权值混合更新的神经网络液位控制方法及应用
基于神经网络的污水处理多变量广义预测控制
基于神经网络的污水处理多变量广义预测控制基于神经网络的污水处理多变量广义预测控制污水处理是保护环境和人类健康的重要任务。
随着城市化进程的推进和人口的增加，污水处理厂越来越面临处理容量、水质稳定性和排放标准等方面的挑战。
为了提高污水处理厂的运行效率和水质稳定性，多变量广义预测控制技术应运而生。
本文将重点介绍基于神经网络的污水处理多变量广义预测控制方法。
首先，我们将介绍神经网络的基本原理。
神经网络是一种模拟人脑神经元网络的数学模型，其核心是通过调整网络连接权重和阈值来实现输入与输出之间的映射关系。
对于污水处理的多变量广义预测控制，我们可以将输入设置为污水处理厂的进水水质、进水流量等变量，输出设置为污水处理厂的出水水质、出水流量等变量。
通过训练神经网络，我们可以建立起输入与输出之间的复杂关系，实现对污水处理过程的精确预测和控制。
其次，我们将介绍多变量广义预测控制的基本原理。
多变量广义预测控制是一种针对具有多个输入和输出变量的系统进行预测和控制的方法。
在污水处理过程中，不同的输入变量和输出变量之间存在着相互影响的复杂关系，传统的单变量控制方法难以达到理想的控制效果。
多变量广义预测控制通过建立输入与输出之间的数学模型，综合考虑多个变量之间的相互作用，实现对污水处理过程的综合预测和控制。
接下来，我们将介绍基于神经网络的污水处理多变量广义预测控制方法。
首先，我们需要收集大量的污水处理过程数据，包括进水水质、进水流量、出水水质、出水流量等变量。
然后，我们利用这些数据训练神经网络，建立起输入与输出之间的映射关系。
接着，我们可以使用训练好的神经网络对未来的污水处理过程进行预测，在此基础上制定合理的控制策略，实现对污水处理过程的优化控制。
最后，我们将介绍基于神经网络的污水处理多变量广义预测控制的优势和应用前景。
与传统的单变量控制方法相比，基于神经网络的多变量广义预测控制具有更高的预测和控制精度，能够更好地应对污水处理过程中的复杂性和非线性。
bp神经网络在pid控制器参数整定中的应用
bp神经网络在pid控制器参数整定中的应用PID控制器（PID， Proportional-Integral-Derivative）是近几十年来应用最为广泛，最成功的控制系统之一，用于正确、稳定地控制各种过程，是目前工业过程控制领域的主要技术。
目前，PID控制器的参数设置方法以人工方法为主，但由于人工方法的受限性，一般只能获得较为粗糙的参数。
在这种情况下，基于神经网络的自动参数整定方法以其快速和准确的特点得到了广泛的应用。
其中，bp神经网络是一种具有广泛应用前景的神经网络模型，它具有自适应特性，可以用于PID控制器参数整定。
首先，利用bp神经网络对过程模型进行研究，根据实际情况确定合理的PID参数，然后利用bp神经网络进行参数自动整定，构建出较为精确的控制系统，用以让过程回路的稳定性和控制精度达到最优。
此外，bp神经网络还可以应用于复杂的线性和非线性双向控制系统，如液位控制、温度控制等，增强了系统的可控性，并大大提高了控制性能和控制质量。
利用bp神经网络实现PID控制器参数自动整定，可以有效提高控制器在不同情况下的精度和可靠性，解决人工方法难以满足的实际控制需求，具有广泛的应用前景。
同时，bp模型本身也有一定的缺陷，例如计算时间长，精度不够等，因此今后有必要进行深入的研究，以发展更先进的控制方法，使之能够更全面地运用于工业过程中。
综上所述，基于bp神经网络的PID控制器参数整定技术是当今应用技术中的一个热点，具有巨大的应用潜力。
它可以有效改善PID 控制系统的性能，并且能够满足不同应用场合的需求，为工业过程控制技术的发展提供了有力的支持。
未来，将继续围绕bp神经网络模型，进行系统的性能分析及参数设计，以更好地服务工业过程控制的发展。
基于神经网络预测水位的方法[发明专利]
![基于神经网络预测水位的方法[发明专利]](https://img.taocdn.com/s3/m/1c3aefeaac51f01dc281e53a580216fc700a53de.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201810157907.7(22)申请日 2018.02.25(66)本国优先权数据201721333861.7 2017.10.17 CN(71)申请人 北京尚水信息技术股份有限公司地址 100085 北京市海淀区上地五街7号昊海大厦303(72)发明人 王希花 纪红军 曲兆松 任明轩 (51)Int.Cl.G06Q 10/04(2012.01)G06N 3/08(2006.01)G06N 3/02(2006.01)(54)发明名称基于神经网络预测水位的方法(57)摘要本发明的基于神经网络预测水位的方法包括以下步骤：根据各站点的关系,下游某一站点（A）的水位与该站点（A）的前一段时间的水位相关，并且与该站点（A）上游的若干个上游站点（B、C、D …）的对应的该瞬间的水位相关，根据已有数据分析，水从上游站点（B、C、D …）流到下游的该站点（A）耗时分别为t 1、t 2和t 3…分钟，选取上游站点（B、C、D …）的前2t 1-t 1、2t 2-t 2和2t 3-t 3…分钟水位数据，以及该站点（A）的前U分钟的水位数据作为输入信号；建立一个神经网络；并经过若干次迭代让神经网络进行自我学习，使得神经网络的预测误差小于设定误差；输入该站点（A）前一段时间的水位和若干个上游站点（B、C、D …）的水位数据，基于神经网络预测该站点（A）水位。
权利要求书2页 说明书5页 附图1页CN 108510103 A 2018.09.07C N 108510103A1.一种基于神经网络预测水位的方法，该方法根据若干个上游站点（B、C、D…）的水位来预测下游某一站点A的水位，其特征在于：该方法它包括以下步骤：1）确定输入信号根据各站点的关系, 下游某一站点（A）的水位与该站点（A）的前一段时间的水位相关,并且与该站点（A）上游的若干个上游站点（B、C、D…）的对应的该瞬间的水位相关，根据已有数据分析，水从上游站点（B、C、D…）流到下游的该站点（A）耗时分别为t1、t2和t3…分钟，选取上游站点（B、C、D…）的前2t1- t1、2t2- t2和2t3- t3…分钟的水位数据，以及该站点（A）的前U分钟的水位数据作为输入信号；2）建立一个神经网络该神经网络包括：输入层（1）、隐含层（3）和输出层（5），输入层（1）包括并列的若干个输入点（2），隐含层（3）包括并列的若干个节点（4），输出层（5）包括一个输出点，每个输入点（2）的输出均作为每个节点（4）的输入，每个节点（4）的输出均作为输出层（5）的输入，输出层（5）输出一个信号；3）让神经网络进行自我学习将上游站点（B、C、D…）的前2t1- t1、2t2- t2、2t3- t3…每分钟的水位数据和该站点（A）的前U分钟的每分钟的水位数据中每一个数据作为一个输入点（2）的输入数据，将上述输入数据输入步骤2）的该站点（A）的神经网络中，让神经网络进行自我一次学习，经过若干次自我学习，使得神经网络的预测误差小于设定误差，得到该站点（A）的神经网络；4）基于神经网络预测该站点（A）水位把上游站点（B、C、D…）的前2t1- t1、2t2- t2和2t3- t3…水位数据和该站点（A）的前U分钟的水位数据作为步骤3）的该站点（A）的神经网络的若干个输入点（2）的输入数据，根据步骤3）的该站点（A）的神经网络得到该站点（A）的水位。
复试面试的问答题
第一部分、自动控制原理一、是开环控制什么是闭环控制？开环控制系统(open-loop control system)是指被控对象的输出(被控制量)对控制器的输出没有影响。
在这种控制系统中，不依赖将被控量反送回来以形成任何闭环回路。
闭环控制系统(closed-loop control system)的特点是系统被控对象的输出(被控制量)会反送回来影响控制器的输出，形成一个或多个闭环。
闭环控制系统有正反馈和负反馈，若反馈信号与系统给定值信号相反，则称为负反馈( Negative Feedback)，若极性相同，则称为正反馈，一般闭环控制系统均采用负反馈，又称负反馈控制系统。
二、什么是定值系统，随动系统？定值调节系统即简单调节系统一般是由测量元件、调节器和执行器组成的控制系统，生产过程中的控制大多数属于这一类。
它可以是使变量保持在常数的定值调节，也可以是使变量跟踪变化的随动调节。
随动就是指你的控制系统需要达到的目标值是不断变化的。
恒值调节就是你通过调节控制所需要达到的目标是已知固定的，如液位控制、温度控制、压力控制，后者在工业过程和日常生活中更为多见三、控制系统的组成，各部分的作用主要包括检测元件变送器控制器执行器和控制对象各个部分的作用见课本四、经典控制理论与现代控制理论有什么区别从控制对象来说。
经典的控制理论主要是针对单输入单输出系统进行讨论和研究的理论，而现代控制理论主要是针对单输入多输出，多输入单输出，多输入多输出的系统进行的讨论和研究的理论。
从研究方法来说。
经典的控制理论主要是传递函数---时域分析法，根轨迹法，频率响应法现代控制理论主要是主要是状态空间描述研究方法。
从实际应用来说。
经典的控制理论主要是从火炮控制系统设计的过程中发展出来的，现代控制理论主要是主要是复杂多变量控制系统的出现而发展起来的。
包括航天航空的发展等五、什么是智能控制，智能控制有哪些？在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。
基于HJI理论的移动机器人神经网络自适应控制
基于HJI理论的移动机器人神经网络自适应控制移动机器人技术的发展给现代社会带来了许多便利和创新。
为了使移动机器人在各种环境中能够实现高效且安全的自主行为，控制算法的设计成为了一个重要的研究领域。
本文将介绍基于HJI（哈密顿-雅可比-伊凡斯）理论的移动机器人神经网络自适应控制算法，以提高移动机器人的自主性和适应性。
一、HJI理论简介HJI理论是一种在非线性系统控制中广泛应用的数学工具。
它基于动态规划和最优控制的思想，通过解决哈密顿-雅可比-伊凡斯偏微分方程，得到系统的最优控制输入。
应用HJI理论可以使得移动机器人在复杂和不确定的环境中做出最优的决策，从而实现精确而高效的控制。
二、移动机器人神经网络自适应控制的基本原理神经网络是一种模拟人脑神经元网络结构的数学模型。
通过对大量样本数据的学习和训练，神经网络可以实现对输入和输出之间的映射关系建模。
在移动机器人控制中，结合神经网络和HJI理论，可以实现自适应控制，使机器人能够根据环境的变化动态调整控制策略。
具体而言，移动机器人的控制器可以通过神经网络学习和适应环境中的变化。
神经网络的输入可以是机器人周围环境的传感器信息，如视觉、声音等，输出则为机器人的控制指令，如速度、方向等。
通过不断地更新神经网络的权重和偏置，使其能够根据环境反馈的信息调整控制策略，并在动态环境中实时响应。
三、基于HJI理论的移动机器人神经网络自适应控制方法1. 确定系统动态模型：首先需要根据移动机器人的物理特性和运动学方程建立系统的动态模型。
这个模型将用于计算HJI偏微分方程的解，并作为神经网络的训练样本。
2. 建立神经网络模型：在确定系统动态模型之后，可以构建适当的神经网络结构来建模控制器。
选择合适的网络拓扑和激活函数，并根据需要确定网络的层数和神经元个数。
3. 学习与适应：将机器人在真实环境中采集到的传感器数据作为神经网络的输入，并利用系统动态模型计算出的最优控制指令作为输出，进行神经网络的训练和学习。
权值自动更新的方法
权值自动更新的方法
权值自动更新的方法主要有以下两种：
1. 利用梯度下降法进行权值更新。
具体步骤如下：计算损失函数对权值的梯度，然后将梯度乘以学习率，再根据计算出的梯度对权值进行更新。
2. 利用反向传播算法进行权值更新。
具体步骤如下：首先前向传播输入数据，计算出输出值和损失函数值；然后根据损失函数对权值的偏导数，计算出梯度；最后将梯度乘以学习率，再根据计算出的梯度对权值进行更新。
以上方法仅供参考，建议查阅相关书籍或咨询专业人士以获取更全面准确的信息。
基于RBF神经网络整定的PID控制器设计及仿真_毕业设计(论文)
华北电力大学毕业设计(论文)题目基于RBF神经网络整定的PID控制器设计及仿真基于RBF神经网络整定的PID控制器设计及仿真摘要目前，因为PID控制具有简单的控制结构，可通过调节比例积分和微分取得基本满意的控制性能，在实际应用中又较易于整定，所以广泛应用于过程控制和运动控制中，尤其在可建立精确模型的确定性控制系统中应用比较多。
然而随着现代工业过程的日益复杂，对控制要求的逐步增高（如稳定性、准确性、快速性等），经典控制理论面临着严重的挑战。
对工业控制领域中非线性系统，采用传统PID 控制不能获得满意的控制效果。
采用基于梯度下降算法优化RBF神经网络，它将神经网络和PID控制技术融为一体，既具有常规PID控制器结构简单、物理意义明确的优点，同时又具有神经网络自学习、自适应的功能。
因此，本文通过对RBF神经网络的结构和计算方法的学习，设计一个基于RBF神经网络整定的PID控制器，构建其模型，进而编写M语言程序。
运用MATLAB软件对所设计的RBF神经网络整定的PID控制算法进行仿真研究。
然后再进一步通过仿真实验数据，研究本控制系统的稳定性，鲁棒性，抗干扰能力等。
关键词：PID；RBF神经网络；参数整定SETTING OF THE PID CONTROLLER BASED ON RBF NEURAL NETWORK DESIGN AND SIMULATIONAbstractAt present, because the PID control has a simple control structure, through adjusting the proportional integral and differential gain basic satisfactory control performance, and is relatively easy to setting in practical application, so widely used in process control and motion control, especially in the accurate model can be built more deterministic control system application. With the increasingly complex of the modern industrial process, however, increased step by step to control requirements (e.g., stability, accuracy and quickness, etc.), classical control theory is faced with severe challenges. Non-linear systems in industrial control field, using the traditional PID control can not obtain satisfactory control effect. Optimized RBF neural network based on gradient descent algorithm, it will be integrated neural network and PID control technology, with a conventional PID controller has simple structure, physical meaning is clear advantages, at the same time with neural network self-learning, adaptive function. Therefore, this article through to the RBF neural network structure and the calculation method of learning, to design a setting of the PID controller based on RBF neural network, constructs its model, and then write M language program. Using the MATLAB software to design the RBF neural network setting of PID control algorithm simulation research. Data and then further through simulation experiment, the control system stability, robustness, anti-interference ability, etc.Keywords: PID; RBF neural network; Parameter setting目录摘要 (Ⅰ)Abstract (Ⅱ)1 绪论 (1)1.1 课题研究背景及意义 (1)1.2神经网络的发展历史 (3)2 神经网络 (6)2.1神经网络的基本概念和特点 (6)2.2人工神经网络构成的基本原理 (7)2.3神经网络的结构 (8)2.3.1前馈网络 (8)2.3.2 反馈网络 (8)2.4神经网络的学习方式 (9)2.4.1监督学习(有教师学习) (9)2.4.2非监督学习(无教师学习) (9)2.4.3再励学习(强化学习) (9)2.5 RBF神经网络 (10)2.5.1 RBF神经网络的发展简史 (10)2.5.2 RBF的数学模型 (10)2.5.3被控对象Jacobian信息的辨识算法 (11)2.5.4 RBF神经网络的学习算法 (12)2.6 本章小结 (14)3 PID控制器 (14)3.1 PID控制器简介 (14)3.2 经典PID控制原理 (14)3.3 现有PID控制器参数整定方法 (16)3.4 PID控制的局限 (17)3.5本章小结 (17)4 基于RBF神经网络整定的PID控制器设计 (17)4.1 RBF神经网络的PID整定原理 (17)4.2 神经网络PID控制器的设计 (18)4.3 本章小结 (19)5 仿真分析 (19)5.1 系统的稳定性分析 (19)5.2 系统抗干扰能力分析 (21)5.3 系统鲁棒性分析 (22)5.4 本章小结 (24)结论 (25)参考文献 (26)致谢 (27)附录仿真程序 (28)1 绪论1.1 课题研究背景及意义PID控制器（按比例、积分和微分进行控制的调节器）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PID控制器。
智能控制技术及其应用
2. 4 智能控制技术的集成 控制理论与技术向着两个方向发展 : 一是理论
3 应用例举
3. 1 直接模糊神经网络控制的应用 众所周知 ,列车运行过程中受到许多不确定因
素的影响 ,是一类复杂动力学过程 ,难以用常规方法 进行建模 ,其在不同的工作条件下 ,控制目标和控制 策略随过程特性的变化而大不相同 ,因此用常规的 控制理论很难适应过程要求 [3 ] 。针对该控制对象的 特性 ,研究了一种高速列车运行过程的直接模糊神 经控制器 ,提出了一种基于模糊神经自适应控制的 方法 。该方法利用模糊神经网络来辨识列车运行的 逆动力学模型 ,并以此模型作为控制器提供给列车 主要的广义驱动力 ,加上常规的控制器构成完整的 控制系统 ;当神经网络给出的驱动力合适 ,系统误差 较小 ,常规控制器的控制作用就变弱 ; 反之 ,常规控 制器起主要的控制作用 。模糊规则的制定是利用常 规控制器提取初始模糊规则 ,利用专家经验对初始 规则进行补充 ,最后利用误差的反向传播算法对参 数进行在线自适应调整 ,结果很好地满足了列车运 行的某些性能指标 。
0 引言
20世纪 20年代 ,在建立了以频域法为主的经典 控制理论的基础上 ,智能控制技术逐步发展 。控制技 术首先在工业生产中得到了广泛的应用 。在空间技术 发展的推动下 , 50年代出现了以状态空间法为主的现 代控制理论 ,拓展了控制领域 。60 年代以来 ,随着信 息技术的发展 ,许多新方法和技术进入工程化 、产品化 阶段 ,这对自动控制技术提出了新的挑战 ,促进了智能 理论在控制技术中的应用 ,以解决用传统的方法难以 解决的复杂系统的控制问题 。常见的有智能机器人系 统 、计算机集成制造系统 ( C IMS) 、复杂的工业过程控 制系统 、航天航空控制系统 、社会经济管理系统 、交通
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
入层到隐层的权值 向量更新 采用梯度下 降法 ， 隐层到输出层的权 值向量更 新采用 Ｌ ｅ ｖ ｅ ｎ ｂ ｅ ｒ ｇ Ｍａ ｒ ｑ ｕ ａ ｒ ｄ ｔ 算法 ， 并结 合信 赖域 理 论对相关 参数设置进行 了详细说 明。双容水箱液位控制实验表 明 ， 调 节 阀动 作次数少 ， 控 制器参数 人工设 置简单 ， 并具 有
环设计成 Ｉ Ｉ 型系统 ， 并根据 Ｉ 型、 Ｉ Ｉ 型系统的动态跟随性能、 抗扰性能指标与参数关系设置 Ｐ Ｉ Ｄ参数 ， 藉此
获得 较好 的控 制性 能 。优 化方法 的缺 点是需 要对 象 数学 模 型 ， 非 专 业人 员 整 定参 数 比较 困难 。文 献 ［ １ ］ 、 ［ ２ ］ 引入径 向基 （ Ｒ Ｂ Ｖ ） 神经 网络 ， 自适 应 整 定 串级 控 制 系统 外环 的 Ｐ Ｉ Ｄ参 数 ， 取 得 优 于 常规 串级 控 制 的 效 果， 但 内环仍需 人工 整定 。文献 ［ ３ ］ 、 ［ ４ ］ 提 出 了一 种 基 于神 经 网络 和梯 度下 降法 的无 模 型 自适 应 控 制 方
静差， ｅ 。 属 于粗 调， ｕ ０ 属 于精调 。Ｐ （ ｋ ） ＝［ ｅ ， ｅ ，
…
， ｅ ］ 为 第 ｋ时刻历 史偏差 向量 ， 其中 ｅ 为 第 ｋ时 图１ 方法框图
刻 当前偏 差Байду номын сангаас， ｅ 为前 ｎ时刻历 史偏差 ， 所 有偏差 均为
归一 化后 的数据 。 ｚ （ ｋ ） ＝［ ｚ ， ： ， …， ］ 为第 ｋ时刻 隐层 到输 出层 的权 值 向量 ， ’ ． ， （ ｋ ） ＝［ 。 ， ∞， …Ｗ 。 ； …； 砣， …， ］ 为 第 ｋ时刻输 入层 到 隐层 的权 值 向量 ， ｓ ａ ｔ 为饱 和 函数 。
第２ ５ 卷
第３ 期
广 东石油化 工 学院学 报
Ｊ ｏ ｕ ｎａ ｒ ｌ ｏ ｆ Ｇ ｕ ａ ｎ ｇ ｄ ｏ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｐ ｅ ｔ ｒ ｏ ｃ ｈ ｅ ｍｉ ｃ ａ ｌ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ
Ｖ０ １ ． ２ ５ Ｎｏ ． ３
收 稿 日期 ： ２ ０ １ ４—１ ２—１ ８ ； 修 回 日期 ： ２ ０ １ ５—０ ５—０ ６
基金项 目： 广东高校石 油化工故障诊断与信 息化控制工程技术开发中心开放基金项 目（ ５ １ ２ ０ ２ ９ ）
作者简介 ： 廖晓文（ １ ９ ７ ７ 一） ， 男， 广东连州人 ， 硕士 ， 讲师 ， 主要从事工业控制仪表 、 运动控制技术方 面的研究及设计工作 。
良好的动态性能 、 抗扰性能及稳态精度 ， 并可在省却流量变送器 的前提下取代常规 的 Ｐ Ｉ Ｄ串级控制 。 关键词 ： 液位控制 ； 神经网络 ； 梯度下降法 ； Ｌ ｅ ｖ ｅ ｎ ｂ ｅ ｒ ｇ Ｍａ ｒ ｑ ｕ ａ ｒ ｄ ｔ 算法 ； Ｐ Ｉ Ｄ串级控制
中 图分 类 号 ： Ｔ Ｐ ２ ７ ３ ． ３ 文 献标 识 码 ： Ａ 文章编号 ： ２ ０ ９ ５ —２ ５ ６ ２ （ ２ ０ １ ５ ） ０ ３ —０ ０ ６ １ — ０ ４
６ ２
广 东石 油化 工学 院学 报
２ ０ １ ５ 年
鉴于两层神经网络权值更新 均采用梯度下降法 ， 存在线性收敛速度慢并且难 以保证收敛 的问题 ６ ］ 。
如果 权值 更新 均 采用 Ｌ ｅ ｖ ｅ ｎ ｂ ｅ ｒ ｇ Ｍａ ｒ ｑ ｕ ａ ｒ ｄ ｔ 算法 ， 在权 值 向 量 （ ｋ ） 的更 新 上 又存 在雅 各 比矩 阵过 于 复 杂 的
法， 但还 存在 如下不 足 ： 权 值 限幅设 置复杂 ， 如果 参数 设 置不 当 ， 容易 引起 调 节 阀频 繁 大 幅 度动 作 ， 液 位 振
荡， 并且会造成调节 阀寿命短 、 维修费用高 ； 激活 函数采用通用 的 ｓ ｉ ｇ ｍ ｏ ｉ ｄ函数 ， 在大多数场合都存在映射 问题 ； 两 层神 经 网络均 采 用梯 度下 降法 造 成 收 敛 速 度慢 。本 文 拟利 用增 量 式 Ｐ Ｉ Ｄ 的实 质 、 梯度 下降法、
通 常配套 液位 变送器 、 流量 变送 器 、 调 节 阀 的液 位 控 制 仪 表在 过 程 控 制 中有 着 广 泛 的应用 。常 规 的 Ｐ Ｉ Ｄ串级 控制需 引入 流量 变送器 ， 在 内环实 现流 量控制 ， 外 环 实现 液位 控 制 。整定 Ｐ Ｉ Ｄ参 数 常采用 衰 减 曲 线 法或 临界 比例 法 ， 整定参 数 比较 困难 。优 化 的设 计 方法需 结合 对象传 递 函数将 内环设 计 成 Ｉ 型 系统 ， 外
Ｌ ｅ ｖ ｅ ｎ ｂ ｅ ｒ ｇ Ｍ ａ ｒ ｑ ｕ ａ ｒ ｄ ｔ 算法 及其信 赖域 理论设 计 一 权值 动 态 更 新 的神 经 网络 控 制器 。在保 证 控 制 品质 可 替代 Ｐ Ｉ Ｄ串级控 制 的同时 ， 实现参 数 易调整 、 省却 流量 变送器 及减 少调 节 阀动作 次数 等 目的 。
１ 权 值 混 合 更 新 的神 经 网络 液 位控 制 方 法
液位控 制常用 的增 量 式 Ｐ Ｉ Ｄ算 法 ， 其 控 制 量输
出 可 看 成是 ３次历 史 偏 差 加 权 叠 加 的结 果 。鉴 于
此， 本 文设 计 了混 合 权 值 实 时更 新 的神经 网络 液 位
控制方法， 具体如 图 １ 所示。其中， “ 。 、 ｅ 。 用于消除
２ ０ １ ５年 ６月
Ｊ ｕ ｎ ｅ ２ ０ １ ５
权 值 混 合 更 新 的 神 经 网 络 液 位 控 制 方 法 及 应 用
廖 晓文
（ 广 东石 油化 工学院 计算机与 电子信 息学院， 广 东 茂名 ５ ２ ５ ０ ０ ０ ）
摘要 ： 综合考虑现场液位控制的需求 、 增量式 Ｐ Ｉ Ｄ实质及 算法计算 复杂 度 ， 设 计 了一权 值混合 更新 的神经 网络控制器 。输