摘 要

PID控制方法是经典控制算法中的典型代表，同时在多种控制场合取得了很好的成效，但是伴随着生产工艺的日趋繁杂和人们对产业控制过程总体性能要求的不断提高，传统的PID控制方法总是很难满足闭环优化控制的需求。基于理论但不依赖于模板的智能控制为解决这类问题提供了新的方向，变成至今提高过程控制质量的必要方法。神经网络作为现代信息处理手段的其中之一，在很多领域中展现了它的优越性，它在自动控制学科中的运用结果---神经网络控制也变成炽手可热的发展方向。单神经元是构成神经网络的基本单位，它拥有较强的的信息处理、学习记忆和自学习、自适应能力，能够解决那些难以用模型和理论描述的进程，并且单一简单便于计算。在多变量耦合系统方面，不妨采取前馈补偿法对系统进行解耦，使得控制变量之间不会相互影响。如果把这两个结合在一起，就有利于控制系统控制品质的提高，受环境的影响较小，具有较强的控制鲁棒性。

关键字：耦合系统 前馈补偿法解 单神经自适应PID

Abstract

For MIMO systems, the coupling, and some can be taken to adjust capacity and transfer the appropriate amount of matching, and re-tuning regulator approaches to overcome. PID control method is one of the traditional control methods and gets good effects under many application situations. But with the increase in complexity of manufacture technology and demands of industrial process performance, the conventional PID control can not meet the requirement of closed loop optimized control, Intelligent control independent of model of a plant and based on knowledge offers a new idea for improving the process control quality, of which neural network as one of modern information process technologies, has some advantages in many applications. Neural network control became a regarded research direction. Single neuron as a neural network the basic unit, has the very strong ability in information synthesis, study memory, self-study, and adaptation, so, it can deal with some processes that are difficult to describe with the model or rule, structure is simple and calculation is very easy. It is helpful for control system to improve the control quality. It has strong robustness, and the environment have limited influence on the system. It is use the single neuron adaptive PID controller's advantages for multivariable control systems decoupling will play a very good control effect.

Keywords:MIMO Decoupling; feed-forward Decoupling Control System;

Single Neuron Adaptive PID

目 录

第1章 绪论 1

1.1课题研究背景 1

1.1.1研究解耦控制系统目的及意义 1

1.1.2国内外解耦控制的研究现状 1

1.2解耦控制的研究方法分类 2

1.3人工神经和PID调节器的研制 2

第2章PID控制简介 4

2.1 PID控制的基本原理 4

2.2 数字PID控制算法 5

2.2.1 位置式PID控制算法 5

2.2.2 增量式PID控制算法 6

第3章 单神经元PID控制系统 7

3.1 单神经元简介 7

3.2 基于单神经元的PID控制 8

3.2.1 基于单神经元的自适应PID控制器 8

3.2.2常用的三种学习规则 9

3.2.3有监督的Hebb学习算法 10

4.多变量过程控制系统解耦控制 12

4.1 多变量过程控制系统解耦原理 12

4.2控制对象介绍 14

4.3前馈补偿解耦控制器的设计 15

5单神经元自适应PID控制及其MATLAB仿真 17

5.1程序编写 17

5.2增益K参数的调整 18

总 结 20

致 谢 21

参考文献 22

第1章 绪论

1.1课题研究背景

1.1.1研究解耦控制系统目的及意义

多输入输出（MIMO）系统的组成原理都十分复杂，里面的各个环节基本都存在着一定的相互作用，比如说现在系统的某个信号发生了变化，其它的信号量多多少少也会跟着改变，这就导致输出量发生了变化。针对这种多输入输出系统的特点，工业工程控制要求它可以在设计要求误差范围内稳定运行，并且可以方便调节信号，可以准确地跟随设定信号的变化，使稳态误差为零。想要得到如上所述的性能需求，必须要降低或者控制各个环节之间的不好的相互作用，也就是设计一个解耦控制系统，将其应用到多输入输出系统，使系统近似于多个独立的单变量控制，改善系统的性能。

1.1.2国内外解耦控制的研究现状

控制理论发展以来，解耦控制一直都是设计的难点问题，它在控制学科出现以来就被提出要构建。最原始的解耦思想是由Roksenbom和Hoodllol提出的不相干控制原则。他们在在分析飞行器控制系统时，发现了多变量控制系统中存在耦合的问题，为了解决这一问题，他们想到利用矩阵分析法来实现分别控制两个不同的变量如飞机燃料、飞机叶片来控制飞行器的飞行速度，并且两个变量控制之间没有联系，分解成很多个互相独立的单输入单输出系统。1964年，Morgan提出了基于现代控制理论的无交互系统设计，也就是对MIMO多输入输出线性系统的解耦操作。在人们的实践下，发现多输入多输出系统存在着耦合的问题，因此人们提出了输出量解耦方案。

到目前为止，专家学者大多都只研究出少许解耦控制方法，基本上都是针对线性多变量离散系统和比较特别的一类非线性多变量离散系统，这些研究还不够全面，不够深入，研究理论成果不是很多，还是因为离散非线性多输入多输出系统的线性化解耦理论还不够成熟。由于它们本质上还是不同的系统，不能将离散系统与连续系统等同看待，意味着离散系统不能直接使用连续系统解耦控制研究中的理论性成果，但可以通过一定的办法，借助于连续系统的解耦控制思想，利用神经网络结构本身和连续或离散的非线性解耦理论，可以实现离散系统线性化和解耦控制。并且神经网络由于自身的特点，可被用来处理我们不了解其模型的或者根本不了解的非线性系统，这意味着逆系统线性化和解耦控制有望被广泛使用。

1.2解耦控制的研究方法分类

拥有多个输入和多个输出的解耦控制的方法主要有三种，具体描述如下：经典解耦控制方法、自适应解耦控制方法、智能解耦控制方法，其中第三种方法又包括模糊控制和神经解耦控制等。

经典解耦方包括前馈补偿法、对角矩阵法、单位矩阵法。其中前馈补偿方法是最早应用于多变量系统的解耦方法，前馈补偿法的基本思想是将操作变量当做扰动来处理，并按照前馈补偿的方法来消除这种影响。

自适应解耦控制主要是应用与多变量系统中，将自适应控制与解耦控制相结合，也就是说辨别所要控制的对象，并对其进行解耦与自适应控制。这种控制方法可以应用于当具体参数不清楚或者是系统在线运行时，针对这两种情况可以进行精准控制。具体来说，其实质就是将输入的解耦项看作可以进行测量的干扰因素，对这个干扰因素采用自校正前馈控制，对其进行动静态补偿，并且寻找对补偿器的参数的最优值。自适应解耦控制适用于时变系统，是智能解耦理论的基础。

模糊控制的优点是不需要提供具体的数学模型，根据人工控制的具体规律来决定对受控对象的具体控制方法。模糊控制与PI控制虽然思想不一样，但是联系紧密，具体来说，模糊控制是针对非线性系统，又被称为非线性PID控制。将二者结合起来，可以综合二者的优点，既具有模糊控制简单、能适应各种情况，也具有PID控制准确度高。

神经网络控制是基于生物学中人的大脑神经元的活动，特定信息的表达利用各神经元之间的联系与权值，经过对这些特定信息的不断修改渐渐逼近理论值来在神经元中进行控制，从而实现智能控制。

1.3人工神经和PID调节器的研制

PID调节器的发展有一定的历史。在这段发展的历程中，人们用自己的努力和钻研让PID更加完善，成为工业过程控制中的顶梁柱。在现代控制理论蓬勃发展的浪潮中，很多先进的控制算法诞生了。但是迄今为止，尽管在微处理技术如此广泛应用的前提下，过程控制中大部分控制原则还是不能脱离PID。经过历史的淘选，充分表明了PID控制旺盛的生命活力。PID广泛的运用源于其结构简单、不难实现、控制效果良好和鲁棒性强等优点。除此之外，PID算法原理直观易于理解，参数物理意义简练，理论分析体系成熟。尽管大批工程师都了解PID算法，但在生产现场通常因为参数整定不好而使PID控制器控制效果不太好，从而控制器的性能也不稳定。

PID控制中的三个参数(比例系数、积分时间、微分时间)的整定决定了控制器的性能。在工业控制中，对于能够建立数学模型的确定性控制系统，PID控制非常受用。然而实际情况却是，大部分的工业过程都具有非线性、时变不确定性等缺陷。因此建立数学模型是一件很难的事情。除此之外，由于经常受到各种因素的制约，比如缺乏相关设备、不允许增添扰动和调试时间短等，PID参数的整定很难到达最好的状态。另外，在某一工作点得到PID控制的最优参数也无法保证在长期的工作范围内保持最优，受到时变性的制约。PID控制是工业控制中最常用的技术工具，但应用在具有复杂非线性特性的对象或过程进行控制中就难以达到合意的效果。针对上面讲到的问题，已经提出过多种自适应PID控制方法，但是由于自适应控制是在被控对象为线性对象的前提下进行研究的，面对工业过程的非线性对象，仍有着不尽人意的地方。由于神经网络可在一定条件下可以近似非线性，人们就把神经网络与PID控制的结构结合在一起，这就变成了了基于神经网络的PID控制方法。