毕业设计方案神经网络控制算法仿真.doc

摘 要 现在，因为PID结构简单，可经过调整百分比积分和微分取得基础满意控制性能，广泛应用在电厂多种控制过程中。电厂主汽温被控对象是一个大惯性、大拖延、非线性且对象改变系统，常规汽温控制系统为串级PID控制或导前微分控制,当机组稳定运行时,通常能将主汽温控制在许可范围内。但当运行工况发生较大改变时,却极难确保控制品质。所以本文研究基于BP神经网络PID控制，利用神经网络自学习、非线性和不依靠模型等特征实现PID参数在线自整定，充足利用PID和神经网络优点。本处用一个多层前向神经网络，采取反向传输算法，依据控制要求实时输出Kp、Ki、Kd，依次作为PID控制器实时参数，替换传统PID参数靠经验人工整定和工程整定，以达成对大拖延主气温系统良好控制。对这么一个系统在MATLAB平台上进行仿真研究，仿真结果表明基于BP神经网络自整定PID控制含有良好自适应能力和自学习能力，对大拖延和变对象系统可取得良好控制效果。关键词：主汽温，PID，BP神经网络，MATLAB仿真 ABSTRACTAt present, because PID has a simple structure and can be adjusted proportional 、integral and differential to satisfactory control performance, it is widely used in power plants of various control process. The system of power plant main steam temperature is an large inertia、big time-delayed and nonlinear dynamic system. Conventional steam temperature control system adopted cascade PID control or the differential control of lead before. When the unit is stable, these methods will control the steam temperature in a certain range ,but when operating conditions changed greatly, it is difficult to ensure the quality of control. This article studies PID control based BP neural network . Using such characteristics of neural network self-learning, nonlinear and dont rely on model realize PID parameters auto-tuning. It can make full use of the advantages of PID and neural network. Here, we use a multilayer feedforward neural network using back propagation algorithm. This net can real-time output Kp, Ki, Kd as the PID controller parameters , insteading of the traditional PID parameters determined by experience, so it can obtain good control performance .For such a system ,we can simulate in MATLAB simulation platform. The simulation results show that the PID control based BP neural network has good adaptive ability and self-learning ability. For the system of large delay and free-model can obtain good control effect.KEY WORDS: main steam temperature ，PID ，BP neural network， MATLAB simulation目 录摘 要IABSTRACTII第一章 绪论11.1 选题背景和意义11.2 中国外研究现实状况 11.3 立论依据51.4 本文所做关键工作6第二章 神经网络基础原理82.1 人工神经元模型82.2 神经网络学习方法和学习规则92.2.1 神经网络学习方法92.2.2 神经网络学习规则92.3 神经网络特点及应用102.4 BP神经网络112.4.1 BP神经网络结构112.4.2 BP神经网络算法122.5 本章小结16第三章 基于BP神经网络PID控制173.1 PID控制器离散差分方程173.2 基于BP神经网络PID整定原理183.3 基于BP神经网络PID控制算法步骤223.4 本章小结22第四章 基于BP神经网络PID控制在主汽温控制系统中应用234.1 主汽温控制任务234.2 主汽温被控对象动态特征234.3 主汽温控制策略244.3.1 主汽温控制信号选择244.3.2 主汽温控制两种策略264.4仿真分析274.5 本章总结34结论和展望35参考文件37致 谢39第一章 绪论 1.1 选题背景和意义在控制系统设计中,最关键而又最困难问题是怎样针对复杂、改变及含有不确定性受控对象和环境作出有效控制决议。经典控制理论和现代控制理论基础是建立数学模型,以此进行控制系统设计,然而面对工程实际问题和工程应用对控制要求不停提升,基于数学模型控制理论和方法不足日益显著。无模型控制能有效提升控制系统适应性和鲁棒性,所以,走向无模型控制是自动控制发展另一个关键方向。在1943年，麦卡洛克和皮茨首次提出了脑模型，其最初动机在于模拟生物神经系统。伴随超大规模集成电路(VLSl)、光电子学和计算机技术发展，人工神经网络己引发更为广泛注意。多年来，基于神经元控制理论和机理已取得深入开发和应用。尽管基于神经元控制能力还比较有限，但因为神经网络控制器含有学习能力和记忆能力、概括能力、并行处理能力、容错能力等关键特征，仍然有很多基于人工神经网络控制器被设计出来,这类控制器含有并行处理、实施速度快、鲁棒性好、自适应性强和适于应用等优点，广泛应用在控制领域1。神经网络控制是一个基础上不依靠于模型控制方法,它比较适适用于那些含有不确定性或高度非线性控制对象,并含有较强适应和学习功效,它是智能控制一个关键分支。对于自动控制来说,神经网络有含有自适应功效，泛化功效，非线性映射功，高度并行处理功效等几方面优势2，这使得神经网络成为当今一个很热门交叉学科, 广泛应用在电力，化工，机械等各行各业，并取得了比很好控制效果。1.2 中国外研究现实状况伴随现代工业过程日益复杂，经典现代控制理论面临严峻挑战，比如被控系统越来越巨大，存在多个不确定原因，存在难以确定描述非线性特征，而控制要求越来越高(如控制精度、稳定性、容错、实时性等)，所以大家一直在探索怎样使控制系统含有更高智能，使之能够适应多种控制环境。而神经网络源于对人脑神经功效模拟，它一些类似人智能特征有可能被用于处理现代控制面临部分难题。所以，从20世纪60年代起，大家就开始研究神经网络在控制中应用了，取得了一定效果。现在，伴随神经理论发展和新算法相继提出，神经网络应用越来越广泛。从神经网络基础模式看,关键有:前馈型、反馈型、自组织型及随机型神经网络3。这四种类型各自含有不一样网络模型：前馈网络中关键有BP网络及RBF网络；反馈网络关键有Hopfield网络；自组织网络关键有ART网。目前，已经比较成熟神经网络控制模型关键有神经自校正控制，神经PID控制，神经模型参考自适应控制，神经内膜控制等等4(1) 、神经网络自校正控制神经自校正控制结构图，它由两个回路组成：(1)自校正控制器和被控对象组成反馈回路；(2)神经网络辨识器和控制器设计，以得到控制器参数。这种方案设计思想是利用神经网络辨识器计算估量能力对常规控制器参数进行约束优化求解,从而实现对常规控制器参数或结构进行调整。方框图以下5：神经辨识器控制器设计自校正控制器被控对象 r u y图1-1 神经自校正控制结构图可见，辨识器和自校正控制器在线设计是自校正控制实现关键。（2）、神经网络PID控制。PID控制要取得好控制效果，就必需经过调整好百分比、积分和微分三种控制作用在形成控制量中相互配合又相互制约关系，这种关系不一定是简单“线性组合”，从改变无穷非线性组合中能够找出最好关系。神经网络所含有任意非线性表示能力，能够经过对系统性能学习来实现含有最好组合PID控制。方框图以下6： 神经网络PID控制器被控对象+ r kp ki kd u y - e 图1-2 神经PID控制结构图对于通常神经PID常采取BP算法，因BP神经网络含有迫近任意非线性函数能力，而且结构和学习算法简单明确。经过神经网络本身学习、加权系数调整，从而使其稳定状态对应于某种最优控制律下PID控制器参数。(3) 、神经网络模型参考自适应控制神经网络模型参考自适应控制 ,将神经网络同模型参考自适应控制相结合，就组成了神经网络模型参考自适应控制，其系统结构形式和线性系统模型参考自适应控制系统是相同，只是经过神经网络给出被控对象辨识模型。依据结构不一样可分为直接和间接神经网络模型参考自适应控制两种类型，分别图中(a)和(b)所表示。间接方法比直接方法中多采取一个神经网络辨识器，其它部分完全相同7。参考模型yp r-ee对象神经控制器uy + (a)参考模型yp r-神经辨识器ee-+神经控制器+对象y (b)图1-3 神经模型参考自适应控制结构图神经控制器权重修正目标是使过程输出最终以零误差跟踪参数模型输出。对于直接方法，因为未知非线性对象处于误差和神经控制器中间位置，给参数修正造成困难。为了避免这一问题，增加神经辨识器，变为间接方法。（4）、神经网络内模控制神经网络内模控制系统以下图所表示。图中神经辨识器用于充足迫近被控对象动态模型，相当于正向模型。神经网络控制器不是直接学习被控对象逆模型，而是间接地学习被控对象逆动态特征。 D被控对象神经控制器滤波器r + y -+神经辨识器+-图1-4 神经内膜控制结构图在神经网络内模控制系统中，神经辨识器作为被控对象近似模型和实际对象并行设置，它们差值用于反馈，同期望给定值之差经一线性滤波器处理后，送给神经网络控制器，经过数次训练，它将间接地学习对象逆动态特征。此时，系统误差将趋于零8。 （5）、神经网络估计控制因为神经网络能够正确描述非线性动态过程，所以，可用神经网络设计估计控制系统。估计控制是多年来发展起来一类新型计算机控制算法，它利用内部模型估计被控对象未来输出及其和给定值之差，然后据此以某种优化指标计算目前应加于被控对象控制量，以期使未来输出尽可能地跟踪给定参考轨线。下面是神经网络估计控制系统通常方框图9。被控对象控制器 +u + 神经网络估计器-+图1-5 神经估计控制结构图这种算法基础特征是建立估计模型方便，采取滚动优化策略和采取模型误差反馈校正，估计模型依据系统历史信息和选定未来输入，估计系统未来输出。依据估计模型输出，控制系统采取基于优化控制策略对被控对象进行控制。(6) 、其它优异神经控制模糊神经网络控制：模糊系统是以模糊集合论、模糊语言变量及模糊逻辑推理知识为基础，力图在一个较高层次上对人脑思维模糊方法进行工程化模拟。而神经网络则是建立在对人脑结构和功效模拟和简化基础上。因为人脑思维容错能力源于思维方法上模糊性和大脑本身结构特点，所以将二者综合利用便成为自动控制领域一个自然趋势。模糊系统和神经网络关键采取以下综合方法，既将人工神经网络作为模糊系统中隶属函数、模糊规则描述形式10。多层神经网络控制：一个一般多层神经控制系统以下图所表示，基础上是一个前馈控制器。该系统存在两个控制作用：前馈控制和常规反馈控制。前馈控制由神经网络实现，训练目标是使期望输出和受控对象实际输出间偏差为最小。该误差作为反馈控制器输入。反馈作用和前馈作用被分别考虑11。前馈神经控制器常规控制受控对象r+e+uy-+图1-6 多层神经网络控制结构图1.3 立论依据BP算法就是在模拟生物神经元基础上建立起来在人工神经网络上一个搜索和优化算法。对于人工神经网络，网络信息处理是由神经元间相互作用来实现，知识和信息存贮表现为网络元件相互联结分布物理联络，网络学习和训练决定于各神经元连接权系数动态调整过程。人工神经网络作为一个新型信息描述和处理方法，广泛应用在控制领域，其在控制领域吸引力关键表现在以下几方面19：（l）能够充足迫近任意复杂非线性关系；（2）能够学习和适应严重不确定性系统动态特征；（3）全部定量或定性信息全部分布存贮于网络权中，故人工神经网络有很强鲁棒性和容错性；（4）采取并行分布处理方法，使得快速进行大量运算成为可能。这些特点全部表明神经网络在处理高度非线性和严重不确定性系统控制上有巨大潜力。而电厂主汽温是经典含有大拖延、大惯性、非线性立即变性控制系统，大量文件资料表明，用神经网络对主汽温进行控制是可行且有效。而PID控制是最早发展起来控制策略之一，历史悠久，理论完善，因为其算法简单、鲁棒性好和可靠性高，被广泛应用于工业控制过程，尤其适适用于可建立正确数学模型确实定性控制系统。而实际工业生产过程中往往含有非线性，时变不确定性，如火电厂锅炉主汽温对象，所以难以建立正确数学模型，应用常规PID控制器不能达成理想控制效果，在实际生产过程中，因为受到参数整定方法繁杂困扰，常规PID控制器参数往往整定不良，性能欠佳，对运行工况适应性很差。所以常规PID控制应用受到很大限制和挑战。那么是否能够把神经网络和PID结合在一起，充足利用二者优点呢，使新算法现有神经网络学习能力又有PID控制简单性呢？。基于以上种种原因，本文采取神经网络控制，选择应用最广泛BP算法，和传统PID控制结合控制策略来实现对主汽温有效控制，能够说这是采取多策略智能控制和PID结合实现主汽温控制又一次有益尝试和探索。1.4 本文所做关键工作首先，本文对神经网络模型，结构，学习方法和学习算法作了介绍，并叙述了BP神经网络结构，算法. 接着结合BP神经网络和PID控制原理，对二者进行了结合，采取了基于神经网络自整定PID 控制，即把神经网络输出当做PID三个参数，在一定准则函数下，不停自动调整这三个参数，直到满足一定性能指标。紧接着，在主汽温系统上进行仿真分析，锅炉主汽温对象是一个大拖延、时变对象，在不一样负荷下有不一样动态特征，所以对其不一样负荷均进行仿真分析。本文采取三层BP神经网络，经典增量式数字PID控制算法，只要主汽温系统输入输出之差不为0,就不停调整神经网络权值，进而调整PID参数。仿真结果表明:本文采取基于BP神经网络PID控制有很好自适应和自学习能力。具体安排以下：第一章、绪论简单叙述了选题意义和关键性和神经网络用于控制研究现实状况，并叙述了论文理论依据，说明了本论文所采取算法可行性和必需性。最终介绍了本文所作关键工作和文章结构安排。第二章、神经网络基础理论本章介绍了神经网络基础知识，关键对BP神经网络结构和算法进行了叙述。第三章、基于BP神经网络自整定PID控制原理本章叙述了基于BP神经网络PID自整定控制算法基础原理，为以后仿真分析打下基础。第四章、基于BP神经网络PID控制在主汽温控制系统中应用本章首先对主汽温动态特征进行分析，对常见和改善主汽温控制策略进行了描述和总结，并对主汽温进行仿真分析。最终是结论和展望,本部分总结了本论文结果和不足，提出以后应该注意和改善地方，为以后研究指明方向。第二章 神经网络基础原理人工神经网络(ANN，ArtifieialNeuralNetworks)是对人脑神经系统模拟而建立起来。它是由简单信息处理单元(人工神经元，简称神经元)互联组成网络，能够接收并处理信息。网络信息处理是由处理单元之间相互作用(连接权)来实现。多年来，学者们己经建立了多个神经网络模型，其中决定它们整体性能原因关键是:神经元(信息处理单元)特征，神经元之间相互连接形式，为适应环境而改善性能学习规则等。2.1 人工神经元模型人脑神经元是组成人脑神经系统最基础单元，对人脑神经元进行抽象化后得到一个称为McCulloch一Pitts模型人工神经元，人工神经元是人工神经网络基础单元，从图2一1中能够看出，它相当于一个多输入单输出非线性阐值器件。 图2-1人工神经元元模型结构:神经元i输出，它能够和其它多个神经元经过权值连接。 :神经元i输入。 :神经元连接权值。 :神经元i阈值。 :神经元i非线性输出函数。 该神经元输出，可用下式描述: （2-1） 令 （2-2）则 （2-3）依据活化函数不一样，大家把人工神经元分成以下多个类型22：（1）分段线性活化函数： （2-4）（2）sigmoid活化函数： (2-5)（3）双曲正切活化函数： (2-6)（4）高斯活化函数： (2-7)2.2 神经网络学习方法和学习规则2.2.1 神经网络学习方法学习是神经网络关键特征之一。学习规则就是修正神经元之间连接强度或加权系数算法，使取得知识结构适应周围环境改变。在学习过程中，实施学习规则，修正加权系数。神经网络学习方法关键分为有导师(指导式)学习、无导师(自学式)学习和再励学习(强化学习)三种19: （l）有导师学习:就是在学习过程中，有一个期望网络输出，学习算法依据给定输入神经网络实际输出和期望输出之间误差来调整神经元连接强度，即权值。所以学习需要有导师来提供期望输出信号。(2)无导师学习:就是在学习过程中不需要有期望输出，所以不存在直接误差信息。网络学习需要建立一个间接评价函数，每个处理单元能够自适应连接权值，以对网络某种行为趋向作出评价。(3)再励学习:这种学习介于上述两种情况之间，外部环境对系统输出结果只给出评价(奖或罚)而不是给出正确答案，学习系统经过强化那些受奖励行为来改善本身性能。2.2.2 神经网络学习规则神经网络通常采取网络学习规则包含以下三种:(l)误差纠正学习规则19令是输入时神经元k在n时刻实际输出，表示应有输出(可由训练样本给出)，则误差信号可写为: (2-8)误差纠正学习最终目标是使某一基于目标函数达成要求，以使网络中每一输出单元实际输出在某种统计意义上迫近应有输出。一旦选定了目标函数形式，误差纠正学习就变成了一个经典最优化问题，最常见目标函数是均方误差判据，定义为误差平方和均值: (2-9)其中E为期望算子。上式前提是被学习过程是平稳，具体方法可用最优梯度下降法。直接用J作为目标函数时需要知道整个过程统计特征，为处理这一问题，通常见J在时刻n瞬时值替换J，即: (2-10)问题变为求E对权值w极小值，据梯度下降法可得: (2-11)其中为学习步长，这就是通常所说误差纠正学习规则。(2)Hebb学习规则13由神经心理学家Hebb提出学习规则可归纳为“当某一突触连接两端神经元同时处于激活状态(或同为抑制)时，该连接强度应增加，反之应减弱”用数学方法可描述为: (2-12)因为和相关成百分比，有时称为相关学习规则。(3)竞争学习规则19顾名思义，在竞争学习时，网络各输出单元相互竞争，最终达成只有一个最强者激活，最常见一个情况是输出神经元之间有侧向抑制性连接，这么原来输出单元中如有某一单元较强，则它将获胜并抑制其它单元，最终只有此强者处于激活状态。最常见竞争学习规则可写为: (2-13)2.3 神经网络特点及应用神经网络含有以下特点11:(1)、分布式存贮信息神经网络使用大量神经元之间连接及对各连接权值分布来表示特定信息，从而使网络在局部网络受损或输入信号因多种原因发生部分畸变时，仍能够确保网络正确输出，提升网络容错性和鲁棒性。(2)、并行协同处理信息神经网络中每个神经元全部能够依据接收到信息进行独立运算和处理，并输出结果，同一层中各个神经元输出结果可被同时计算出来。(3)、信息处理和存放和二为一神经网络每个神经元全部兼有信息处理和存放功效，神经元之间连接强度改变，既反应了对信息记忆，同时又和神经元对激励响应一起反应了对信息处理。(4)、对信息处理含有自组织、自学习特点，便于联想、综合和推广神经网络神经元之间连接强度用权值大小来表示，这种权值能够经过对训练学习而不停改变，而且伴随训练样本量增加和反复学习，这些神经元之间连接强度会不停增加，从而提升神经元对样本特征反应灵敏度。正是因为神经网络含有这些特点，才使它在模式识别、人工智能、控制工程、信号处理等领域有着广泛应用，相信伴随人工神经网络研究深入深入，其应用领域会更广，用途会更大。2.4 BP神经网络20世纪80年代中期，以Rumelhart和McClelland为首，提出了多层前馈网络（MFNN）反向传输（BP，back Propagation）学习算法，简称BP算法。2.4.1 BP神经网络结构BP网络结构以下图：ji k输入层节点输出层节点隐层节点 图2-2 BP网络结构图为网络输入和输出，每个神经元用一个节点表示，网络包含一个输出层和一个输入层，隐含层能够是一层也能够是多层。图中j表示输入层神经元，i表示隐层神经元，k表示输出层神经元。已经证实BP网络能迫近任意非线性函数，在各个领域中有广泛应用。BP网络中采取梯度下降法，即在网络学习过程中，使网络输出和期望输出误差边向后传输边修正连接权值，以使其误差均方值最小。学习算法有正向传输和反向传输组成，在正向传输中，输入信号从输入层经过隐层传向输出层，若输出层得到期望输出，学习结束，不然，转至反向传输。反向传输算法是将误差信号根据原链路反向计算，由梯度下降法调整各层神经元权值，使误差信号最小。这两部分是相继连续反复进行，直到误差满足要求。2.4.2 BP神经网络算法 BP神经网络算法关键能够分为两部分，一是前向传输算法，就是已知网络输入和活化函数求各层输出；二是反向传输算法，即假如输出不满足要求就不停修正权值。（1） BP神经网络前向传输算法设某BP神经网络含有m个输入、q个隐含节点、r个输出三层结构，则BP神经网络输入为： j=1,2.m (2-14)输入层节点输出为 ： j=1,2.m （2-15)隐含层第i个神经元输入: i=1,2.q (2-16)输出可表示为 ： i=1,2.q (2-17)其中为输入层到隐层加权系数；上标（1）、（2）、（3）分别代表输入层、隐含层、输出层，为隐层活化函数，这里取为Sigmoid活化函数8。 (2-18）输出层第个神经元总输入为： k=1,2.r （2-19）输出层第k个神经元总输出为 k=1,2. （2-20）式中，：为隐层到输出层加权系数，为输出活化函数。 以上工作在神经网络工作时，就能够完成了一次前向传输计算。 （2） BP神经网络反向传输计算假设，神经网络理想输出为，在前向计算中，若实际输出和理想输出不一致，就要将其误差信号从输出端反向传输回来，并在传输过程中对加权系数不停修正，使输出层神经元上得到所需要期望输出为止。为了对加权系数进行调整，选择目标函数为： （2-21）以误差函数E降低最快方向调整，即使加权系数按误差函数E负梯度方向调整，使网络逐步收敛。根据梯度下降法，可得到神经元j到神经元it+1次权系数调整值： （2-22）由式（2-21）可知，需要变换出E相对于该式中网络此刻实际输出关系，所以 （2-23）而其中 （2-24）其中表示节点i第j个输入。所以 （2-25） 将（2-25）代入式（2-23），能够得到： （2-26）令 （2-27）式中为第i个节点状态对E灵敏度。由式(2-26)和式（2-27）能够得到： （2-28）以下分两种情况计算： 若i为输出层节点，即i =k由式(2-21)和（2-27）可得 （2-29）所以可得： （2-30）此时应该根据下列公式进行调整： （2-31）式中为学习速率。 若i不为输出层神经元，即此时式（2-27）为 （2-32）其中 （2-33）式中是节点i后边一层第个节点，是节点第j个输入。 （2-34）当i=j时，将式（2-32）和（2-34）代入（2-28），有 （2-35）此时权值调整公式为： （2-36）经过（2-31）和（2-36）我们就能够完成神经网络反向传输算法。实现权值实时调整。对上面算法步骤进行总结我们能够出下面算法步骤图：初始化权值值值 给定输入和输出样本 求隐含层、输出层各节点输出 求目标值和实际输出偏差 计算反向误差 修正权值 学习结束？ 结束 是 否 图2-3 BP网络算法步骤图2.5 本章小结本章关键介绍了神经网络基础知识，其中包含神经元模型，学习方法和学习规则等，在了解了神经网络基础上，深入介绍了本论文要用到BP神经网络，包含其结构，前向和反向传输算法及实现步骤。 第三章 基于BP神经网络PID控制通常来说，基于神经网络PID控制器经典结构关键有两种，一个是基于神经网络整定PID控制，即把神经网络输出作为PID控制器百分比，积分和微分。另一个是把神经网络权值做为百分比，积分和微分。本章将具体介绍基于BP神经网络自整定PID控制算法，即把神经网络输出作为PID控制器百分比，积分和微分，然后对电厂主汽温系统进行设计，并在Matlab上进行仿真。3.1 PID控制器离散差分方程在连续信号系统中，PID控制算式表示式 （3-1）式中，百分比系数，积分时间常数，微分时间常数。写成传输函数形式 （3-2）当采样周期较小时， 能够用求和替换积分，用差商替换微分，即做以下近似变换来离散化： （3-3） 式中，k为采样序号，k=1，2，T为采样周期。由上式可得离散PID表示式为： （3-4）此式称为PID位置算式。位置算式使用不方便，累加偏差不仅要占大量内存空间，而且也不便编写程序。最好能转换成某种递推形式。为此提出了增量式。所谓增量式PID是指数字控制器输出u (k)只是控制量增量，当实施机构需要是控制量增量时，应采取增量式PID控制。依据递推原理可得 （3-5） 用式（3-4）减式（3-5），可得增量式PID控制算法 （3-6）式（3-6）深入可改写为： （3-7）式中，用增量式PID控制算法有以下优点：（1）增量算法不需要累加，控制量增量确实定仅和最近几次误差采样值相关； （2）增量式算法得出是控制量增量，误动作影响小；（3）便于编程序实现 。3.2 基于BP神经网络PID整定原理PID控制要取得好控制效果，就必需经过调整好百分比、积分和微分三种控制作用,在形成控制量中相互配合又相互制约关系。神经网络含有迫近任意非线性函数能力，而且结构和学习算法简单明确。能够经过对系统性能学习来实现含有最好组合PID控制。采取BP神经网络，能够建立参数、自学习神经PID控制。器由两部分组成：（1）经典PID控制器：直接对被控对象进行闭环控制，仍然是靠改变三个参数、来取得满意控制效果。（2）神经网络：依据系统运行状态，调整PID控制器参数，以其达成某种性能指标最优化。采取图3-1系统结构，即使输出层神经元输出状态对应于PID控制器三个可调参数、，经过神经网络本身学习、加权系数调整，从而使其稳定状态对应于某种最优控制规律下PID控制器各个参数。采取基