大滞后温度系统的控制方法研究

《大滞后温度系统的控制方法研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、西南交通大学硕士学位论文大滞后温度系统的控制方法研究姓名：李强申请学位级别：硕士专业：电力系统及其自动化指导教师：刘承志20090601西南交通大学硕士研究生学位论文第1页摘要工业温度控制系统通常因具有严重的大滞后性、时变性、非线性性等特点，而使得基于精确数学模型的常规控制方法难以获得满意的动、静态控制效果。PID控制器具有原理简单、使用方便、稳定性好、控制效果好等优点。但是它的参数依赖于人的经验调整控制，而且系统越复杂，参数就更难得到优化整定。模糊控制根据很多专家经验建立一个具有丰富经验指导的参表，实时判断系统响应，具有一定的适应力

2、。神经网络具有自学习、自组织、自适应能力，可以描述任何非线性性系统。结合三种理论的优缺点，用PID控制，用模糊控制器判决，用神经网络辨识和校正控制系统，以满足温度控制系统的要求。本文设计出一种径向基函数(RBF)神经网络辨识的模糊PID自适应控器，使控制系统具有自调整、自学习能力，同时具有快速、稳定性好等性能。该控制器综合了PID控制器和模糊控制器以及神经网络控制器的优点并弥补了它们各自的不足。所设计的控制器在电阻炉温度控制系统的仿真研究表明，RBF神经网络辨识的模糊PID自适应控制器具有超调小、过渡时间短、控制精度高的优点，对滞后的

3、温度系统有很好的控制效果。关键词温度控制；模糊控制；PID控制器；RBF神经网络；变步长西南交通大学硕士研究生学位论文第1I页AbstractIndustrialtemperaturecontrolsystemisusuallybeseriousdelay，time—varying，nonlinear，thisreasonmakestheaccurateconventionalcontrolmethodsthatbasedonmathematicalmodelCallnotsatisfyofthedemandofstaticanddy

4、namiccontr01．PIDcontrollerissimpleandeasytouse，ithasgoodstabilityandgoodcontrolperformanceetc．butitdependsontheparametersthatcomesformtheexperienceofpeople，themorecomplextheSystemsis，themoredifficulttosettheparameter．good．Fuzzy．controlestablishesaguidanceparametertableb

5、asedontheexperienceofmoreexperts．MoreexperiencesisgivenbyFuzzycontrollerthanPID，alsoitcandeterminethesystemresponseinrealtimewithacertaindegreeofadaptability，1NeuralnetworksCanbeselfleaming，self-organization，auto—adaptation．Itcandescribeanynon-linearsexualsystem．Combine

6、dwiththeadvantagesanddisadvantagesofthethreetheories，usePIDtocontrol，fuzzytodecide，neuralnetworksidentifyandcorrectthetemperaturecontrolsystem．Inthisdissertation，IdesignakindofaadaptivefuzzyPIDcontrollerbasedonRadialBasisFunction(RBF)neuralnetwork，thecontrolsystemisself

7、-adjusting，self-leaming，rapidandstability，alsohavegoodperformance．ThecontrollerisacombinationoftheadvantagesofPIDcontroller，fuzz),controller，aswellasneuralnetworkcontrollerandmakeuptheirdeficiencies．Throughcontrollersintheindustrialtemperaturecontrolsystemsimulation，the

8、resultsshowthatadaptivefuzzyPIDcontrollerbasedonRadialBasisFunction(RBF)neuralnetworkhaveadvanmgesofsmallovers