⭐ 欢迎来到虫虫下载站！ | 📦 资源下载 📁 资源专辑 ℹ️ 关于我们
⭐ 虫虫下载站
📤 上传资源

📄

📁 神经网络在各个行业中的应用实例和解决应用 对你有很大帮助
💻
字号:
🔍 
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN">
<!-- saved from url=(0046)http://www.controlit.com.cn/forum/tech/pid.htm -->
<!-- saved from url=(0070)http://www.chinainfo.gov.cn/periodical/jdgc/jdgc99/jdgc9901/990108.htm --><!ArtChnTitle><!ArtChnAuthor><!ArtAuthorAddress><!ArtChnAbstract><!ArtChnKeyword><!ArtEngTitle><!ArtEngAuthor><!ArtEngAbstract><!ArtEngKeyword><HTML><HEAD><TITLE>工控论坛</TITLE>
<META content="text/html; charset=gb2312" http-equiv=Content-Type>
<META content="MSHTML 5.00.2614.3500" name=GENERATOR></HEAD>
<BODY bgColor=#ffffff link=#000000 vLink=#000080>
<STYLE type=text/css>A:link {
	COLOR: #00007f; TEXT-DECORATION: none
}
A:visited {
	COLOR: #00007f; TEXT-DECORATION: none
}
A:active {
	COLOR: #ff0000; TEXT-DECORATION: none
}
A:hover {
	COLOR: #ff0000; TEXT-DECORATION: underline
}
INPUT {
	FONT-SIZE: 12px
}
SELECT {
	FONT-SIZE: 12px
}
P {
	FONT-FAMILY: 宋体; FONT-SIZE: 9pt; LINE-HEIGHT: 14pt
}
DIV {
	FONT-FAMILY: 宋体; FONT-SIZE: 9pt; LINE-HEIGHT: 14pt
}
.p1 {
	FONT-FAMILY: 宋体; FONT-SIZE: 10pt; LINE-HEIGHT: 15pt
}
.p3 {
	FONT-FAMILY: 宋体; FONT-SIZE: 9pt; LINE-HEIGHT: 14pt
}
.p2 {
	FONT-FAMILY: 宋体; FONT-SIZE: 14px
}
.p4 {
	FONT-FAMILY: 宋体; FONT-SIZE: 14px; LINE-HEIGHT: 14pt
}
.white {
	COLOR: white
}
.yellow {
	COLOR: #ffffcc
}
.botnav {
	COLOR: white
}
.whiteNoUnderline {
	COLOR: white; TEXT-DECORATION: none
}
A.p8:link {
	COLOR: #ffffff; TEXT-DECORATION: none
}
A.p8:visited {
	COLOR: #ffffff; TEXT-DECORATION: none
}
A.p8:active {
	COLOR: #ff0000; TEXT-DECORATION: none
}
A.p8:hover {
	COLOR: #ff0000; TEXT-DECORATION: underline
}
.p8 {
	COLOR: #fff; FONT-FAMILY: "宋体"; FONT-SIZE: 14px; TEXT-DECORATION: none
}
</STYLE>

<CENTER>
<TABLE border=0 width=750>
  <TBODY>
  <TR>
    <TD width=400><IMG height=60 src="工控论坛.files/logo.gif" width=280> 
  </TD></TR></TBODY></TABLE>
<HR SIZE=1 width=750>

<TABLE bgColor=#eaeaea border=0 cellPadding=0 cellSpacing=0 width=750>
  <TBODY>
  <TR>
    <TD class=p1 width=750><A href="http://www.controlit.com.cn/">中国工控网</A>＞<A 
      href="http://www.controlit.com.cn/forum">工控论坛</A>＞技术论坛</TD></TR></TBODY></TABLE><BR><BR>
<TABLE border=0 width=750>
  <TBODY>
  <TR>
    <TD><STRONG>
      <P align=center><FONT face=宋体 
      size=5>神经网络与PID结合的直流调速系统自适应控制</FONT></STRONG></P>
      <P align=center><FONT face=宋体 size=3>项云</FONT><IMG 
      alt="t337-0.gif (94 bytes)" height=16 src="工控论坛.files/t337-0.gif" 
      width=16></P>
      <P align=left><FONT face=宋体 
      size=3><STRONG>【摘要】</STRONG>提出一种将神经网络理论结合传统PID控制机理，构成单神经元PID控制器，并应用于直流调速系统。通过在线边学习边控制的方式，解决了传统PID的不足，实现了调速系统的快速过程实时在线控制要求。仿真结果表明，这控制方法具有良好的自适性，且系统鲁棒性优于传统双闭环控制。</FONT></P>
      <P align=left><FONT face=宋体 
      size=3>　　<STRONG>关键词：</STRONG>神经网络；学习算法；PID控制；直流调速</FONT></P>
      <P align=center><FONT face="Times New Roman" size=4><STRONG>Self-adaptive 
      Control Based on Neural Networks and PID for Direct Current Governor 
      Seytems</STRONG></FONT></P>
      <P align=center><FONT face="Times New Roman" size=3>Xiang 
Yunwei</FONT></P>
      <P align=left><FONT size=3>　　</FONT><STRONG><FONT face="Times New Roman" 
      size=3>Abstrcat</FONT><FONT size=3>：</FONT></STRONG><FONT 
      face="Times New Roman" size=3>Control mechanism which based on the theory 
      of neural networks and traditional PID is present single neurons PID 
      controller is constituded.And it is applied to the direct current governor 
      systems. Through the way of learning and controlling on line, to solve the 
      insufficiency of traditional PID and to fulfill the requirement of rapid 
      real-time on line process control for governor system. The results of the 
      emulation show that this control with good self-adaptive. and the robust 
      of the system is better than that of the traditional double-closed-loop 
      control systems.</FONT></P>
      <P align=left><FONT size=3>　　</FONT><STRONG><FONT face="Times New Roman" 
      size=3>Key words</FONT><FONT size=3>：</FONT></STRONG><FONT 
      face="Times New Roman" size=3>Neural networks; Algorithm of study; PID 
      control; Direct current governor</FONT></P>
      <P align=left><B><FONT face=宋体 size=4>1　引 言</FONT></B><FONT face=宋体 
      size=3><BR>　　在工业过程控制中，PID控制是历史最悠久，生命力最强的控制方式，其具有结构简单，稳定性好，可靠性高， 
      易于工程实现等优点。但对于复杂系统的控制具有其局限性。如交流或直流调速，对机器人控制等一类控制系统，其负载、模型参数的大范围变化以及非线性因素的影响，使得传统PID控制难以达到满意效果。而神经网络源于对脑神经的模拟，具有很强的适应于复杂环境和多目标控制要求的自学习能力，具有很强的信息综合能力，可在一定条件下逼近非线性。<BR>　　本文提出一种基于神经网络与PID控制相结合的直流调速自适应控制系统，并利用单神经元的自学习，自适应， 
      通过对调速系统的在线边学习边控制，实现系统的快速实时在线控制。</FONT></P>
      <P align=left><B><FONT face=宋体 
      size=4>2　单神经元PID控制器及学习算法设计</FONT></B><BR><B><FONT face=宋体 
      size=3><STRONG>2.1　单神经元PID控制器框图，如图1所示</STRONG></FONT></B></P></TD></TR></TBODY></TABLE>
<P align=center><IMG alt="t337-1.gif (3302 bytes)" height=118 
src="工控论坛.files/t337-1.gif" width=378></P>
<TABLE border=0 width=750>
  <TBODY>
  <TR>
    <TD>
      <P align=center><FONT face=宋体 
      size=3>图1　单神经元PID控制器<BR>u(k)——神经元的输出,V(k)——学习信号</FONT></P>
      <P align=left><FONT face=宋体 size=3><B>2.2 
      输入状态信号的选择</B><BR>　　为了使单神经元控制器具有PID特性，可以在图1系统中分别取<BR>　　状态量<SUP>[4]</SUP>误差：x<SUB>1</SUB>(k)=e(k)<BR>　　误差积分:<IMG 
      alt="37-1.gif (378 bytes)" height=29 src="工控论坛.files/37-1.gif" 
      width=80><BR>　　误差微分:x<SUB>3</SUB>(k)=△e(k)／T<BR>式中　T——采样周期<BR><STRONG>2.3 
      单神经元的数学模型</STRONG><BR>　　一般标准、统一的数学模型是由3部分组成，即加权求和、线性环节Ku和非线性函数映射f(<B><SUP>.</SUP></B>)，如图1所示。<BR>　　则单神经元控制器输出<SUP>［4］</SUP>为: 
      </FONT></P>
      <P align=center><IMG alt="37-2.gif (828 bytes)" height=33 
      src="工控论坛.files/37-2.gif" width=207></P>
      <P align=right><FONT face=宋体 size=3>(1)</FONT></P>
      <P align=center><IMG alt="37-3.gif (471 bytes)" height=31 
      src="工控论坛.files/37-3.gif" width=117></P>
      <P align=right><FONT face=宋体 size=3>(2)</FONT></P>
      <P align=left><FONT face=宋体 
      size=3>式中　k<SUB>u</SUB>——神经元比例系数<BR>　　　W<SUB>i</SUB>(k)——权重值<BR>　　　U<SUB>max</SUB>——最大控制量，在本系统中该值为最大转矩给定值<BR><B>2.4 
      学习算法<BR></B>　　为保证学习算法的收敛性和控制的鲁棒性，为了有利于单神经元控制器在与被控对象的交互作用中不断地增加学习能力、适应能力和控制能力，易于实时控制。同时针对直流调速系统的特点，则应用反馈原理，将无监督的Hebb学习规则<SUP>[4]</SUP>和有监督的学习规则结合起来，通过调整神经元的输入权值来实现单神经元的学习,得到神经元控制器的学习算法：</FONT></P>
      <P align=center><FONT face=宋体 
      size=3>V(k)=e(k)｜u(k)｜X<SUB>i</SUB>(k)</FONT></P>
      <P align=right><FONT face=宋体 size=3>(3)</FONT></P>
      <P align=center><FONT face=宋体 
      size=3>W<SUB>i</SUB>(k+1)=W<SUB>i</SUB>(k)+η<SUB>i</SUB>V(k)</FONT></P>
      <P align=right><FONT face=宋体 size=3>(4)</FONT></P>
      <P align=left><FONT face=宋体 size=3>式中 
      η<SUB>i</SUB>——学习速率,η<SUB>i</SUB>&gt;0<BR>　　据以上分析：用学习规则调整各输入量的权重值，单神经元就相当于变系数的自适应PID调节器， 
      它既有自适应能力，又具备传统PID控制器的优点。且使系统的动态性能只依赖于其误差信号，而不受或少受对象模型参数的影响，同时由①式和④式可知，单神经元控制器依照学习信号所反映的误差与环境的变化，对相应的积分、比例、微分系数进行在线调整，产生自适应控制作用，具有很强的鲁棒性。</FONT></P><STRONG>
      <P align=left></STRONG><B><FONT face=宋体 size=4>3 
      单神经元直流调速系统仿真实验<BR></FONT></B><FONT face=宋体 
      size=3>　　为了保持传统双闭环控制方法的优越性，将神经元网络理论应用于直流调速系统时，仍采用双闭环结构而电流环（内环）仍采用传统的PI调节器并校正成典型I型系统，以提高系统响应时快速性和限流的必要性， 
      转速环（外环）则采用神经元PID控制器，以提高其鲁棒性。采用单神经元PID控制器的双闭环直流调速系统结构,如图2所示。</FONT></P></TD></TR></TBODY></TABLE>
<P align=center><IMG alt="t338-1.gif (5299 bytes)" height=148 
src="工控论坛.files/t338-1.gif" width=516></P>
<TABLE border=0 width=750>
  <TBODY>
  <TR>
    <TD>
      <P align=center><FONT face=宋体 size=3>图2 基于单神经元的直流调速系统结构图</FONT></P>
      <P align=left><FONT face=宋体 
      size=3>　　单神经元PID控制器的参数设计主要是选择控制器的比例因子k、学习速率η、权重初值、采样周期等参数，它们对学习和控制效果有一定的影响。仿真实验时采用的电机为SJY127-5型直流伺服电动机，其技术参数为： 
      100V, 10. 
      2A,2000r/min,5N<B><SUP>.</SUP></B>m，实现单神经元控制器的CPU采用PC80386（带协处理器80387）。<BR>　　仿真结论：<BR>　　1.离散控制器部分的采样周期取2ms计算， 
      连续的被控对象的离散化的虚拟采样频率是实际系统采样频率的整数倍（取10倍），只要在合理范围内，采样周期对响应快速性的影响不大。<BR>　　2.比例因子先选1，然后根据控制效果再加大。发现若k值大，则响应速度快但超调也大，甚至可能使系统不稳定。本系统中取k=30。<BR>　　3.学习速率对提高系统的快速性，消除超调及静差影响很大。一旦学习速率选定后，权重的初值可在一定范围内变化，而不影响系统的性能。经多次仿真，本例取W<SUB>1</SUB>(0)=W<SUB>2</SUB>(0)=0.1，W<SUB>3</SUB>(0)=0.001，η<SUB>1</SUB>=1，η<SUB>2</SUB>=0.01，η<SUB>3</SUB>=0.001，则在允许负载，电枢电阻和转动惯量变化的范围内，都保持无静差，无超调的优良性能。<BR>　　4.考虑到电机的过载能力，取U<SUB>max</SUB>=10V。<BR>　　5.实验结果:本系统各参数取值为:T=2ms,k<SUB>u</SUB>=30,W<SUB>1</SUB>(0)=W<SUB>2</SUB>(0)=0.1,W<SUB>3</SUB>=0.001，η<SUB>1</SUB>=1，η<SUB>2</SUB>=0.01，η<SUB>3</SUB>=0.001图4绘出了控制系统在1000r/min启动时和±1000r/min间突变时的实测动态过程。其中，曲线1为转速给定，曲线2为电机转速，曲线3为单神经元控制器产生的转矩给定，曲线4为电机电流。从实验结果看出，转? 
      俪

⌨️ 快捷键说明

复制代码 Ctrl + C
搜索代码 Ctrl + F
全屏模式 F11
切换主题 Ctrl + Shift + D
显示快捷键 ?
增大字号 Ctrl + =
减小字号 Ctrl + -