安全性,对生产过程的控制品质要求都较高。但是,由于现代热力发电设备向着大容量,高参数的方向发展,机组设备越来越复杂,一些设备的具体特性很难用数据模型描述出来或者其特性随着机组工况的变化会发生变化,传统的控制方法在很多情况下无法有效地应用于生产。计算智能是人们从生物进化机理和一些物理现象中受到启发,提出的许多用以解决复杂优化问题的新方法,因其高效的优化性能、无需问题特殊信息等优点,受到各领域广泛的关注和应用。因此,对计算智能进行研究并把它们应用于发电厂的热工系统中,具有理论意义和实用价值。本文在研究BP神经网络标准算法以及加入动量项的改进算法的基础上,将RPROP算法应用于BP网络的权值修改。在研究了RBF标准算法的基础上,对OLS算法进行了介绍并进行了仿真研究;设计了基于CMAC网络的PID-CMAC复合控制策略;在研究改进的Elman网络的基础上提出了一种新型的动态递归神经网络结构—HIOCDRN网络。本文提出了基于混沌优化策略和RPROP的融合算法,该算法在一定程度上能够克服神经网络的“局部极小”问题。在研究标准PSO算法的基础上,引入动态变量区间和重新启动策略,并将这一新型PSO算法应用于电厂主汽温控制系统PID控制器参数优化。本文还提出了一种新型的热工对象辨识方法----基于PSO和RBF神经网络的系统辨识方法,该方法能大大提高辨识速度和提高辨识模型的泛化能力。在研究标准遗传算法的基础上,提出了采用新的适应度函数的自适应遗传算法。提出的模糊量子遗传算法,通过引入模糊计算,有效地克服了量子遗传算法中旋转变异角相对固定的缺点,提高了量子遗传算法的计算精度和收敛速度。本文将模糊量子遗传算法应用于热工过程辨识,并设计了热工过程模型辨识程序,具有良好的通用性。设计了单神经元神经网络控制器,并将该算法编制成DCS的控制算法模块,在算法模块的设计中考虑了手自动无扰切换问题。文章还将神经网络技术应用于内模控制和预测控制并设计了相应的控制方案。本文设计了基于PID神经网络逆模型的干扰观测器,该观测器和PID-CMAC复合控制策略相结合,大大提高了系统的控制品质和抗干扰能力。将神经网络和遗传算法应用于燃烧系统优化,优化后的燃烧系统氮氧化物排量明显降低。论文的主要创新点有:1.提出一种新型动态递归神经网络(HIOCDRN网络);2.提出混沌优化和RPROP相融合的神经网络学习方法;3.改进PSO算法并设计了PSO算法与RBF神经网络相融合的有自平衡对象辨识方法;4.提出了模糊量子遗传算法(FQGA);5.设计了基于PID神经网络逆模型的干扰观测器。
黎职富[10]2008年在《基于高频PWM的电液比例控制系统的研究与设计》文中研究指明电液比例控制技术是工程机械的核心技术之一,经过六十多年的发展,它由一项单一的技术,形成了目前机电液一体化、智能化、信息化的综合自动化系统。在我国由于起步晚,技术水平低,汽车起重机生产企业往往需要从国外引进电液比例控制系统核心控制器,以提升自身产品的竞争力。但是进口的控制器产品一方面价格偏高,造成汽车起重机整车成本高昂;另一方面它是通用产品,难以适应国内的汽车起重机的某些特殊作业环境,以致故障不断。因此,自主研发设计汽车起重机电液比例控制系统及其核心控制器,已成为国内汽车起重机生产企业的当务之急。本文密切结合湖南省科技攻关重点项目进行研究,围绕“汽车起重机电液比例控制系统”的开发做了大量的工作。论文综述了电液比例控制技术的发展历程及发展方向。在分析汽车起重机液传动系统数学模型的基础上,针对该模型的非线性、大滞后及不确定性特点,本文构建了一种新型的控制器—模糊神经网络PID控制器,将模糊神经网络与常规PID控制器相结合,调整PID控制器的叁个参数,实现了对液压马达转速的精确控制。另外,汽车起重机的机械结构决定了其电液比例控制系统只能采用主从式双CPU结构,在复杂的施工环境下,节点之间可靠通讯成了迫切需要解决的问题,针对这一问题,论文在对比各种工业控制组网方式的基础上,提出了利用CAN总线实现主从节点的通信方案。并在ARM硬件平台和μC/OS-Ⅱ微内核软件平台上实现了CAN总线应用层协议—CANopen协议。最后,本文针对无位置反馈的电磁比例阀,设计了高频PWM波驱动模块,使线圈平均电流和颤振信号独立可调,并实现了线圈电流的闭环控制,可以很大程度上解决没有位移反馈带来了定位精度不够、响应速度减慢的问题,更重要的是,该驱动模块能够有效降低摩擦,减少电磁铁的磁滞现象。核心控制器的实验表明,本文设计的汽车起重机电液比例控制系统已实现设计需求,具有稳定可靠、操作方便等优点,表明本文所研发成果的有效性和实用价值。
参考文献：
[1]. 一种基于模糊神经网络采用再励学习的PID控制器[D]. 张云. 曲阜师范大学. 2003
[2]. 智能控制技术在大型火电机组给水全程控制系统中的应用研究[D]. 刘文军. 太原理工大学. 2007
[3]. 模糊神经元网络在过程控制中的应用[D]. 蔡文秀. 北京化工大学. 2006
[4]. 基于模糊神经网络的过热汽温控制系统研究[D]. 顾秀萍. 天津大学. 2005
[5]. 直流锅炉主蒸汽温度控制系统研究[D]. 冯震震. 西安建筑科技大学. 2017
[6]. PID控制器参数整定及其应用研究[D]. 黄宜庆. 安徽理工大学. 2009
[7]. 基于RBF模糊神经网络的船用锅炉汽包水位控制研究[D]. 刘晓丹. 大连海事大学. 2008
[8]. 强化学习及其在机器人系统中的应用研究[D]. 陈学松. 广东工业大学. 2011
[9]. 计算智能及其在热工系统中的应用研究[D]. 焦嵩鸣. 华北电力大学（河北）. 2007
[10]. 基于高频PWM的电液比例控制系统的研究与设计[D]. 黎职富. 湖南大学. 2008
标签：自动化技术论文; 机器学习论文; pid论文; 模糊神经网络论文; 过程控制论文; 模糊算法论文; 仿真软件论文; 模糊理论论文; 强化学习论文; 动态模糊论文; 遗传算法论文; 系统学习论文; 模糊控制论文; 模糊pid论文;