基于MATLAB的PID控制器设计报告doc.doc

基于MATLAB的PID控制器设计报告【实用文档】doc文档可直接使用可编辑，欢迎下载MATLA论文-基于控制系统的PID调节基于MTA的ID控制器摘要:本论文主要研究PID控制器。PD控制是迄今为止最通用的控制方法，大多数反馈回路用该方法或其较小的变形来控制.PD控制器(亦称调节器）及其改进型因此成为工业过程控制中最常见的控制器 （至今在全世界过程控制中用的84%仍是纯PID调节器，若改进型包含在内则超过90)。在PI控制器的设计中，参数整定是最为重要的,随着计算机技术的迅速发展，对P参数的整定大多借助于一些先进的软件，例如目前得到广泛应用的ALAB仿真系统.本论文主要介绍PID的原理及简单的用法，探究控制器中各个参数对系统的影响，就是利用自动控制原理和MALAB所学的内容利用简单的方法研究PI控制器的设计方法，并通过MTAB中的虚拟示波器观察系统完善后在阶跃信号下的输出波形.关键字:PID控制简介PID控制器原理MATLAB仿真PID参数的设定正文：一、PD控制简介PID控制器又称PD调节器，是工业过程控制系统中常用的有源校正装置。长期以来，工业过程控制系统中多采用气动式PI控制器。由于气动组件维修方便，使用安全可靠,因此在某些特殊场合，例如爆炸式环境，仍然使用气动式PID控制器.随着运算放大器的发展和集成电路可靠性的日益提高,电子式PID控制器已逐渐取代了气动式PD控制器。目前，已在开发微处理器PI控制器。这里,仅简要介绍PID控制器的主要特性。ID调节器是一种线性调节器，它根据给定值与实际输出值构成的控制偏差： =将偏差的比例、积分、微分通过线性组合构成控制量,对控制对象进行控制,故称为PID调节器。在实际应用中，常根据对象的特征和控制要求，将P、I、D基本控制规律进行适当组合，以达到对被控对象进行有效控制的目的.例如，调节器，PI调节器，I调节器等.所以,正确计算控制器的参数， 有效合理地实现 ID控制器的设计，对于PI 控制器在过程控制中的广泛应用具有重要的理论和现实意义。二、原理分析与说明PID 控制器由比例单元（ P )、积分单元( I ）和微分单元（ D ）组成。其输入 e（) 与输出u（）的关系为公式(11) 公式(1）因此它的传递函数为公式（1-2） 公式(1) 比例调节作用:是按比例反应系统的偏差，系统一旦出现了偏差,比例调节立即产生调节作用用以减少偏差。比例作用大，可以加快调节，减少误差，但是过大的比例，使系统的稳定性下降，甚至造成系统的不稳定。积分调节作用:是使系统消除稳态误差,提高无差度。因为有误差,积分调节就进行，直至无差,积分调节停止，积分调节输出一个常值。积分作用的强弱取决与积分时间常数T,越小,积分作用就越强。反之Ti大则积分作用弱，加入积分调节可使系统稳定性下降,动态响应变慢。积分作用常与另两种调节规律结合,组成PI调节器或PID调节器。微分调节作用：微分作用反映系统偏差信号的变化率，具有预见性，能预见偏差变化的趋势,因此能产生超前的控制作用，在偏差还没有形成之前,已被微分调节作用消除.因此，可以改善系统的动态性能。在微分时间选择合适情况下，可以减少超调,减少调节时间.微分作用对噪声干扰有放大作用，因此过强的加微分调节，对系统抗干扰不利。此外，微分反应的是变化率，而当输入没有变化时,微分作用输出为零。微分作用不能单独使用，需要与另外两种调节规律相结合,组成或D控制器。PID控制器由于用途广泛、使用灵活，已有系列化产品，使用中只需设定三个参数（ K ， 和 K ）即可。在很多情况下，并不一定需要全部三个单元,可以取其中的一到两个单元，但比例控制单元是必不可少的.首先，PID应用范围广.虽然很多控制过程是非线性或时变的,但通过对其简化可以变成基本线性和动态特性不随时间变化的系统,这样PD就可控制了。其次,PID参数较易整定.也就是，P参数Kp，Ki和可以根据过程的动态特性及时整定。如果过程的动态特性变化,例如可能由负载的变化引起系统动态特性变化， PID参数就可以重新整定。第三,PD控制器在实践中也不断的得到改进，下面两个改进的例子,在工厂,总是能看到许多回路都处于手动状态,原因是很难让过程在“自动”模式下平稳工作。由于这些不足，采用 PID 的工业控制系统总是受产品质量、安全、产量和能源浪费等问题的困扰。ID参数自整定就是为了处理PID参数整定这个问题而产生的。现在，自动整定或自身整定的PD控制器已是商业单回路控制器和分散控制系统的一个标准。比例、积分、微分1. 比例图22比例电路公式（21）2. 积分器图2 积分电路公式(2-2)图2微分电路3. 微分器（式2-3）实际中也有P和PD控制器。P控制器就是根据系统的误差利用比例积分微分计算出控制量，控制器输出和控制器输入（误差）之间的关系在时域中如公式(24）和（2-5）：（t)=p(（t）+Td+) 公式（24)U(）=+E(s) 公式（）公式中U(s）和E（s)分别为u(t）和e()的拉氏变换，,，其中、分别为控制器的比例、积分、微分系数三、传递函数1、传递函数 、传递函数性能分析（1)稳定性分析nu=;den21520；G=tf(num，den）Trfer fnion:8-2 +1 s2 27 + pzmp（G)（2）未接入PID 的阶跃响应曲线四、在MALA下实现P控制器的设计与仿真、参数计算 (1） num8; dn=onv(1 ，conv（ , 1）； =tf（um，d）;step（，5)； step(,10)； ep（G，0）；k=dgan(num，dn）k =0。80由图可知,取=。64 T=3.186。于读图存在误差，因此参数仍需整定.、设计ID控制器(）已知对象的K、L 和 值后，根据eglerNichol整定公式编写一个MATAB函数eler_s （ ）用以设计PD控制器。fncton um，dn，K，T,Td，H=Ziegler_sd （key,var）i;Td=；H;K=ar(1） ；L=vrs（2）;=vars （3）；a=K/T；i ey nu=/a; %判断设计P控制器 elsey= K.9/;i=3.33L; 判断设计PI 控制器 elsif key， K=1。2/;Ti=2*L;T/2; 判断设计PD控制器nd wich key aenm=Kp；den; P控制器 case nm=Kp*Ti,1;eT,0; % PI控制器 cae3 PI控制器p0=TiTd，0，0；p1=，Ti，1；p=0，,1；p3=p0+p+p；4K*3；num=p4T;den=,0；endK0800；L=04；T=18;num，Kp,i,Tdieglr_std （,T)um = 2。385 7。7834 126den= 1 0K= 7。834Ti = 1。80d 0.3070（2）动态仿真集成环境 Simln下构造系统模型由图可以看出，经过调节参数之后超调量明显减小,响应曲线平滑,调节时间理想,较符合设计要求。五、例题实验ID的调节实例已知传递函数，其I控制模型如下:其中PID模块如下:用整定PID调节器的参数，使系统的超调量小于0,并求其动态性能指标。解：利用整定公式整定PD调节器的初始参数；KPTITDPPI09PD1.2.2.根据题目已知,T=50，2,=2，可求得PID参数如下：PITDP6PI.10236PID01344410利用此时的PID参数,得到的响应如下：（4）对PD参数进行微调,使性能指标满足系统要求。KPTTP0116P01236PID0.157利用此时的PD参数，得到的响应如下:六、心得体会半学期的ATLAB课程结束了，我们学到了很多，总体来说这次的论文并不是特别容易,我选择写有关PI的应用，虽然我们在自动控制原理课堂上学到了不少关于ID的有用的知识,可真正用起来就发现自己真的的太少,问题太多。我到图书馆来找过资料,也上网查了不少资料,在查找和阅读的过程中真的学到不少的知识。当然,在做自动控制原理作业的时候我遇到了不少问题,在准备论文的时候进行MATLAB仿真时不知道参数怎么设置,在和周围同学的探讨中我们找到了答案,大家共同进步。真正做到了学有致用。通过论文让我们更加深刻的体会到实践很重要性，平时我们多是学习理论知识,上机实践时也是验证例题,自己也少练习，在实践方面确实欠缺不少，需要我们今后加强练习。通过这次实习,我知道了任何事都要靠自己，只有自己的知识才是真正的知识,这让我在以后的工作生活中有了更好的动力!感谢老师的耐心指导和悉心教导！七、参考资料1、胡寿松自动控制原理科学出版社2、李国勇主编计算机仿真技术与CA-基于MALAB的控制系统电子工业出版社中文摘要经典PID控制算法作为一般工业过程控制方法应用范围相当广泛，原则上讲它并不依赖于被控对象的具体数学模型，但算法参数的整定却是一件很困难的工作，更为重要的是即使参数整定完成，由于参数不具有自适应能力，因环境的变化，ID控制对系统偏差的响应变差，参数需重新整定。针对上述问题,人们一直采用模糊、神经网络等各种调整P参数的自适应方法,力图克服这一难题.一般情况下，一个自适应控制系统能够运行，其相应的参数要适应现场状况的变化,因此就必须根据现场的数据对相应的参数进行在线辨识或估计。对非时变参数可以通过一段时间的在线辨识确定下来,但对时变参数系统,必须将这个过程不断进行下去，因此要求辨识速度快或参数变化速度相对较慢，极大地限制了自适应技术的应用.为克服这种限制,本文利用文献1的思想，将神经网络的技术应用于参数辨识过程,结合经典的PID控制算法，形成一种基于P神经网络的自适应P控制算法。这一算法的本质是应用神经网络建立系统参数模型，将时变参数系统的参数变化规律转化为神经网络参数模型，反映了参数随状态而变的规律，即当系统变化后，可直接由模型得到系统的时变参数，而无需辨识过程。在神经网络参数模型的基础上,结合文献1已知系统模型下PID控制参数的计算,推导出一种自适应ID控制算法。通过在计算机上对线性和非线性系统仿真,结果表明了这种自适应PID控制算法的有效性.关键词自适应ID控制算法,I控制器，参数模型，神经网络，BP算法AbtrtlassicalID ontrol agoritm，aa ge mthod of indurial proescontl,applcation soe is broad-ranged.n incipe,itdoes not dependo thesecificmathemcal mdel f the conrold lant,bt tunn lgoth prmtersis eryiffiult taskTo moreiportant，eveifuning the pamet is comleted,aspamters o not have aatv capacity，du acane in envinmen,PD ntrolf te esone the sytemdviatio t orse，pareter ne rtm.Inrsponse o thee roms，poplehae een us th aaptive ehod f zy，neual netork ajut PI aametr,tr oovecm his rblmndr normacircumtanes，an aptiv ntrol sysem ca b cpal f runing，nd the coresoding pareters should dapto tlle change in ttu o te se， thecorresponig parets use ased n th data of te cene to nuctonin idetification or esimated。Nntmeryigrars cn confirmefora periodofonl ideficain，bu te timevarying parameters ym wilbe eessay to cntinuhis oniprocss,so e requiement of fat dentificion otherelatelowpae fcange f parameers，greatlylimtsthapiationo adaptive tnoloy.To overcme hislimtatin，ths papeuses thedelogof tertre1,htechnoog neura torkwbeuseinh pces of aramte dentiicaion，cminnlassical PD contr algorithm，orms n adaptv PlD ontrol gorithmbase on BP neral norkTh eece of his algorthapplie neural newk toui t ode o system parmetrs,chge h chane law f e parameterso te-varying areers systm it thrametricmodef nul ntwrk，reflectingthe la h thprameterchngith the sate，thai，when thesystem chags,itcn gette time-varying prameters of system fro te m diecl，itott prcss ofdificatinO the bsof e parametrs moel f neral nerk，cbigth computatin of PI contr rameters in the non systemd flitratur，derived aadptiv PDr algrithhughe simuation of linear andnon1inearystms inthe cmter,thesultnicates tht this aapive PID cnrol algohm is effive.ey ordAdative PID cntrl algim, PID onroller，ode of araeter，ul network， BP lgorthm目录中文摘要IAbstractII1 绪论11.1课题研究背景及意义112 神经网络的发展2. 课题研究现状31。4 论文组织结构2 PID62。1 PID简述62。2 PID控制原理3 PID控制方法概述2。常规PID控制算法的理论基础9.1模拟PID控制算法2。 数字ID控制算法12.43 对I控制算法中积分环节改进12。4.4 对控制算法中微分环节改进324。5 常规PD控制的局限12。5 本章小结17 人工神经网络83。1 人工神经网络构成的基本原理183.2 人工神经网络的类型83。3神经网络的特点83.4 对BP神经网络设计与分析203.5典型的多层前向网络-P网络的结构及算法213。5。1P神经网络概述23。 神经网络的前向计算223.。3 B神经网络的误差反向传播和加权系数的调整23.6 本章小结254 仿真程序智能分析264.1 仿真过程264。2本章小结3结论与展望3致谢1参考文献32A1 附录332 附录31 绪论1。1课题研究背景及意义按比例、积分和微分进行控制的调节器（简称为PD控制器），是最早发展起来的应用经典控制理论的控制策略之一,是工业过程控制中应用最广泛,历史最悠久，生命力最强的控制方式，在目前的工业生产中，90%以上的控制器为PI控制器。它采用基于对象数学模型的方法，优点是算法简单、鲁棒性好和可靠性高,控制效果良好,因此被广泛应用于工业控制过程,尤其适用于可建立精确数学模型的确定性控制系统。对于传统ID控制器，在把其投入运行之前，要想得到较理想的控制效果，必须先整定好三个参数:即比例系数p、积分系数Ki、微分系数d.这是因为生产部门中有各种各样的被控对象，它们对控制器的特性会有不同的要求,整定的目的就是设法使控制器的特性能够和被控对象配合好，以便得到最佳控制效果,如果控制器参数整定不好，即使控制器本身很先进，其控制效果也会很差.随着工业的发展，控制对象的复杂程度也在不断加深,许多大滞后、时变的、非线性的复杂系统，如温度控制系统，被控过程机理复杂,具有高阶非线性、慢时变、纯滞后等特点,常规PID控制显得无能为力;另外,实际生产过程中存在着许多不确定因素，如在噪声、负载振动和其他一些环境条件下，过程参数甚至模型结果都会发生变化，如变结构、变参数、非线性、时变等，不仅难以建立受控对象精确的数学模型，而且ID控制器的控制参数具有固定形式，不易在线调整，难以适应外界环境的变化，这些使得P控制器在实际应用中不能达到理想的效果，越来越受到限制和挑战。因此，如何使PID控制器具有在线自整定其参数的功能，是自从使用PI控制以来人们始终关注的重要问题。并且，随着相关领域技术的不断发展,对控制系统的指标要求也越来越高。人们一直在寻求P控制器参数的自适应技术3，以适应复杂系统的控制要求，神经网络理论的发展使这种设想成为可能。人工神经网络是由大量简单的基本神经元相互连接而构成的自适应非线性动态系统。神经网络控制能够充分任意地逼近任何复杂的非线性关系,具有很强的信息综合能力，能够学习和适应严重不确定系统的动态特性，故有很强的鲁棒性和容错性，可以处理那些难以用模型和规则描述的过程，在一些不确定系统的控制中已成功应用.误差反向传播神经网络（简称P网络)，所具有的任意非线性表达能力,可以通过对系统性能的学习来实现具有最佳组合的PD控制。基于BP神经网络的PID控制器由经典的PI控制器和BP神经网络组成,其基本思想是利用神经网络的自学习功能和非线性函数的表示能力，遵从一定的最优指标,在线调整PID控制器的参数，使之适应被控对象参数以及结构的变化和输入参考信号的变化,并能够抵御外来扰动的影响,达到具有良好的鲁棒性的目标。虽然BP神经网络的理论依据坚实,推导过程严谨，通用性强,在控制领域对复杂的多变量系统的控制有很大的优势，但是由于其算法是基于最陡梯度下降算法、以误差平方为目标函数的，所以其不可避免地存在着易陷入局部极小、收敛速度慢等缺陷.并且，神经网络的初始权值的选取直接影响着控制器的性能,采用反复试验初始权值的方法很难得到最优参数的控制器.因此，需要一种算法解决神经网络权值优化的问题。控制学术界广泛采用的算法是学习算法、遗传算法等等。学习算法，它的收敛速度很慢，一个简单的问题的求解，其训练次数也要几千代，甚至上万代。而且它对网络的初始权值、自身的学习速率和动量等参数极为敏感,稍小的变动就会引起网络震荡。正是这些原因使其训练速度和精度不是很理想。而用遗传算优化神经网络权值，无论精度和速度上都有了很大的提高。但是作为一种仿生算法，虽然可以用来解决各类复杂问题,但是难以克服过早收敛的缺点和控制参数过多，尤其在优化神经网络时候，优化过程总是难以控制。因此,为神经网络的优化寻求更简单更有效的全局优化算法，是优化领域的一个研究热点。微粒群优化（articlewarm OptiiatnS)的出现为神经网络权值训练提供了一个新的研究方向。微粒群算法是由Kney和Ebrhrt等于1995年提出的.它通过简单的社会模型的模拟，将需寻优的参数组合成群体，用每个微粒表示被优化问题的一个解，通过粒子间的相互作用，使群体中的个体向目标区域移动，从而发现复杂搜索空间的最优区域。其不采用遗传算法的交叉和变异等算子，各个微粒根据自己的位置和速度来搜索，整个搜索和更新过程是跟随当前最优解来进行的。因此，算法能够更快的寻找最优解,避免使网络陷入局部极小。1。2 神经网络的发展早在20世纪初，人们就已经发现人脑的工作方式与现在的计算机是不同的。人脑是由极大量基本单元（称之为神经元）经过复杂的相互连接而成的一种高度复杂的、非线性的、并行处理的信息处理系统.人工神经网络，是借鉴人脑的结构和特点，通过大量简单处理单元(神经元或节点)互连组成的大规模并行分布式信息处理和非线性动力学系统。它具有巨量并行性、结构可变性、高度非线性、自学习性和自组织性等特点。因此,它能解决常规信息处理方法难以解决或无法解决的问题,尤其是那些属于思维（形象思维）、推理及意识方面的问题从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的过程，即人工神经网络的研究，自20世纪4年代以来，它的发展经历了一条由兴起、萧条和兴盛三个阶段构成的曲折道路。早在13年精神病学家和神经解剖学家McCulloh与数学家Ptt在数学生物物理学会刊(let ofMhemtial Biophysics）上发表文章,总结了生物神经元的一些基本生理特征,提出了形式神经元的数学描述与结构，即M模型。他们的神经元模型假定遵循一种所谓“有或无”规则。如果如此简单的神经元数目足够多和适当设置突触连接并且同步操作,Mculoch和Pitts证明这样构成的网络原则上可以计算任何可计算函数.这是一个有重大意义的结果,有了它就标志着神经网络和人工智能学科的诞生。18年，计算机科学家osnat提出感知机（erro）,首次把神经网络理论付诸工程实现。这是一种学习和自组织的心理学模型,它基本上符合神经生物学的知识，模型的学习环境是有噪声的，网络构造中存在随机连接,这是符合动物学习的自然环境。当时，人们对神经网络的研究过于乐观,认为只要将这种神经元互连成一个网络，就可以解决人脑思维的模型问题。但是,随之而来的Mnsk和Pprt（99）所著的Prceen一书，利用数学证明单层感知器所能计算的根本局限，提出感知器的处理能力有限,甚至连XO这样的问题也不能解决,并在多层感知器的总结章中，论述了单层感知器的所有局限性在多层感知器中是不可能被全部克服的。使人们降低了对神经网络研究的热情,从而使神经网络进入萧条时期7。但在其间，一些人工神经网络的先驱仍然致力于这一研究，美国波士顿大学的Crrog提出了自适应共谐振理论(ART网），芬兰的Konen提出了自组织映射（O）,Amri致力于神经网络数学理论的研究,这些都为神经网络的进一步研究与发展奠定了基础.96年eehrt和Mclea等人提出了并行分布处理的理论，同时,Weos和Parker独立发展了多层网络的BP算法，这是目前最普遍的网络，广泛用于实际问题求解。如今，神经网络的应用，已渗透到模式识别、图像处理、非线性优化、语音处理、自然语言理解、自动目标识别、机器人、专家系统等各个领域，并取得了令人瞩目的成果。从众多应用研究领域取得的丰硕成果来看,人工神经网络的发展具有强大的生命力。当前存在的问题是智能水平还不高,许多应用方面的要求还不能得到很好的满足：网络分析与综合的一些理论性问题（如稳定性、收敛性的分析，网络的结构综合等)还未得到很好的解决.随着人们对大脑信息处理机理认知的深化，以及人工神经网络智能水平的提高,人工神经网络必将在科学技术领域发挥更大的作用。13 课题研究现状传统的PID参数优化方法主要是一些手动整定方法,阶跃响应是其整定PID参数的主要依据。这种方法仅根据系统的动态响应来整定控制器的参数,具有物理意义明确的优点，可以以较少的试验工作量和简便的计算,得出控制器参数,因其简单实用，因而在生产现场仍在大量应用，尤其是在单回路系统中。但运用该方法得到的控制器参数比较粗糙，控制效果只能满足一定要求,参数的优化远远不够,同时，对于一些系统,由于控制对象的复杂性、变化性,难以运用传统方法进行整定.神经网络研究的兴起，为P控制器的整定提供了新的方法和广阔的应用空间。对基于神经网络的控制系统的研究，在过去的十几年中取得了广泛的关注,主要是因为：其一,神经网络表现出对非线性函数的较强逼近能力；其二,大多数控制系统均表现出某种未知非线性特性。目前，国内外学者提出了许多面向对象的神经网络控制结构和方法,从大类上较具有代表性的有以下几种：神经网络监督控制、神经网络直接逆动态控制、神经网络参数估计自适应控制、神经网络模型参考自适应控制、神经网络内模控制、神经网络预测控制等。在神经网络模型中最具代表意义的一种就是基于误差反向传播算法（B：rror Propgationlgoihm）的前馈神经网络，即B网络。它是一种反向传递并修正误差的多层映射神经网络，也是当前应用最为广泛的神经网络模型之一.B神经网络的良好的非线性逼近能力和泛化能力以及使用的易适性，使得基于B神经网络参数优化的PD控制器近年来成为了人们研究的热点.陈哲浩等人将由B神经网络实现的PID控制器参数的自整定应用于并联平台系统控制中，得到了较好的效果.黄金燕将BP神经网络PD控制器与传统的PI控制器进行具体的仿真分析，仿真结果表明：基于P神经网络的ID控制较常规的ID控制具有较高的控制品质9。IsiroSnchez等人将P神经网络PI控制器用在温度控制中,达到了较好的控制效果。PeterS。Curis进行了神经网络自适应控制器与常规的PID控制器的性能比较试验，证明了神经网络自适应控制器的性能比PID好。Erik Jeanntte用神经网络预测控制器控制风机盘管热水系统,该系统的锅炉为大滞后、大惯性电热锅炉，与常规的PI控制系统比较，试验结果表明:神经网络预测控制器可将热水温度精度控制在0.56摄氏度，而经典PID控制器仅能控制在1.1摄氏度.这说明预测控制能根据热水负荷额变化,既减少能量波动又节能，减少大惯性、大滞后对象系统的超调量。赵恒等在传统P算法的基础上进行改进，附加了一个快速收敛到全局极小的惯性项，在微调权值修正量的同时使学习避免陷入局部最小，并将其应用在温度控制系统中，取得了比较好的效果旧.龙晓林等提出了一种新型的附加动量项优化的神经网络PID控制器(ID。NC）,能够避免网络陷入局部极小点,同时可以加快网络的训练速度，对其进行的MATAB仿真证明了该方法具有比较好的控制效果，但是总体而言，该方法改进力度不大，实际应用效果有限10。牛建军等提出了在RF网络辨识Jobian阵基础上,将BP网络引入PID控制参数在线整定的算法，该算法可以实现I控制参数的自动在线整定和优化,实例仿真也证明其可行性，但是该方法模型构造复杂，推广应用很有限.李奇等针对P算法的存在的不足，提出一种基于输出多步预测的改进算法，使控制器参数趋于全局优化,能较好地反映系统动静态响应的综合指标,但是，在收敛速度上，该算法并未有太大改进。以上这些开拓性研究为BP神经网络在控制领域的进一步应用提出了许多可借鉴的经验，做出了很大的贡献。但是不可否认，这些研究某种程度上存在着片面性,许多都是针对其中某一方面的缺点进行改进的,导致优化效果有限，实际应用意义不大。因此,找到一种更全面的神经网络控制方法,并在PID控制器参数寻优的实际应用中证明其可行性,无疑既具有一定的理论意义，又有着实际的应用价值。1。4论文组织结构第章:绪论。阐述课题研究的背景意义、研究现状、主要研究内容以及文章的组织结构.第章：常规及改进的ID控制。阐述了常规PID控制器的理论基础，对几种改进的控制算法进行了综述,并指出各种算法的优缺点。介绍了几种典型的参数整定的实验确定方法。最后简述了三种智能ID控制器.第3章：神经网络理论基础。研究了神经网络基础。主要阐述了神经网络的发展史,神经网络基本原理,典型的神经网络的学习规则以及网络模型结构，并详细分析了前馈网络的典型代表BP网络.第4章:基于P网络改进型参数整定的PI控制,并通过仿真实验证明了其算法的有效性。最后,对全文进行了总结.总结论文的主要研究内容,并进行了进一步的展望。2ID2.1PI简述自从计算机进入控制领域以来，用数字计算机代替模拟计算机调节器组成计算机控制系统，不仅可以用软件实现PID控制算法，而且可以利用计算机的逻辑功能，使PID控制更加灵活。数字PID控制在生产过程中是一种最普遍采用的控制方法，在冶金、机械、化工等行业中获得了广泛的应用本章主要介绍PI控制的基本原理、数字PD控制算法及其改进算法和几种常用的数字l控制系统。PD控制技术是一种应用很普遍的控制技术,目前在很多方面都有广泛的应用.论文详细阐述了神经网络PID控制器。首先简要介绍了神经网络的理论基础和神经网络的学习算法，传统的常规PID控制器，针对常规PID控制器对于复杂的、动态的、不确定的和非线性的系统控制还存在的许多不足之处进行了阐述,为了达到改善常规PI控制器的目的,文中系统的列举了五种改进方式(模糊PID控制器、专家I控制器、基于遗传算法整定的PID控制器、灰色ID控制器和神经网络D控制器）1。经典PI控制算法作为一般工业过程控制方法应用范围相当广泛，原则上讲它并不依赖于被控对象的具体数学模型，但算法参数的整定却是一件很困难的工作,更为重要的是即使参数整定完成,由于参数不具有自适应能力,因环境的变化，PID控制对系统偏差的响应变差，参数需重新整定。针对上述问题，人们一直采用模糊、神经网络等各种调整PID参数的自适应方法，力图克服这一难题。一般情况下,一个自适应控制系统能够运行，其相应的参数要适应现场状况的变化，因此就必须根据现场的数据对相应的参数进行在线辨识或估计.对非时变参数可以通过一段时间的在线辨识确定下来,但对时变参数系统,必须将这个过程不断进行下去，因此要求辨识速度快或参数变化速度相对较慢,极大地限制了自适应技术的应用。为克服这种限制，将神经网络的技术应用于参数辨识过程,结合经典的ID控制算法,形成一种基于P神经网络的自适应PI控制算法。这一算法的本质是应用神经网络建立系统参数模型，将时变参数系统的参数变化规律转化为神经网络参数模型,反映了参数随状态而变的规律,即当系统变化后,可直接由模型得到系统的时变参数，而无需辨识过程。在神经网络参数模型的基础上，结合文献已知系统模型下ID控制参数的计算，推导出一种自适应PI控制算法.通过在计算机上对线性和非线性系统仿真，结果表明了这种自适应PID控制算法的有效性.2。 PID控制原理概括而言，P1D控制器的比例、积分和微分三个校正环节的作用如下：比例环节：能迅速反映控制系统的误差,减少稳态误差,但比例控制不能消除稳态误差，比例放大系数的加大,会引起系统的不稳定积分环节：主要用于消除系统稳态误差,只要有足够的时间，积分控制将能完全消除误差，使系统误差为零,但积分作用太强会使系统超调加大，甚至使系统产生振荡;积分作用的强弱取决于积分时间常数，越大,积分作用越弱.微分作用:减少超调量及克服振荡，使系统的稳定性提