前微分控制，当机组稳定运行时，般能将主汽温控制在允许的范围内。但当运行工况发生较大变化时，却很难保证控制品质。因此本文研究神经网络的控制，利用神经网络的自学习非线性和不依赖模型等特性实现参数的在线自整定，充分利用和神经网络的优点。本处用个多层前向神经网络，采用反向传播算法依据控制要求实时输出，依次作为控制器的实时参数，代替传统参数靠经验的人工整定和工程整定，以达到对大迟延主气温系统的良好控制。对这样个系统在平台上进行仿真研究仿真结果表明基于神经网络的自整定控制具有良好的自适应能力和自学习能力，对大迟延和变对象的系统可取得良好的控制效果。关键词主汽温神经网络，仿真摘要第章绪论选题背景和意义国内外研究现状立论依据本文所做的主要工作本论文的章节安排第二章神经网络原理和应用模型神经网络的学习方式和学习规则神经网络的学习方式神经网络的学习规则神经网络的特点及应用神经网络神经网络的结构神经网络算法神经网络的前向传播算法神经网络的反向传播计算第三章基于神经网络的控制控制器的离散差分方程基于神经网络的整定原理基于网络的控制器控制的算法流程第四章基于神经网络的控制在主汽温控制系统中的应用锅炉主汽温的特点主汽温的控制任务主汽温控制对象的动态特性主汽温的数学模型主汽温控制系统调节信号的选择减温水扰动下主汽温的数学模型主汽温控制方法主汽温基于神经网络的控制仿真仿真结果分析结论与展望参考文献附录致谢第章绪论选题背景和意义在控制系统设计中，最主要而又最困难的问题是如何针对复杂变化及具有不确定性的受控对象和环境作出有效的控制决策。经典控制理论和现代控制理论的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的不断提高，基于数学模型的控制理论和方法的局限性日益明显。无模型控制能有效提高控制系统的适应性和鲁棒性，因此，走向无模型控制是自动控制发展的另个重要方向。在年，麦卡洛克和皮茨首次提出了脑模型，其最初动机在于模仿生物的神经系统。随着超大规模集成电路光电子学和计算机技术的发展，人工神经网络己引起更为广泛的注意。近年来，基于神经元控制的理论和机理已获得进步的开发和应用。尽管基于神经元的控制能力还比较有限，但由于神经网络控制器具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重要特性，仍然有许多基于的控制器被设计出来，这类控制器具有并行处理执行速度快鲁棒性好自适应性强和适于应用等优点，广泛的应用在控制领域。神经网络控制是种基本上不依赖于模型的控制方法，它比较适用于那些具有不确定性或高度非线性的控制对象，并具有较强的适应和学习功能，它是智能控制的个重要分支。对于自动控制来说，神经网络有具有自适应功能，泛化功能，非线性映射功，高度并行处理功能等几方面优势，这使得神经网络成为当今个非常热门的交叉学科，广泛应用在电力，化工，机械等各行各业，并取得了比较好的控制效果。国内外研究现状随着现代工业过程的日益复杂，经典现代控制理论面临严峻挑战，例如被控系统越来越巨大，存在多种不确定因素，存在难以确定描述的非线性特性，而控制的要求越来越高如控制精度稳定性容错实时性等，因此人们直在探索如何使控制系统具有更高的智能，使之能够适应各种控制环境。而神经网络源于对人脑神经功能的模拟，它的些类似人的智能特性有可能被用于解决现代控制面临的些难题。因此，从世纪年代起，人们就开始研究神经网络在控制中的应用了，取得了定效果。目前，随着神经理论的发展和新算法的相继提出，神经网络的应用越来越广泛。从神经网络的基本模式看，主要有前馈型反馈型自组织型及随机型神经网络。这四种类型各自具有不同的网络模型前馈网络中主要有网络及网络反馈网络主要有网络自组织网络主要有网，当前，已经比较成熟的神经网络控制模型主要有神经自校正控制，神经控制，神经模型参考自适应控制，神经内膜控制等等神经网络自校正控制神经自校正控制结构如图，它由两个回路组成自校正控制器与被控对象构成的反馈回路神经网络辨识器与控制器设计，以得到控制器的参数。这种方案的设计思想是利用神经网络辨识器的计算估计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的参数或结构进行调整。方框图如下图神经自校正控制结构图可见，辨识器与自校正控制器的在线设计是自校正控制实现的关键。神经网络控制。控制要取得好的控制效果，就必须通过调整好比例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的关系，这种关系不定是简单的线性组合，从变化无穷的非线性组合中可以找出最佳的关系。神经网络所具有的任意非线性表示能力，可以通过对系统性能的学习来实现具有最佳组合的控制。方框图如下图神经控制结构图对于般神经常采用算法，因神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。通过神经网络的自身学习加权系数调整，从而使其稳定状态对应于种最优控制律下的控制器参数。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，就构成了神经网络模型参考自适应控制，其系统的结构形式和线性系统的模型参考自适应控制系统是相同的，只是通过神经网络给出被控对象的辨识模型。根据结构的不同可分为直接与间接神经网络模型参考自适应控制两种类型，分别如图中和所示。间接方式比直接方式中多采用个神经网络辨识器，其余部分完全相同。图神经模型参考自适应控制结构图控制器的权重修正目标是使过程输出最后以零误差跟踪参数模型输出。对于直接方式，由于未知的非线性对象处于误差和控制器的中间位置，给参数修正造成困难。为了避免这问题，增加辨识器，变为间接方式神经网络内模控制神经网络内模控制系统如下图所示。称为神经网络控制器，称为神经网络状态估计器。图中的神经网络状态估计器用于充分逼近被控对象的动态模型，相当于正向模型。神经网络控制器不是直接学习被控对象的逆模型，而是间接地学习被控对象的逆动态特性，这样就回避了要估计十对求偏导而造成的困难。图神经内膜控制结构图在神经网络内模控制系统中，状态估计器作为被控对象的近似模型与实际对象并行设置，它们的差值用于反馈，同期望的给定值之差经线性滤波器处理后，送给神经网络控制器，经过多次训练，它将间接地学习对象的逆动态特性。此时，系统误差将趋于零。神经网络预测控制由于神经网络可以精确描述非线性动态过程，因此，可用神经网络设计预测控制系统。预测控制是近年来发展起来的类新型计算机控制算法，它利用内部模型预测被控对象未来输出及其与给定值之差，然后据此以种优化指标计算当前应加于被控对象的控制量，以期使未来的输出尽可能地跟踪给定参考轨线。下面是神经网络预测控制系统的般方框图。图神经预测控制结构图这种算法的基本特征是建立预测模型方便，采用滚动优化策略和采用模型误差反馈校正，预测模型根据系统的历史信息和选定的未来输入，预测系统未来的输出。根据预测模型的输出，控制系统采用基于优化的控制策略对被控对象进行控制。其他先进的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的知识为基础，力图在个较高的层次上对人脑思维的模糊方式进行工程化的模拟。而神经网络则是建立在对人脑结构和功能的模拟与简化的基础上。由于人脑思维的容错能力源于思维方法上的模糊性以及大脑本身的结构特点，因此将两者综合运用便成为自动控制领域的种自然趋势。模糊系统与神经网络主要采用以下综合方式，既将人工神经网络作为模糊系统中的隶属函数模糊规则的描述形式。多层神经网络控制个普通的多层神经控制系统如下图所示，基本上是种前馈控制器。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与受控对象实际输出间的偏差为最小。该误差作为反馈控制器的输入。反馈作用与前馈作用被分别考虑。图多层神经网络控制结构图立论依据算法就是在模拟生物神经元的基础上建立起来的在人工神经网络上的种搜索和优化算法。对于人工神经网络，网络的信息处理是由神经元间的相互作用来实现，知识与信息的存贮表现为网络元件互相联结分布的物理联系，网络的学习和训练决定于各神经元连接权系数的动态调整过程。作为种新型的信息描述和处理方式，广泛应用在控制领域，其在控制领域的吸引力主要表现在以下几方面能够充分逼近任意复杂的非线性关系能够学习与适应严重不确定性系统的动态特性所有定量或定性的信息都分布存贮于网络的权中，故有很强的鲁棒性和容错性采用并行分布处理的方法，使得快速进行大量运算成为可能。这些特点都表明神经网络在解决高度非线性和严重不确定性系统的控制上有巨大的潜力。而电厂主汽温是典型的具有大迟延大惯性非线性及时变性的控制系统，大量的文献资料表明，用神经网络对主汽温进行控制是可行且有效的。而控制是最早发展起来的控制策略之，历史悠久，理论完善，由于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，尤其适用于可建立精确数学模型的确定性控制系统。而实际工业生产过程中往往具有非线性，时变不确定性，如火电厂的锅炉主汽温对象，因而难以建立精确的数学模型，应用常规控制器不能达到到理想的控制效果，在实际生产过程中，由于受到参数整定方法繁杂的困扰，常规控制器参数往往整定不良，性能欠佳，对运行工况的适应性很差。因此常规控制的应用受到很大的限制和挑战。那么是否可以把神经网络和结合在起，充分利用两者的优点呢，使新算法既有神经网络的学习能力又有控制的简单性呢。基于以上种种因素，本文采用神经网络，选取应用最广泛的算法，与传统控制结合的控制策略来实现对主汽温的有效控制，可以说这是采用多策略的智能控制与结合实现主汽温控制的又次有益的尝试与探索。本文所做的主要工作首先，本文对神经网络的模型，结构，学习方式和学习算法作了介绍，并阐述