1、近年來,隨著現(xiàn)代控制理論和數(shù)字計算機技術(shù)的高速發(fā)展,出現(xiàn)了許多比較先進的控制算法,如廣義預(yù)測控制算法(GPC),內(nèi)?？刂扑惴?IMC)等,并開始應(yīng)用于工業(yè)生產(chǎn)中.但是就目前而言,比例積分微分(PID)控制器在過程控制中仍然起著主要作用,其原因是常規(guī)的PID調(diào)節(jié)器具有結(jié)構(gòu)簡單、魯棒性強、適應(yīng)性好、能夠?qū)艽笠活惞I(yè)對象進行有效控制等一系列優(yōu)點.但是在實際的工業(yè)生產(chǎn)過程中,往往具有非線性,時變不確定性,因而難以建立精確的數(shù)學模型.從控制的角

2、度看,尋求高可靠、魯棒性、適應(yīng)性、智能型和簡便易行的控制理論和方法,以滿足復(fù)雜系統(tǒng)高維數(shù)、非線性、強干擾、不確定、難建模、實滯未知、快速多變的要求,一直是控制學科追求的目標.因此,設(shè)計一個具有自適應(yīng)、自學習能力的神經(jīng)智能控制器,對提高這類系統(tǒng)的控制效果和魯棒性有積極意義. 由于人工神經(jīng)網(wǎng)絡(luò)具有對任意非線性映射的任意逼近能力,近年來,已經(jīng)被引入非線性系統(tǒng)的辨識中,用來模擬實際系統(tǒng)的輸入/輸出關(guān)系.而利用神經(jīng)網(wǎng)絡(luò)的自學習、自適應(yīng)以及

3、并行處理能力,可以方便地給出工程上易于實現(xiàn)的學習算法,經(jīng)過訓練得到動態(tài)系統(tǒng)的前向或逆向模型. 與傳統(tǒng)非線性辨識方法不同的是,神經(jīng)網(wǎng)絡(luò)辨識不受非線性模型的限制.它依據(jù)被控系統(tǒng)的輸入輸出數(shù)據(jù),通過學習得到一個描述系統(tǒng)輸入輸出關(guān)系的非線性映射.給定一個輸入,即可得到一個輸出,而不需要知道輸入和輸出之間存在著怎樣的數(shù)學關(guān)系.這是目前非線性系統(tǒng)辨識中一個引人注目的新途徑. 本文有針對性地對人工神經(jīng)網(wǎng)絡(luò)的各種網(wǎng)絡(luò)模型及學習算法進行了

4、研究,提出一了種基于人工神經(jīng)網(wǎng)絡(luò)的電廠主汽溫控制系統(tǒng).主要內(nèi)容包括: (1)分析了人工神經(jīng)網(wǎng)絡(luò)各種網(wǎng)絡(luò)模型的結(jié)構(gòu)特點,及在智能控制中適用的范圍. (2)在學習了控制領(lǐng)域的PID控制原理的基礎(chǔ)上,分析了傳統(tǒng)PID控制存在的不足,提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的智能控制系統(tǒng).在對非線性系統(tǒng)的辨識模型的研究和對BP網(wǎng)絡(luò)算法深入研究的基礎(chǔ)上,選擇BP網(wǎng)絡(luò)作為神經(jīng)控制系統(tǒng)中神經(jīng)網(wǎng)絡(luò)辨識器的在線辨識網(wǎng)絡(luò),使用基于Hebb學習規(guī)則的神經(jīng)網(wǎng)