（制冷及低温工程专业论文）神经元pid在空调机组性能试验室温度控制中的应用研究.pdf

上海水产大学硕士学位论文 神经元p id 在空调机维性能试验室温度控制中的应用研究 摘要 本文从空调机组性能试验室温度控制系统特殊性的角度出发，主 要采用理论分柝、模型构建、m a t l a b 软件仿真及实验相结合的方法 将神经元p i d 控制器首次直接应用予空调机组性能试验室环境控制系 统的实际应掰中，通过仿真计算及实验研究均验证了神经元p i d 控制器 在空调机组性能试验温度控制系统中的实用性和有效性。 采用房闻式空气焓羞法对单元式空调机组进行性能试验时，要求 在特定的试验工况下进行，即要求环境模拟系统须维持一定的温湿度 条件并保持一定的时间。因此试验工况躯稳定性和控溢糟度豹大小将 直接影响到测试吩效率及可靠性，同时也是衡量试验台水平的一个重 要标志。由予被控对象为热工参数，具有非线性、大时滞、慢时变等 特悭，并受各种不确定性因素( 人员流动、门窝启闭、设备散热等) 的 影响，因此对控制系统提出了更高的要求。 p i d 控制是最早发展起来的应用领域至今仍然很广泛的控制策略 之一，其优点是算法篱单、鲁棒性好和可靠性高，但在对复杂系统的 控制中，常规的p i d 控制器不能达到理想的控制效果。在实际生产现场 中由予受到参数整定不良、性能欠佳的影响对运行工况的适应性很差， 故实际的控制系统设计仍然采用试凑的方法对其加以解决，因此控制 精度必然受到制约。为了克服常规p i d 控制中的弱点并结合神经网络的 上海水产大学硕士学位论文 理论人们开始探索将神经网络与p i d 控制结合起来实行对复杂系统的 控捌。通过调磷稻查阅资料，针对神经阙络在暖道空调领域的研究现 状，本文将具有自学习能力的单神经元和传统p i d 结合起来形成的神经 元p i d 控制器在空调机缎性熊试验室温度控制系统中的实际应翔为核 心内容，并涉及到了参数的选择与优化方颟。 首先从人工神经元的生物模型及数学模型开始逐步魄介缀神经元 的结构与学习算法等，为神经元p i d 控制器的构建奠定了理论基础；其 次为了实现具有最佳组合的p i d 控制，通过具有任意非线性表示能力的 神经网络构建了p i d 控制器，通过神经元的自学习功能，从丽使其稳 定状态对应于菜种最优擦铡规律下的p i d 控制器参数。 本文在空调房间传热模罄的基础上推导出了房间温度被控对象的 传递函数模型及电加热器系统的传递瀚数模型，通过m a t l a b 软件的 s i m u l i n k 平台构建了数字p i d 控制器及利用m a t l a b 中s 函数的扩展 功能自建了神经元p i d 控制器，并分别对鼯种控制器控制下温度控制系 统进行了仿真。通过仿真证明了神经元p i d 比传统p i d 具有更优的性熊， 同时通过仿真分析得出了控制器的最佳参数值，为实际控制系统参数 选择提供了依据。 为了验证神经元p i i ) 控制器的实际使用效果，作者建立了温度控 制系统实验台，利用v i s u a lb a s i c6 o 编制了普通p i d 秘神经元p i d 算 法的通用程序并编写了数据采集与处理系统软件，然后在此实验台上 对两种控制器进行了实验研究。实验在验证仿真结果的同时比较了两 上海水产大学硕士学位论文 种控制器对房间温度控制的不同效果，通过分析实验数据发现神经元 p i d 控制器从各个方面都要优予常规p i d 控制器，验证了其对温度控制 的实用性和有效性；同时，提出了神经元增益系数的在线调整方法及 提高神经元p i d 控制器控温精度的措施。仿真和实验证蹰，革神经元p i d 控制器是一种将结构简单的单神经元和传统p i d 结合起来的新型的智 能控制器，这种控制器既能利用神经网络的优点又能适虚实时控制的 要求，可根据偏差在线调整权系数，基本可以不依赖被控对象的数学 模型，具有较好的鲁棒性和抗干扰性，控温精度离，因而在工程上有 很大的廒用价值。 关键词：空调机组性能试验窒，神经元p i d ，温度控制，m a t l a b 仿真， 数学模型，实验研究 i i i 上海水产大学硕士学位论文 r e s e a r c ho nt h ea p p l i c a t i o no fn e u r o np i dc o n t r o l l e r i na i r - c o n d i t i o n i n gu n i t sp e r f o r m a n c e l a b o r a t o r y a b s t r a c t f r o mt h ep a r t i c u l a r i t yo ft e m p e r a t u r ec o n t r o ls y s t e mo ft e s t i n gr o o m f o ra i rc o n d i t i o n i n gu n i tw i t l lz n t h a l p yd i f f e r e n c e t h ea u t h o rm a i n l yu s e d t h em e t h o do ft h e o r ya n a l y s i s ，m a t h e m a t i c a lm o d e l ，m a l a bs i m u l a t i o n a n d e x p e r i m e n t f u r t h e rm o r e ，t h ea u t h o rf i r s t l ya p p l i e dn e u r o np i d c o n t r o l l e rt ot h e p r a c t i c a lt e m p e r a t u r ec o n t r o ls y s t e mo ft e s t f o ra i r c o n d i t i o n i n gu n i t f r o mt h er e s u l t so fs i m u l a t i o na n de x p e r i m e n t ，i ti s f o u n dt h a tn e u r o np i dc o n t r o l l e rh a sp r a c t i c a b i l i t ya n dv a l i d i t y t h et e s t i n gr o o mm u s tm a i n t a i nt h ed e t e r m i n a t et e m p e r a t u r ew h e nt h e m a c h i n ei st e s t e dw i t he n t h a l p yd i f f e r e n c e t h es t a b i l i t ya n dp r e c i s i o no f t e m p e r a t u r ei sd i r e c t l yc o r r e l a t e dt oe f f i c i e n c ya n dd e p e n d a b i l i t yo f t h et e s t i ti sa l s ot h es y m b o lo fh i g hl e v e lf o rt h et e s tb e d t h ec o n t r o ls y s t e mn e e d b e t t e rl e v e lb e c a u s et h ec o n t r o lo b j e c ti sp y r o l o g yp a r a m e t e ra n di th a s c h a r a c t e r i s t i co fn o n l i n e a ra n db i gh y s t e r e s i s i ti sa l s oa f f e c t e db yt h e u n c e r t a i n t yf a c t o rs u c ha sp e o p l ef l o w t h ep i dc o n t r o li so n eo fc o n t r o ls t r a t e g i e st h a td e v e l o p e de a r l ya n da r e u s e dw i d e l y ，w h o s ee x c e l l e n c ya r e s i m p l e ra l g o r i t h m ，b e t t e rr o b u s ta n d l l i g hr e l i a b i l i t y b u tt ot h ec o m p l i c a t e dc o n t r o ls y s t e m t h et r a d i t i o n a lp i d c o n t r o l l e rd o e s n ta c q u i r et h eb e t t e rp e r f o r m a n c e ，i t sa d a p ta b i l i t yi sn o t 上海水产大学硕士学位论文 w e l lt od i f f e r e n ti n s t a n c eb e c a u s eo ft h ea p p r o p r i a t et u n e dp a r a m e t e r sa n d n o t w e l lp e r f o r m a n c eo nt h es p o t t h ec o n t r o lp r e c i s i o ni sa f f e c t e db e c a u s e t h ep r a c t i c a ls y s t e mi ss e t t l e di nt h ee x p e r i e n t i a lm e a n t oc o n q u e rt h e f a i l i n go ft r a d i t i o n a lp i dc o n t r o l l e ra n dc o m b i n e t h et h e o r yn e u r a ln e t w o r k ， n e u r a ln e t w o r ka n dp i dc o n t r o li ss t u d i e dt oc o n t r o lt h ec o m p l i c a t e d s y s t e m f r o m t h ec o n s u l t e di n f o r m a t i o na n dt h e i n q u i s i t i o n a lr e s u l t ， e s p e c i a l l yt h ea c t u a l i t yo fn e u r a ln e t w o r ki nh e a t i n g ，v e n t i l a t i o na n da i r c o n d i t i o n i n gf i e l d ，t h i sp a p e rs t u d i e st h ea p p l i c a t i o no fn e u r o n p i d c o n t r o l l e ri nt h et e m p e r a t u r eo fa i rc o n d i t i o n i n gs p a c e sa n dc o m e sd o w nt o o p t i m i z et h ep i dp a r a m e t e r s 。 f i r s t ，t h em o d e lo fa r t i f i c i a ln e u r o ni si n t r o d u c e da n dt h em o d e l ， c o n f i g u r ea n da l g o r i t h mi si n t r o d u c e dg r a d u a l l y s e c o n d ，a i m e da t t h e o p t i m a lp i dc o n t r o l ，t h ep i dc o n t r o l l e ri sc o n s t r u c t e db yn e u r a ln e t w o r k t h a th a st h ec a p a b i l i t yo fn o n l i n e a r ，a n dt u n e st h ep a r a m e t e r sb yn e u r a l n e t w o r kt oa c q u i r et h eb e t t e rp i dp a r a m e t e r s t oa c q u i r eb e t t e rp e r f o r m a n c e ，t h i sp a p e rc o n s t r u c t e dt h eb pn e u r a l n e t w o r kp i dc o n t r o l l e r , t h a ta d o p t st h el i n e a rp r e d i c t i o nm o d e lt h a ta d o p t s t h en o n l i n e a rp r e d i c t i o nm o d e la n ds i m u l a t e dt ot h el i n e a ro b j e c t ，n o n l i n e a r o b j e c ta n ds l o w l ym e t a b o l i co b j e c t 。t h ea u t h o rp u t sf o r w a r dan e wm e t h o d f o r a d j u s t i n gp a r a m e t e r o fn e u r o na n dt h ew a yf o ri m p r o v i n gt h e t e m p e r a t u r ep r e c i s i o ni nt h ec o n t r o ls y s t e m v 上海水产大学硕士学位论文 t h em o d e lo ft e m p e r a t u r eo fa i r c o n d i t i o n i n gr o o ma n d o t h e r m a t h e m a t i c sm o d e la r ed e d u c t e db a s e do nt h eh e a t i n gt h e o r y b a s e do n t h e s em o d e l s ，t h ed i g i t a ls i m u l a t i o ni sd o n e m o r eo v e r ，t h ed i g i t a lp i d c o n t r o l l e ra n dn e u r o np i dc o n t r o l l e ra r ed e s i g n e dw i t ht h es i m u l i n ko f m a t l a b f r o mt h er e s u k so fs i m u l a t i o nw ec a nd r a wt h a tt h en e u r o np dh a s b e t t e rp e r f o r m a n c et h a nt r a d i t i o n a lp i d a c c o r d i n gt ot h er e s u l t s ，t h e a u t h o rf i n d st h eo p t i m a lp a r a m e t e r so fn e u r o np i d i ti sg o o df o rs e l e c t i n g p a r a m e t e r s i nt h ep r a c t i c a lt e s t t op r o v et h ev a l i d l yo fn e u r o np i di nt h ee x p e r i m e n t , t h eh a r d w a r e a n ds o f t w a r ew e r ed e s i g n e d t h ea u t h o rb u i l d st h es o f ts y s t e mf o rd i g i t a l w i t hm i c r o s o f tv i s u a lb a s i c6 0 a tl a s t , c o m p a r i n gt h ee x p e r i m e n tr e s u l t s ， t h ea u t h o rv a h d a mt h e p r a c t i c a l i t y a n dv a l i d i t yf o rt h en e u r o np i d c o n t r o l l e r a tt h es a m et i m e ，t h ea u t h o rb r i n g sf o r w a r dt h em e a n sf o r a d j u s t i n gt h ep a r a m e t e r so fn e u r o n f r o mt h er e s u l t s ，t h ea u t h o rt e s t i f i e s n e u r o np i du n i t e dt h ea d v a n t a g eo fn e u r o na n dt r a d i t i o n a lp i d t h i s c o n t r o l l e rc a nc o n t r o lt h et e m p e r a t u r er e a lt i m ew i t h o u td e p e n d i n go nt h e m a t h e m a t i c sm o d e l i ti sf o u n dt h a tn e u r o np i dc o n t r o l l e rh a sf a s t e r r e s p o n s e ，l i t t l ee x c e e d ，w e l lp e r f o r m a n c ea n dg o o d r o b u s t k e y w o r d s ：p e r f o r m a n c el a b o r a t o r yi na i r c o n d i t i o n i n gu n i t , n e u r o n p i dc o n t r o l l e r ，t e m p e r a t u r ec o n t r o l ，m a t h e m a t i c a l m o d e l ，m a t l a bs i m u l a t i o n ，e x p e r i m e n t v i 学位论文独创性声明及使用授权声明 论文独创性声明 本人郑重声明：所提交的学位论文是本人在导师的指导下，独立 进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文 不包含其他个人或集体已经发表或撰写过的研究成果。对本论文的研 究做出重要贡献的个人和集体，均已在文中作了明确说明并表示了谢 意。 学位论文作者签名垒i ；室日期 强 学位论文使用授权声明 本人完全了解上海水产大学有关保留、使用学位论文的规定，同 意学校保留并向有关部门或机构送交论文的复印件和电子版，允许论 文被查阅和借阅。本人授权上海水产大学将本学位论文的内容编入有 关数据库进行检索，可以采用影印、缩印或扫描等复制手段和汇编学 位论文。保密的论文在解密后遵守此规定。 本学位论文保密口，在一年怨密后适用本授权书。本学位论文 属于不保密晤。 ( 请在以上方框内打“ ”) 学位论文作者签名：趟鱼鍪蛰期型：! 导师签名： 严岛纪 鑫期p 。，孑 上海水产大学硕士学位论文 第一章绪论 1 1 神经元p i d 控制器研究的目的和意义 1 1 1 课题来源 空调杭组的型式试验是保证产品出厂合格率的必要手段，也是产品改型及研 发所必需的性能测试之一。 空调机组的型式试验即按空气焓差法测量制冷量、制热萤( 热泵型) 试验。 为保证试验结果的公平性和准确性，( ( t b t1 8 0 4 - 2 0 0 3 ) ) 对空调机组的测试环境做了 严格的规定。例如额定制冷工况时要求室外侧环境干球温度为3 5 c ，测量区域的 气温平均使波动不大于0 5 ，并稳定延续l 小时以上。因此，对环境室湿度的调 节能力和控制精度的大小直接决定了该型式试验台的水平。 石家庄强祥运输设备有限公司予2 0 0 5 年5 月份开始建设新的车顶单元式空调 机组性能试验室顼霞。该试验室要能按曙厂r1 8 0 4 - 2 0 0 3 ) ) 中的七矛申工况要求分别模 拟被试空调机组运行时的室内侧及室外侧环境并能自动记录、分卡厅试验数据。被 测试机组的制冷量为5 k w 5 0 k w ，电加热额定制热量为6 0 k w ，风羹为3 0 0 0 m 3 h 8 0 0 0m 3 h 。本文作者参与了该空调讥组性能试验室项目从设计、安装到最后调试 的全部过程，并负责该试验室环境控制部分的工作。 1 1 2 研究目的和意义 空调机缀进行性能试验耐需要在一定的滚湿度条件下进行，因姥需要一定的 空气调节设备来提供机组运行时所需要的各种工况环境，这些设备需要一定的手 段进行调节和控制。控制的强的就是模拟滠湿度条件并保持在历要求的范围内。 由于被控对象( 温度、楣对湿度) 属于热工对象，具有多于扰性、多工况性、温湿 上海水产大学硕士学位论文 度相于性等特性，因此空调控懿系统中所采用的控到手段及控制效果的好坏，将 直接影响到实验结果的可用 雯及霹信注。 1 2 国内夕| 、相关课题研究觋状及其禚空调系统的应用 1 2 1 传统p i d 控制器发展会绍 传统p 1 d 算法以其结构简单、工作稳定、物理意义明确、鲁棒性强及稳态静差 小镣优点在工业控制中处于主导地位。假跫，隧蓉工业的发展，对象的复杂程度 不断加深，尤其是对于大滞后、慢肘交、非线性的复杂系统：其中有的参数未知 或缓慢变化：有的带有延时或夔机干扰；有的无法获得较精确的数学模型或模型 非常粗糙。加之，人们对控制品质的要求目益提蘸，常觏p 1 d 控制的缺陷逐渐暴嚣 出来。蘑先，p i d 控制器参数一般是人工整定，要求设计者有丰富的工程经验。尽 管用于参数整定豹方法肖z i e g l e r - n i c h o l s 法、临赛比例度法及理想继电特性等方法， 僚这熙方法都是根据对象的特性离线进行豹，面噩是阶段性的和非自动的，这就 给实际使用带来不便。英次，一次性整定得到豹p i d 参数很难保证其控制效果始终 处于最佳状态，对于时变对象和非线性系统，传统的p i d 控制更是曼得无能为力。 因此常规p i d 控制的疲用受到缀大限制和挑战。 因此，人们在对p d 控制器应用的同时，也对其进行了各干孛改进。主要体现 在褥个方面：一是对常规p i d 本囊结构的改进，都变结构p i d 控制，主要有：积分 分离p i d 控制算法、遇跟削弱积分p d 控制算法、不完全微分p i d 控制簿法、微 分先行p i d 撩制算法和带死区的p i d 控制算法等。另一方面，模糊控制、神经网 络控制和专家控制是颡前智能控制中最为活跃的领域，它与鬻规p i d 控制相结合， 扬长避短，发挥各自的优势，形成了所谓智能p i d 控制。这种新囊控制器由于具 有不依赖系统精确数学模型的特点，对系统参数变化其鸯较好的鲁棒性，已经弓| 起了人们的极大兴趣。主要方法有：基于规则的智能p i d 自学习控制算法、加辨识 信号的餐能自整定p i d 控制算法、专家式锂能自整定p i d 控制算法、模糊p i d 控 制算法、基于神经网络的p i d 控餐封算法、自适应p i d 预测智能控嚣i 算法和单神经 2 上海水产大学硕士学位论文 网络p i d 智能控制等多种控翩算法洲3 】【4 【5 1 1 6 7 。 1 。2 2 神经元pid 控制器的优点及葵在空调系统的应用 经典控制理论的本质是利用误差信号进行反馈控制。它只注重系统的输入输 蹈特性，而不关心系统的内部情况。p i d 控制嚣的结构是固定豹，对于不同的系统， 只是根据输入输出的结果寒调整楣应的参数。这使p i d 控制器有很强的逶应性，因 两获得广泛应用。现代控割理论的本质是对系统的数学模型进行分析，以数学模 型为基础设计出控制器。它的优点在予，一旦有了精确的数学模型，就可以运用 各种数学方法分柝系统豹内部特征，从丽设计出合适的控制器。然丽由于系统的 模囊经常是不准确丽模糊的，这就产生了鲁棒性、适应性等翔题。另外，对于非 线憷系统，也还缺乏完善的数学工具。 人工神经网络( 简称神经网络一斯q ) 是由人工神经元( 简称神经元) 互联组 成的网络，它是从微观结构和功能上对入膝的抽象、简化，是模拟人类智能的一 条重要途径，反映了人脓功能的若干基本特： 芷，如：并行信息处理、学习、联想、 模式分类、记忆等。 神经网络的特点给传统控制理论繁寐了生机，人们逐渐地探索将神经网络容 入到传统控制中。人工神经元网络应用于按制系统的理论根据是：任一非线性函 数都w 以用一个神经元网络逶近，这一逗逐避程可以通过学习算法实现。神经元 网络用于控制器设计时，并不零要知道系统的数学模型，而是通过系统的输出不 断调熬网络参数，达到最佳状态。 人工神经元网络控制器和经典p i d 控制器套以下几个共同特征： 1 ) 对误差信号避行处理，得到控制量； 2 ) 控制器结构是一定的，并不随系统而变化； 3 ) 撩剑器的参数根据系统的实际输入输出缩皋而定。 这些特征说明了p i d 控制器和神经网络的相似性。实际上，p i d 是一个特殊的 神经嘲络，它具有更复杂豹神经元。因此，将神经阚络和传统p i d 结合起来进行研 究无论从理论上还是实用上都是很有意义的。 上海水产大学硕士学位论文 对于暖通空调( h e a t i n gv e n t i l a t i n ga n da i rc o n d i t i o n i n g 麓写为h v a c ) 领域的 研究工作者来说，神经网络的魅力在于：( i ) 具有很强的适应于复杂环境和多目 标控制要求的自学习熊力；( 2 ) 具有任意精度逼近任意复杂的非线性函数的特性； ( 3 ) 采用信息的分布式并行处理，可以快速邃进行大量计算；( 4 ) 所有定量或 定性信息都分布储存予网络内的各个神经元，而且每个神经元实际上存储着不同 信息的郝分内容，即隧络育冗余瞧，从而具有很强的容错性和鲁棒性情j 。正因为如 此，神经网终豹应用已渗透到h v a c 领域的各个方疆 9 】f l o l ，成为学科前沿阵地， 不少学者作了许多的有益的尝试。 p e t e rsc u r t i s s i n 进行了神经网络自适应控豢器与常规的p i d 控制器的性能比 较试验，证明了神经网络自适应控制器的牲能比p i d 好。e r i kj e a n n e t t e 1 2 1 用神经网 络预测控制器控制风枧盘管热水系统，该系统豹锅炉为大滞后大镄性电热锅炉， 有0 、1 、2 、3 、4 级并每级功率耦等，通过与常援的p i d 控制系统比较表明，神 经瞬络预测控制器可将热水温度精度控制在o 0 5 6 ，丽经典p i d 控制器仅能控制 在1 1 。当用神经网络预测控制器控制目重锅炉基本上在0 、l 、2 级功率下运行， 两p i d 控制时锅炉基本上在0 和3 级运行，这说明预测控制能根据热水负荷的变 化既减少能量波动又节能，减少大损性、大滞后对象系统豹超调嚣。o s m a na h m e d 用三层的广义圉归神经网络分别控制实验室的压力冷冻水系统的温度和热水系统 的温度”3 1 ，广义凰归神经涮络的特点是只需要一个输入参数量，不需要迭代训练， 不需要在最小的时闾实际采集系统的特性，它简单、稳定且能很好地攒述动态系 统特性。拳平康用单个神经元自透应控制器控制新风极组的风温，实际运行效果 良好【1 4 。 人工神经网络应用于自动控制方西主要有两种形式1 1 月：一是利用其学习功能 识别对象参数，按某种方法设诗最优控制器；二是赢接构成控制器，在线学习， 按某种最饯准则修改控制器参数。由于封前尚缺乏楣应的神经网络计算机硬件支 持系统( 或难以被实际应用所接受) ，试辫利用串行处理方式模拟季审经网络并行 橇制，用于实时控制，显然很滩满足实际需要。受到工程上应用广泛且结构简单 的常规p i d 调节器的启发，利用具有自学习郄自适应能力的单神经元来构成荦神经 元p i d 自适应智能控制器，不但结构简单，显能适应环境变化，有较强的鲁棒惶， 4 上海水产大学硕士学位论文 本文主要研究这种控制器。 1 3 本论文的研究内容与研究方法 针对章孛经网络研究现状本文将羲重就神经元p i d 控制器在空调试验患环境控 制中的应用作为研究的核心内容，并帮常规p i d 控制效果进行对比，采用理论分析、 模型构建、软件仿囊、实验相结合的方法重点完成以下工作： 1 系统阐述人工神经网络的发展历史、特点、现存的主要模型以及与自动控 制相结合的依据及神经隈络控制系统的发震状况，簿述荜神经元智能控制系统； 2 根据传统p i d 调节器和人工神经网络的各自优点，把二稀结合起来构成了 单神经元自适应p i d 智能擦制器，通过对多手中算法理论的分析、比较，选择了适合 本课题的单卒申经元p d 的算法并对算法遗行一定的改迸； 3 结合空调试验室的其体结构和试验蹇温度控制的是体要求及特殊性，对整 个温度控制系统的硬件及软件进行设计，建立被控对象温度豹数学模型并计算模 型中的各项参数； 4 在m a t l a b 中s i m u l i n k 平台上，利用现有模块构建传统p i d 控制器模型 和s 函数的扩展功能编程构建神经元p i d 控制器模璧以及熬个温度控制系统模型， 分别用两平申控制器对系统进行仿真豹同时对结果进行分柝和比较， ：晕出单神经元 p i d 的参数调整舰德并为实际试验提供参数依据； 5 运用v i s u a lb a s i c6 0 编写神经元p i d 控制器芹i 常瓶p i d 控制器的算法程序以 及整个温度采集与处理系统程序，并从理论上进行两者的沈较； 6 建立房闰湿度控制系统试验台，通过实测数据，对仿宾结聚作验证的同时 对控制效采进行对比分析。 上海水产大学硕士学位论文 第二章基于季申经元p l d 的智能控制 传统的p i d 调节器由于英结构筠单，调整方便，因磷在过程控制中获得广泛的 疵用。但对些复杂遭程且参数慢时变的系统，由予p i d 的参数不易实对在线调整， 因丽在应用中逞到一些困难。人工神经网络具有很强豹信患综合、学习记忆和鑫 学习、自适应能力，能逼近任意非线性溺数，可以处理那些难以用模型和规剐描 述盼过程。人工神经网络在控制中颓稳的主要闻蹙是其算法较复杂，学习过程较 长，参数收敛速度缓慢，存在局部最小点等，使其在工业控到中的应用受到限制。 将神经网络与p i d 控制相结合，可以取得更好的控制效果。奖主要的结合方式有两 秘，一耪是在常规p i d 控案8 器的基础上增加一个神经网络，用神经潮络在线调整p i d 参数刨，另一种是采用单神经元结构，神经元输入权值一一对应p i d 参数，享申经元 之输入值为经过比例、积分、微分处理后的偏差值”1 u s l 。上述第一种方式的主要 缺点是结构复杂且未实现神经网络茅d p i d 控澜觏律豹本顼结合。本章针对上述情 况，主要研究单神经元盘适应p i d 智能控制嚣。 2 1 传统p i d 控制理论及发展局限 许多年以来，在生产过程的鲁渤控制领域中，按照偏差的比例( p ) 、积分( d 和 微分( d ) 进行控制豹p i d 是历史最久、生命力最强的基本控制方式。在2 0 世纪4 0 年 代以前，除在最筒单豹 壶况下可采用开关控制外，它是难一的控制方式。隧饕科 学技术的发展特瓢是计算机的诞生和发展，涌现出许多耨的控制方式，然丽赢到 现在，p i d 控制由于它自身的优点在工业生产过程中仍得到了广泛的应用。 经典p i d 控制系统原理框图如图2 - i 联示。 上海水产大学硕士学位论文 躅2 - 1p i d 控制系统原理匿 f i g 2 1t h ec o n t r o ls y s t e mo fp i d 2 1 。1 传统p t d 控制方程 传统p i d 控制器是种线性控制器，其调节原理为：根据给定值r ( ) 与实际 输出值c ( 1 ) 构成偏差： p ( 磅= r ( f ) 一c ( ) ( 2 - 1 ) 将偏差的比例、积分和微分通过线性组合构戒控制量，对被控对象进行控翩， 故称p i d 控制器。其控制规律为【1 9 】： 吣郴，卜+ 渺+ 瓦纠 z ， 式中： h ( f ) 一控制器的输出羹； p ( 疗一控制器的输入羹，即给定德与实际测量值的偏差； k 。一控制器的比例系数； 曩一控制器的积分时间常数； 乃控制器的微分瞎闯常数。 要想通过计算机编程潦实现传统p i d 控制方程，就必须要对方程进行离散化 上海水产大学硕士学位论文 化为差分方程。阁一阶差分代替微商，用求和代替积分，即e ( o d f z 辜哪) 霸 宴婴：e ( k ) - e ( k - 1 ) ，则( 2 2 ) 式可写成 j “) r o 。 1 m)。巧卜+嘉扣墉峨te(k)-e(k-1)i0j 3 ) 1 o j 式中： k ，一控制器的比例系数； z 一控制器的积分时润常数： 乃一控制器豹微分时闻常数； t o 一采样周期。 式( 2 - 3 ) 称为位置型控制算法。若执行机构接受的是增量信号，如步进电机等， 需转化成增量型控制算法，昶用控制器的输出增量驱动执行机构。具体算法如下： a y ( k ) = y ( k ) - y ( k - 1 ) = k p a e c t ，+ 。c t ，+ ；! 。c t ， = k p e ( ) + k i 8 ( ) 十k o 2 p ( ) ( 2 - 4 ) 式中： 即积分比例藏牛警： k d 一微分院例系数，k d 墨譬& ； o ，一尝分曲q 平方，2 女) = d ) 一2 e ( k 1 ) + 七一2 ) 。 采用增量型算法时，计舞机输出的控制羹衄( 女) 对应的是被控对象当前筐( 侧 如阈f 1 开度) 豹增量，掰以误动作时对当蘸时刻的输出影响较小。此外，由式( 2 4 ) 可知，控制增量的确定仅与最近三次的采样僮有关，所以较容易通过加权处理获 得满意的控制效果。 上海水产大学硕士掌垃论文 2 ，1 2 传统p l d 控制器的发展局限 1 ) 由于实现控制系统豹元器件物理特性的限制，使得p i d 控制器获得的原始 信息偏离实际傻丽其产生的控制作用偏离理论值。例如各种传感器不可避免逾存 在表测鳖误差，误差微分信号的提取是由误蓑信号差分或由超前网终近似实现的， 这干申方式对信号噪声的放大作用很大，使微分信号失真。 2 ) 由于常规的p i d 控翘器采用偏差豹比铡积分和微分的线性组合构成控制 量，不能同时很好的满足稳态糖度和动态稳定性和快速性的要求。为此在系统的 设计与整定过程中只好采取折中的方案来兼顾动态和稳态性能的要求。匿此难以 大辐度掇高控翘系统豹性能指标。 3 ) 尽管常规p i d 控制器具有一定的鲁棒性和适应性，假是对于非线性、快 速时变不确定性、强干扰等特性的对象，控制效果较差。例如在菜一时刻某种条 件下整定好的控制器参数由于被控对象的结构藏参数时变，在另- o , - - n 另一条件 下控制效果往往欠佳甚至可能使控铡系统失稳。 2 2 生物季枣经元与人工神经元模型 2 2 1 生物神经元与入王神经元模型 在神经科学研究的基础上，依据生物神经元豹结构和功能，模拟生物神经元的 基本特征建立了多种人工神经元模型，也称形式神经元模型，简称神经元模型。 本节在简介生物事申经元的纂础上，列出了几手中人工神经元模型。 2 。2 。1 1 生物神经元 生物神经元，也稔事率经细胞，是构成神经系统的基本功能单元。虽然辛率经元的 形态有很大的差异，但基本结构相似。神经元缩构如图2 - 2 魇示。 9 上海水产大学硕士学位论文 嚣2 - 2 耱经元结镌 f i g 2 2s t r u c t u r eo f n e u r o n 1 ) 细胞体：壶缨胞核、细胞质觏细腿膜等缎成。 2 ) 褥突：缍貔髂上短丽多分支瓣突趋，耪当予褥经元瓣输入凌，搂竣黄入戆 糖经冲动。 3 ) 辘突：魏体上缀长技的突起，也称神经纾维。端帮有缀多专申经末楼，传出 张经狰动。 4 ) 突触：突触楚神经元之间懿遴接接1 2 t ，每一个狰经元约有1 0 4 一l 个突触。 一个搀经元，邋过其鞅突的襁经末楼，经突触，与另一个神经元的树突连 接，强实蕊绩怠静蛰递，自予突簸豹蓿怠传递蒋缝莛可变的，蘧藿神经冲 动传递方式的变化，传递l 乍髑强弱不阋，形成了神经元之间连接的柔性， 称为缝掏的可黧性。 5 ) 嚣麓膜窀位：事牵经纲憝在受剿毫的、纯擎豁、穰褫瓣测激螽貔产生兴奁， 越时细胞膜内外有电位差，称为膜电位。黢电位膜内为正，膜外为受。 2 。2 1 2 神经蠢功麓 1 ) 兴奁与翔制：转入辛孛经元懿冲动经整秘爱使细鼹膜电缀舞菇，超过霸终电 位的阏谨 辩都为兴奋状态，产生享串缀冲动，宙辅突经季串经来梢转出。转密摊缝元 0 上海承产大学硕士学位论文 麓淬动经整亵螽霞缡鼹膜毫霞辫低，低予溺整辩鞠为簿露l 获态，不产生毒孛经渖凄。 2 ) 学习与遗忘：哟于神经元结构豹可塑性，突触的传递作用可增强与减弱， 因此牢孛缀元基存学习与潺忘的功能。 2 2 1 3m p 模型 与生镌享孛缀元糖粪戳，天工瓣经瓣络 鏊莛盘许多著嚣运冀豹、功麓麓攀酌、 理想化的人工神经网络处理单元( 简称人工神缝元) 组成，其信息是分布式存储 和并行协麟处理的。 t 9 4 3 年，菱霾心邋掌家m c c u u o c h 秘鼗掌家p i t t s 茭潮掇赉“穰叛垒褥 孛经元” 的被称为m p 的人工苹率经元模型，妇图2 3 联豕，它是一个多输入，多输魍的非 线性信息处理擎元。 y y i y n 馥) 。 稠2 - 3 - a 模型齄构 f i g 2 3 一at h es t r u c t u r eo fm o d e l 、7 ， 0 x 图2 - 3 - b 作罔函数 f i g ，2 3 - ba c t i n gf i m c f i o n 蹈2 - 3 擀神经元模型 f i g 2 3m o d e lo fm pn e u r o n 图中： 冀：棒经元i 的输出，它可与其也多令耪经元通遘权连接； y j ：与神经元i 迄接的神经元，豹翰如t 也蹙l 的输入，f 不簿于j ( ，2 l ，2 t ：神经元j 至f 的连接权值。 爨；神经元i 款阏镳。 ，( 蕾) 神经元i 的非线性作震醋数。 上海永产大学硕士学位论文 禅经元f 懿赣凄孰霹爨下式援遮； 州隆，耐- o , i s ， y f = ，| y j| ， j l 产l 设 鼍。窆峋乃壤 y i = ，( 薯) ( 2 * 5 ) ( 2 - 6 ) ( 2 7 ) 每一神经元的输出或“o ”或“l ”，分别表示“雄制”绒“奋”状态，则 m ) = t , x - ： f 2 一& ，( 算) 是个作用两数( a c t i v a t i o nf u n c t i o n ) ，也称激发激数。式( 2 8 ) 的作 髑嚣鼗为输跃函数，翔图2 3 - b 囊示。 由式( 2 5 ) 与式( 2 培) 可知，鹭神经元i 的输入信号期敉和超过阑值时，输 出为“l ”，即“兴奋”状态；反之，输如为0 ，是“抑制”状态。 蓑怒潮值瞧 乍灸一个投餐，潮式( 2 - 5 ) 哥写为： 厂。、 舻，嚆哪j 式中啦。= - 0 ，y o = l a m p 神经元模型怒人工神经元摸裂的基础，也是神经网络蠼论的基础。 2 。3 革神缀元p i d 撩铡器隗系统犄戒及其学习算法 ( 2 9 ) 攀耱缝元鼹垂适澎功簸是遥避敬交蔽藿来实溪魏，学习算法羧是诿整彀壤w 的规则，它是单神经元控制器的核心，并反映英学习能力。学习铎法如下： 磁 十”= 仗) + 绉辑) ( 2 - 1 0 ) 式中，( 惫) 是隧过程递减弱信号，臻 o 为学习速率。 上海水产大学硕士学位论文 2 3 1h e b b 规则下的单粹经元p i d 控傣9 器 h e b b 学习是一类相关学习，其基本思想是：如栗两个神经元同时被激滔， 则它们之阔豹联接强度的增强与它们激励的乘积成正比，以o i 表示神经元i 的激活 值，q 表示神经元j 的激活值，表示神经元i 和神经元，的连接权值，e l l h e b b 学习规则可表示为： ( 女) = r o ，( 女) d f ( 舶 ( 2 - 1 1 ) 式中，r l 为学习速率。 褒糖胁学习规则中，g | 入教舾信号，即将吩换成希望输出d ，与实际输出o j 之差，就构成有监督学习的d e l t a 学习规则： a w u ( k ) = r l ( d ( 女) 一d ( 女) ) 0 ，( 女) (