神经网络在双容水箱液位控制系统中的应用_毕业论文(编辑修改稿)

神经网络在双容水箱液位控制系统中的应用_毕业论文(编辑修改稿)内容摘要：

E ； 5） 按式（ 316）计算输出层节点的权系数 jk ； 6） 按式（ 317）计算隐含层节点的权系数 ij ； 7） 返回“ 2）”重新计算，直到误差 pE 满足要求为止。 11 控制器及其参数整定方法 ]2[ PID 控制器不仅具有结构简单、实现容易等特点，而且能对许多工业生产实际对象进行有效快速的控制，因而 PID 控制是工业生产过程控制中最常用也是控制理论研究界最经典的控制方法之一。 尽管 PID 控制器具有许多优势但是其本身也具有一定的局限性：如果被控对象是一个复杂而且非线性的系统或者是难以用精确的数学模型对其进行描述的系统的时候，往往就很难达到预期的控制效果。 PID 控制的现实意义 当前， PID 控制和智能控制器相结合的应用已经非常普遍了，各种各样的多功能智能 PID 控制器应用于实际中，很多大公司研制出了具有 PID 参数自整定功能的智能控制器，利用这种智能 PID 控制器能有效地实现对压力、温度、液位、流量等过程参量的控制，还有可以实现 PID 控制功能的可编程逻辑控制器以及实现 PID 控制功能的 PC系统等。 PID 控制被大量应用于各种简单的控制系通过中。 PID 控制器参数整定方法 PID 控制器被发现至今已有 70 多年的历史，常常被应 用在被控对象的结构参数难以掌控或者得不到精确的数学模型以及理论技术难以掌控的控制系统中。 PID 控制器的输入 )(te 与输出 )(tu 的关系为： ]/)()(/1)(([)( dttdekdttektektu dip  （ 319） 上式中， )(tu 是系统的输入值， )(te 是输入量与输出量之间的偏差， pk为比例系数、 ik 为积分系数、 dk 为微分系数。 根据对已有控制系统设计经验 12 的总结，可以得出 PID 参数 pK ， iK ， dK 的整定规律如下 ]3[。 （ 1） 当 ||e 偏大时，应取相对较大的 pK 和相对较小的 dK 且使 iK =0。 （ 2） 当 ||e 中等时，应取较小的 pK 适当的 dK 和 iK。 （ 3）当 ||e 偏小时，应取相对较大的 pK 和 iK ， dK 的取值要适当。 单独使用比例调节的缺点就是不能消除静差，影响控制的精确度；消除系统静差的方法有很多其中最有效且最实用的方法就是加入积分环节。 因此，比例和积分加在一起的可以将比例环节的快速性和积分环节消除误差的作用很好的结合起来，从而有效改善了被控系统的性能。 加入积分环节后可以改善系统的静态性能，在此基础上再加入微分环节，可以在静差存在但不是很大的时候，根据偏差的 变化率提前给出一个使控制效果更好的调节作用，使系统达到较好的控制效果 ]2[。 基于 BP网络的 PID 控制器 PID 控制器要取得满意的控制效果，就必须对其中的比例、积分和微分三种控制作用进行调整 使之成为最佳的组合。 因为神经网络具有自学习的能力，所以可以通过系统的自学习来在线整定给并出具有最优控制效果的 PID控制参数。 基于 BP网络的 PID 控制器结构 ]4[ 通过神经网络的自学习 能力，可以找寻求到某一最优控制规律下的DIP 、 参数。 基于 BP神经网络的 PID 控制器的结构如图五所示，控制器由两部分组成为经典 PID 控制器和神经网络 NN。 其工作原理为在经典PID 控制器直接对被控对象进行负反馈闭环控制的基础上使其内部参数为在线整定的状态，同时利用神经网络不断在线调节 PID 控制器的参数，直至达到满意的控制效果。 也就是说使神经网络输出层 3 个神经元的输出值分别 13 对应于 PID 控制器的三个可调 参数 pK 、 iK 、 dK ，通过神经网络的自学习能力不断调整各神经元之间的权值系数，从而使最终确定的 PID 控制器能取得最优的控制效果。 学 习 算 法N NP I D 控 制 器双 容 水 箱pK iK dKR Ye图 3 3 神 经 网 络 P I D 控 制 器 结 构 BP神经网络的 PID 算法设计 ]4[ 神经网络 PID 控制系统的工作原理为 : 在神经网络自学习的基础上 , 通过实时调整其权值系数 , 使系统具有自适应性 , 达到满意的 控制效果。 PID 控制算法的离散形式可以表示为 )]2()1(2)([)()]1()([)1()(  kekekeKkeKkekeKkuku DIP （ 320） 式中， DIP KKK , 分别为比例、积分、微分系数。 将 DIP KKK , 视为依赖于系统运行状态的可调系数时，上式可描述为 )]2(),1(),(,),1([)(  kekekeKKKkufku DIP （ 321） 上面公式中的 ][f 函数是与 DIP KKK , ， )1( ku ， )(ky 等参数有关的一个非线性函数，能够通过 BP神经网络 NN的不断训练和学习来找到一个这样具有最佳控制效果的控制规律。 14 BP神经网络中的输入层在整个控制器的功能和缓冲存储器的作用相同 , 就是把输入的数据加到网络上。 输 入数据的维数即输入特征向量的维数决定了输入层神经元的个数。 在选择输入向量的时候 , 要充分考虑选择的输入特征向量是否能完全准确地描述事物的本质特征。 如果特征向量不能有效地反应事物的特征 , 这样的神经网络经过训练之后的输出就会与与实际的期望输出之间有较大的误差。 因此 , 在选择特征向量的时后 , 就必须以实际需要为标注 , 选取最能表现事物本质的典型特征。 1x2x3xj i l pKiKdK 图 34 神经网络 PID 控制器神经元结构 根据大量设计经验，设计 BP神经网络 NN 是一个具有三层结构的 BP网络，其结构示意图如上图所示，其中输入层有 3 个神经元，隐层有 3 个神经元，输出层有 3 个神经元。 输入节点对应所选的系统运行状态量；输出节点分别对应 PID 控制器的三个可调参数 DIP KKK ,。 由图可见， BP神经网络输入层节点的输入为 )(1 jkexy jkj  ）（ ， 2,1,0j 1)1(3 y （ 322） 15 网络的隐含层输入、输出为 )()( )1(0)2()2( kykn e t iMj iji   )]([)( )2()2( kfky ii  ， 2,1,0i 1)()2(3 ky （ 323） 式中， )2(ij 为隐含层权系数， )2(3i 为阈值； ][f 为激发函数 ， )tanh(][ xf  ；上角标（ 1）、（ 2）、（ 3）分别对应输入层、隐含层、输出层。 最后，网络的输出层的输入、输出为 )()( )2(30)3()3( kykn e t ii lil   )]([)( )3()3( kn etgky ll  ， 2,1,0l PKky )()3(0 IKky )()3(1 DKky )()3(2 （ 324） 式中， )3(li 为输出层权系数； ）（ 33l 为阈值， ll  )3(3 ； ][g 为激发函数， )]ta n h (1[21][ xg  （ 325） 取性能指标函数为 )1(21)]1()1([21 22  kzkykrJ （ 326） 根据变速下降法来修正网络各神经元间的权值系数，就是说按 J 对各权值系数的负梯度的方向来进行循环的修正与调整，并在此基础上附加一个能使整个调整过程收敛速度加快的全局小惯性项变量，那么就有 )()1( )3()3()3( kJklilili   （ 327） 16 式中， 为学习速率； 为平滑因子； )3()3()3()3()3()3()()( )()( )()( )1()1(lilllllikn e tkn e t kyky kukukyky JJ        （ 328） 由于上面式子中的 )()1( kuky  时不知道，所以可以近似用某些符号函数如 ])()1(s g n [ kuky  来替代，但这样会使计算不精确，这种影响可以通过调整学习速率 来进行调整和补偿。 由上式可以就得 )2()1(2)()()()()()()1()()()()3(2)3(1)3(0kekekekykukekykukekekyku （ 329） 因此可得 BP神经网络 NN输出层的权系数计算公式为 2,1,0)]([)()()()1(s g n)1()()()1()3(39。 )3()3()2()1()3()3(lkgkykukukykekkyklilijilli （ 330） 依据上述推算方法，可得隐含层权系数的计算公式为 2,1,0)()]([)()()1(20)3()3()2(39。 )2()2()1()2()2(ikkn etfkkOklliliiijjiij （ 331） 式中 )](1)[(][39。 xgxgg  （ 332） 2/)](1[][ 239。 x。