1、神經網絡控制器怎樣搭建

你先用PID控制得到訓練數據，然后用訓練數據去訓練神經網絡，最后能生成一個神經網絡控制器，這樣就可以了！

谷歌人工智能寫作項目：小發貓

2、求bp神經網絡控制器選型，或bp神經網絡控制器？請高手舉例一下，謝謝！

人工神經網絡應用系統參考：一個技術宅的學習筆記。在網絡模型與算法研究的基礎上，利用人工神經網絡組成實際的應用系統，例如，完成某種信號處理或模式識別的功能、構作專家系統、制成機器人等等。

BP（Back Propagation）神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。

BP神經網絡和PID控制器的代碼見附件。

3、神經網絡的發展趨勢如何？

神經網絡的云集成模式還不是很成熟，應該有發展潛力，但神經網絡有自己的硬傷，不知道能夠達到怎樣的效果，所以決策支持系統中并不是很熱門，但是神經網絡無視過程的優點也是無可替代的，云網絡如果能夠對神經網絡提供一個互補的輔助決策以控制誤差的話，也許就能使神經網絡成熟起來
1 人工神經網絡產生的背景
自古以來，關于人類智能本源的奧秘，一直吸引著無數哲學家和自然科學家的研究熱情。生物學家、神經學家經過長期不懈的努力，通過對人腦的觀察和認識，認為人腦的智能活動離不開腦的物質基礎，包括它的實體結構和其中所發生的各種生物、化學、電學作用，并因此建立了神經元網絡理論和神經系統結構理論，而神經元理論又是此后神經傳導理論和大腦功能學說的基礎。在這些理論基礎之上，科學家們認為，可以從仿制人腦神經系統的結構和功能出發，研究人類智能活動和認識現象。另一方面，19世紀之前，無論是以歐氏幾何和微積分為代表的經典數學，還是以牛頓力學為代表的經典物理學，從總體上說，這些經典科學都是線性科學。然而，客觀世界是如此的紛繁復雜，非線性情況隨處可見，人腦神經系統更是如此。復雜性和非線性是連接在一起的，因此，對非線性科學的研究也是我們認識復雜系統的關鍵。為了更好地認識客觀世界，我們必須對非線性科學進行研究。人工神經網絡作為一種非線性的、與大腦智能相似的網絡模型，就這樣應運而生了。所以，人工神經網絡的創立不是偶然的，而是20世紀初科學技術充分發展的產物。
2 人工神經網絡的發展
人工神經網絡的研究始于40年代初。半個世紀以來，經歷了興起、高潮與蕭條、高潮及穩步發展的遠為曲折的道路。
1943年，心理學家W.S.Mcculloch和數理邏輯學家W.Pitts 提出了M—P模型，這是第一個用數理語言描述腦的信息處理過程的模型， 雖然神經元的功能比較弱，但它為以后的研究工作提供了依據。1949年，心理學家D.O.Hebb提出突觸聯系可變的假設，根據這一假設提出的學習規律為神經網絡的學習算法奠定了基礎。 1957 年， 計算機科學家Rosenblatt提出了著名的感知機模型，它的模型包含了現代計算機的一些原理，是第一個完整的人工神經網絡，第一次把神經網絡研究付諸工程實現。由于可應用于模式識別，聯想記憶等方面，當時有上百家實驗室投入此項研究，美國軍方甚至認為神經網絡工程應當比“原子彈工程”更重要而給予巨額資助，并在聲納信號識別等領域取得一定成績。1960年，B.Windrow和E.Hoff提出了自適應線性單元， 它可用于自適應濾波、預測和模式識別。至此，人工神經網絡的研究工作進入了第一個高潮。
1969年，美國著名人工智能學者M.Minsky和S.Papert編寫了影響很大的Perceptron一書，從理論上證明單層感知機的能力有限，諸如不能解決異或問題，而且他們推測多層網絡的感知機能力也不過如此，他們的分析恰似一瓢冷水，很多學者感到前途渺茫而紛紛改行，原先參與研究的實驗室紛紛退出，在這之后近10年，神經網絡研究進入了一個緩慢發展的蕭條期。這期間，芬蘭學者T.Kohonen 提出了自組織映射理論，反映了大腦神經細胞的自組織特性、記憶方式以及神經細胞興奮刺激的規律；美國學者S.A.Grossberg的自適應共振理論（ART ）；日本學者K.Fukushima提出了認知機模型；ShunIchimari則致力于神經網絡有關數學理論的研究等，這些研究成果對以后的神經網絡的發展產生了重要影響。
美國生物物理學家J.J.Hopfield于1982年、1984年在美國科學院院刊發表的兩篇文章，有力地推動了神經網絡的研究，引起了研究神經網絡的又一次熱潮。 1982 年， 他提出了一個新的神經網絡模型——hopfield網絡模型。他在這種網絡模型的研究中，首次引入了網絡能量函數的概念，并給出了網絡穩定性的判定依據。1984年，他又提出了網絡模型實現的電子電路，為神經網絡的工程實現指明了方向，他的研究成果開拓了神經網絡用于聯想記憶的優化計算的新途徑，并為神經計算機研究奠定了基礎。1984年Hinton等人將模擬退火算法引入到神經網絡中，提出了Boltzmann機網絡模型，BM 網絡算法為神經網絡優化計算提供了一個有效的方法。1986年，D.E.Rumelhart和J.LMcclelland提出了誤差反向傳播算法，成為至今為止影響很大的一種網絡學習方法。1987年美國神經計算機專家R.Hecht—Nielsen提出了對向傳播神經網絡，該網絡具有分類靈活，算法簡練的優點，可用于模式分類、函數逼近、統計分析和數據壓縮等領域。1988年L.Ochua 等人提出了細胞神經網絡模型，它在視覺初級加工上得到了廣泛應用。
為適應人工神經網絡的發展，1987年成立了國際神經網絡學會，并決定定期召開國際神經網絡學術會議。1988年1月Neural Network 創刊。1990年3月IEEE Transaction on Neural Network問世。 我國于1990年12月在北京召開了首屆神經網絡學術大會，并決定以后每年召開一次。1991 年在南京成立了中國神經網絡學會。 IEEE 與INNS 聯合召開的IJCNN92已在北京召開。 這些為神經網絡的研究和發展起了推波助瀾的作用，人工神經網絡步入了穩步發展的時期。
90年代初，諾貝爾獎獲得者Edelman提出了Darwinism模型，建立了神經網絡系統理論。同年，Aihara等在前人推導和實驗的基礎上，給出了一個混沌神經元模型，該模型已成為一種經典的混沌神經網絡模型，該模型可用于聯想記憶。 Wunsch 在90OSA 年會上提出了一種AnnualMeeting，用光電執行ART，學習過程有自適應濾波和推理功能，具有快速和穩定的學習特點。1991年，Hertz探討了神經計算理論， 對神經網絡的計算復雜性分析具有重要意義；Inoue 等提出用耦合的混沌振蕩子作為某個神經元，構造混沌神經網絡模型，為它的廣泛應用前景指明了道路。1992年，Holland用模擬生物進化的方式提出了遺傳算法， 用來求解復雜優化問題。1993年方建安等采用遺傳算法學習，研究神經網絡控制器獲得了一些結果。1994年Angeline等在前人進化策略理論的基礎上，提出一種進化算法來建立反饋神經網絡，成功地應用到模式識別，自動控制等方面；廖曉昕對細胞神經網絡建立了新的數學理論和方法，得到了一系列結果。HayashlY根據動物大腦中出現的振蕩現象，提出了振蕩神經網絡。1995年Mitra把人工神經網絡與模糊邏輯理論、 生物細胞學說以及概率論相結合提出了模糊神經網絡，使得神經網絡的研究取得了突破性進展。Jenkins等人研究光學神經網絡， 建立了光學二維并行互連與電子學混合的光學神經網絡，它能避免網絡陷入局部最小值，并最后可達到或接近最理想的解；SoleRV等提出流體神經網絡，用來研究昆蟲社會，機器人集體免疫系統，啟發人們用混沌理論分析社會大系統。1996年，ShuaiJW’等模擬人腦的自發展行為， 在討論混沌神經網絡的基礎上提出了自發展神經網絡。1997、1998年董聰等創立和完善了廣義遺傳算法，解決了多層前向網絡的最簡拓樸構造問題和全局最優逼近問題。
隨著理論工作的發展，神經網絡的應用研究也取得了突破性進展，涉及面非常廣泛，就應用的技術領域而言有計算機視覺，語言的識別、理解與合成，優化計算，智能控制及復雜系統分析，模式識別，神經計算機研制，知識推理專家系統與人工智能。涉及的學科有神經生理學、認識科學、數理科學、心理學、信息科學、計算機科學、微電子學、光學、動力學、生物電子學等。美國、日本等國在神經網絡計算機軟硬件實現的開發方面也取得了顯著的成績，并逐步形成產品。在美國，神經計算機產業已獲得軍方的強有力支持，國防部高級研究計劃局認為“神經網絡是解決機器智能的唯一希望”，僅一項8 年神經計算機計劃就投資4億美元。在歐洲共同體的ESPRIT計劃中， 就有一項特別項目：“神經網絡在歐洲工業中的應用”，單是生產神經網絡專用芯片這一項就投資2200萬美元。據美國資料聲稱，日本在神經網絡研究上的投資大約是美國的4倍。我國也不甘落后，自從1990 年批準了南開大學的光學神經計算機等3項課題以來， 國家自然科學基金與國防預研基金也都為神經網絡的研究提供資助。另外，許多國際著名公司也紛紛卷入對神經網絡的研究，如Intel、IBM、Siemens、HNC。神經計算機產品開始走向商用階段，被國防、企業和科研部門選用。在舉世矚目的海灣戰爭中，美國空軍采用了神經網絡來進行決策與控制。在這種刺激和需求下，人工神經網絡定會取得新的突破，迎來又一個高潮。自1958年第一個神經網絡誕生以來，其理論與應用成果不勝枚舉。人工神經網絡是一個快速發展著的一門新興學科，新的模型、新的理論、新的應用成果正在層出不窮地涌現出來。
3 人工神經網絡的發展前景
針對神經網絡存在的問題和社會需求，今后發展的主要方向可分為理論研究和應用研究兩個方面。
（1）利用神經生理與認識科學研究大腦思維及智能的機理、 計算理論，帶著問題研究理論。
人工神經網絡提供了一種揭示智能和了解人腦工作方式的合理途徑，但是由于人類起初對神經系統了解非常有限，對于自身腦結構及其活動機理的認識還十分膚淺，并且帶有某種“先驗”。例如， Boltzmann機引入隨機擾動來避免局部極小，有其卓越之處，然而缺乏必要的腦生理學基礎，毫無疑問，人工神經網絡的完善與發展要結合神經科學的研究。而且，神經科學，心理學和認識科學等方面提出的一些重大問題，是向神經網絡理論研究提出的新挑戰，這些問題的解決有助于完善和發展神經網絡理論。因此利用神經生理和認識科學研究大腦思維及智能的機理，如有新的突破，將會改變智能和機器關系的認識。
利用神經科學基礎理論的研究成果，用數理方法探索智能水平更高的人工神經網絡模型，深入研究網絡的算法和性能，如神經計算、進化計算、穩定性、收斂性、計算復雜性、容錯性、魯棒性等，開發新的網絡數理理論。由于神經網絡的非線性，因此非線性問題的研究是神經網絡理論發展的一個最大動力。特別是人們發現，腦中存在著混沌現象以來，用混沌動力學啟發神經網絡的研究或用神經網絡產生混沌成為擺在人們面前的一個新課題，因為從生理本質角度出發是研究神經網絡的根本手段。
（2）神經網絡軟件模擬， 硬件實現的研究以及神經網絡在各個科學技術領域應用的研究。
由于人工神經網絡可以用傳統計算機模擬，也可以用集成電路芯片組成神經計算機，甚至還可以用光學的、生物芯片的方式實現，因此研制純軟件模擬，虛擬模擬和全硬件實現的電子神經網絡計算機潛力巨大。如何使神經網絡計算機與傳統的計算機和人工智能技術相結合也是前沿課題；如何使神經網絡計算機的功能向智能化發展，研制與人腦功能相似的智能計算機，如光學神經計算機，分子神經計算機，將具有十分誘人的前景。
4 哲理
（1）人工神經網絡打開了認識論的新領域
認識與腦的問題，長期以來一直受到人們的關注，因為它不僅是有關人的心理、意識的心理學問題，也是有關人的思維活動機制的腦科學與思維科學問題，而且直接關系到對物質與意識的哲學基本問題的回答。人工神經網絡的發展使我們能夠更進一步地既唯物又辯證地理解認識與腦的關系，打開認識論的新領域。人腦是一個復雜的并行系統，它具有“認知、意識、情感”等高級腦功能，用人工進行模擬，有利于加深對思維及智能的認識，已對認知和智力的本質的研究產生了極大的推動作用。在研究大腦的整體功能和復雜性方面，人工神經網絡給人們帶來了新的啟迪。由于人腦中存在混沌現象，混沌可用來理解腦中某些不規則的活動，從而混沌動力學模型能用作人對外部世界建模的工具，可用來描述人腦的信息處理過程。混沌和智能是有關的，神經網絡中引入混沌學思想有助于提示人類形象思維等方面的奧秘。人工神經網絡之所以再度興起，關鍵在于它反映了事物的非線性，抓住了客觀世界的本質，而且它在一定程度上正面回答了智能系統如何從環境中自主學習這一最關鍵的問題，從認知的角度講，所謂學習，就是對未知現象或規律的發現和歸納。由于神經網絡具有高度的并行性，高度的非線性全局作用，良好的容錯性與聯想記憶功能以及十分強的自適應、自學習功能，而使得它成為揭示智能和了解人腦工作方式的合理途徑。但是，由于認知問題的復雜性，目前，我們對于腦神經網的運行和神經細胞的內部處理機制，如信息在人腦是如何傳輸、存貯、加工的？記憶、聯想、判斷是如何形成的？大腦是否存在一個操作系統？還沒有太多的認識，因此要制造人工神經網絡來模仿人腦各方面的功能，還有待于人們對大腦信息處理機理認識的深化。
（2）人工神經網絡發展的推動力來源于實踐、 理論和問題的相互作用
隨著人們社會實踐范圍的不斷擴大，社會實踐層次的不斷深入，人們所接觸到的自然現象也越來越豐富多彩、紛繁復雜，這就促使人們用不同的原因加以解釋不同種類的自然現象，當不同種類的自然現象可以用同樣的原因加以解釋，這樣就出現了不同學科的相互交叉、綜合，人工神經網絡就這樣產生了。在開始階段，由于這些理論化的網絡模型比較簡單，還存在許多問題，而且這些模型幾乎沒有得到實踐的檢驗，因而神經網絡的發展比較緩慢。隨著理論研究的深入，問題逐漸地解決特別是工程上得到實現以后，如聲納識別成功，才迎來了神經網絡的第一個發展高潮。可Minisky認為感知器不能解決異或問題， 多層感知器也不過如此，神經網絡的研究進入了低谷，這主要是因為非線性問題沒得到解決。隨著理論的不斷豐富，實踐的不斷深入， 現在已證明Minisky的悲觀論調是錯誤的。今天，高度發達的科學技術逐漸揭示了非線性問題是客觀世界的本質。問題、理論、實踐的相互作用又迎來了人工神經網絡的第二次高潮。目前人工神經網絡的問題是智能水平不高，還有其它理論和實現方面的問題，這就迫使人們不斷地進行理論研究，不斷實踐，促使神經網絡不斷向前發展。總之，先前的原因遇到了解釋不同的新現象，促使人們提出更加普遍和精確的原因來解釋。理論是基礎，實踐是動力，但單純的理論和實踐的作用還不能推動人工神經網絡的發展，還必須有問題提出，才能吸引科學家進入研究的特定范圍，引導科學家從事相關研究，從而逼近科學發現，而后實踐又提出新問題，新問題又引發新的思考，促使科學家不斷思考，不斷完善理論。人工神經網絡的發展無不體現著問題、理論和實踐的辯證統一關系。
（3 ）人工神經網絡發展的另一推動力來源于相關學科的貢獻及不同學科專家的競爭與協同
人工神經網絡本身就是一門邊緣學科，它的發展有更廣闊的科學背景，亦即是眾多科研成果的綜合產物，控制論創始人Wiener在其巨著《控制論》中就進行了人腦神經元的研究；計算機科學家Turing就提出過B網絡的設想；Prigogine提出非平衡系統的自組織理論，獲得諾貝爾獎；Haken研究大量元件聯合行動而產生宏觀效果， 非線性系統“混沌”態的提出及其研究等，都是研究如何通過元件間的相互作用建立復雜系統，類似于生物系統的自組織行為。腦科學與神經科學的進展迅速反映到人工神經網絡的研究中，例如生物神經網絡理論，視覺中發現的側抑制原理，感受野概念等，為神經網絡的發展起了重要的推動作用。從已提出的上百種人工神經網絡模型中，涉及學科之多，令人目不暇接，其應用領域之廣，令人嘆為觀止。不同學科專家為了在這一領域取得領先水平，存在著不同程度的競爭，所有這些有力地推動了人工神經網絡的發展。人腦是一個功能十分強大、結構異常復雜的信息系統，隨著信息論、控制論、生命科學，計算機科學的發展，人們越來越驚異于大腦的奇妙，至少到目前為止，人類大腦信號處理機制對人類自身來說，仍是一個黑盒子，要揭示人腦的奧秘需要神經學家、心理學家、計算機科學家、微電子學家、數學家等專家的共同努力，對人類智能行為不斷深入研究，為人工神經網絡發展提供豐富的理論源泉。另外，還要有哲學家的參與，通過哲學思想和自然科學多種學科的深層結合，逐步孕育出探索人類思維本質和規律的新方法，使思維科學從朦朧走向理性。而且，不同領域專家的競爭與協調同有利于問題清晰化和尋求最好的解決途徑。縱觀神經網絡的發展歷史，沒有相關學科的貢獻，不同學科專家的競爭與協同，神經網絡就不會有今天。當然，人工神經網絡在各個學科領域應用的研究反過來又推動其它學科的發展，推動自身的完善和發展。

4、現代控制理論的發展

1.智能控制(Intelligent Control)
智能控制是人工智能和自動控制的結合物，是一類無需人的干預就能夠獨立地驅動智能機器，實現其目標的自動控制。智能控制的注意力并不放在對數學公式的表達、計算和處理上，而放在對任務和模型的描述，符號和環境的識別以及知識庫和推理機的設計開發上。智能控制用于生產過程，讓計算機系統模仿專家或熟練操作人員的經驗，建立起以知識為基礎的廣義模型，采用符號信息處理、啟發式程序設計、知識表示和自學習、推理與決策等智能化技術，對外界環境和系統過程進行理解、判斷、預測和規劃，使被控對象按一定要求達到預定的目的。
智能控制的理論基礎是人工智能,控制論,運籌學和系統學等學科的交叉，它的主要特點是：
⑴同時具有以知識表示的非數學廣義模型和以數學模型表示的混合控制過程；
⑵智能控制的核心在高層控制，即組織級，它的主要任務在于對實際環境或過程進行組織；
⑶系統獲取的信息不僅是數學信息，更重要的是文字符號、圖像、圖形、聲音等各種信息。
智能控制正處于發展過程中，還存在許多有待研究的問題：
⑴探討新的智能控制理論；
⑵采用語音控制；
⑶提高系統的學習能力和自主能力；
⑷利用現有的非線性技術分析閉環系統的特性；
⑸智能控制的實現問題。
2.非線性控制(Nonlinear Control)
非線性控制是復雜控制理論中一個重要的基本問題，也是一個難點課題，它的發展幾乎與線性系統平行。非線性系統的發展，數學工具是一個相當困難的問題，泰勒級數展開對有些情況是不能適用的。古典理論中的“相平面”法只適用于二階系統，適用于含有一個非線性元件的高階系統的“描述函數”法也是一種近似方法。由于非線性系統的研究缺乏系統的、一般性的理論及方法，于是綜合方法得到較大的發展，主要有：
⑴李雅普諾夫方法：它是迄今為止最完善、最一般的非線性方法，但是由于它的一般性，在用來分析穩定性或用來鎮定綜合時都欠缺構造性。
⑵變結構控制：由于其滑動模態具有對干擾與攝動的不變性，到80年代受到重視，是一種實用的非線性控制的綜合方法。
⑶微分幾何法：在過去的的20年中，微分幾何法一直是非線性控制系統研究的主流，它對非線性系統的結構分析、分解以及與結構有關的控制設計帶來極大方便.用微分幾何法研究非線性系統是現代數學發展的必然產物，正如意大利教授Isidori指出：“用微分幾何法研究非線性系統所取得的成績，就象50年代用拉氏變換及復變函數理論對單輸入單輸出系統的研究，或用線性代數對多變量系統的研究。”但這種方法也有它的缺點，體現在它的復雜性、無層次性、準線性控制以及空間測度被破壞等。因此近又有學者提出引入新的、更深刻的數學工具去開拓新的方向，例如：微分動力學、微分拓撲與代數拓撲、代數幾何等。
3.自適應控制(Adaptive Control)
自適應控制系統通過不斷地測量系統的輸入、狀態、輸出或性能參數，逐漸了解和掌握對象，然后根據所得的信息按一定的設計方法，作出決策去更新控制器的結構和參數以適應環境的變化，達到所要求的控制性能指標。
自適應控制系統應具有三個基本功能：
⑴辨識對象的結構和參數，以便精確地建立被控對象的數學模型;
⑵給出一種控制律以使被控系統達到期望的性能指標；
⑶自動修正控制器的參數。因此自適應控制系統主要用于過程模型未知或過程模型結構已知但參數未知且隨機的系統。
自適應控制系統的類型主要有自校正控制系統，模型參考自適應控制系統，自尋最優控制系統，學習控制系統等。非線性系統的自適應控制，基于神經網絡的自適應控制又得到重視，提出一些新的方法。
4.魯棒控制(Robust Control)
過程控制中面臨的一個重要問題就是模型不確定性，魯棒控制主要解決模型的不確定性問題，但在處理方法上與自適應控制有所不同。自適應控制的基本思想是進行模型參數的辯識，進而設計控制器。控制器參數的調整依賴于模型參數的更新，不能預先把可能出現的不確定性考慮進去。而魯棒控制在設計控制器時盡量利用不確定性信息來設計一個控制器，使得不確定參數出現時仍能滿足性能指標要求。
魯棒控制認為系統的不確定性可用模型集來描述，系統的模型并不唯一，可以是模型集里的任一元素，但在所設計的控制器下，都能使模型集里的元素滿足要求。魯棒控制的一個主要問題就是魯棒穩定性，常用的有三種方法：
⑴當被研究的系統用狀態矩陣或特征多項式描述時一般采用代數方法，其中心問題是討論多項式或矩陣組的穩定性問題；
⑵李雅普諾夫方法，對不確定性以狀態空間模式出現時是一種有利工具；
⑶頻域法從傳遞函數出發研究問題，有代表性的是Hoo控制，它用作魯棒性分析的有效性體現在外部擾動不再假設為固定的，而只要求能量有界即可。這種方法已被用于工程設計中，如Hoo最優靈敏度控制器設計。
5.模糊控制(Fuzzy Control)
模糊控制借助模糊數學模擬人的思維方法，將工藝操作人員的經驗加以總結，運用語言變量和模糊邏輯理論進行推理和決策，對復雜對象進行控制。模糊控制既不是指被控過程是模糊的，也不意味控制器是不確定的，它是表示知識和概念上的模糊性，它完成的工作是完全確定的。
1974年英國工程師E.H.Mamdam首次把Fuzzy集合理論用于鍋爐和蒸氣機的控制以來，開辟了Fuzzy控制的新領域，特別是對于大時滯、非線性等難以建立精確數學模型的復雜系統，通過計算機實現模糊控制往往能取得很好的結果。
模糊控制的類型有：
⑴基本模糊控制器，一旦模糊控制表確定之后，控制規則就固定不變了；
⑵自適應模糊控制器，在運行中自動修改、完善和調整規則，使被控過程的控制效果不斷提高,達到預期的效果；
⑶智能模糊控制器，它把人、人工智能和神經網絡三者聯系起來，實現綜合信息處理，使系統既具有靈活的推理機制、啟發性知識與產生式規則表示，又具有多種層次、多種類型的控制規律選擇。
模糊控制的特點是不需要精確的數學模型，魯棒性強，控制效果好，容易克服非線性因素的影響，控制方法易于掌握。有人提出神經——模糊Inter3融合控制模型，即把融合結構、融合算法及控制合為一體進行設計。又有人提出利用同倫BP網絡記憶模糊規則，以“聯想方式”使用這些經驗。
模糊控制有待進一步研究的問題：模糊控制系統的功能、穩定性、最優化問題的評價；非線性復雜系統的模糊建模，模糊規則的建立和模糊推理算法的研究；找出可遵循的一般設計原則。
6.神經網絡控制(Neural Network Control)
神經網絡是由所謂神經元的簡單單元按并行結構經過可調的連接權構成的網絡。神經網絡的種類很多，控制中常用的有多層前向BP網絡，RBF網絡，Hopfield網絡以及自適應共振理論模型（ART）等。
神經網絡控制就是利用神經網絡這種工具從機理上對人腦進行簡單結構模擬的新型控制和辨識方法。神經網絡在控制系統中可充當對象的模型，還可充當控制器。常見的神經網絡控制結構有：
⑴參數估計自適應控制系統;
⑵內模控制系統；
⑶預測控制系統；
⑷模型參考自適應系統；
⑸變結構控制系統。
神經網絡控制的主要特點是：可以描述任意非線性系統；用于非線性系統的辨識和估計；對于復雜不確定性問題具有自適應能力；快速優化計算能力；具有分布式儲存能力，可實現在線、離線學習。
有人提出以Hopfield網絡實現一種多分辨率體視協同算法，該算法以逐級融合的方式自動完成由粗到細，直至全分辨率的匹配和建立。又有人提出一種網絡自組織控制器，采用變斜率的最速梯度下降學習算法，應用在非線性跟蹤控制中。今后需進一步探討的問題是提高網絡的學習速度，提出新的網絡結構，創造出更適用于控制的專用神經網絡。
7.實時專家控制(Real Time Expert Control)
專家系統是一個具有大量專門知識和經驗的程序系統，它應用人工智能技術，根據某個領域一個或多個人類專家提供的知識和經驗進行推理和判斷，模擬人類專家的決策過程，以解決那些需要專家決定的復雜問題。專家系統和傳統的計算機程序最本質的區別在于：專家系統所要解決的問題一般沒有算法解，并且往往要在不完全、不精確或不確定的信息基礎上作出結論。
實時專家系統應用模糊邏輯控制和神經網絡理論，融進專家系統自適應地管理一個客體或過程的全面行為，自動采集生產過程變量，解釋控制系統的當前狀況，預測過程的未來行為,診斷可能發生的問題，不斷修正和執行控制計劃。實時專家系統具有啟發性、透明性、靈活性等特點，已經在航天試驗指揮、工業爐窯的控制、高爐爐熱診斷中得到廣泛應用。需要進一步研究的問題是如何用簡潔語言來描述人類長期積累的經驗知識，提高聯想化記憶和自學習能力。
8.定性控制(Qualitative Control)
定性控制是指系統的狀態變量為定性量時（其值不是某一精確值而只知其處于某一范圍內），應用定性推理對系統施加控制變量使系統在某一期望范圍。
定性控制方法主要有三類：
⑴基于定量模型的定性控制，其特點是系統的定量模型假定已知，以定量模型為基礎推導定性模型；
⑵基于規則的定性控制，其特點是構成定性模型的規則憑人們經驗的定性推理即可得到，或通過狀態的窮舉得到；
⑶基于定性模型的定性控制，其特點是直接通過對定性模型的研究來導出定性控制。
定性控制與模糊控制的區別：模糊控制不需建模，其控制律憑經驗或算法調整，而定性控制基于定性模型，控制規則基于對系統的定性分析；模糊控制是基于狀態的精確測量值，而定性控制基于狀態的定性測量值。
定性控制面臨的問題：發展定性數學理論，改進定性推理方法，注重定性和定量知識的結合；研究定性建模方法，定性控制方法；加強定性控制應用領域的研究。
9.預測控制(Predictive Control)
預測控制是在工業實踐過程中獨立發展起來的一種新型控制方法，它不僅適用于工業過程這種“慢過程”的控制，也能適用于快速跟蹤的伺服系統這種“快過程”控制。實用的預測控制方法有動態矩陣控制（DMC），模型算法控制（MAC），廣義預測控制（GPC），模型預測啟發控制（MPHC）以及預測函數控制（PFC）等。這些方法具有以下特征：
⑴以計算機為實現手段，采取在線實現方式；
⑵建模方便，不需深入了解過程的內部機理，對模型精度要求不高；
⑶采用滾動優化策略，在線反復進行優化計算，使模型失配、外界環境的變化引起的不確定性及時得到彌補，提高控制質量。
最有人提出一種新的基于主導內模概念的預測控制方法：結構對外來激勵的響應主要由其本身的模態所決定，即結構只對激勵信息中與其起主導作用的幾個主要自振頻率相接近的頻率成分有較大的響應。利用神經網絡對被控對象進行在線辨識，然后用廣義預測控制規律進行控制得到較多重視。
預測控制存在的問題是預測精度不高；反饋校正方法單調；滾動優化策略少；對任意的一般系統，其穩定性和魯棒性分析較難進行；參數調整的總體規則雖然比較明確，但對不同類型的系統的具體調整方法仍有待進一步總結。
10.分布式控制系統(Distributed Control System)
分布式控制系統又稱集散控制系統,是70年代中期發展起來的新型計算機控制系統，它融合了控制技術（Control），計算機技術（Computer），通信技術（Communication），圖像顯示技術（CRT）的“4C”技術，形成了以微處理器為核心的系統，實現對生產過程的監視、控制和管理。
既打破了常規控制儀表功能的局限，又較好地解決了早期計算機系統對于信息、管理過于集中帶來的危險，而且還有大規模數據采集、處理的功能以及較強的數據通信能力。
分布式控制系統既有計算機控制系統控制算法靈活，精度高的優點，又有儀表控制系統安全可靠，維護方便的優點。它的主要特點是：真正實現了分散控制；具有高度的靈活性和可擴展性；較強的數據通信能力；友好而豐富的人機聯系以及極高的可靠性。

5、幫忙從cnki上找一篇論文 30

留下郵箱吧 給你下了幾篇
? 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
《自動化儀表》第31卷第2期 2010年2月
上海市重點學科建設基金資助項目(編號: B504) 。
修改稿收到日期: 2009 - 08 - 26。
第一作者熊祥,男, 1984年生,現為華東理工大學控制科學與控制工
程專業在讀碩士研究生;主要從事先進控制和自適應控制方面的研究。
基于MRAS的交流異步電機變頻調速系統研究
Study on MRAS2based Variable2frequency Driving System of AC AsynchronousMo to rs
熊 祥 郭丙君
(華東理工大學信息科學與工程學院,上海 200237)
摘 要: 依據矢量控制的基本原理和方法,在基于轉子磁場定向的旋轉坐標系下,采用Matlab /Simulink模塊構建了一個具有轉矩、磁
鏈閉環的交流異步電機矢量控制系統仿真模型。在此基礎上,應用模型參考自適應方法,對無速度傳感器矢量控制系統的轉速估計
進行研究,并針對常規速度辨識器中的基準模型易受積分初值和漂移影響的問題,對傳統的MRAS方法進行改進,并對其進行建模仿
真。仿真結果表明,該設計具有較強的可行性,且其推算轉速能夠很好地跟蹤實測轉速。
關鍵詞: Matlab /Simulink MRAS 矢量控制 變頻調速系統 神經網絡 無速度傳感器
中圖分類號: TM343 文獻標志碼: A
Abstract: In accordance with the basic p rincip le and method of vector control, by usingMatlab /Simulink module, a simulation model of vector
control system that is offering torque and magnetic link for AC asynchronous motor is built based on rotor flux directional rotating coordinates.
On the basis, with model reference adap tive method, the rotating speed estimation for vector control system with no2speed sensor is studied. In
addition, aiming at the p roblem that the reference model is easily influenced by the initial value and drift of integral in normal speed recognizer,
the traditionalMRAS is imp roved, and modeling simulation is also conducted. The result of simulation verifies the feasibility of the design and
the calculated rotating speed can well trace the measured rotating speed.
Keywords: Matlab/Simulink Model reference adaptive system Vector control Variable2frequency driving system Neural network No2speed sensor
0 引言
隨著電力電子技術的發展,交流異步電機控制技
術已由標量控制轉向了矢量控制。在矢量控制系統
中,轉速的閉環控制環節一般是必不可少的。為了實
現轉速閉環控制和磁場定向,通常采用速度傳感器來
進行轉速檢測。而速度傳感器在安裝、維護等方面易
受環境影響,從而嚴重影響異步電動機的簡便性、廉價
性和可靠性。因此,無速度傳感器的矢量控制系統成
為交流調速的主要研究內容。
目前,人們提出了各種速度辨識的方法來取代速
度傳感器,如動態估計法、模型參考自適應方法、擴展
卡爾曼濾波法、神經網絡法等。其中模型參考自適應
方法的轉速觀測具有穩定性好、計算量小等特點[ 1 ]。
本文從轉子磁場定向的矢量控制理論出發,在靜止坐
標系上提出了一種基于模型參考自適應法理論的速度
推算法, 并利用Matlab /Simulink 軟件對系統進行了
仿真。
1 交流異步電機矢量控制
根據用于定向的參數矢量的不同,矢量控制可以
分為按轉子磁場定向和按定子磁場定向的矢量控制。
按轉子磁場定向的矢量控制方法是目前應用較為廣泛
的一種高性能的交流電動機控制方法[ 2 ]。
當兩相同步旋轉坐標系按轉子磁鏈定向時,應有
ψrd =ψr ,ψrq = 0,即得:
Te = np
Lm
Lr
isq
isd =
1 + Tr p
Lm
ψr
ψr =
Lm
1 + Tr p
isd
λ =
Lm
Trψr
isq ( 1)
式中: Lm =
3
2
M 為d2q坐標系同軸等效定子與轉子繞
組間的互感; Lr =Lrl +Lm為d2q坐標系等效二相轉子繞
組的自感;λ為d2q坐標系相對于轉子的旋轉角速度;
p為求導算符, 即p = d /dt; s表示定子; r表示轉子; d
表示d軸; q表示q軸; m 表示同軸定、轉子間的互感;
np 為極對數; Tr =Lr /Rr 為轉子時間常數。
51
基于MRAS的交流異步電機變頻調速系統研究 熊 祥,等
? 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
PROCESS AUTOMATION INSTRUMENTATION Vol131 No12 February 2010
2 變頻調速系統仿真模型
圖1為交流異步電動機無速度傳感器矢量控制系
統框圖。系統由電機、逆變器、磁鏈觀測器、轉速辨識
等環節組成,是一個帶電流內環的轉速、磁鏈閉環矢量
控制系統。
圖1 無速度傳感器矢量控制系統框圖
Fig. 1 Block diagram of the vector control system with no2speed sensor
基于矢量控制變頻調速系統的仿真模型,其具體
實現步驟是:先將異步電機在三相坐標系下的定子電
流Ia、Ib、Ic 通過三相/二相(Clarke)變換,再通過二相/
二相旋轉( Park)變換得到同步旋轉坐標系d2q下的電
流Id、Iq ,然后模仿直流電動機的控制方法,求得直流
電動機的控制量,最后,經過相應的坐標反變換,實現
對異步電動機的控制。其實質是將交流電動機等效為
直流電動機, 分別對速度( speed control) 、磁場( phir
control)兩個分量進行獨立控制。通過控制轉子磁鏈,
分解定子電流而獲得轉矩和磁場兩個分量,然后經坐
標變換,實現正交或解耦控制[ 3 ]。
2. 1 基于MRAS的轉速辨識
2. 1. 1 基本模型參考自適應系統
要實現按轉子磁鏈定向的矢量控制系統,磁鏈觀
測是非常重要的。在無速度傳感器控制中,通常采用
基于兩相靜止α2β坐標系下定子電壓和定子電流的電
壓模型對轉子磁鏈進行估計[ 4 - 5 ]。根據兩相靜止坐標
系下異步電動機的基本方程,可以得到電壓和電流這
兩種形式的轉子磁鏈估算模型。
電壓模型計算如下:
ψrα =
Lr
Lm
[ ∫( usα - Rs isα ) dt - σLs isα ]
ψrβ =
Lr
Lm
[ ∫( usβ - Rs isβ ) dt - σLs isβ ] ( 2)
在計算得到電壓模型值后, 基本模型參考自適應
系統的電流模型計算如下:
pψrα =
Lm
Tr
isα -
ψrα
Tr
- ωrψrβ
pψrβ =
Lm
Tr
isβ -
ψrβ
Tr
- ωrψrα ( 3)
式中:ψrα、ψrβ分別為兩相靜止α2β坐標系下α軸和β
軸的轉子磁鏈; isα、isβ為兩相靜止α2β坐標系下α軸和
β軸的定子電流; usα、usβ為兩相靜止α2β坐標系下α軸
和β軸的定子電壓;σ為漏感系數。
參考模型與可調模型輸出(轉子磁鏈) 的差值定
義為:
e =ψr - ψ3
r ( 4)
利用波波夫超穩定理論推導得出估算轉子的自適
應收斂率為[6 ] :
ωr = kp +
ki
S
e ( 5)
式中: kp、ki 分別為自適應結構PI調節器中的比例系
數和積分常數。
基于MRAS的轉速、辨識的具體步驟為:選取電壓
模型為參考模型、電流模型為理想模型,構造一個模型
參考自適應系統,并選擇合適的自適應規律,使可調模
型的轉速逼近真實的電機轉速。該方法結構框圖如
圖2所示。
52
基于MRAS的交流異步電機變頻調速系統研究 熊 祥,等
? 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
《自動化儀表》第31卷第2期 2010年2月
圖2 模型參考自適應系統框圖
Fig. 2 Block diagram ofMRAS
自適應機構采用PI調節器,即選擇比例積分作為
自適應規律。在模型參考自適應系統中,參考模型應
該是理想的,即式( 2)應能始終映射出電動機的真實
狀態。該方程中定子電阻Rs 是一個變化的參數, Rs
若不準確,對低頻積分結果影響會很大。另外,采用低
通濾波器來代替純積分環節,可以有效克服積分器的
部分缺陷,如誤差積累或直流漂移問題;但在頻率接近
或低于截止頻率時,所產生的幅度和相位偏差會嚴重
影響磁鏈估計的精確性。
2. 1. 2 改進型模型參考自適應系統
模型參考自適應結構的優勢在于模型的輸出不必
是實際的轉子磁鏈,只要是與其相關的輔助變量即可。
因此,可采用新的輔助變量作為模型的輸出,構造出其
他的MRAS速度辨識方法。
將圖2進行改進,可以得出相應的原理方框圖,如
圖3所示。
圖3 改進型模型參考自適應系統框圖
Fig. 3 Block diagram of imp rovedMRAS
參考模型的定子電壓矢量方程可寫成以下形式,
即:
Lm
Lr
×
dψrα
dt
= usα - Rs isα - σLs ×
disα
dt
Lm
Lr
×
dψrβ
dt
= usβ - Rs isβ - σLs ×
disβ
dt
(6)
式中: Ls =Lsl + Lm 為d2q坐標系下的等效二相定子繞
組的自感。
在基于轉子磁場定向的矢量控制中, 由其等效電
路可以看出,εr =
Lm
Lr
dψr
dt
為轉子磁鏈矢量生成的感應電
壓,于是式(6)可以轉換為:
εr
α =
Lm
Lr
×
dψrα
dt
= usα - Rs isα - σLs ×
disα
dt
εr
β =
Lm
Lr
×
dψrβ
dt
= usβ - Rs isβ - σLs ×
disβ
dt
(7)
2. 2 轉速控制模塊
在實際系統中,由于系統狀態和參數等發生變化
時,過程中會出現狀態和參數的不確定性,系統很難達
到最佳控制效果。基于上述問題考慮,本文利用RBF
神經網絡對PID 控制器的參數進行在線調整。基于
RBF神經網絡的PID控制系統如圖4所示。
圖4 基于RBF神經網絡的P ID控制系統
Fig. 4 P ID control system based on RBF neural network
系統的控制誤差為:
e ( k) = r( k) - y ( k) (8)
PID的輸入為:
x ( 1) = e ( k) - e ( k - 1)
x ( 2) = e ( k)
x (3) = e ( k) - 2e ( k - 1) + e ( k - 2) (9)
采用增量式PID的控制算法具體表達式為:
u ( k) = u ( k - 1) + kp [ r( k) - y ( k) ] + ki [ e ( k) ] +
kd [ e ( k) - 2e ( k - 1) + e ( k - 2) ]
Du = kp [ r( k) - y ( k) ] + ki [ e ( k) ] +
kd [ e ( k) - 2e ( k - 1) + e ( k - 2) ] ( 10)
神經網絡整定性能指標函數為:
J ( k) =
1
2
[ r( k) - y ( k) ]2 ( 11)
由梯度下降法,可得[ 7 ] :
Δkp = - η
9J
9kp
= - η
9J
9y
×
9y
9Du
×
9Du
9kp
=ηe ( k)
9y
9Du
x ( 1)
Δki = - η
9J
9ki
= - η
9J
9y
×
9y
9Du
×
9Du
9ki
=ηe ( k)
9y
9Du
x (2)
Δkd = - η
9J
9kd
= - η
9J
9y
×
9y
9Du
×
9Du
9kd
=ηe ( k)
9y
9Du
x (3)
(12)
式中:η為學習速率。被控對象的輸出對控制輸入變
化的靈敏度信息Jacobian陣信息算法為:
9y
9Du
≈
9yL ( k)
9Du
=∑
m
j = 1
ωj hj
cji - u ( k)
b2
j
(13)
式中: hj為第j個隱含層點輸出; cji為高斯轉換函數的中
心位置參數; bj 為第j個隱節點高斯函數的寬度參數。
該神經網絡的結構為3 - 6 - 1,即輸入層有3個節
點,隱含層有6個節點,輸出層有1 個節點,學習率為
53
基于MRAS的交流異步電機變頻調速系統研究 熊 祥,等
? 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
PROCESS AUTOMATION INSTRUMENTATION Vol131 No12 February 2010
0. 25, a = 0. 05,β= 0. 01, PID初值= [ 0. 03, 0. 001, 0. 1 ] ,
權重初值= [ 3, 4, 1 ] ,采樣周期為0. 001。由于RBF神
經網絡PID控制器不能直接用傳遞函數加以描述,若簡
單地應用Simulink,則將無法對其進行仿真。本文中
RBF神經網絡PID控制器采用Matlab中的s2function實
現[ 8 ]。
2. 3 轉矩控制模塊和磁鏈控制模塊
轉矩控制器和磁鏈控制器均采用PI控制算法,可
得:
Iq
3
= kp ( T
3
e - Te ) + ki ∫( T
3
e - Te ) dt ( 14)
I
3
d = kp ( phir
3
- phir) + ki ∫( phir
3
- phir) dt (15)
式中: kp、ki 分別為比例增益系數和積分增益系數。
2. 4 仿真實驗結果及分析
采用上述仿真模型,對矢量控制變頻調速系統進
行空載及恒速加載運行仿真。當負載轉矩值為0 時,
得到的異步電機定子電流、轉速、轉矩仿真圖形如圖5
所示。
圖5 定子電流、轉速、轉矩仿真圖形
Fig. 5 Simulation curves of current, rotating speed,
torque of the stator
選用的異步電動機有關參數如下: 額定數據為
41 kW、380V、4極、50 Hz、轉動慣量J =1. 662 kg·m2、Rs =
0. 087Ω、Rr =0. 228Ω、Ls =Lr =0. 8mH、Lm =34. 7mH。
逆變器電流直流母線電壓為780V;轉子磁鏈參考
值取0. 96Wb;在powerful中指定所有的狀態變量初始
條件為0,或者對異步電機設定初始條件為[ 1, 0, 0, 0,
0, 0, 0, 0 ] ,這樣就可以在停止狀態啟動電機。為了加
快仿真速度,采用ode23 t仿真算法。
電機啟動階段,磁鏈和電磁轉矩處于上升階段,
在開始空載狀態下,電磁轉矩最后下降為0。在t =
0 s、1 s時,由于轉速給定的量從60 rad / s瞬間跳到
80 rad / s,而在啟動時,轉子轉速在0. 5 s已經趨于穩
定狀態,因此,定子電流在啟動時有較大的變化,轉
矩電流和電磁轉矩在啟動及給定速度指令改變時有
超調。在系統的自動調節下,轉矩電流和電磁轉矩
量開始慢慢降低并趨于穩定。從仿真可以看出,在
該控制系統所采用的控制方法下,系統具有良好的
靜態性能和動態性能,定子電流正弦度較好;且估計
的轉速穩態精度好,能準確地跟蹤電機轉速的變化;
電機的機械角速度能夠很快跟蹤給定機械角速度的
變化,電機具有良好的啟動性能。實際轉速與辨識
轉速仿真圖形比較如圖6所示。
圖6 實際轉速與辨識轉速仿真圖形比較
Fig. 6 Comparison between actual and identification rotating speed
3 結束語
本仿真試驗利用易于測量的電機定子電壓和電
流,結合矢量控制和MRAS原理,實時辨識電機轉速。
通過理論分析和仿真研究,應用模型參考自適應方法
估算交流異步電機轉子轉速,計算量小,收斂速度快。
仿真結果驗證了該系統的可行性和有效性。
參考文獻
[ 1 ] CirrincioneM, PucciM. AnMRAS based on speed estimation meth2
od with a linear neuron for high performance induction motor drives
and its experimentation[ C ] ‖ IEEE International Conference on E2
lectricMachines and Drives, IEMDC’03, 2003 ( s1) : 617 - 623.
[ 2 ] 陳伯時. 電力拖動自動控制系統[M ]. 2版. 北京:機械工業出版
社, 2004.
[ 3 ] 王忠禮,段慧達,高玉峰. Matlab應用技術———在電氣工程與自
動化專業中的應用[M ]. 北京:清華大學出版社, 2007.
[ 4 ] 王慶龍,張崇崴,張興. 交流電機無速度傳感器矢量控制系統變
結構模型參考自適應轉速辨識[ J ]. 中國電機工程學報, 2007,
27 (15) : 70 - 74.
[ 5 ] 戴瑜興,王耀南,陳際達. 基于DSP的模型參考自適應無速度傳
感器矢量控制[ J ]. 信息與控制, 2003, 32 (6) : 507 - 511.
[ 6 ] 劉興堂. 應用自適應控制[M ]. 西安: 西北工業大學出版社,
2003.
[ 7 ] Zhang Mingguang, LiWenhui, Liu Manqiang. Adaptive PID control
strategy based on RBF neural network identification[C] ‖17th IEEE
International Conference on Neural Network and Brain, 2005,
ICNN&B, 2005: 1854 - 1857.
[ 8 ] 劉金琨. 先進PID控制及其Matlab仿真[M ]. 北京:電子工業出
版社, 2003.
54
基于MRAS的交流異步電機變頻調速系統研究 熊 祥,等

6、什么是PID調節器，并舉例說明P、I、D的調節作用。

工業生產過程中，對于生產裝置的溫度、壓力、流量、液位等工藝變量常常要求維持在一定的數值上，或按一定的規律變化，以滿足生產工藝的要求。PID控制器是根據PID控制原理對整個控制系統進行偏差調節，從而使被控變量的實際值與工藝要求的預定值一致。不同的控制規律適用于不同的生產過程，必須合理選擇相應的控制規律，否則PID控制器將達不到預期的控制效果。
PID控制器（Proportion Integration Differentiation.比例-積分-微分控制器），由比例單元 P、積分單元 I 和微分單元 D 組成。通過Kp， Ki和Kd三個參數的設定。PID控制器主要適用于基本線性和動態特性不隨時間變化的系統。
PID 控制器是一個在工業控制應用中常見的反饋回路部件。這個控制器把收集到的數據和一個參考值進行比較，然后把這個差別用于計算新的輸入值，這個新的輸入值的目的是可以讓系統的數據達到或者保持在參考值。和其他簡單的控制運算不同，PID控制器可以根據歷史數據和差別的出現率來調整輸入值，這樣可以使系統更加準確，更加穩定。可以通過數學的方法證明，在其他控制方法導致系統有穩定誤差或過程反復的情況下，一個PID反饋回路卻可以保持系統的穩定。
一個控制回路包括三個部分：
系統的傳感器得到的測量結果 控制器作出決定 通過一個輸出設備來作出反應 控制器從傳感器得到測量結果，然后用需求結果減去測量結果來得到誤差。然后用誤差來計算出一個對系統的糾正值來作為輸入結果，這樣系統就可以從它的輸出結果中消除誤差。
在一個PID回路中，這個糾正值有三種算法，消除目前的誤差，平均過去的誤差，和透過誤差的改變來預測將來的誤差。
比如說，假如一個水箱在為一個植物提供水，這個水箱的水需要保持在一定的高度。一個傳感器就會用來檢查水箱里水的高度，這樣就得到了測量結果。控制器會有一個固定的用戶輸入值來表示水箱需要的水面高度，假設這個值是保持65%的水量。控制器的輸出設備會連在一個馬達控制的水閥門上。打開閥門就會給水箱注水，關上閥門就會讓水箱里的水量下降。這個閥門的控制信號就是我們控制的變量，它也是這個系統的輸入來保持這個水箱水量的固定。
PID控制器可以用來控制任何可以被測量的并且可以被控制的變量。比如，它可以用來控制溫度，壓強，流量，化學成分，速度等等。汽車上的巡航定速功能就是一個例子。
一些控制系統把數個PID控制器串聯起來，或是鏈成網絡。這樣的話，一個主控制器可能會為其他控制輸出結果。一個常見的例子是馬達的控制。我們會常常需要馬達有一個控制的速度并且停在一個確定的位置。這樣呢，一個子控制器來管理速度，但是這個子控制器的速度是由控制馬達位置的主控制器來管理的。
連合和串聯控制在化學過程控制系統中是很常見的。
PID是以它的三種糾正算法而命名的。這三種算法都是用加法調整被控制的數值。而實際上這些加法運算大部分變成了減法運算因為被加數總是負值。這三種算法是：
比例- 來控制當前，誤差值和一個負常數P（表示比例）相乘，然后和預定的值相加。P只是在控制器的輸出和系統的誤差成比例的時候成立。這種控制器輸出的變化與輸入控制器的偏差成比例關系。比如說，一個電熱器的控制器的比例尺范圍是10°C，它的預定值是20°C。那么它在10°C的時候會輸出100%，在15°C的時候會輸出50%，在19°C的時候輸出10%，注意在誤差是0的時候，控制器的輸出也是0。
積分 - 來控制過去，誤差值是過去一段時間的誤差和，然后乘以一個負常數I，然后和預定值相加。I從過去的平均誤差值來找到系統的輸出結果和預定值的平均誤差。一個簡單的比例系統會振蕩，會在預定值的附近來回變化，因為系統無法消除多余的糾正。通過加上一個負的平均誤差比例值，平均的系統誤差值就會總是減少。所以，最終這個PID回路系統會在預定值定下來。
微分 - 來控制將來，計算誤差的一階導，并和一個負常數D相乘，最后和預定值相加。這個導數的控制會對系統的改變作出反應。導數的結果越大，那么控制系統就對輸出結果作出更快速的反應。這個D參數也是PID被稱為可預測的控制器的原因。D參數對減少控制器短期的改變很有幫助。一些實際中的速度緩慢的系統可以不需要D參數。 用更專業的話來講，一個PID控制器可以被稱作一個在頻域系統的濾波器。這一點在計算它是否會最終達到穩定結果時很有用。如果數值挑選不當，控制系統的輸入值會反復振蕩，這導致系統可能永遠無法達到預設值。
盡管不同類型的控制器，其結構、原理各不相同，但是基本控制規律只有三個：比例（P）控制、積分（I）控制和微分（D）控制。這幾種控制規律可以單獨使用，但是更多場合是組合使用。如比例（P）控制、比例-積分（PI）控制、比例-積分-微分（PID）控制等。
比例（P）控制
單獨的比例控制也稱“有差控制”，輸出的變化與輸入控制器的偏差成比例關系，偏差越大輸出越大。實際應用中，比例度的大小應視具體情況而定，比例度太大，控制作用太弱，不利于系統克服擾動，余差太大，控制質量差，也沒有什么控制作用；比例度太小，控制作用太強，容易導致系統的穩定性變差，引發振蕩。
對于反應靈敏、放大能力強的被控對象，為提高系統的穩定性，應當使比例度稍小些；而對于反應遲鈍，放大能力又較弱的被控對象，比例度可選大一些，以提高整個系統的靈敏度，也可以相應減小余差。
單純的比例控制適用于擾動不大，滯后較小，負荷變化小，要求不高，允許有一定余差存在的場合。工業生產中比例控制規律使用較為普遍。
比例積分（PI）控制
比例控制規律是基本控制規律中最基本的、應用最普遍的一種，其最大優點就是控制及時、迅速。只要有偏差產生，控制器立即產生控制作用。但是，不能最終消除余差的缺點限制了它的單獨使用。克服余差的辦法是在比例控制的基礎上加上積分控制作用。
積分控制器的輸出與輸入偏差對時間的積分成正比。這里的“積分”指的是“積累”的意思。積分控制器的輸出不僅與輸入偏差的大小有關，而且還與偏差存在的時間有關。只要偏差存在，輸出就會不斷累積（輸出值越來越大或越來越小），一直到偏差為零，累積才會停止。所以，積分控制可以消除余差。積分控制規律又稱無差控制規律。
積分時間的大小表征了積分控制作用的強弱。積分時間越小，控制作用越強；反之，控制作用越弱。
積分控制雖然能消除余差，但它存在著控制不及時的缺點。因為積分輸出的累積是漸進的，其產生的控制作用總是落后于偏差的變化，不能及時有效地克服干擾的影響，難以使控制系統穩定下來。所以，實用中一般不單獨使用積分控制，而是和比例控制作用結合起來，構成比例積分控制。這樣取二者之長，互相彌補，既有比例控制作用的迅速及時，又有積分控制作用消除余差的能力。因此，比例積分控制可以實現較為理想的過程控制。
比例積分控制器是目前應用最為廣泛的一種控制器，多用于工業生產中液位、壓力、流量等控制系統。由于引入積分作用能消除余差，彌補了純比例控制的缺陷，獲得較好的控制質量。但是積分作用的引入，會使系統穩定性變差。對于有較大慣性滯后的控制系統，要盡量避免使用。
比例微分（PD）控制
比例積分控制對于時間滯后的被控對象使用不夠理想。所謂“時間滯后”指的是：當被控對象受到擾動作用后，被控變量沒有立即發生變化，而是有一個時間上的延遲，比如容量滯后，此時比例積分控制顯得遲鈍、不及時。為此，人們設想：能否根據偏差的變化趨勢來做出相應的控制動作呢？猶如有經驗的操作人員，即可根據偏差的大小來改變閥門的開度（比例作用），又可根據偏差變化的速度大小來預計將要出現的情況，提前進行過量控制，“防患于未然”。這就是具有“超前”控制作用的微分控制規律。微分控制器輸出的大小取決于輸入偏差變化的速度。
微分輸出只與偏差的變化速度有關，而與偏差的大小以及偏差是否存在與否無關。如果偏差為一固定值，不管多大，只要不變化，則輸出的變化一定為零，控制器沒有任何控制作用。微分時間越大，微分輸出維持的時間就越長，因此微分作用越強；反之則越弱。當微分時間為0時，就沒有微分控制作用了。同理，微分時間的選取，也是需要根據實際情況來確定的。
微分控制作用的特點是：動作迅速，具有超前調節功能，可有效改善被控對象有較大時間滯后的控制品質；但是它不能消除余差，尤其是對于恒定偏差輸入時，根本就沒有控制作用。因此，不能單獨使用微分控制規律。
比例和微分作用結合，比單純的比例作用更快。尤其是對容量滯后大的對象，可以減小動偏差的幅度，節省控制時間，顯著改善控制質量。
PID控制
最為理想的控制當屬比例-積分-微分控制規律。它集三者之長：既有比例作用的及時迅速，又有積分作用的消除余差能力，還有微分作用的超前控制功能。
當偏差階躍出現時，微分立即大幅度動作，抑制偏差的這種躍變；比例也同時起消除偏差的作用，使偏差幅度減小，由于比例作用是持久和起主要作用的控制規律，因此可使系統比較穩定；而積分作用慢慢把余差克服掉。只要三個作用的控制參數選擇得當，便可充分發揮三種控制規律的優點，得到較為理想的控制效果。
調試方法編輯
比例系數的調節
比例系數P的調節范圍一般是：0.1--100.
如果增益值取 0.1，PID 調節器輸出變化為十分之一的偏差值。如果增益值取 100， PID 調節器輸出變化為一百倍的偏差值。
可見該值越大，比例產生的增益作用越大。初調時，選小一些，然后慢慢調大，直到系統波動足夠小，再調節積分或微分系數。過大的P值會導致系統不穩定，持續振蕩；過小的P值又會使系統反應遲鈍。合適的值應該使系統有足夠的靈敏度但又不會反應過于靈敏，一定時間的遲緩要靠積分時間來調節。
積分系數的調節
積分時間常數的定義是，偏差引起輸出增長的時間。積分時間設為 1秒，則輸出變化 100%所需時間為 1 秒。初調時要把積分時間設置長些，然后慢慢調小直到系統穩定為止。
微分系數的調節
微分值是偏差值的變化率。例如，如果輸入偏差值線性變化，則在調節器輸出側疊加一個恒定的調節量。大部分控制系統不需要調節微分時間。因為只有時間滯后的系統才需要附加這個參數。如果畫蛇添足加上這個參數反而會使系統的控制受到影響。如果通過比例、積分參數的調節還是收不到理想的控制要求，就可以調節微分時間。初調時把這個系數設小，然后慢慢調大，直到系統穩定。
參數整定編輯
PID控制器的參數整定是控制系統設計的核心內容。它是根據被 控過程的特性確定PID控制器的比例系數、積分時間和微分時間的大小。PID控制器參數整定的方法很多，概括起來有兩大類：一是理論計算整定法。它主要是 依據系統的數學模型，經過理論計算確定控制器參數。這種方法所得到的計算數據未必可以直接用，還必須通過工程實際進行調整和修改。二是工程整定方法，它主 要依賴工程經驗，直接在控制系統的試驗中進行，且方法簡單、易于掌握，在工程實際中被廣泛采用。PID控制器參數的工程整定方法，主要有臨界比例法、反應 曲線法和衰減法。三種方法各有其特點，其共同點都是通過試驗，然后按照工程經驗公式對控制器參數進行整定。但無論采用哪一種方法所得到的控制器參數，都需 要在實際運行中進行最后調整與完善。現在一般采用的是臨界比例法。利用該方法進行 PID控制器參數的整定步驟如下：(1)首先預選擇一個足夠短的采樣周期讓系統工作；(2)僅加入比例控制環節，直到系統對輸入的階躍響應出現臨界振蕩， 記下這時的比例放大系數和臨界振蕩周期；(3)在一定的控制度下通過公式計算得到PID控制器的參數。 [1]
在實際調試中，只能先大致設定一個經驗值，然后根據調節效果修改。
對于溫度系統：P（%）20--60，I（分）3--10，D（分）0.5--3
對于流量系統：P（%）40--100，I（分）0.1--1
對于壓力系統：P（%）30--70，I（分）0.4--3
對于液位系統：P（%）20--80，I（分）1--5
參數整定找最佳，從小到大順序查
先是比例后積分，最后再把微分加
曲線振蕩很頻繁，比例度盤要放大
曲線漂浮繞大灣，比例度盤往小扳
曲線偏離回復慢，積分時間往下降
曲線波動周期長，積分時間再加長
曲線振蕩頻率快，先把微分降下來
動差大來波動慢。微分時間應加長
理想曲線兩個波，前高后低4比1
一看二調多分析，調節質量不會低
適應控制編輯
首先弄清楚什么是自適應控制
在生產過程中為了提高產品質量，增加產量，節約原材料，要求生產管理及生產過程始終處于最優工作狀態。因此產生了一種最優控制的方法，這就叫自適應控制。在這種控制中要求系統能夠根據被測參數，環境及原材料的成本的變化而自動對系統進行調節，使系統隨時處于最佳狀態。自適應控制包括性能估計（辨別）、決策和修改三個環節。它是微機控制系統的發展方向。但由于控制規律難以掌握，所以推廣起來尚有一些難以解決的問題。
加入自適應的pid控制就帶有了一些智能特點，像生物一樣能適應外界條件的變化。
還有自學習系統，就更加智能化了。
參數整定編輯
PID控制器參數整定與實現》- 圖書信息
書 名: PID控制器參數整定與實現
作　者：黃友銳，曲立國
出版社： 中國科學出版社
出版時間：2010-1-1
開本： 16開
定價: 39.00元
《PID控制器參數整定與實現》- 內容簡介
本書是作者多年來在基于自然計算的PID控制器參數整定與實現方面進行深入研究的基礎上撰寫而成的。在吸收國內外許多具有代表性的最新研究成果的基礎上，本書著重介紹作者在這一領域的研究成果，主要包括：PID控制器參數整定方法；分數階PID控制器的參數整定；基于QDRNN的多變量PID控制器參數整定；數字PID控制器的FPGA實現；基于BP神經網絡的PID控制器的FPGA實現；基于遺傳算法的PID控制器的FPGA實現；基于粒子群算法的PID控制器的FPGA實現；主要算法的基本程序。
本書可作為與自動化相關專業的師生、研究人員以及工程技術人員的參考書。
《PID控制器參數整定與實現》- 圖書目錄
前言
第1章 緒論
第2章 PID控制器參數整定方法
第3章 分數階PID控制器的參數整定
第4章 基于QDRNN的多變量PID控制器參數整定
第5章 數字PID控制器的FPGA實現
第6章 基于BP神經網絡的PID控制器的FPGA實現
第7章 基于遺傳算法的PID控制器的FPGA實現
第8章 基于粒子群算法的PID控制器的FPGA實現
附錄
參考文獻
比例積微分控制器的專利、軟件及硬件編輯
這在IEEE《控制系統》雜志上有綜述，包括最優控制器參數設定，可由格拉斯哥大學CAutoD網站免費下載改善PID微分和積分的方法及:
Patents, software, and hardware for PID control: An overview and analysis of the current art, IEEE Control Systems, 2006。[2]

總結

以上是生活随笔為你收集整理的神经网络用于控制的优越性,神经网络的稳定性的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。